विदेशी मुद्रा एल्गोरिदम

+

विदेशी मुद्रा व्यापार प्रणाली में आनुवंशिक एल्गोरिथ्म लाभदायक विदेशी मुद्रा व्यापार रणनीति बनाने के लिए आनुवंशिक एल्गोरिथ्म का उपयोग करना। आनुवंशिक संगणना के लिए कोर्टेक्स तंत्रिका नेटवर्क सॉफ्टवेयर feedforward backpropagation तंत्रिका नेटवर्क आवेदन में आनुवंशिक एल्गोरिथ्म विदेशी मुद्रा व्यापार आधारित है। यह अनिवार्य नहीं है, हालांकि यह उदाहरण अवधारणाओं और पिछले लेख के विचारों का उपयोग करता है, इसलिए, पहले विदेशी मुद्रा व्यापार प्रणाली में तंत्रिका नेटवर्क आनुवंशिक एल्गोरिथ्म पढ़ें। इस पाठ के बारे में सबसे पहले, अस्वीकरण पढ़ें। यह कॉर्टेक्स तंत्रिका नेटवर्क सॉफ्टवेयर आनुवंशिक एल्गोरिथ्म कार्यक्षमता, लाभदायक व्यापार कैसे करना है की नहीं एक उदाहरण का उपयोग करने का एक उदाहरण है। मैं अपने गुरु नहीं हूँ, न तो मैं अपने नुकसान के लिए जिम्मेदार होना चाहिए। कॉर्टेक्स तंत्रिका नेटवर्क सॉफ्टवेयर में यह तंत्रिका नेटवर्क है, और हम पहले चर्चा FFBP एक विदेशी मुद्रा व्यापार रणनीतियों को चुनने का केवल एक ही तरीका है। यह शक्तिशाली एक अच्छी तकनीक है, और जब ठीक से लागू है, बहुत promicing। Tne तंत्रिका नेटवर्क को पढ़ाने के लिए - हालांकि, यह एक समस्या है। हम "वांछित उत्पादन" पता करने की जरूरत है। यह हम समारोह सन्निकटन करते हैं जब हम यह क्या किया जाना चाहिए क्योंकि मुझे पता है, हम सिर्फ एक समारोह के 'असली' मान ले क्या करने की बजाय आसान है। हम तंत्रिका नेटवर्क की भविष्यवाणी करते हैं। हम भविष्यवाणी करते हैं, कहते हैं, एक विनिमय दर, हम सही भविष्यवाणी है क्या (प्रशिक्षण के दौरान) पता है, फिर से, इतिहास पर तंत्रिका नेटवर्क को पढ़ाने की (पिछले लेख में बताया गया है) तकनीक का उपयोग करें। हम एक व्यापार प्रणाली का निर्माण कर रहे हैं, तथापि, हम विनिमय दर को पता है, भले ही सही व्यापार निर्णय क्या है पता नहीं है! तथ्य की बात के रूप में, हम समय के किसी भी बिंदु पर उपयोग कर सकते हैं कई विदेशी मुद्रा व्यापार रणनीति है, और हम एक अच्छा एक खोजने की जरूरत है - कैसे? हम हमारे तंत्रिका शुद्ध के वांछित उत्पादन के रूप में क्या खिलाना चाहिए? आप हमारे पिछले लेख का अनुसरण करते हैं, तो आप हम इस समस्या से निपटने के लिए धोखा दिया है, कि पता है। हम तंत्रिका नेटवर्क विनिमय दर (या विनिमय दर के आधार सूचक) भविष्यवाणी क्या करना सिखाया है, और फिर व्यापार करने के लिए इस भविष्यवाणी का इस्तेमाल किया। फिर, कार्यक्रम का तंत्रिका नेटवर्क हिस्सा बाहर है, हम तंत्रिका नेटवर्क सबसे अच्छा एक है जिस पर एक निर्णय लिया। आनुवंशिक एल्गोरिदम वे 'को खोजने के लिए सबसे अच्छा व्यापार संकेतों' के रूप में कहा गया है समस्या का समाधान कर सकते, सीधे इस समस्या के साथ सौदा कर सकते हैं। इस लेख में हम इस तरह के एक कार्यक्रम बनाने के लिए कोर्टेक्स तंत्रिका नेटवर्क सॉफ्टवेयर का उपयोग करने के लिए जा रहे हैं। आनुवंशिक एल्गोरिथ्म का उपयोग आनुवंशिक एल्गोरिथम बहुत अच्छी तरह से विकसित की है, और बहुत विविध रहे हैं। आप सब उनके बारे में जानने के लिए चाहते हैं, तो मैं यह लेख केवल कॉर्टेक्स तंत्रिका नेटवर्क सॉफ्टवेयर क्या कर सकते हैं के बारे में है, जैसा कि आप विकिपीडिया का उपयोग करें। कॉर्टेक्स तंत्रिका नेटवर्क सॉफ्टवेयर बीत रहा है। हम एक संकेतक के कुछ इनपुट, कहते हैं, मान लेता है, और है कि उत्पादन एक तंत्रिका नेटवर्क बना सकते हैं कुछ उत्पादन, कहते हैं, व्यापार संकेतों (, बेचने, खरीदने पकड़।) और नुकसान को रोकने / पदों खोले जाने के लिए के लिए लाभ के स्तर को ले लो। हम यादृच्छिक पर इस तंत्रिका नेटवर्क के वजन के बीज बेशक, अगर, व्यापार परिणाम भयानक हो जाएगा। हालांकि, हम इस तरह के NNS के एक दर्जन से बनाया कहते हैं। तो फिर हम उनमें से प्रत्येक के प्रदर्शन का परीक्षण, और सबसे अच्छा एक, विजेता का चयन कर सकते हैं। इस NNS की "पहली पीढ़ी" था। दूसरी पीढ़ी के लिए जारी करने के लिए, हम हमारे विजेता "पैदा करने के लिए", लेकिन समान प्रतियां हो रहा से बचने के लिए अनुमति देने की जरूरत है, यह descentants 'भार है करने के कुछ बेतरतीब noice जोड़ दें। दूसरी पीढ़ी में, हम हमारी पहली पीढ़ी के विजेता है और यह अपूर्ण (उत्परिवर्तित) प्रतियां है। चलो फिर से परीक्षण करते हैं। हम पीढ़ी में किसी भी अन्य तंत्रिका नेटवर्क तो बेहतर है, जो एक और विजेता होगा। और इसी तरह। हम तो बस विजेताओं सिर्फ वास्तविक जीवन विकास में की तरह, हारे नस्ल, और खत्म करने की अनुमति देते हैं, और हम अपनी पूरी-ट्रेडिंग तंत्रिका नेटवर्क मिल जाएगा। व्यापार प्रणाली (आनुवंशिक एल्गोरिथ्म) की तरह क्या होना चाहिए पर किसी भी पूर्व ज्ञान के बिना। तंत्रिका नेटवर्क आनुवंशिक एल्गोरिथ्म: उदाहरण 0 यह पहला आनुवंशिक एल्गोरिथ्म उदाहरण है। और एक बहुत ही सरल है। हम इसे निम्न उदाहरण का उपयोग करेगा कि सभी चाल जानने के लिए, कदम से कदम के माध्यम से चलने के लिए जा रहे हैं। कोड इनलाइन टिप्पणी की है, तो चलो बस महत्वपूर्ण क्षणों पर ध्यान केंद्रित करते हैं। सबसे पहले, हम एक तंत्रिका नेटवर्क बनाया है। यह यादृच्छिक भार का उपयोग कर रहा है, और अभी तक सिखाया नहीं गया था। फिर, चक्र में, हम MUTATION_NN fumction का उपयोग कर इसे की 14 प्रतियां, बनाते हैं। इस समारोह में एक स्रोत के तंत्रिका नेटवर्क की एक प्रतिलिपि बनाता है। 0 से सभी वजन 0.1 (हमारे मामले में) करने के लिए यादृच्छिक मूल्यों को जोड़ने। हम संभाल सिर्फ एक पूर्णांक संख्या है के रूप में एक सरणी में 15 NNS जिसके परिणामस्वरूप करने के लिए, हम यह कर सकते हैं संभालती रहते हैं। हम 15 NNS उपयोग कारण व्यापार के साथ कुछ नहीं करना है: कॉर्टेक्स तंत्रिका नेटवर्क सॉफ्टवेयर एक साथ एक चार्ट पर 15 लाइनों के लिए साजिश कर सकते हैं। हम परीक्षण के लिए अलग अलग दृष्टिकोण का उपयोग कर सकते हैं। सबसे पहले, हम सीखने सेट का उपयोग करें, इसके बारे में सभी को एक बार कर सकते हैं। दूसरा, हम, पर परीक्षण का कहना है, (100000) से बाहर 12000 resords, और शुरू से अंत तक, सीखने सेट के माध्यम से चल सकता है। हम पूरे सेट पर न सिर्फ डेटा के किसी भी हिस्से पर लाभदायक हैं कि तंत्रिका नेटवर्क के लिए दिखेगा, जैसा कि learnigs अलग कर देगा। डेटा शुरू से अंत तक, बदलते हैं, तो दूसरे दृष्टिकोण, हमें समस्याओं को दे सकते हैं। तब नेटवर्क डाटा सेट के अंत में व्यापार करने की क्षमता प्राप्त करने के लिए, और इसकी शुरुआत में व्यापार करने की क्षमता खोने, विकसित होगा। उस समस्या को हल करने के लिए, हम डेटा से यादृच्छिक 12,000 रिकॉर्ड के टुकड़े ले, और तंत्रिका नेटवर्क के लिए फ़ीड करने के लिए जा रहे हैं। 100000 चक्र हमारी गति पर पहुँचा जा कभी नहीं होगा, बस एक अंतहीन चक्र है। नीचे हम थोड़ा अलग वजन के साथ, प्रत्येक नेटवर्क के लिए एक बच्चे को जोड़ने। उत्परिवर्तन Tange के लिए 0.1, तथ्य की बात के रूप में, केवल चुनाव नहीं है, तब भी इस पैरामीटर आनुवंशिक एल्गोरिथ्म का उपयोग कर अनुकूलित किया जा सकता है, ध्यान दें। नव निर्मित NNS 15 मौजूदा वाले के बाद जोड़ रहे हैं। इस तरह से हम 30 एक सरणी में NNS, वर्ष 15 और 15 नए लोगों की है। तो फिर हम दोनों पीढ़ियों से, परीक्षण के अगले चक्र करने के लिए, और हारे को मारने के लिए जा रहे हैं। परीक्षण करने के लिए, हम outputs के उत्पादन, और फिर व्यापार अनुकरण करने के लिए इन outputs का उपयोग करता है कि टेस्ट समारोह, कॉल करने के लिए, हमारे आंकड़ों के तंत्रिका नेटवर्क लागू होते हैं। व्यापार के परिणाम NNS सबसे अच्छा कर रहे हैं, जो तय करने के लिए इस्तेमाल कर रहे हैं। कोड ध्यान दें: हम NStart से NStart सीखने सेट के भीतर एक यादृच्छिक बिंदु है जहां NStart + Nlearn, करने के लिए, Nlearn अभिलेखों के अंतराल का उपयोग करें। नीचे दिए गए कोड को एक चाल है। हम इसका इस्तेमाल कारण आनुवंशिक एल्गोरिथ्म आनुवंशिक एल्गोरिथ्म बना सकते हैं, इस तथ्य के उदाहरण देकर स्पष्ट करने के लिए है। लेकिन यह जरूरी नहीं कि सबसे अच्छा होगा नहीं होगा, और यह भी, हम सीखने की प्रक्रिया के लिए कुछ सीमाएं मतलब, अगर हम परिणाम में सुधार कर सकते हैं कि, सुझाव देने के लिए। हमारे व्यापार प्रणाली ठीक इसके विपरीत लंबे ट्रेडों पर बहुत अच्छी तरह से काम करता है, और छोटी पर बहुत ही गरीब है, या कि यह संभव है। कहते हैं, लंबे ट्रेडों बहुत अच्छा कर रहे हैं, तो यह आनुवंशिक एल्गोरिथ्म भी कम ट्रेडों पर बड़े नुकसान के साथ जीत सकते हैं। इसे से बचने के लिए, हम भी चक्र में अजीब में और छोटे व्यवसायों के लिए लंबे समय ट्रेडों के लिए अधिक वजन आवंटित। यह कोई गारंटी नहीं है कि यह कुछ सुधार होगा कि, वहाँ है, सिर्फ एक उदाहरण है। सुधार के बारे में चर्चा में है, इसे नीचे के बारे में। तकनीकी तौर पर, आप ऐसा करने की जरूरत नहीं है, या इसे अलग तरीके से कर सकते हैं। एक सॉर्ट सरणी के लिए लाभ जोड़ें। यह तो हम तंत्रिका नेटवर्क सीखने और गैर हल सरणियों के लिए मुनाफे का परीक्षण, संभाल जोड़ने के लिए इस स्थिति का उपयोग, एक प्रविष्टि स्थिति देता है। अब हम अपने लाभ के रूप में एक ही सरणी सूचकांक में मौजूदा तंत्रिका नेटवर्क के लिए डेटा है। विचार लाभप्रदता के अनुसार क्रमबद्ध NNS की सरणी, के लिए आने के लिए है। सरणी लाभ से sortes है, कम लाभदायक हैं कि नेटवर्क के 1/2, दूर करने के लिए, हम सिर्फ 14 को NNS 0 दूर करने की जरूरत व्यापारिक निर्णय तंत्रिका नेटवर्क संकेत के मूल्य के आधार पर कर रहे हैं, इस दृष्टि से कार्यक्रम पिछले लेख से उदाहरण के लिए समान है। विदेशी मुद्रा व्यापार रणनीति: चर्चा उदाहरण 0 सबसे पहले, के चार्ट पर एक नजर डालते हैं। पहली यात्रा के दौरान लाभ के लिए पहले चार्ट सभी में अच्छा, उम्मीद की जानी चाहिए के रूप में नहीं है, तंत्रिका नेटवर्क (छवि "छवियों" फ़ोल्डर से पहली यात्रा के बाद की नकल की evolution_00_gen_0.png) पैसे खो देता है: चक्र 15 पर लाभ के लिए छवि कभी कभी, आनुवंशिक एल्गोरिथ्म वास्तव में तेजी से सीख सकते हैं, बेहतर है: हालांकि, एक लाभ की अवस्था पर संतृप्ति नोटिस। यह ध्यान में रखते हुए, जिस तरह से व्यक्तिगत लाभ के परिवर्तन को देखने के लिए भी दिलचस्प है, कि वक्र नंबर, कहते हैं, 3 एक ही तंत्रिका नेटवर्क के लिए हमेशा नहीं है। वे पैदा हुए हैं और हर समय समाप्त किया जा रहा है के रूप में: यह भी कहा कि बाहर छोटी सी विदेशी मुद्रा स्वचालित व्यापार प्रणाली छोटे व्यवसायों पर गरीब करता है, और, कि डॉलर के उस अवधि के दौरान यूरो की तुलना में गिर रहा था या इस तथ्य से संबंधित नहीं किया जा सकता है, जो चाहता है, पर ज्यादा बेहतर है, ध्यान दें। यह भी हमारे सूचक के मानकों के साथ क्या कुछ हो सकता है या संकेतक की पसंद (हो सकता है, हम विभिन्न शॉर्ट्स के लिए अवधि की जरूरत है)। यहां 92 और 248 चक्र के बाद इतिहास है: हमारे आश्चर्य करने के लिए, आनुवंशिक एल्गोरिथ्म पूरी तरह से विफल रहा है। का क्यों पता लगाने की कोशिश, और स्थिति में मदद करने के लिए कैसे करते हैं। सब से पहले, previuos एक से बेहतर माना जाता हर पीढ़ी नहीं है? जवाब में कम से कम नहीं है कि हम इस्तेमाल मॉडल के भीतर, कोई है। हम एक बार में पूरे सीखने सेट ले लिया है, और हमारे NNS को पढ़ाने के लिए बार-बार यह प्रयोग किया जाता है, तो हाँ, वे एक पीढ़ी पर सुधार होगा। लेकिन इसके बजाय, हम यादृच्छिक टुकड़े (समय में 12000 रिकॉर्ड) ले लिया, और उन्हें इस्तेमाल किया। दो सवाल: सिस्टम सेट सीखने के यादृच्छिक टुकड़े पर विफल रही है, और यही कारण है कि हम पूरे सीखने सेट इस्तेमाल नहीं किया है क्यों? खैर। दूसरा सवाल का जवाब है, मैंने किया। NNS बहुत प्रदर्शन किया - सेट सीखने पर। और वे एक ही कारण के लिए यह हम FFPB सीखने का इस्तेमाल किया जब failes, परीक्षण के सेट पर विफल रही है। दूसरे शब्दों में, हमारे NNS overspecialized गया, वे करने के लिए इस्तेमाल कर रहे हैं वातावरण में जीवित है, लेकिन यह नहीं है बाहर करने के लिए सीखा। यह प्रकृति में बहुत कुछ होता। हम बजाय ले लिया दृष्टिकोण उम्मीद है, वे भी एक अपरिचित परीक्षण सेट पर प्रदर्शन कर सकता है, ताकि डाटासेट के किसी भी यादृच्छिक टुकड़ा पर अच्छा प्रदर्शन करने के लिए NNS मजबूर करके, उसके लिए क्षतिपूर्ति करने का इरादा था। इसके बजाय, वे परीक्षण पर और सेट सीखने पर दोनों में विफल रहा। एक रेगिस्तान में रहने वाले जानवरों की कल्पना करो। सूरज की एक बहुत कुछ है, सब में कोई बर्फ। यह हमारे NNS के लिए के रूप में डेटा पर्यावरण की भूमिका निभाते हैं, बाजार rizing के लिए एक metafor है। पशु एक रेगिस्तान में जीना सीख लिया। एक ठंडी जलवायु में रहने वाले जानवरों, कल्पना करो। हिमपात और सभी में कोई सूरज। खैर, वे समायोजित। हालांकि, हमारे प्रयोग में, हम बेतरतीब ढंग से पेड़ों पर, पानी में, बर्फ में, एक रेगिस्तान में हमारे NNS रखा। डेटा के विभिन्न टुकड़ों के साथ उन्हें पेश करके (बेतरतीब ढंग से फ्लैट, गिरने, बढ़ती।)। पशु की मृत्यु हो गई। या, यादृच्छिक डेटा कहते हैं, बाजार की बढ़ती लिए किया गया था, जो 1, सेट के लिए हम सबसे अच्छा तंत्रिका नेटवर्क चयनित, इसे अलग रख दिया। तो फिर हम विजेताओं और उनके बच्चों, एक गिरते बाजार के आंकड़ों के, प्रस्तुत किया। NNS हम बढ़ते बाजार पर व्यापार करने की क्षमता खो दिया है कि उत्परिवर्ती बच्चों में से एक है, शायद, गरीब कलाकारों का सबसे अच्छा ले लिया है, खराब प्रदर्शन किया है, लेकिन एक गिरने से निपटने के लिए कुछ करने की क्षमता मिल गया। तो हम फिर से तालिका कर दिया, और फिर, हम सबसे अच्छा प्रदर्शन करने वाला मिल गया है - गरीब कलाकारों के बीच है लेकिन सबसे अच्छा है। हम सिर्फ सार्वभौमिक बनने के लिए हमारे NNS कोई जोखिम नहीं दिया। वहाँ आनुवंशिक एल्गोरिथ्म पुरानी जानकारी पर प्रदर्शन खोने के बिना नई जानकारी जानने के लिए अनुमति तकनीक हैं (सभी के बाद, जानवरों सही, गर्मियों में और सर्दियों में रह सकते हैं? तो विकास दोहरा परिवर्तन संभाल करने में सक्षम है)। इस लेख कॉर्टेक्स तंत्रिका नेटवर्क सॉफ्टवेयर का उपयोग कर के बारे में अधिक है, हालांकि हम बाद में इन तकनीकों पर चर्चा हो सकती है। एक सफल विदेशी मुद्रा स्वचालित व्यापार प्रणाली के निर्माण के बारे में अधिक है। तंत्रिका नेटवर्क आनुवंशिक एल्गोरिथ्म: उदाहरण 1 अब यह सुधार के बारे में बात करने के लिए समय है। हम पिछले चरण के दौरान बनाई गई एक साधारण आनुवंशिक एल्गोरिथ्म दो प्रमुख खामियां है। सबसे पहले, यह लाभ के साथ व्यापार करने में विफल रहा। यह ठीक है, हम आंशिक रूप से प्रशिक्षित प्रणाली (यह शुरुआत में लाभदायक था) का उपयोग करने की कोशिश कर सकते हैं। दूसरा दोष अधिक गंभीर है: हम इस प्रणाली करता है कि, बातों पर कोई नियंत्रण नहीं है। उदाहरण के लिए, यह लाभदायक है, लेकिन भारी drawdowns के साथ होने के लिए सीख सकते हैं। यह वास्तविक जीवन में, विकास के लिए एक साथ एक से अधिक पैरामीटर अनुकूलन कर सकते हैं कि एक सर्वविदित तथ्य है। उदाहरण के लिए, हम तेजी से चलाने के लिए और ठंडा करने के लिए प्रतिरोधी हो सकता है कि एक जानवर, मिल सकती है। क्यों हमारे विदेशी मुद्रा स्वचालित व्यापार प्रणाली में वही कर रही कोशिश करने के लिए नहीं। हम अतिरिक्त सजा का सेट, लेकिन कुछ भी नहीं कर रहे हैं, जो सुधार, का उपयोग करते है। 0.3 अंतराल - हम 0 करने के लिए यह पुष्टि करना चाहते हैं, जबकि गिरावट 0.5 के साथ हमारी प्रणाली ट्रेडों, कहो। यह एक गलती की है कि प्रणाली है, हम डिग्री करने के लिए (आनुवंशिक एल्गोरिथ्म जीता जो निर्धारित करने के लिए प्रयोग किया जाता है एक,) ने अपने लाभ में कमी "बता" करने के लिए, कि डीडी के आकार के अनुपात में होती है। फिर, विकास एल्गोरिथ्म बाकी का ख्याल रखता है। कुछ और कारकों हम ध्यान में रखना चाहते हैं, कर रहे हैं: हम संचालन खरीदें का कम या ज्यादा संख्या बराबर है और बेचने के लिए चाहते हो सकता है, हम लाभदायक संचालन के लिए और अधिक करना चाहते हैं, तो विफलताओं के कारण, हम करने के लिए लाभ चार्ट चाहते हो सकता है इतने पर रेखीय और हो। Evolution_01.tsc में हम सुधार का एक सरल सेट को लागू करने। सबसे पहले, हम एक प्रारंभिक सुधार मूल्य के लिए कुछ बड़ी संख्या का उपयोग करें। हम (आम तौर पर, बीच में 0 और 1) मूल्यों, 'सजा' के आधार पर हम लागू करना चाहते हैं एक छोटा करने के लिए यह गुणा। तो फिर हम इस सुधार के लिए हमारे लाभ बढ़ा। नतीजतन, लाभ आनुवंशिक एल्गोरिथ्म हमारे अन्य मानदंडों से मेल खाती है कितना प्रतिबिंबित करने के लिए, सही है। तो फिर हम एक विजेता तंत्रिका नेटवर्क को खोजने के परिणाम का उपयोग करें। विदेशी मुद्रा व्यापार रणनीति: चर्चा उदाहरण 1 उदाहरण 1 पहले 100 चक्र के दौरान उदाहरण 0. से, यह एक बहुत कुछ सीखा है, ज्यादा बेहतर काम करता है, और लाभ चार्ट आश्वस्त लग रही है। हालांकि, उदाहरण के 0 के रूप में, लंबे ट्रेडों सबसे अधिक संभावना है कि हमारे दृष्टिकोण में कोई समस्या है, जिसका अर्थ है कि बहुत अधिक लाभदायक हैं। फिर भी, सिस्टम विरोधाभासी प्रारंभिक स्थितियों की जोड़ी के बीच एक संतुलन पाया: परीक्षण के सेट में, सेट और अधिक महत्वपूर्ण सीखने में दोनों कुछ सकारात्मक गतिशीलता है। आगे सीखने के लिए के रूप में, चक्र 278 पर हम अपने सिस्टम overtrained हो गया है कि, देख सकते हैं। यह है कि हम अभी भी सीख सेट पर प्रगति की है, इसका मतलब है: लेकिन सेट का परीक्षण कमजोरी को दर्शाता है: इस NNS के साथ एक आम समस्या है: हम सेट सीखने पर यह सिखाना है, जब वह इसके साथ सौदा करने के लिए सीखता है, और कभी कभी, यह भी अच्छी तरह से सीखता है - डिग्री के लिए, यह परीक्षण सेट पर प्रदर्शन हारता है। कि इस समस्या से निपटने के लिए, एक "" पारंपरिक समाधान प्रयोग किया जाता है: हम तंत्रिका नेटवर्क की तलाश में रहते हैं। सबसे अच्छा है कि पिछले एक overwriting, परीक्षण के सेट पर सबसे अच्छा प्रदर्शन करती है, और इसे बचाने के लिए, हर बार नए शिखर पर पहुंच गया है। यह हम छोड़कर FFBP प्रशिक्षण में इस्तेमाल किया, एक ही तरीका है, हम इस समय यह अपने आप करने के लिए (जोड़ने कोड, कि एक के लिए तंत्रिका नेटवर्क का भार SAVE_NN बुला रही है, या निर्यात एक परीक्षण के सेट पर एक सबसे अच्छा तंत्रिका नेटवर्क के लिए लग रहा है, और फाइल)। इस तरह, आप अपने प्रशिक्षण को रोकने, जब आप परीक्षण के सेट पर सबसे अच्छा प्रदर्शन करना होगा बचाया और आप के लिए इंतज़ार कर रहे। यह अधिकतम नहीं है, यह भी ध्यान रखें। लाभ आप के बाद कर रहे हैं, लेकिन एक परीक्षण के सेट पर एक बेहतरीन कलाकार की तलाश में जब अनुकूलतम प्रदर्शन, इसलिए, सुधार के उपयोग पर विचार। कहाँ अब: विदेशी मुद्रा तकनीकी विश्लेषण के लिए आनुवंशिक एल्गोरिथ्म? आप अपने विजेता तंत्रिका नेटवर्क मिला। आपको लगता है कि तंत्रिका नेटवर्क के वजन के निर्यात करने के लिए, पिछले लेख में वर्णित चरणों का पालन करें, कर सकते हैं। और फिर इतने पर मेटा व्यापारी, व्यापार स्टेशन और इस तरह, अपने वास्तविक समय व्यापार मंच में उन का उपयोग करने के लिए। वैकल्पिक रूप से, आप तंत्रिका नेटवर्क के अनुकूलन के अन्य तरीकों पर ध्यान केंद्रित कर सकते हैं। FFBP एल्गोरिथ्म के साथ विपरीत, यहाँ आप सीखने का उपयोग करने और सेट के परीक्षण से avay मिलता है, और अनुक्रमिक सीखने स्थानांतरित कर सकते हैं। कॉर्टेक्स आदेश कॉर्टेक्स देखें मूल्य सूची डाउनलोड हमारा मिशन का दोहन और विदेशी मुद्रा की कीमत आंदोलनों की भविष्यवाणी के लिए स्थिर और सुरक्षित मॉडल विकसित करने के क्रम में व्यक्तिगत व्यापारियों और निवेशकों को नवीनतम मशीन सीखने एल्गोरिदम का उपयोग सबसे शक्तिशाली कृत्रिम बुद्धि के समाधान के लिए उपलब्ध बनाने के लिए है। मानव विदेशी मुद्रा व्यापारी वी सुपरफास्ट कंप्यूटर और एल्गोरिदम: कौन जीतता है? रणनीतियों के पीछे के परीक्षण के लिए उपकरणों के साथ संयोजन में तकनीकी संकेतकों की विस्तृत सेट के साथ उपयोग लोकप्रिय प्लेटफार्मों पर परिचालन यहां तक ​​कि तथाकथित विशेषज्ञ सलाहकारों, लंबे समय में विफलता के लिए निंदा कर रहे हैं। परिष्कार और (2) अपर्याप्त कम्प्यूटेशनल शक्ति के इस (1) कमी के लिए दो सरल और प्राथमिक कारण हैं। दो, यह हो सकता है हालांकि शक्तिशाली बारीकी से जुड़े-इंटर, और कई बार सिर्फ एक डेस्कटॉप के लिए सीमित कम्प्यूटेशनल शक्ति के साथ कर रहे हैं, यह स्थिर और लंबी अवधि के रिटर्न का उत्पादन करने के परिष्कार के अपेक्षित स्तर के साथ एक रणनीति को चलाने के लिए असंभव है। यह सच है कि कृत्रिम बुद्धि समाधान व्यक्तिगत व्यापारियों, निवेशकों और यहां तक ​​कि छोटे वित्तीय संस्थानों की पहुंच से परे झूठ बोलते हैं। इस माहौल में एक सफल व्यापारी हो सकता है और हमारे विदेशी मुद्रा कारोबार एल्गोरिथ्म आपकी सफलता की कुंजी प्रदान करता है सीमित कम्प्यूटेशनल शक्ति और परिष्कार के प्रतिबंध पर काबू पाने के लिए। यह आप के लिए काम कर सकते हैं कि कैसे पता लगाने के लिए हमसे संपर्क करें।