Red Neural De Forex

MetaTrader 4 - Ejemplos de uso de redes neuronales en MetaTrader Introducción Muchos de ustedes probablemente han considerado la posibilidad de usar redes neuronales en su EA. Este tema fue muy caliente especialmente después de 2007 Automated Trading Championship y el espectacular ganar por Better con su sistema basado en redes neuronales. Muchos foros de Internet fueron inundados con temas relacionados con las redes neuronales y el comercio de Forex. Lamentablemente, la escritura nativa MQL4 aplicación de NN no es fácil. Requiere algunas habilidades de programación y el resultado no sería muy eficiente especialmente si youd gustaría probar su resultado final en probador en gran número de datos. En este artículo Ill le mostrará cómo puede utilizar la libremente disponible (bajo LGPL), renombrado Fast Artificial Neural Network Library (FANN) en su código MQL4 mientras evita ciertos obstáculos y limitaciones. Además supongo que el lector está familiarizado con las Redes Neuronales Artificiales (ann) y la terminología relacionada con este tema tan mal se concentran en los aspectos prácticos del uso de la implementación particular de ann en el lenguaje MQL4. Características de FANN Para entender completamente las posibilidades de implementación de FANN es necesario familiarizarse con su documentación y las funciones más utilizadas. El uso típico de FANN es crear una red simple de feedforward, entrenarla con algunos datos y ejecutarla. La red creada y capacitada puede ser guardada en un archivo y restaurada posteriormente para uso posterior. Para crear una ann uno tiene que utilizar la función fanncreatestandard (). Permite ver su sintaxis: Donde numlayers representa el número total de capas incluyendo la entrada y la capa de salida. El lNnum y los argumentos siguientes representan el número de neuronas en cada capa comenzando con la capa de entrada y terminando con la capa de salida. Para crear una red con una capa oculta con 5 neuronas, 10 entradas y 1 salida se tendría que llamar de la siguiente manera: Una vez creada la ann, la siguiente operación sería entrenarla con algunos datos de entrada y salida. El método de entrenamiento más simple es el entrenamiento incremental que puede lograrse mediante la siguiente función: Esta función lleva el puntero a la estructura fann devuelta anteriormente por fanncreatestandard () y el vector de datos de entrada y el vector de datos de salida. Los vectores de entrada y salida son de matriz de tipo fanntype. Ese tipo es en realidad un tipo doble o flotante, dependiendo de la forma en que se compila el FANN. En esta implementación los vectores de entrada y salida van a ser matrices de doble. Una vez entrenada la ann, la siguiente característica deseada sería ejecutar esa red. La función implementada se define de la siguiente manera: Esta función lleva el puntero a struct fann que representa la red previamente creada y un vector de entrada del tipo definido (matriz doble). El valor devuelto es una matriz de vector de salida. Este hecho es importante, ya que para una red de salida siempre tenemos una matriz de elementos con el valor de salida en lugar del valor de salida en sí. Desafortunadamente la mayoría de las funciones de FANN utilizan un puntero a una estructura fann que representa la ann que no puede ser manejada directamente por MQL4 que no apoya estructuras como datatypes. Para evitar esa limitación tenemos que envolver que de alguna manera y ocultar de MQL4. El método más fácil es crear una matriz de punteros fann de estructura que contienen los valores apropiados y se refieren a ellos con un índice representado por una variable int. De esta manera podemos reemplazar el tipo no soportado de variable por uno soportado y crear una librería wrapper que se puede integrar fácilmente con el código MQL4. Envolviendo el FANN alrededor Como a mi mejor conocimiento MQL4 no apoya funciones con la lista variable de los argumentos así que tenemos que ocuparse de eso también. Por otro lado, si la función C (de longitud de argumentos variables) se llama con demasiados argumentos, no pasa nada, así podemos asumir un número fijo máximo de argumentos en la función MQL4 pasada a la biblioteca C. La función resultante del wrapper se vería de la siguiente manera: Cambiamos el fann principal con f2M (que significa FANN TO MQL), utilizamos el número estático de argumentos (4 capas) y el valor devuelto es ahora un índice de la matriz interna de anns que sostiene la estructura Fann requeridos por FANN para operar. De esta manera podemos llamar fácilmente a dicha función desde dentro del código MQL. Lo mismo vale para: Por último, pero no menos importante es el hecho de que usted debe destruir su ana creada una vez por la llamada a: Para liberar las manijas de ann debe destruir las redes en orden inverso de lo que fueron creados creados. Como alternativa, usted podría usar: Sin embargo, estoy bastante seguro de que algunos de ustedes podrían preferir guardar su red entrenada para su uso posterior con: Por supuesto, la red guardada puede cargarse (o más bien recrear) con: Una vez que sepamos las funciones básicas que podríamos tratar de Utilice eso en nuestra EA, pero primero debemos instalar el paquete Fann2MQL. Instalando Fann2MQL Para facilitar el uso de este paquete tengo crear el instalador msi que contiene todo el código fuente más bibliotecas precompiladas y Fann2MQL. mqh archivo de cabecera que declara todas las funciones de Fann2MQL. El procedimiento de instalación es bastante sencillo. Primero se le informa que Fann2MQL está bajo licencia GPL: Instalación de Fann2MQL, paso 1 Luego escoja la carpeta para instalar el paquete. Puede utilizar el programa predeterminado FilesFann2MQL o instalar directamente en su directorio Meta Traderexperts. El más tarde pondrá todos los archivos directamente en sus lugares de lo contrario tendrá que copiarlos manualmente. Instalación de Fann2MQL, paso 2 El instalador pone los archivos en las siguientes carpetas: Si decide instalar en la carpeta Fann2MQL dedicada, copie el contenido de sus subcarpetas de inclusión y bibliotecas en su directorio apropiado de Meta Trader. El instalador instala también la biblioteca FANN en la carpeta de bibliotecas del sistema (Windowssystem32 en la mayoría de los casos). La carpeta src contiene todo el código fuente de Fann2MQL. Usted puede leer el código fuente que es una documentación final si necesita más información sobre los internos. También puede mejorar el código y agregar características adicionales si lo desea. Te animo a que me envíes tus parches si implementas algo interesante. Uso de redes neuronales en su EA Una vez instalado el Fann2MQL, puede comenzar a escribir su propio EA o indicador. Theres un montón de posible uso de NN. Puede utilizarlos para predecir los movimientos futuros de precios, pero es dudosa la calidad de tales predicciones y la posibilidad de aprovecharla. Usted puede tratar de escribir su propia estrategia utilizando técnicas de aprendizaje de refuerzo, por ejemplo un Q-Learning o algo similar. Usted puede tratar de utilizar NN como un filtro de señal para su EA heurística o combinar todas estas técnicas más lo que realmente desea. Youre limitado por su imaginación solamente. Aquí te mostraré un ejemplo de usar NN como un simple filtro para las señales generadas por MACD. Por favor, no lo consideran como un EA valioso, sino como un ejemplo de aplicación de Fann2MQL. Durante la explicación de la forma en que el ejemplo de EA: NeuroMACD. mq4 funciona, Ill te mostrará cómo el Fann2MQL puede ser utilizado eficazmente en MQL. Lo primero para cada EA es la declaración de variables globales, define e incluye la sección. Aquí está el comienzo de NeuroMACD que contiene esas cosas: El comando de inclusión dice para cargar el archivo de encabezado Fann2MQL. mqh que contiene la declaración de todas las funciones de Fann2MQL. Después de que todas las funciones del paquete Fann2MQL están disponibles para su uso en el script. La constante ANNPATH define la ruta para almacenar y cargar archivos con redes FANN entrenadas. Es necesario crear esa carpeta, es decir, C: ANN. La constante NAME contiene el nombre de este EA, que se utiliza más tarde para cargar y guardar archivos de red. Los parámetros de entrada son bastante obvios y los que no se explicarán más adelante, así como las variables globales. El punto de entrada de cada EA es su función init (): Primero comprueba si el EA se aplica al período de tiempo correcto. La variable AnnInputs contiene el número de entradas de red neuronal. Así como el uso de 3 conjuntos de diferentes argumentos queremos que sea divisible por 3. AnnPath se calcula para reflejar el EA NAME y MagicNumber. Que se calcula a partir de la SlowMA. FastMA y SignalMA argumentos de entrada que se utilizan más tarde para señalización del indicador MACD. Una vez que conoce el AnnPath, la EA intenta cargar redes neuronales usando la función annload () que describiré más adelante. La mitad de las redes cargadas está pensada para el filtrado de posiciones largas y la otra mitad para cortos. AnnsLoaded variable se utiliza para indicar el hecho de que todas las redes se inicializaron correctamente. Como probablemente habrás notado este ejemplo, EA está intentando cargar múltiples redes. Dudo que sea realmente necesario en esta aplicación, pero quería mostrarte todo el potencial de Fann2MQL, que maneja múltiples redes al mismo tiempo y puede procesarlas en paralelo aprovechando múltiples núcleos o CPUs. Para que sea posible Fann2MQL se está aprovechando de la tecnología Intel Threading Building Blocks. La función f2Mparallelinit () se utiliza para inicializar esa interfaz. Como se puede ver si el f2Mcreatefromfile () falla, lo cual es indicado por el valor de retorno negativo, la red se crea con la función f2Mcreatestandard () con argumentos que indican que la red creada debe tener 4 capas (Incluyendo entradas y salidas), entradas AnnInput, neuronas AnnInput en la primera capa oculta, AnnInput / 21 neuronas en la segunda capa oculta y 1 neurona en la capa de salida. F2Msetactfunctionhidden () se utiliza para establecer la función de activación de capas ocultas en SIGMOIDSYMMETRICSTEPWISE (consulte la documentación FANN de fannactivationfuncenum) y lo mismo ocurre con la capa de salida. Luego está la llamada a f2mrandomizeweights () que se utiliza para inicializar pesos de conexión neuronal dentro de la red. Aquí he usado el rango de lt-0.4 0.4gt pero puedes usar cualquier otro dependiendo de tu aplicación. En este punto, probablemente haya notado la función debug () que usé un par de veces. Es uno de los métodos más simples para alterar el nivel detallado de su EA. Junto con él y el parámetro de entrada DebugLevel puede ajustar la forma en que su código está produciendo la salida de depuración. Si el primer argumento de la función debug (), el nivel de depuración es mayor que DebugLevel la función no produce ninguna salida. Si su más bajo de igual la cadena de texto se imprime. Si el nivel de depuración es 0, la cadena ERROR: se añade al principio. De esta manera puede dividir la depuración producida por su código en varios niveles. Los más importantes son probablemente errores por lo que se asignan al nivel 0. Se imprimirán a menos que baje su DebugLevel por debajo de 0 (que no es aconsejado). En el nivel 1 se imprimirá alguna información importante, como confirmación de la carga o creación exitosa de la red. En el nivel 2 o superior, la importancia de la información impresa está disminuyendo gradualmente. Antes de la explicación detallada de la función start (), que es bastante larga, necesito mostrarle algunas funciones más para preparar la entrada de red y ejecutar las redes reales: La función annprepareinput () se utiliza para preparar el nombre de entrada para las redes (Así el nombre). El propósito de la misma es bastante sencillo, sin embargo, este es el punto que debo recordarles que los datos de entrada tiene que estar correctamente normalizados. No hay normalización sofisticada en este caso, simplemente utilicé el MACD principal y valores de señal que nunca exceden el rango deseado en los datos contabilizados. En el ejemplo real, probablemente debería prestar más atención a este tema. Como usted probablemente sospecha que la elección de los argumentos de entrada adecuada para la entrada de red, la codificación, la descomposición y normalización es uno de los factores más importantes en el procesamiento de red neuronal. Como he mencionado antes de la Fann2MQL tiene la capacidad de extender la funcionalidad normal de MetaTrader, que es el procesamiento multiproceso paralelo de redes neuronales. El argumento global Parallel controla este comportamiento. La función runanns () ejecuta todas las redes inicializadas y obtiene las salidas de ellas y almacena en la matriz AnnOutput. La función annsrunparallel es responsable de manejar el trabajo de la manera multiproceso. Llama a f2mrunparallel () que toma como primer argumento el número de redes a procesar, el segundo argumento es un array que contiene identificadores para todas las redes que desea ejecutar, proporcionando el vector de entrada como un tercer argumento. Todas las redes deben ejecutarse con los mismos datos de entrada. La obtención de la salida de la red se realiza mediante múltiples llamadas a f2mgetoutput (). Ahora vamos a ver la función start (): Lo describiré brevemente ya que está bastante bien comentado. El tradeallowed () comprueba si se permite el comercio. Básicamente comprueba la variable AnnsLoaded indicando que todas las anns se inicializan correctamente, luego comprueba el período de tiempo adecuado y el saldo mínimo de la cuenta y al final sólo permite el comercio en la primera marca de una nueva barra. A continuación, dos funciones que se utilizan para preparar la entrada de red y ejecutar el procesamiento de la red se describieron sólo unas pocas líneas anteriores. A continuación calculamos y ponemos en variables para procesar posteriormente los valores MACD de señal y línea principal para la última barra de acumulación y la anterior. La barra actual se omite, ya que no se acumula todavía y probablemente se volverá a dibujar. SellSignal y BuySignal se calculan según la señal MACD y el crossover de la línea principal. Ambas señales se utilizan para el procesamiento de posiciones largas y cortas que son simétricas, por lo que sólo describiré el caso de largos. La variable LongTicket contiene el número de ticket de la posición abierta actualmente. Si su igual a -1 ninguna posición se abre por lo que si el BuySignal se establece que podría indicar buena oportunidad para abrir la posición larga. Si la variable NeuroFilter no está ajustada, la posición larga se abre y ese es el caso sin el filtrado de las redes neurales de las señales - el pedido se envía a comprar. En este punto, la variable LongInput debe recordar el InputVector preparado por annprepareinput () para su uso posterior. Si la variable LongTicekt contiene el número de billete válido, la EA comprueba si todavía está abierta o si ha sido cerrada por StopLoss o TakeProfit. Si el orden no está cerrado, no ocurre nada, sin embargo, si el orden se cierra, el vector de salida del tren, que tiene sólo un otput, se calcula para mantener el valor de -1 si el pedido se cerró con pérdida o 1 si el pedido se cerró con beneficio . Ese valor se pasa a la función anntrain () y todas las redes responsables de manejar la posición larga se entrenan con ella. Como el vector de entrada se utiliza la variable LongInput, que está sosteniendo el InputVector en el momento de abrir la posición. De esta manera se enseña a la red qué señal está trayendo beneficios y cuál no es. Una vez que tiene una red de formación de la conmutación de NeuroFilter a true convierte el filtrado de la red. El annwiselong () utiliza la red neuronal calculada como una media de los valores devueltos por todas las redes destinadas a manejar la posición larga. El parámetro Delta se utiliza como un valor de umbral que indica que la señal filtrada es válida o no. Como muchos otros valores se obtuvo a través del proceso de optimización. Ahora, una vez que sepamos cómo funciona, te mostraré cómo se puede usar. El par de pruebas es, por supuesto, EURUSD. Utilicé los datos de Alpari. Convertido a M5 marco de tiempo. Utilicé el período de 2007.12.31 a 2009.01.01 para entrenamiento / optimización y 2009.01.01-2009.03.22 para fines de prueba. En la primera ejecución intenté obtener los valores más rentables para el argumento StopLoss, TakeProfit, SlowMA, FastMA y SignalMA, que luego codifiqué en el archivo NeuroMACD. mq4. El NeuroFIlter fue apagado, así como SaveAnn. El AnnsNumber se estableció en 0 para evitar el procesamiento neural. Utilicé el algoritmo genético para el proceso de optimización. Una vez que los valores fueron obtenidos el informe resultante se veía como sigue: Informe sobre los datos de entrenamiento después de la optimización de parámetros básicos. Como puede ver, he ejecutado este EA en la mini cuenta con el tamaño de lote de 0,01 y el saldo inicial de 200. Sin embargo, puede ajustar estos parámetros de acuerdo con las configuraciones o preferencias de su cuenta. En este punto tenemos bastante operaciones rentables y perdidos así que podríamos encender el SaveAnn y fijar el AnnsNumber a 30. Una vez hecho tan corro el probador una vez más. El resultado fue exactamente el mismo con el excepto el hecho de que el proceso fue mucho más lento (como resultado del procesamiento neural) y la carpeta C: ANN se pobló con las redes entrenadas como se muestra en la imagen de abajo. Asegúrese de que la carpeta C: ANN existía antes de ejecutar la carpeta C: ANN. Una vez que hemos entrenado redes su tiempo para probar cómo se comporta. En primer lugar probarlo en los datos de entrenamiento. Cambie el NeuroFilter a true y SaveAnn a false e inicie el probador. El resultado que he obtenido se muestra a continuación. Tenga en cuenta que puede variar ligeramente para su caso, ya que hay algo de aleatoriedad dentro de las redes en pesos de conexión de neuronas proporcionados en el proceso de inicialización de red (en este ejemplo he utilizado la llamada explícita a f2Mrandomizeweights () dentro de annload ()). Resultado obtenido en los datos de entrenamiento con filtro neural de señal activado. El beneficio neto es un poco mayor (20,03 frente a 16,92), pero el factor de ganancia es mucho mayor (1,25 frente a 1,1). El número de operaciones es mucho menor (83 vs 1188) y el número promedio de pérdidas consecutivas se reduce de 7 a 2. Sin embargo, sólo muestra que el filtrado de señales neurales está funcionando, pero no dice nada acerca de cómo funciona en datos que no se utilizaron para Durante el entrenamiento. El resultado obtenido a partir del período de prueba (2009.01.01 - 2009.30.28) se muestra a continuación: Resultado obtenido de los datos de prueba con filtro neural activado. El número de operaciones realizadas es bastante bajo y es difícil decir la calidad de esta estrategia, sin embargo, no iba a mostrar cómo escribir la EA más rentable, sino para explicar cómo se puede utilizar las redes neuronales en su código MQL4. El efecto real del uso de redes neuronales en este caso sólo se puede ver cuando se comparan los resultados de la EA en los datos de prueba con NeuroFilter activado y desactivado. A continuación se muestra el resultado obtenido a partir del período de prueba de datos sin filtrado de señales neurales: Resultados de los datos de prueba sin filtrado neural. La diferencia es bastante obvia. Como se puede ver el filtrado de señales neurales convirtió a la pérdida de EA en una rentable Conclusión Espero que haya aprendido de este artículo cómo utilizar las redes neuronales en MetaTrader. Con la ayuda de Fann2MQL simple, libre y opensource paquete puede agregar fácilmente la capa de red neuronal en prácticamente cualquier asesor experto o empezar a escribir su propia que se basa total o parcialmente en redes neuronales. La capacidad multithreading única puede acelerar su procesamiento muchas veces, dependiendo del número de núcleos de su CPU, especialmente al optimizar ciertos parámetros. En un caso, acorté la optimización de mi procesamiento EA basado en el aprendizaje de refuerzo de unos 4 días a sólo 28 horas en una CPU Intel de 4 núcleos. Durante la redacción de este artículo he decidido poner Fann2MQL en su propio sitio web: fann2mql. wordpress /. Usted puede encontrar allí la última versión de Fann2MQL y posiblemente todas las versiones futuras, así como la documentación de todas las funciones. Prometo mantener este software bajo licencia GPL para todas las versiones por lo que si usted me envía cualquier comentario, solicitudes de características o parches que encontraré interesante asegúrese de encontrarlo próximas versiones. Tenga en cuenta que este artículo muestra sólo el uso muy básico de Fann2MQL. Como este paquete no es mucho más que FANN, puedes usar todas las herramientas diseñadas para administrar redes FANN, como: Y hay mucho más acerca de FANN en la página web de Fast Artificial Neural Network: leenissen. dk/fann/ Post Scriptum Después de escribir este artículo He encontrado un error insignificante en NeuroMACD. mq4. La función OrderClose () para la posición corta se alimentó con el número de ticket de posición larga. Resultó en una estrategia sesgada que era más probable que mantenga pantalones cortos y largos largos: En la versión correcta del guión he arreglado este error y he eliminado la estrategia OrderClose () en absoluto. Esto no cambió la imagen general de la influencia de la filtración neural en la EA, pero la forma de la curva de equilibrio fue muy diferente. Puede encontrar ambas versiones de este EA adjunto a este artículo. Aviso y advertencia de riesgo. Por favor lee. Advertencia de Riesgo. La negociación de divisas en margen conlleva un alto nivel de riesgo, y puede no ser adecuado para todos los inversores. El alto grado de apalancamiento puede trabajar en su contra, así como para usted. Antes de decidir invertir en divisas debe considerar cuidadosamente sus objetivos de inversión, nivel de experiencia y apetito de riesgo. Existe la posibilidad de que usted podría sostener una pérdida de parte o la totalidad de su inversión inicial y por lo tanto no debe invertir dinero que no puede permitirse perder. Usted debe ser consciente de todos los riesgos asociados con el comercio de divisas y buscar asesoramiento de un asesor financiero independiente si tiene alguna duda. Aviso legal Toda la información publicada en este sitio web es de nuestra opinión y de la opinión de nuestros visitantes, y puede que no refleje la verdad. Utilice su propio buen juicio y busque el asesoramiento de un consultor cualificado, antes de creer y aceptar cualquier información publicada en este sitio web. También nos reservamos el derecho de eliminar, editar, mover o cerrar cualquier publicación por cualquier motivo. Anuncios Advertencia Los enlaces de publicidad se muestran en todo el sitio. Algunas páginas del sitio pueden contener enlaces de afiliados para productos. Estos anuncios y / o enlaces no reflejan la opinión, el respaldo o la concurrencia de este sitio web o de las partes afiliadas. Las revisiones de los FPA nunca se ven influidas por la publicidad. Algunos anuncios pueden contener afirmaciones potencialmente engañosas y / o desequilibradas e información que puede no revelar los riesgos y otras consideraciones importantes involucradas en el comercio especulativo. Los Spammers se advierten Si envía spam a los foros o comentarios de FPA, nos reservamos el derecho de editar su publicación de la forma que desee para burlarse de usted. Al enviarnos spam, usted acepta las modificaciones que hacemos y no emprenda acciones legales u otras contra la FPA o sus asociados por nada que hagamos o con su spam. Términos Privacidad Anunciate Contáctenos Acerca de ForexPeaceArmy tiene relaciones publicitarias y afiliadas con algunas de las compañías mencionadas en este sitio y puede ser compensado si los lectores siguen enlaces y registrarse. Estamos comprometidos con el manejo imparcial de revisiones y publicaciones independientemente de estas relaciones. Copia Copyright ForexPeaceArmy. Todos los derechos Reserved.8482Forex Peace Army, ForexPeaceArmy, FPA y el logotipo del Escudo FPA son marcas registradas del Ejército de Paz de Forex. Todos los derechos reservados bajo EE. UU. y el derecho internacional. El ejército de la paz de la divisa confía en la publicidad de la bandera para mantenerla LIBRE para todos. También puede ayudar - considere la posibilidad de inhabilitar AdBlocker mientras navega por nuestro sitio. Gracias de nuestra comunidad de comerciantes :-) Finalmente una red neuronal REAL EA Free - Algo nuevo miembro comercial Se unió Sep 2008 911 Posts Hola a todos, ha sido un tiempo. Normalmente no me tomo tan largas pausas de participar en este foro, pero durante más de un año he estado trabajando en un proyecto muy intenso y después de un año de pruebas en el futuro estoy aquí para compartirlo con todos ustedes. Im amigos con muchos comerciantes profesionales y un montón de nosotros se reunió, combinó nuestra experiencia y creó un sistema automatizado de red neural para Metatrader que realmente funciona. Dado que eran conscientes de que la mayoría de los EA son absolutamente inútil o peor, las estafas, pensamos que wed estar proporcionando algo único para el comerciante minorista promedio de personas que en realidad se puede confiar. Este grupo se llama Metaneural. Hemos utilizado las redes neuronales y los ha aplicado al comercio de Forex con éxito en el pasado y decidió traducir ese método en un sistema de Metatrader. Es ampliamente conocido que las grandes empresas comerciales y los fondos de cobertura usan inteligencia artificial sofisticada y sistemas de red nueral para beneficiarse de los mercados financieros con una precisión asombrosa. Pensamos, ¿por qué no puede ese poder también estar disponibles para nosotros - los inversores de dinero pequeño Así que tomé un descanso de todas mis otras actividades y trabajó duro con Metaneural para desarrollar este sistema, que creo que es la única red neuronal REAL EA. De hecho, ni siquiera tiene que ser una EA, el código se puede escribir en C para funcionar exactamente de la misma manera en la tradestación, esignal, neuroshell, o cualquier plataforma que permita la importación de DLL y la recolección de datos, porque la creación de redes neuronales ocurre en Neurosolutions. Ive hecho los indicadores y los sistemas de comercio para la comunidad forexfactory durante años, así que quería darles chicos la única versión gratuita de la EA Metaneural en Internet. Quiero recibir sus comentarios e impresiones. Si este hilo va bien y no se desvía, extenderé el juicio. Ive se divirtió descifrando el mercado de divisas con las grandes mentes en este foro durante años y es mi placer darle de nuevo. Las redes neuronales en EAs es el futuro, espero que ustedes puedan darse cuenta de esto y desarrollar sus propios sistemas. El primer paso para crear un cerebro de red neuronal artificial es reunir los datos alrededor de los cuales se formará la estructura del cerebro. Dado que estamos tratando de crear un cerebro que sepa cómo negociar los mercados debemos recopilar datos de mercado. Sin embargo, no podemos simplemente recoger una masa de datos y volcarlo en nuestro motor neuronal para crear la estructura de nuestro cerebro. Debemos recopilar los datos en el formato que queremos que el cerebro procese esos datos y eventualmente el mismo formato en el que queremos que genere la producción. En otras palabras, no sólo estamos diciendo a nuestro cerebro qué pensar, dándole datos en bruto, Pero debemos decirle CÓMO pensar, al formular esos datos brutos en una configuración inteligible. En este caso, nuestra configuración inteligible es patrones. Recopilamos datos en segmentos, cada segmento consiste en una serie de barras establecidas por el comerciante en nuestro indicador de colección propietaria que viene con todos nuestros paquetes. Ese agrupamiento de barras se recoge en relación con la barra siguiente que viene después de la agrupación - llamaremos esto la barra futura. Cuando se estaban recogiendo los datos de mercado de la barra de futuro se conoce, porque todos los datos históricos, es la siguiente barra después de la agrupación. La idea es que el cerebro de la red neuronal encuentre patrones complejos en el grupo de barras y utilice la información recopilada, incluida la siguiente barra después del agrupamiento, para determinar qué patrones complejos preceden al resultado de la barra siguiente. Durante el comercio actual ese resultado será la futura barra que en efecto hace posible conocer con un alto grado de precisión la dirección del mercado antes de que suceda. Los datos recopilados se extraen en una hoja de cálculo que muestra los datos de precios como abiertos, altos, bajos y cerrados (OHLC). El OHLC de cada barra se recoge por separado y se coloca en su propia columna. En el ejemplo anterior cada fila representa 3 barras en total. Por lo tanto, las columnas representan cientos o miles de barras recolectadas que se remontan a la historia. Además de OHLC, también puede recopilar los valores de casi cualquier indicador que seleccione, que esencialmente le dará a ese indicador la capacidad de pensar basándose en las cambiantes condiciones del mercado y predecir El siguiente valor. Construcción de redes neuronales y entrenamiento Ahora que tenemos nuestros datos recopilados, extraídos en un archivo de hoja de cálculo en una configuración inteligible, podemos cargarla en nuestro motor de red neural que creará la estructura del cerebro artificial, la entrenará y probará su precisión antes Guardando la estructura. Una vez que los datos recogidos se importan en el programa de construcción de la red se le da la opción de seleccionar qué bits de datos que desea utilizar para construir su cerebro. Esta es una característica importante porque permite al usuario crear muchas estrategias diferentes basadas en lo que se considera necesario. Lo que esencialmente estaba haciendo en este paso es determinar lo que el motor utilizará para crear los patrones complejos mencionados anteriormente, lo que finalmente decidirá la capacidad de proyección de la red neuronal EA. Por ejemplo, digamos que quería decirle a la red neuronal que sólo busque patrones en los precios abiertos de barras en relación con los valores de indicador de su indicador favorito. A continuación, seleccione el indicador en el colector y elija sólo las entradas abiertas y de datos en el software de construcción descrito anteriormente. También puede seleccionar todas las entradas, excepto la columna output1, que significa su valor de salida: seleccionar todas las entradas creará el patrón de aprendizaje más complejo posible y, de este modo, permitirá que su cerebro responda a muchos escenarios diferentes. Una vez que las entradas y salidas deseadas se seleccionan el software creará la estructura de su cerebro de la red neuronal y usted puede comenzar a entrenarlo. Una parte de los datos recopilados se deja a un lado y se utiliza para entrenar y probar la precisión de su cerebro artificial, verá que la salida deseada comienza a ajustarse a los datos de la prueba a medida que aprende. Una vez que este proceso es completo usted podrá exportar el cerebro artificial estructurado en la forma de un DLL que sea utilizado por el MetaNeural EA. Una vez que el cerebro es construido, entrenado, probado y exportado como un DLL puede comenzar a operar con un cerebro de red neuronal automatizado que verá patrones complejos que son imposibles para un ser humano para lograr. Obtenga el Metaneural EA GRATIS ahora financiando una cuenta en FinFX con cualquier cantidad y utilizando nuestro servicio de copiadora comercial para reflejar nuestras operaciones ganadoras profesionales en su cuenta. Después de que 50 lotes llenos sean negociados usted recibirá el EA Metaneural con la funcionalidad completa para las cuentas LIBRES debe ser financiado con el acoplamiento proporcionado en la sección de tasación del sitio de Metaneural. Coloque estos archivos en las carpetas siguientes en Metatrader: Expert Expert - Metatrader 4experts Indicador de Colector (DatacollectorV2a) - Metatrader 4expertsindicators Indicador de Red Neural (Metaneural NN Indicator) - Metatrader 4expertsindicators MQLLock y MT4NSAdapter Archivos DLL - Metatrader 4expertslibraries Necesitará instalar Neurosolutions 6 y Visual Studio 6 para su trabajo, las instrucciones sobre estas instalaciones se pueden encontrar en el manual muy detallado adjunto a esta publicación. USTED DEBE LEER EL MANUAL Sí, se puede aplicar a múltiples monedas simultáneamente porque puede ser entrenado en cada moneda individualmente y se puede crear una estructura de red neural para cada moneda. Yo diría que la dependencia sólo corredor sería la integridad de su precio de alimentación, el más estable y coherente de su alimentación, mejor serán los datos de formación y, posteriormente, los oficios. No eran scalping necesariamente así que la velocidad de la ejecución no es muy importante. Gracias por su interés. Felicitaciones por el desarrollo de un sistema que brinda beneficios saludables. Siempre es mejor que preguntar EAs que por lo general terminan soplando la cuenta. Soy un miembro comercial que comparte mi sistema Fibonacci Makeover (ForexFibs) aquí para que pueda entender por qué está ofreciendo un EA gratuito. Mi pregunta es ¿se puede aplicar esta EA a múltiples monedas, ya que se basa en redes neuronales reales ¿Es dependiente de la velocidad de corretaje y ejecución