Metaneural forex trading

Essencialmente, sempre que as tentativas de custo para aumentar ou mesmo diminuir e é recusado para o caminho inverso, portanto, isso tem a falha associada com os compradores para criar aumento de custos ou mesmo varejistas para Criar custo vêm para baixo. Clique aqui para baixar uma NOVA Ferramenta de Negociação e Estratégia para Indicação GRATUITA associada ao Power 8212 Além de uma quantidade maior, as configurações reais do clube verificam quais compras continuam a ser promovendo a promoção, bem como vice-versa. Será este particular, simplesmente por obter maior quantidade em relação ao clube anterior, bem como chegar à tolerância real a ser falha no entanto não é. Indicação óbvia associada com o Poder 8212 Junto com maior quantidade as configurações do clube real não apenas verifica que compra isn8217t apenas winningovercoming promovendo, assim como vice-versa no entanto está realmente governando outro aspecto do mercado o aspecto real bem sucedido é, sem dúvida, de ser uma falha Bem como, obviamente, vender ou comprar. Direcional Prejuízo 8212 Provavelmente o caminho mais benéfico para a indústria durante o dia. Quando o preconceito direcional é realmente ascendente, isso não significa que o clube de hoje pode acabar sempre, no entanto, como o caminho do tempo do dia vai ser ascendente (a maioria das poderosas de compra e venda vai ser). Caminho reverso associado com a indústria Se você está promovendo o caminho alternativo é realmente para cima se você comprar o caminho inverso é realmente menor. UPWARD Pubs 8212 perto é realmente sobre o real perto do clube anterior LOWER Pubs 8212 perto é realmente abaixo do real perto do clube anterior. Outros procuraram o MetaTrader 4 - Exemplos usando redes neurais no MetaTrader Introdução Muitos de vocês provavelmente consideraram a possibilidade de usar redes neurais em sua EA. Este assunto foi muito quente especialmente depois de 2007 Automated Trading Championship ea vitória espetacular por Better com seu sistema baseado em redes neurais. Muitos fóruns de internet foram inundados com tópicos relacionados a redes neurais e negociação de Forex. Infelizmente, a implementação MQL4 nativa de NN não é fácil. Ele requer algumas habilidades de programação eo resultado não seria muito eficiente especialmente se você gostaria de testar seu resultado final no testador em grande número de dados. Neste artigo Ill mostrar-lhe como você pode usar o livremente disponível (sob LGPL), renomado Fast Artificial Neural Network Library (FANN) em seu código MQL4, evitando certos obstáculos e limitações. Além disso, suponho que o leitor esteja familiarizado com as Redes Neurais Artificiais (ann) e a terminologia relacionada a este assunto, portanto, eu me concentrei em aspectos práticos de usar a implementação particular de ann na linguagem MQL4. Recursos do FANN Para entender completamente as possibilidades de implementação do FANN, é necessário familiarizar-se com a documentação e as funções mais usadas. O uso típico de FANN é criar uma rede feedforward simples, treiná-lo com alguns dados e executar. A rede criada e treinada pode então ser salva em arquivo e restaurada posteriormente para uso posterior. Para criar um ann um tem que usar a função fanncreatestandard (). Vamos ver a sua sintaxe: Onde numlayers representa o número total de camadas, incluindo a entrada ea camada de saída. O lNnum e argumentos a seguir representa o número de neurônios em cada camada começando com a camada de entrada e terminando com a camada de saída. Para criar uma rede com uma camada oculta com 5 neurônios, 10 entradas e 1 saída uma teria que chamá-lo como segue: Uma vez que o ann é criado a próxima operação seria treiná-lo com alguns dados de entrada e saída. O método de treinamento mais simples é o treinamento incremental que pode ser alcançado pela seguinte função: Esta função leva o ponteiro para a estrutura fann retornada anteriormente por fanncreatestandard () e tanto o vetor de dados de entrada quanto o vetor de dados de saída. Os vetores de entrada e saída são de matriz de tipo fanntype. Esse tipo é, na verdade, um tipo duplo ou flutuante, dependendo da maneira como o FANN é compilado. Nesta implementação, os vetores de entrada e saída serão matrizes de duplo. Uma vez que o ann é treinado o próximo recurso desejado seria executar essa rede. A função que implementa é definida como segue: Esta função leva o ponteiro para struct fann representando a rede previamente criada e um vetor de entrada do tipo definido (matriz dupla). O valor retornado é uma matriz de vetor de saída. Este fato é importante como para uma rede utput nós allways obter uma matriz de elemento com o valor de saída em vez do valor de saída em si. Infelizmente, a maioria das funções da FANN usam um ponteiro para uma estrutura fann que representa o ann que não pode ser processado diretamente pelo MQL4, que não suporta estruturas como tipos de dados. Para evitar essa limitação temos que envolver isso de alguma forma e ocultar de MQL4. O método mais fácil é criar uma matriz de ponteiros struct fann segurando os valores corretos e referenciá-los com um índice representado por uma variável int. Desta forma, podemos substituir o tipo não suportado de variável com um suportado e criar uma biblioteca wrapper que pode ser facilmente integrado com o código MQL4. Envolvendo o FANN em torno Como para o meu melhor conhecimento MQL4 não suporta funções com argumentos variáveis ​​lista por isso temos de lidar com isso também. Por outro lado, se a função C (do comprimento dos argumentos variáveis) é chamada com muitos argumentos, nada de errado acontece, então podemos assumir um número máximo fixo de argumentos na função MQL4 passada para a biblioteca C. A função resultante do wrapper seria como segue: Nós mudamos o fann principal com f2M (que significa FANN TO MQL), usado número estático de argumentos (4 camadas) eo valor de retorno é agora um índice para matriz interna de anns segurando a estrutura Fann requeridos pelo FANN para operar. Desta forma, podemos facilmente chamar essa função de dentro do código MQL. O mesmo vale para: Por último, mas não menos importante, é o fato de que você deve destruir seu ann criado pela chamada para: Para liberar guias de ano, você deve destruir redes em ordem inversa do que foram criadas criadas. Como alternativa você pode usar: No entanto Im bastante certo alguns de vocês podem preferir salvar sua rede treinada para uso posterior com: Claro que a rede salva pode mais tarde ser carregado (ou melhor recriado) com: Uma vez que conhecemos as funções básicas que poderíamos tentar Use isso em nossa EA, mas primeiro precisamos instalar o pacote Fann2MQL. Instalando Fann2MQL Para facilitar o uso deste pacote eu tenho criar o instalador msi que contém todo o código fonte mais bibliotecas pré-compiladas e arquivo de cabeçalho Fann2MQL. mqh que declara todas as funções Fann2MQL. O procedimento de instalação é bastante simples. Primeiro você é informado de que Fann2MQL está sob licença GPL: Instalação de Fann2MQL, etapa 1 Em seguida, escolha a pasta para instalar o pacote. Você pode usar o programa padrão FilesFann2MQL ou instalar diretamente em seu diretório Meta Traderexperts. O mais tarde irá colocar todos os arquivos diretamente em seus lugares caso contrário você terá que copiá-los manualmente. Instalação do Fann2MQL, etapa 2 O instalador coloca arquivos nas seguintes pastas: Se você optar por instalar na pasta Fann2MQL dedicada, copie o conteúdo de suas subpastas de inclusão e bibliotecas no diretório apropriado do Meta Trader. O instalador instala também a biblioteca FANN na pasta de bibliotecas do sistema (Windowssystem32 na maioria dos casos). A pasta src contém todo o código-fonte do Fann2MQL. Você pode ler o código fonte que é uma documentação final se você precisar de mais informações sobre os internos. Você também pode melhorar o código e adicionar recursos adicionais, se quiser. Encorajo-vos a enviar-me os seus patches se implementarem algo interessante. Usando redes neurais em seu EA Depois que o Fann2MQL estiver instalado, você pode começar a escrever seu próprio EA ou indicador. Theres abundância de possível utilização de NN. Você pode usá-los para prever futuros movimentos de preços, mas a qualidade de tais previsões e possibilidade de tirar proveito real dela é duvidosa. Você pode tentar escrever sua própria estratégia usando técnicas de Reforço Aprendizagem, diga um Q-Learning ou algo semelhante. Você pode tentar usar NN como um filtro de sinal para sua EA heurística ou combinar todas essas técnicas, além de tudo o que você realmente deseja. Youre limitado por sua imaginação somente. Aqui eu vou mostrar um exemplo de usar NN como um filtro simples para sinais gerados pelo MACD. Por favor, não considerá-lo como EA valioso, mas como um exemplo de aplicação de Fann2MQL. Durante a explicação da maneira como o exemplo EA: NeuroMACD. mq4 funciona Ill mostrar-lhe como o Fann2MQL pode ser utilizado eficazmente no MQL. A primeira coisa para cada EA é a declaração de variáveis ​​globais, define e inclui a seção. Aqui está o começo do NeuroMACD contendo essas coisas: O comando include diz para carregar o arquivo de cabeçalho Fann2MQL. mqh contendo a declaração de todas as funções do Fann2MQL. Depois disso, todas as funções do pacote Fann2MQL estão disponíveis para uso no script. A constante ANNPATH define o caminho para armazenar e carregar arquivos com redes FANN treinadas. Você precisa criar essa pasta, por exemplo, C: ANN. A constante NAME contém o nome deste EA, que é usado mais tarde para carregar e salvar arquivos de rede. Os parâmetros de entrada são bastante óbvios e aqueles que não são explicados mais tarde, bem como variáveis ​​globais. O ponto de entrada de cada EA é sua função init (): Primeiro, verifica se o EA é aplicado ao período de tempo correto. A variável AnnInputs contém o número de entradas de rede neural. Como bem usar 3 conjuntos de diferentes argumentos queremos que ele seja divisível por 3. AnnPath é computado para refletir o EA NAME e MagicNumber. Que é calculado a partir do SlowMA. FastMA e SignalMA argumentos de entrada que são mais tarde usados ​​para sinalização do indicador MACD. Uma vez que conhece o AnnPath, a EA tenta carregar redes neurais usando a função annload () que descreverei abaixo. A metade das redes carregadas destina-se à filtragem de posição longa e a outra metade é para calções. A variável AnnsLoaded é usada para indicar o fato de que todas as redes foram inicializadas corretamente. Como você provavelmente notou este exemplo EA está tentando carregar várias redes. Duvido que seja realmente necessário neste aplicativo, mas eu queria mostrar a você o potencial completo do Fann2MQL, que está lidando com várias redes ao mesmo tempo e pode processá-las em paralelo, aproveitando vários núcleos ou CPUs. Para torná-lo possível, o Fann2MQL está aproveitando a tecnologia Intel Threading Building Blocks. A função f2Mparallelinit () é usada para inicializar essa interface. Como você pode ver se o f2Mcreatefromfile () falha, o que é indicado pelo valor de retorno negativo, a rede é criada com a função f2Mcreatestandard () com argumentos que indicam que a rede criada deve ter 4 camadas (Incluindo entrada e saída), entradas AnnInput, neurônios AnnInput na primeira camada oculta, neurônios AnnInput21 na camada escondida 2 e 1 neurônio na camada de saída. F2Msetactfunctionhidden () é usado para definir a função de ativação de camadas ocultas para SIGMOIDSYMMETRICSTEPWISE (consulte a documentação FANN de fannactivationfuncenum) eo mesmo vale para a camada de saída. Então há a chamada para f2mrandomizeweights () que é usada para inicializar pesos de conexão de neurônios dentro da rede. Aqui usei a faixa de lt-0.4 0.4gt, mas você pode usar qualquer outro dependendo da sua aplicação. Neste ponto, você provavelmente já notou a função debug () eu usei um par de vezes. É um dos métodos mais simples para alterar o nível detalhado do EA. Juntamente com ele eo parâmetro de entrada DebugLevel você pode ajustar a maneira que seu código está produzindo a saída de depuração. Se o primeiro argumento da função debug (), o nível de depuração é maior do que DebugLevel a função não produz nenhuma saída. Se seu menor de igual a seqüência de texto é impresso. Se o nível de depuração é 0, a cadeia de caracteres ERROR: é anexada ao início. Desta forma, você pode dividir depuração produzido pelo seu código para vários níveis. Os mais importantes são provavelmente erros para que eles são atribuídos ao nível 0. Eles serão impressos a menos que você abaixar o DebugLevel para abaixo de 0 (que não é aconselhável). No nível 1, algumas informações importantes serão impressas, como confirmação de carregamento ou criação bem-sucedida da rede. No nível 2 ou superior, a importância da informação impressa está diminuindo gradualmente. Antes da explicação detalhada da função start (), que é bastante demorada, eu preciso mostrar algumas funções mais para preparar a entrada de rede e executar as redes reais: A função annprepareinput () é usada para preparar o nome de entrada para as redes (Assim o nome). A finalidade dele é completamente direta, contudo este é o ponto que eu devo o recordar que os dados de entrada têm que ser corretamente normalizados. Não há nenhuma normalização sofisticada neste caso, eu simplesmente usei o MACD principal e valores de sinal que nunca estão excedendo o intervalo desejado nos dados contabilizados. No exemplo real você provavelmente deve prestar mais atenção a esta questão. Como você provavelmente pode suspeitar de escolher os argumentos de entrada adequada para entrada de rede, codificando-o, decompor e normalizar é um dos fatores mais importantes no processamento de rede neural. Como eu mencionei antes do Fann2MQL tem a capacidade de estender a funcionalidade normal do MetaTrader, que é paralelo multithreaded processamento de redes neurais. O argumento global Parallel controla esse comportamento. A função runanns () executa todas as redes inicializadas e obtém as saídas delas e armazena na matriz AnnOutput. A função annsrunparallel é responsável pela manipulação do job de maneira multithread. Ele chama o f2mrunparallel () que toma como primeiro argumento o número de redes a processar, o segundo argumento é uma matriz contendo identificadores para todas as redes que você deseja executar fornecendo o vetor de entrada como um terceiro argumento. Todas as redes têm de ser executadas nos mesmos dados de entrada. A obtenção da saída da rede é feita por várias chamadas para f2mgetoutput (). Agora vamos ver a função start (): Ill descrevê-lo brevemente como é bastante bem comentado. O tradeallowed () verifica se é permitido o comércio. Basicamente, ele verifica a variável AnnsLoaded indicando que todos os anns foram inicializados corretamente, em seguida, verifica o período de tempo adequado período mínimo saldo da conta e no final só permite negociar apenas no primeiro tick de uma nova barra. As duas funções seguintes, usadas para preparar a entrada de rede e executar o processamento da rede, foram descritas apenas algumas linhas acima. Em seguida, calculamos e colocamos em variáveis ​​para processamento posterior os valores de MACD de sinal e linha principal para a última barra de acúmulo e a anterior. A barra atual é omitida, uma vez que ainda não está sendo construída e provavelmente será redesenhada. O SellSignal e o BuySignal são calculados de acordo com o sinal MACD eo crossover da linha principal. Ambos os sinais são usados ​​para o processamento de posição longa e curta, que são simétricos, portanto, eu descrevo apenas o caso por longos. A variável LongTicket contém o número do ticket da posição atualmente aberta. Se o seu igual a -1 nenhuma posição é aberta, portanto, se o BuySignal é definido que pode indicar boa oportunidade para abrir posição longa. Se a variável NeuroFilter não é definida a posição longa é aberta e que é o caso sem a rede neural de filtragem de sinais - a ordem é enviada para comprar. Neste ponto, a variável LongInput destina-se a lembrar o InputVector preparado por annprepareinput () para uso posterior. Se a variável LongTicekt contiver o número de bilhete válido, a EA verificará se ainda está aberta ou foi fechada pelo StopLoss ou pelo TakeProfit. Se a ordem não for fechada, nada acontece, no entanto, se a ordem é fechada, o vetor de saída de treino, que tem apenas uma otput, é calculado para manter o valor de -1 se a ordem foi fechada com perda ou 1 se a ordem foi fechada com lucro . Esse valor é então passado para a função anntrain () e todas as redes responsáveis ​​pela manipulação da posição longa são treinadas com ele. Como o vetor de entrada é usada a variável LongInput, que está mantendo o InputVector no momento de abrir a posição. Desta forma a rede é ensinada que sinal está trazendo lucros e qual não é. Depois de ter uma rede treinada comutação do NeuroFilter para true transforma a filtragem de rede. O annwiselong () está usando a rede neural sábia calculada como uma média de valores retornados por todas as redes destinadas a lidar com a posição longa. O parâmetro Delta é usado como um valor de limiar indicando que o sinal filtrado é válido ou não. Como muitos outros valores que foi obtido através do processo de otimização. Agora, uma vez que sabemos como funciona Ill mostrar-lhe como ele pode ser usado. O par de teste é, naturalmente, EURUSD. Usei os dados da Alpari. Convertido no prazo M5. Eu usei o período de 2007.12.31 a 2009.01.01 para otimização de treinamento e 2009.01.01-2009.03.22 para fins de teste. Na primeira corrida, tentei obter os valores mais rentáveis ​​para o argumento StopLoss, TakeProfit, SlowMA, FastMA e SignalMA, que codifiquei no arquivo NeuroMACD. mq4. O NeuroFIlter foi desligado, bem como SaveAnn. O AnnsNumber foi definido como 0 para evitar processamento neural. Eu usei o algoritmo genético para o processo de otimização. Uma vez que os valores foram obtidos o relatório resultante parecia o seguinte: Relatório sobre dados de treinamento após a otimização de parâmetros básicos. Como você pode ver, eu executei este EA na mini conta com o tamanho do lote de 0,01 eo saldo inicial de 200. No entanto, você pode ajustar esses parâmetros de acordo com suas configurações de conta ou preferências. Neste ponto, temos o suficiente rentável e perder negócios, para que pudéssemos ligar o SaveAnn e definir o AnnsNumber para 30. Depois de feito isso eu executar o testador mais uma vez. O resultado foi exatamente o mesmo com o exceto pelo fato de que o processo foi muito mais lento (como resultado do processamento neural) ea pasta C: ANN foi preenchida com as redes treinadas como mostrado na imagem abaixo. Certifique-se de que a pasta C: ANN existia antes desta execução A pasta C: ANN. Uma vez que temos redes treinadas seu tempo para testar como ele se comporta. Primeiro, experimente os dados de treinamento. Altere o NeuroFilter para true e SaveAnn para false e inicie o testador. O resultado que obtive é mostrado abaixo. Note que pode variar ligeiramente para você caso, como há alguma aleatoriedade dentro de redes em pesos de conexão de neurônios fornecidos no processo de inicialização de rede (neste exemplo eu usei chamada explícita para f2Mrandomizeweights () dentro annload ()). Resultado obtido em dados de treinamento com filtragem neural de sinal ativada. O lucro líquido é pouco maior (20,03 versus 16,92), mas o fator de lucro é muito maior (1,25 versus 1,1). O número de negócios é muito menor (83 vs 1188) eo número médio de perdas consecutivas é reduzido de 7 para 2. No entanto, ele só mostra que a filtragem de sinal neural está funcionando, mas não diz nada sobre como ele opera em dados que não foram usados ​​para Durante o treino. O resultado obtido a partir do período de teste (2009.01.01 - 2009.30.28) é mostrado abaixo: Resultado obtido a partir de dados de teste com filtro neural ativado. O número de comércios realizados é bastante baixo e é difícil dizer a qualidade desta estratégia, mas eu não ia mostrar-lhe como escrever a melhor EA rentável, mas para explicar como você poderia usar redes neurais em seu código MQL4. O efeito real da utilização de redes neurais neste caso só pode ser visto quando comparados os resultados da EA nos dados do teste com o NeuroFilter ligado e desligado. Abaixo está o resultado obtido do período de dados de teste sem filtragem de sinal neural: Resultados de dados de teste sem filtragem neural. A diferença é bastante óbvia. Como você pode ver a filtragem de sinal neural transformou a EA perder em um rentável Conclusão Espero que você tenha aprendido a partir deste artigo como usar redes neurais em MetaTrader. Com a ajuda de Fann2MQL simples, livre e opensource pacote você pode facilmente adicionar a camada de rede neural em praticamente qualquer Expert Advisor ou começar a escrever o seu próprio que é total ou parcialmente baseado em redes neurais. A capacidade de multithreading única pode acelerar o seu processamento muitas vezes, dependendo do número de seus núcleos de CPU, especialmente ao otimizar determinados parâmetros. Em um caso, encurtou a otimização do meu processamento de EA baseada em Aprendizagem de Reforço de aproximadamente 4 dias para apenas 28 horas em uma CPU Intel de 4 núcleos. Durante a redação deste artigo eu decidi colocar Fann2MQL em seu próprio site: fann2mql. wordpress. Você pode encontrar lá a versão a mais atrasada de Fann2MQL e possivelmente todas as versões futuras assim como a documentação de todas as funções. Eu prometo manter este software sob a licença GPL para todos os lançamentos, então se você me enviar quaisquer comentários, solicitações de recurso ou patches que eu vou encontrar interessante certifique-se de encontrá-lo próximos lançamentos. Observe que este artigo mostra apenas o uso muito básico de Fann2MQL. Como este pacote não é muito mais do que o FANN você pode usar todas as ferramentas projetadas para gerenciar as redes FANN, como: E há muito mais sobre o FANN no Fast Artificial Neural Rede Biblioteca homepage: leenissen. dkfann Post Scriptum Depois de escrever este artigo eu encontrei Um erro insignificante em NeuroMACD. mq4. A função OrderClose () para a posição curta foi alimentada com o número do ticket de posição longa. Resultou em uma estratégia distorcida que era mais provável segurar shorts e longs próximos: Na versão correta do certificado eu reparei este erro e removi a estratégia de OrderClose () em tudo. Isso não alterou o quadro geral da influência da filtragem neural sobre a EA, mas a forma da curva de equilíbrio foi bastante diferente. Você pode encontrar ambas as versões deste EA anexado a este artigo. MetaNeural Expert Advisor - Comitê de Rede Neural EA Eu fiz alguma programação para uma empresa comercial há algum tempo e recentemente eles desenvolveram uma versão de produção do seu sistema de negociação para a Metatrader. Funciona surpreendentemente bem e neste mundo esboçado de scammers eu só queria colocar isso lá fora, como algo que eu sei que funciona. Neural Networks - Seu tipo de um novo campo para os comerciantes de varejo no nível de dinheiro pequeno, porque leva muito dinheiro e tempo para desenvolver rentável rede neural sistemas comerciais, mas acredito que este é o lugar onde a indústria está indo. Qualquer um que presta atenção ao campeonato de negociação automatizado pode lembrar o melhor ea alguns anos atrás, ele blasted todos os outros ea fora da água e colocar redes neurais no mapa - problema é, ninguém sabia como fazê-los, Programação como eu sei de primeira mão e, francamente, a maioria dos sistemas de negociação automatizada metatrader são scams mal scripted. Você deve lembrar que o desenvolvedor Better EA mencionou usando um comitê de redes neurais trabalhando juntos para processar os padrões complexos no mercado e produzir comércios incrivelmente precisos, o EA Metaneural é construído sobre o mesmo conceito, a única diferença é que você pode realmente comprá-lo e Tente por você mesmo. Seu chamado Metaneural EA feito pela Metaneural Engineering, confira se você está interessado na próxima evolução da negociação de varejo e, talvez, a negociação automatizada em geral. Seu produto final usa muitos dos mesmos princípios apresentados neste artigo mql5 se você está interessado em desenvolvimento de rede neural: mql5enarticles236 Os membros devem ter pelo menos 0 vouchers para postar neste tópico. 0 traders visualizando agora Forex Factoryreg é uma marca registrada. Finalmente uma Rede Neural REAL EA Free - Algo Novo Membro Comercial Registrado em Sep 2008 911 Posts Olá Pessoal, foi um tempo. Eu geralmente não tomo essas pausas longas de participar deste fórum, mas por mais de um ano eu tenho trabalhado em um projeto muito intenso e depois de um ano de teste para a frente Im aqui para compartilhá-lo com todos vocês. Im amigos com muitos comerciantes profissionais e um bando de nós reuniu, combinou nossa experiência e criou uma rede neural sistema automatizado para Metatrader que realmente funciona. Uma vez que estavam conscientes de que a maioria dos EAs são absolutamente inútil ou pior, scams, nós pensamos wed estar fornecendo algo único para o comerciante varejo médio de pessoas que podem realmente ser confiáveis. Este grupo é chamado de Metaneural. Nós usamos redes neurais e as aplicamos ao comércio de Forex com sucesso no passado e decidimos traduzir esse método em um sistema Metatrader. É amplamente conhecido que as grandes empresas comerciais e hedge funds usam sistemas de inteligência artificial sofisticados e sistemas de rede nueral para lucrar com os mercados financeiros com precisão surpreendente. Nós pensamos, por que não pode esse poder também estar disponível para nós - os investidores de dinheiro pequeno Então eu fiz uma pausa de todas as minhas outras atividades e trabalhou duro com Metaneural para desenvolver este sistema, que eu acredito ser a única rede neural EA real. Na verdade, ele nem precisa ser um EA, o código pode ser escrito em C para funcionar exatamente da mesma forma em tradestation, esignal, neuroshell, ou qualquer plataforma que permita a importação de DLL e coleta de dados, porque a criação de redes neurais acontece em Neurosolutions. Ive fez indicadores e sistemas de negociação para a comunidade forexfactory por anos, então eu queria dar a vocês a única versão gratuita da EA Metaneural na internet. Quero receber seus comentários e impressões. Se esse tópico for bem e não se distrair, estenderei o teste. Ive teve o divertimento que decifra o mercado dos estrangeiros com as grandes mentes neste forum por anos e é meu prazer dar para trás. As redes de neurônios em EAs são o futuro, espero que vocês possam perceber isso e desenvolver seus próprios sistemas. O primeiro passo para criar um cérebro de rede neural artificial é reunir os dados em torno dos quais a estrutura do cérebro será formada. Uma vez que estamos tentando criar um cérebro que saiba como negociar os mercados, devemos reunir dados de mercado. No entanto, não podemos simplesmente coletar uma massa de dados e despejá-la em nosso mecanismo neural para criar a estrutura do nosso cérebro. Devemos reunir os dados no formato que queremos que o cérebro para processar os dados e, eventualmente, o mesmo formato que queremos para criar saída polegadas Em outras palavras, não estavam apenas dizendo ao nosso cérebro o que pensar, dando-lhe dados brutos, Mas devemos dizer-lhe COMO pensar, formulando esses dados brutos em uma configuração inteligível. Neste caso, nossa configuração inteligível é padrões. Nós reunimos dados em segmentos, cada segmento consiste em um número de barras estabelecidas pelo comerciante em nosso indicador de coleção proprietária que vem com todos os nossos pacotes. Esse agrupamento de barras é coletado em relação ao próximo bar que vem após o agrupamento - chamaremos isso de barra futura. Quando estavam colecionando dados de mercado, a barra futura é conhecida, porque é todo o histórico, é o próximo bar após o agrupamento. A idéia é que o cérebro da rede neural encontre padrões complexos no agrupamento de barras e use as informações coletadas, incluindo a próxima barra após o agrupamento, para determinar quais padrões complexos precedem o resultado da próxima barra. Durante a negociação real que o resultado será a barra do futuro que, em efeito, torna possível saber com um alto grau de precisão a direção do mercado antes que aconteça. Os dados coletados são extraídos em uma planilha que exibe dados de preço como aberto, alto, baixo, fechado (OHLC). O OHLC de cada barra é coletado separadamente e colocado em sua própria coluna. No exemplo acima, cada linha representa 3 barras no total. Portanto, as colunas representam centenas ou milhares de barras coletadas voltando à história. Além do OHLC, você também pode coletar os valores de quase qualquer indicador que você selecionar, o que basicamente dará a esse indicador a capacidade de pensar com base nas condições do mercado e prever O próximo valor. Construção de redes neurais e treinamento Agora que temos os dados coletados, extraídos em um arquivo de planilha em uma configuração inteligível, podemos carregá-la em nosso mecanismo de rede neural que criará a estrutura do cérebro artificial, treiná-la e testar sua precisão antes Salvar a estrutura. Uma vez que os dados coletados são importados para o programa de construção de rede você tem a opção de selecionar quais bits de dados você deseja usar para construir seu cérebro. Esta é uma característica importante porque permite que o usuário crie muitas estratégias diferentes com base em qualquer peça de dados que seja considerada necessária. O que estavam fazendo essencialmente nesta etapa é determinar o que o motor usará para criar os padrões complexos mencionados anteriormente, o que acabará por decidir a capacidade de projeção da rede neural EA. Por exemplo, digamos que você queria dizer à rede neural para procurar apenas padrões nos preços abertos das barras em relação aos valores indicadores de seu indicador favorito. Você selecionaria então seu indicador no coletor e escolheria apenas as entradas abertas e de dados no software de construção descrito acima. Você também pode selecionar todas as entradas, exceto a coluna output1, que significa o valor de saída - selecionar todas as entradas criará o padrão de aprendizado mais complexo possível e, assim, permitir que seu cérebro responda a muitos cenários diferentes. Uma vez que as entradas e saídas desejadas são selecionadas, o software criará a estrutura do seu cérebro da rede neural e você pode começar a treiná-la. Uma parte dos dados coletados é reservada e usada para treinar e testar a precisão de seu cérebro artificial, você verá a saída desejada começar a se adaptar aos dados de teste à medida que for aprendendo. Uma vez que este processo esteja completo você poderá exportar o cérebro artificial estruturado na forma de uma DLL que será usada pelo MetaNeural EA. Uma vez que o cérebro é construído, treinado, testado e exportado como uma DLL você pode começar a negociar com um cérebro de rede neural automatizado que verá padrões complexos que são impossíveis para um ser humano para alcançar. Obtenha o Metaneural EA FREE agora, financiando uma conta no FinFX com qualquer quantia e usando nosso serviço de copiadora comercial para espelhar nossos negócios profissionais vencedores em sua conta. Depois que 50 lotes cheios forem negociados você receberá o EA de Metaneural com funcionalidade cheia para Contas LIVRES deve ser financiado com o link fornecido na seção de preços do site Metaneural. Coloque esses arquivos nas seguintes pastas no Metatrader: Expert Advisor - Metatrader 4experts Indicador de Coletor (DatacollectorV2a) - Metatrader 4expertsindicators Indicador de Rede Neural (Metaneural NN Indicator) - Metatrader 4expertsindicators Arquivos DLL MQLLock e MT4NSAdapter - Metatrader 4expertslibraries Você precisará instalar Neurosolutions 6 e Visual Studio 6 para o seu trabalho, instruções sobre estas instalações podem ser encontradas no manual muito detalhado anexado a este post. VOCÊ DEVE LER O MANUAL Sim, pode ser aplicado a várias moedas simultaneamente porque pode ser treinado em cada moeda individualmente e uma estrutura de rede neural pode ser criada para cada moeda. I would say the only broker dependency would be the integrity of their price feed, the more stable and consistent their feed the better the training data will be and subsequently the trades. Were not scalping necessarily so execution speed is not very important. Thanks for your interest. Congratulations on developing a system which gives healthy returns. Always better than wonder EAs which usually end up blowing the account. I am a commercial member myself sharing my Fibonacci Makeover system (ForexFibs ) here so I can understand why you are offering a Free EA. My question is can this EA be applied to multiple currencies as it is based on Real Neural Networks Is it dependent on broker and execution speed