Neuronale Netzwerke Fabbrica Forex

MetaTrader 5 - Beispiele Neuronale Netzwerke: Von der Theorie zur Praxis Einleitung heutzutage cappello sicherlich jeder Trader schon einmal etwas von einem neuronalen Netzwerk Gehrt - und Wei, wie es ist fresco, Diese zu benutzen. Die Mehrheit scheint zu glauben, dass es sich bei tutti jenen, die mit neuronalen Netzwerken operieren, um irgendwelche bermenschen handeln wrde. Mithilfe des Artikels vorliegenden verbinde ich die Absicht, Ihnen die Architektur eines neuronalen Netzwerks samt seiner Applikationen und praktischen Nutzanwendungen nherzubringen. Das Konzept eines neuronalen Netzwerks Knstliche neuronale Netzwerke zhlen zu den Bereichen der Knstlichen Intelligenz-Forschung, in denen der Versuch wird unternommen, ein menschliches Nervensystem - SAMT seiner Befhigung zu lernen und zu adaptieren - zu simulieren. Kurioserweise bestehen knstliche neuronale Netzwerke aus knstlichen Neuronen. Die Struktur eines neuroni kann als eine Komposition Folgender Einheiten dargestellt werden: Neuronale Netzwerke weisen eine ganze Reihe un Eigenschaften auf, von die denen Wichtigste die ist, dass es lernfhig ist. Der Lernprozess basiert letztendlich darauf, die zu Gewichte verndern. Der ingresso Net wird dann durch die Aktivierungsfunktion - auf die ich noch spter genauer eingehen werde - in den transformiert uscita. Zusammengefasst ist ein neuronales Netzwerk anche eine Art von Blackbox, morire Signale als Ingressi erhlt und Resultate ausgibt. Hier knnen wir ein mehrschichtiges neuronales Netzwerk betrachten. Dieses enthlt folgende Componenti: Die Input-Schicht diente Dazu, die Daten ber das Netzwerk zu verteilen. Sie fhrt allerdings selbst keine Berechnungen durch. Die Uscite dieser Schicht senden Signale an die Nchste Schicht (ausgeblendet oder Output) Die uscita-Schicht, enthlt normalerweise ein (manchmal auch mehr) Neuron (it) und den generiert uscita des gesamten neuronalen Netzwerks. Dieses segnale bildet morire Grundlage fr die zuknftige Steuerlogik des Expert Advisors Die ausgeblendeten Schichten sind Schichten eines Standardneurons, die von der Signale input-output zur-Schicht senden. Dessen ist der Input Output der vorherigen Schicht, whrend dessen Output Input als der nchsten Schicht fungiert. Dieses Beispiel handelte von einem neuronalen Netzwerk mit zwei ausgeblendeten Schichten. Allerdings kann es durchaus auch mit mehr neuronale Netzwerke ausgeblendeten Schichten geben. Normalisierung der Eingabedaten Die Normalisierung der Eingabedaten ist ein Prozess, bei dem alle Eingabedaten normalisiert werden. Cadute diese Normalisierung nicht durchgefhrt wird, werden diese Daten einen zustzlichen, zu falschen Entscheidungen fhrenden Effekt auf das Neuron ausben. Mit anderen Worten: knnen Wie wir Werte miteinander vergleichen, morire verschiedene Grenordnungen aufweisen Die Normalisierungsformel sieht in ihrer Standardform folgendermaen aus: Lassen Sie mich an einem das Beispiel erklren: Nehmen wir una, wir haben die Eingabedaten n mit dem Bereich 0,10, così dorate 0 und 10. nun reduzieren wir die Daten auf den Bereich 0,1, in modo erhalten wir 0 und 1. Setzen wir diese suora Werte in die Formel Ein, così knnen wir normierte Werte fr Jedes beliebige x der Eingabedaten n ermitteln. Und così sieht aus das Ganze, wenn es in MQL5 implementiert wird: Zunchst spezifizieren wir das obere und untere Limite des Output-Werts, wodurch wir die Werte fr das Indikator-Minimo und - Massima erhalten (Daten zu vom Indikator kopieren, hier wird weggelassen , aber die beispielsweise 10 letzten Werte mglich). Schlielich normalisieren wir ein Jedes Input-Element (Indikatorwerte der verschiedenen Balken) und die Ergebnisse speichern in einem Array fr den spteren Gebrauch. Aktivierungsfunktionen Die Aktivierungsfunktion ist eine Funktion, die den uscita eines neuroni berechnet. Der ingresso, den es erhlt, reprsentiert morire Summe aller Input-Produkte und ihrer entsprechenden Gewichte (kurz: gewichtete Summe). Abb. 3. Das knstliche neuronale Netzwerk mit einer skizzierten Aktivierungsfunktion. Die Aktivierungsformel sieht in ihrer Standardform folgendermaen aus: Ist die Aktivierungsfunktion ist die gewichtete Summe, die in der ersten fase der uscita-Berechnung eines neuroni erhalten wird ist ein Schwellenwert der Aktivierungsfunktion. Dieser spielt lediglich fr Die Hard Soglia-Funktion eine Bedeutung und ist a Anderen Funktion gleich 0. Zu den Haupttypen von Aktivierungsfunktionen zhlen: Die Sprung - oder H ard Soglia-Funktion. Diese Funktion wird die durch folgende Formel beschrieben: Cadute morire gewichtete Summe Kleiner als der spezifizierte Wert ist, così gibt die Aktivierungsfunktion 0 zurck. Ist die gewichtete grer Summe, così gibt sie 1 zurck. Die die Sigmoidfunktion beschreibende Formel sieht aus wie folgt: Sie wird oft bei mehrschichtigen neuronalen Netzwerken und anderen Netzwerken mit kontinuierlichen Signalen verwendet. Die als Gltte Auch die Kontinuitt der Funktion sind sehr positivo Eigenschaften. Der tangente iperbolica. Eine Funktion, die ebenfalls sehr oft in Verbindung mit Netzwerken mit kontinuierlichem segnale verwendet wird. Ihre Eigenheit: Sie kann negativo Werte ausgeben. Die Form einer Aktivierungsfunktion ndern Im vorhergehenden Teil haben wir uns mit den Aktivierungsfunktionstypen auseinandergesetzt. Allerdings gibt es noch eine weitere wichtige Sache zu diskutieren - die Steigung einer Funktion (ausgenommen hard Soglia-unktionen). Sehen wir uns die noch einmal Sigmoidfunktion genauer una. Der Funktionsgraph weist darauf hin, dass die Funktion ber dem Campo di valori -5,5 Glatt wird. uns Lassen Sie die annehmen Existenz eines Netzwerks, das aus einem Neuron mit 10 Ingressi und einem uscita besteht. Nun wollen wir die oberen und unteren berechnen Variablenwerte. Jeder ingresso wird einen normalisierten Wert - z. B. im Bereich -1,1 - annehmen (Wie bereits in Normalisierung der Eingabedaten erwhnt). Wir werden die negativen Eingabewerte verwenden, da es sich um eine - selbst bei einem negativen Argument - differenzierbare Funktion handelt. Die Gewichte werden dabei demselben Bereich entnommen. Durch alle mglichen INPUT - beziehungsweise Peso-Kombinationen erhalten wir die Extremwerte im Bereich von -10,10: In MQL5 wird die Formel folgendermaen aussehen: Nun mssen wir die im Aktivierungsfunktion identifizierten Bereich zeichnen. Die Sigmoidfunktion soll uns an dieser Stelle als Beispiel dienen. Der Weg ist einfachste dabei morire Verwendung von Excel. Hieran knnen wir Klar erkennen, dass ein Argumentwert auerhalb des Bereichs -5,5 keinerlei Effekt auf die Ergebnisse ausbt. Dies deutet darauf hin, dass der Campo di valori unvollstndig ist. Lassen Sie uns versuchen, muore zu beheben. Wir werden dem argomento einen zustzlichen Koeffizienten hinzufgen, der es uns erlaubt, den Campo di valori zu vergrern. Abb. 5. Der Excel-Graph der Sigmoidfunktion mit zustzlichem Koeffizienten Lassen Sie uns suora noch einmal einen Blick auf die Graphen werfen. Wir haben einen zustzlichen Koeffizienten (d 0,4) hinzugefgt, der die Form der Funktion verndert cappello. Vergleicht uomo morire Tabellenwerte, così scheinen sie jetzt wesentlich gleichmiger verteilt zu sein. Die Ergebnisse knnen anche wie folgt werden ausgedrckt: Lassen Sie uns die erneut hyperbolische Tangensfunktion betrachten. Dabei wollen wir - im Gegensatz zu vorherigen Funktionen - auf die Theorie und uns verzichten Direkt der widmen Praxis. Der einzige Unterschied besteht Darin, dass der uscita im Bereich -1,1 liegen kann. Ebenso kann die gewichtete Summe Werte im Bereich -10,10 annehmen. Abb. 6. Der Excel-Graph der hyperbolischen Tangensfunktion mit zustzlichem Koeffizienten Der Grafico zeigt, dass die Form der Funktion Aufgrund der Verwendung des zustzlichen Koeffizienten d 0,2 verbessert worden ist. Die Ergebnisse knnen anche wie folgt werden ausgedrckt: Auf diese Weise knnen Sie die Form einer jeden Aktivierungsfunktion ndern beziehungsweise verbessern. Lassen Sie uns zur suora praktischen kommen Anwendung. Zunchst werden wir versuchen, morire implementieren Berechnungen des ingressi netti des neuroni zu. Daraufhin Fgen wir die Aktivierungsfunktion hinzu. Erinnern wir uns noch einmal an die Formel zur Berechnung des ingressi netti eines Neurons: Sehen wir es uns ein wenig genau un: Wir haben damit begonnen, eine variabile, um den ingresso netto des neuroni zu speichern, als auch zwei Array zu definieren: Eingaben und Gewichte Diese Variablen wurden bereits zu Anfang definiert, aller unabhngig Funktionen, um Ihnen eine globale Reichweite zu verleihen (Zugriff innerhalb des gesamten Programms mglich) In der OnInit () - Initialisierungsfunktion (jeder andere Funktion WRE ebenso denkbar) haben wir das input-sowie Das Gewicht-Array befllt. Hierauf folgte muoiono Summing Loop, nlt3. da wir nur drei Eingaben und drei entsprechende Gewichte haben. Dann haben wir gewichtete Eingabewerte hinzugefgt und haben diese in der CONFIRMED variabile. Die erste Aufgabe ist somit beendet - und wir haben eine Summe erhalten. Jetzt ist dran Aktivierungsfunktion die. Unten befindet sich der Codice zur Berechnung von Aktivierungsfunktionen (siehe Aktivierungsfunktionen). Der Grafico einer Sprung - oder hard Soglia-Funktion Die hyperbolische Tangensfunktion Die Endmontage um die Attuazione einfach zu Gestalten, werden wir uns ein Netzwerk vornehmen, das nur ein Einziges Neuron aufweist. Die Bezeichnung Netzwerk MAG bei der Verwendung nur eines einzigen neuroni eventuell ein Wenig gewagt erscheinen, allerdings geht es uns an dieser Stelle UMS Prinzip. Denn schlielich besteht ein mehrschichtiges neuronales Netzwerk aus den selben Neuronen, wobei der uscita der vorherigen Neuronenschicht als ingresso fr morire fungiert nachfolgende. Wir werden eine fleckig modifizierte Versione des Expert Advisors verwenden (Entwicklung und Einfhrung:. Schnelleinstieg oder Kurzanleitung fr Anfnger Wir werden daher beispielsweise den Trendindikator des Gleitenden Durchschnittswerts durch den relativa-Resistenza-Index ersetzen - Oszillator Informationen betreffend morire Parametro eines Indikators und ihre Sequenz delle imprese sich in der eingebauten Hilfe Zunchst einmal mssen wir unser Netzwerk trainieren Lassen Sie uns hierfr morire optimieren Gewichte Abb 7. Strategietester mit dem erforderlichen Impostare un parameterN Wir werden die Optimierung anhand vornehmen Folgender parametri:.... Datum - zB seit dem Anfang des Jahres . je lnger der Zeitrahmen, umso Geringer Das Auftreten einer Kurvenanpassung und umso bessere Ergebnisse Ausfhrung -. normale, Nur Erffnungskurse Es gibt keinen Grund fr einen prova, der Alle Modi umfasst, da Unser EA lediglich die letzten 10 Indikatorwerte bentigt (Whrungswert ausgenommen). Optimierung kann così eingestellt werden, dass sie den langsamen vollstndigen Algorithmus verwendet. Eine genetische Optimierung verspricht hingegen schnellere Resultate, era besonders bei der Bewertung eines Algorithmus Vorteile bietet. Cadute Das Ergebnis zufriedenstellend ausfllt, knnen Sie Ferner versuchen, den langsamen vollstndigen Algorithmus zu verwenden, um noch zu genauere Ergebnisse erzielen. Vorwrts von 12 erlaubt es Ihnen zu beurteilen, Wie lange Ihr EA morire erhaltenen Resultate generieren kann, bis muoiono Nchste Optimierung fllig wird. Zeitrahmen und Whrungspaar knnen nach eigenem Ermessen gewhlt werden. Abb. 8. Optimierung der Parametro und ihrer entsprechenden Bereiche Die Optimierung wird unter Bercksichtigung aller Gewichte und ihrer Bereiche durchgefhrt. Starten Sie die Optimierung, indem Sie in den Einstellungsreiter zurckkehren und den Inizio-Button drcken. Abb. 9. infolge der Optimierung erhaltene Daten Nachdem morire Optimierung abgeschlossen ist, whlen wir aus den erfolgreichen prova mit dem maximalen Profitwert im Optimierungsergebnisse-Reiter (um nach parameterN zu Sortieren, click bitte auf den entsprechenden Spaltenkopf). Sie knnen danach auch andere Parametro auswerten und den entsprechenden erfolgreichen prova auswhlen, cade gewnscht. Mit einem Doppelklick auf den bentigten Vorgang initiieren Sie einen prova der Ergebnisse, die im Ergebnis - beziehungsweise Graphen-Reiter angezeigt werden. Abb. 10. Testbericht Abb. 11. Bilanzchart Abb. 12. Trading-Performance des Expert Advisors Nun liegen uns Endlich anche morire Finalen Ergebnisse vor - und die sind fr den Anfang gar nicht Bel. Bedenken Sie an dieser Stelle bitte, dass wir nur ein Neuron zur Verfgung Hatten. Das Beispiel guerra zweifellos primitiv uerst, dennoch LSST sich nicht leugnen, dass sich selbst damit Profite machen lassen. eines vorteile neuronalen Netzwerks Lassen Sie uns suora einen EA, der sich einer normalen Logik bedient, und einen, der auf ein neuronales Netzwerk zurckgreifen kann, miteinander vergleichen. Wir werden die Optimierungs - und Testergebnisse eines herkmmlichen, Mit dem Terminal ausgelieferten MACD-EAS und eines EA, der auf einem neuronalen Netzwerk basiert, miteinander vergleichen. Take Profit und Trailing Stop-Werte werden bei der nicht Optimierung bercksichtigt, da sie dem neuronalen Netzwerk-EA nicht zur Verfgung stehen. Entrambe le zu testende Expert Advisors basieren auf dem MACD-Indikator (Moving Average Convergence Divergence-) und den folgenden parameterN: Zeitraum fr den schnellen gleitenden Durchschnittswert: 12 Zeitraum fr den langsamen gleitenden Durchschnittswert: 26 Zeitraum fr morire durchschnittliche Differenz. 9 Preistyp. Schlussnotierung. Sie haben die Ferner Mglichkeit, das bentigte Whrungspaar und den Zeitraum zu ndern. Wir werden muore im vorliegenden caduta jedoch nicht tun: EURUSD, H1. Die Testperiode ist in beiden Fllen identisch: die Erffnungskurse seit dem Anfang des Jahres. Abb. 13. Vergleich der Schlsseleigenschaften Dieser Artikel cappello die Wichtigste Punkte abgedeckt, die Sie wissen mssen, wenn Sie einen EA konzipieren wollen, der auf ein neuronales Netzwerk zurckgreift. die wir haben Struktur eines Neuroni als auch eines neuronalen Netzwerks kennengelernt, es wurden Aktivierungsfunktionen und Methoden umrissen, mit denen uomo ihre Modulo verndern kann, als auch der Prozess einer Optimierung sowie einer von Normalisierung Eingabedaten skizziert. Auerdem haben wir einen EA, der sich einer normalen Logik bedient, mit einem, der auf einer neuronalen Netzwerk-Logik basiert, vergleichen. bersetzt aus dem Russischen von MetaQuotes Software Corp. Originalartikel: mql5ruarticles497MetaTrader 5 - Indikatoren Neuronale Netzwerke der dritten Generation: Tiefe Netzwerke Einleitung In diesem Beitrag behandeln wir ohne Komplexe Berechnungen und die in Laienbegriffen grundlegenden Ideen der Themen tiefes Lernen (apprendimento profondo) und tiefe Netzwerke ( rete di profondità). Experimente mit Realen Daten besttigen (oder auch nicht) morire theoretischen Vorteile tiefer neuronaler Netzwerke gegenber oberflchlichen Netzwerken durch die Definition und den Vergleich von Messwerten. Die vorliegende Aufgabe ist die Klassifizierung. Wir erstellen einen Indikator und einen Expert Advisor auf Basis des Modelli eines tiefen neuronalen Netzwerks, die dem gemma Client-Server-Schema zusammen Arbeiten, und testen Sie anschlieend. Es wird davon ausgegangen, dass sich der Leser mit den grundlegenden Konzepten neuronaler Netzwerke auskennt. 1. Neuronale Netzwerke der zweiten Generation Neuronale Netzwerke sollen auf eine groe Bandbreite un Aufgaben im Zusammenhang mit der Verarbeitung von Bildern eingehen. Nachfolgend sehen Sie eine Liste von Aufgaben, morire klassischerweise von neuronalen Netzwerken gelst werden: ravvicinamento von Funktionen durch einen Satz von Punkten (Regressione) Datenklassifizierung nach dem festgelegten Satz von Klassen Daten-clustering mit der Identifizierung vorher unbekannter Klassenprototypen Komprimierung von Informationen Wiederherstellung verlorener Daten Assoziativer Speicher Optimierung, optimale Steuerung usw. Aus der obigen Liste wird in diesem Beitrag nur die Klassifizierung besprochen. 1.1. Die Architektur der Verknpfungen Die Art der Verarbeitung von Informationen wird durch das wesentlich fehlen oder von Vorhandensein Feedbackschleifen im Netzwerk beeinflusst. Cadute keine Feedbackschleifen zwischen Neuronen bestehen (d. H. Das hat eine Netzwerk Struktur von aufeinanderfolgenden Lagen, bei der Jedes Neuron nur Informationen von der Lage vorherigen enthlt), ist die Verarbeitung von Informationen im Netzwerk unidirektional. Ein Eingabesignal wird durch eine Sequenz von Lagen verarbeitet und die Antwort wird ber die Anzahl von Takten gleich der Anzahl von Lagen erhalten. Das Vorhandensein von Feedbackschleifen kann die Dynamik eines neuronalen Netzwerks (in diesem caduta als rekurrent bezeichnet) machen unberechenbar. Tatschlich kann das Netzwerk in der Schleife hngenbleiben und nie eine Antwort geben. Gleichzeitig gibt es laut Turing keinen Algorithmus, der es einem willkrlich rekurrenten Netzwerk ermglicht, zu bestimmen, ob seine Elemente ein Gleichgewicht delle imprese werden (das Halteproblem). Allgemein gesprochen, ermglicht morire Tatsache, dass Neuronen in rekurrenten Netzwerken viele maschile an der Verarbeitung von Informationen teilnehmen, solchen Netzwerken eine tiefere und vielfltigere Verarbeitung von Informationen. In diesem Caduta mssen spezielle Manahmen ergriffen werden, damit Das Netzwerk nicht in einer Endlosschleife hngenbleibt. Verwenden Sie beispielsweise symmetrische Verknpfungen wie in einem Hopfield-Netz oder erzwingen Sie eine Begrenzung der Anzahl un Iterationen. Art des Einlernens Art der Verknpfung