Neural Network Moving Average

Jaringan Syaraf Tiruan 2 Rata-rata Bergerak Jaringan saraf Expert Advisor berdasarkan dua moving averages dengan mode latihan. Latih Expert Advisor pada contoh-contoh terpilih dan dapatkan keuntungan dalam kehidupan nyata. EA dapat bekerja pada instrumen apapun dan dalam jangka waktu tertentu. Algoritma Trading EA Two moving averages dianalisis oleh inti jaringan syaraf tiruan, yang menghasilkan perintah untuk membeli atau menjual. Nilai dua moving averages, fast (FMA) dan slow (SMA), diberikan ke layer pertama, pada layer kedua menghitung dua neuron yang bertanggung jawab untuk Buy (N buy) dan Sell (N sell), keputusan untuk membeli Atau menjual dilakukan di tingkat ketiga. Diagram blok jaringan saraf ditunjukkan pada gambar. Pelatihan Expert Advisor Dalam mode pelatihan EA mengingat nilai rata-rata bergerak yang ditandai oleh pengguna pada grafik instrumen mata uang. Di masa depan, selama operasi normal, ia mengenali nilai rata-rata bergerak. Untuk melatih EA menandai setidaknya satu panjang dan satu perdagangan singkat pada grafik. Untuk menunjukkan perdagangan yang panjang gunakan panah Beli, dan untuk perdagangan singkat gunakan panah Jual. Anda dapat menempatkan lebih banyak panah pada tabel. Semakin banyak anak panah, semakin lama akan proses pelatihan. Kehadiran benda lain pada grafik selain panah tidak diinginkan. Setelah pelatihan, folder NN 2MA akan dibuat di folder umum terminal. Ini akan berisi file HHHHHHNN2MA. bin dengan setting jaringan saraf yang terlatih. XXXXXX dalam nama file adalah nama instrumen keuangan. Dalam operasi normal, EA memuat data dari file. Jika file tidak ditemukan, maka akan menggunakan pengaturan default. Secara default, EA dilatih pada USDJPY dan jangka waktu satu jam, perdagangannya dipilih pada tahun 2012. Parameter masukan berikut bertanggung jawab atas pelatihan EA: Jumlah bobot per neuron. Sama dengan panjang MA. Default - 48. Jumlah siklus pelatihan - default 100. Semakin tinggi nilainya, semakin lama proses pelatihannya. Pada versi percobaan itu adalah 10. Faktor b - nilainya mempengaruhi kecepatan koreksi bobot neuron, digunakan untuk melatih jaringan. Nilai defaultnya adalah 0,7, tidak perlu diubah. Mode pembelajaran EA - memungkinkan mode pelatihan EA. Contoh penawaran perdagangan untuk pelatihan EA tersedia pada gambar. Pengaturan Setelan Normal Mode Moving Averages Anda dapat menyesuaikan pengaturan masing-masing moving average: periode, harga, mode perhitungan. Volume order - default adalah 0,1. Nilai slippages pada titik - default adalah 30. Jumlah usaha untuk membuka posisi - default adalah 5. Level StopLoss pada titik - default adalah 0. Level TakeProfit pada titik - default adalah 0. Level TrailingStop dalam poin - default adalah 650. Allow Manajemen uang - mengendalikan ukuran pesanan untuk memasuki pasar, diaktifkan oleh defisit. Jika mode dinonaktifkan, ukuran pesanan diambil dari parameter Volume of order. Volume pesanan sebagai persentase deposit - digunakan untuk mengendalikan ukuran pesanan, defaultnya adalah 5 persen. Menambahkan ke posisi terbuka - diaktifkan secara default. Jika ada sinyal masuk ke pasar ke arah posisi terbuka, EA memasuki pasar. Pengaturan Jaringan Syaraf Tiruan Jumlah bobot per neuron. Sama dengan panjang MA. Semakin tinggi nilainya, semakin akurat kondisi pasar saat ini, namun akan mengurangi jumlah perdagangan. Semakin rendah nilainya, semakin tidak akurat keadaan pasar saat ini dikenali, namun jumlah perdagangan meningkat. Nilai aktivasi neuron. Nilai kira-kira 0,75 dari nilai Jumlah bobot per neuron. Semakin tinggi nilainya, semakin ketat pemilihan neuron untuk mengambil keputusan. Dalam versi trial itu adalah 40. Jumlah siklus latihan - defaultnya adalah 100. Faktor b kecepatan koreksi bobot, defaultnya adalah 0,7. Mode pembelajaran EA adalah mode pelatihan EA. Selama latihan, nilai maksimum neuron akan ditunjukkan dalam komentar pada tabel. Nilai ini bisa dijadikan nilai aktivasi neuron. Contoh ditunjukkan pada gambar. Aktifkan komentar - memungkinkan komentar pada tabel. Sihir Nomor Penasihat. Jeda setelah trading dalam milidetik. Secara default, EA dilatih pada USDJPY H1 pada dua perdagangan di tahun 2012. Hasil pengujian Expert Advisor pada tahun 2013 ditunjukkan pada gambar. Jaringan khusus 2 Moving Averages Sebuah jaringan syaraf tiruan Expert Advisor berdasarkan dua moving averages dengan mode pelatihan. . Latih Expert Advisor pada contoh-contoh terpilih dan dapatkan keuntungan dalam kehidupan nyata. EA dapat bekerja pada instrumen apapun dan dalam jangka waktu tertentu. Algoritma Trading EA Two moving averages dianalisis oleh inti jaringan syaraf tiruan, yang menghasilkan perintah untuk membeli atau menjual. Nilai dua moving averages, fast (FMA) dan slow (SMA), diberikan ke layer pertama, pada layer kedua menghitung dua neuron yang bertanggung jawab untuk Buy (N buy) dan Sell (N sell), keputusan untuk membeli Atau menjual dilakukan di tingkat ketiga. Diagram blok jaringan saraf ditunjukkan pada gambar. Pelatihan Expert Advisor Dalam mode pelatihan EA mengingat nilai rata-rata bergerak yang ditandai oleh pengguna pada grafik instrumen mata uang. Di masa depan, selama operasi normal, ia mengenali nilai rata-rata bergerak. Untuk melatih EA menandai setidaknya satu panjang dan satu perdagangan singkat pada grafik. Untuk menunjukkan perdagangan yang panjang gunakan panah Beli, dan untuk perdagangan singkat gunakan panah Jual. Anda dapat menempatkan lebih banyak panah pada tabel. Semakin banyak anak panah, semakin lama akan proses pelatihan. Kehadiran benda lain pada grafik selain panah tidak diinginkan. Setelah pelatihan, folder NN 2MA akan dibuat di folder umum terminal. Ini akan berisi file HHHHHHNN2MA. bin dengan setting jaringan saraf yang terlatih. XXXXXX dalam nama file adalah nama instrumen keuangan. Dalam operasi normal, EA memuat data dari file. Jika file tidak ditemukan, maka akan menggunakan pengaturan default. Secara default, EA dilatih pada USDJPY dan jangka waktu satu jam, perdagangannya dipilih pada tahun 2012. Parameter masukan berikut bertanggung jawab atas pelatihan EA: Jumlah bobot per neuron. Sama dengan panjang MA. Default - 48. Jumlah siklus pelatihan - default 100. Semakin tinggi nilainya, semakin lama proses pelatihannya. Pada versi percobaan itu adalah 10. Faktor b - nilainya mempengaruhi kecepatan koreksi bobot neuron, digunakan untuk melatih jaringan. Nilai defaultnya adalah 0,7, tidak perlu diubah. Mode pembelajaran EA - memungkinkan mode pelatihan EA. Contoh penawaran perdagangan untuk pelatihan EA tersedia pada gambar. Pengaturan Setelan Normal Mode Moving Averages Anda dapat menyesuaikan pengaturan masing-masing moving average: periode, harga, mode perhitungan. Volume order - default adalah 0,1. Nilai slippages pada titik - default adalah 30. Jumlah usaha untuk membuka posisi - default adalah 5. Level StopLoss pada titik - default adalah 0. Level TakeProfit pada titik - default adalah 0. Level TrailingStop dalam poin - default adalah 650. Allow Manajemen uang - mengendalikan ukuran pesanan untuk memasuki pasar, diaktifkan oleh defisit. Jika mode dinonaktifkan, ukuran pesanan diambil dari parameter Volume of order. Volume pesanan sebagai persentase deposit - digunakan untuk mengendalikan ukuran pesanan, defaultnya adalah 5 persen. Menambahkan ke posisi terbuka - diaktifkan secara default. Jika ada sinyal masuk ke pasar ke arah posisi terbuka, EA memasuki pasar. Pengaturan Jaringan Syaraf Tiruan Jumlah bobot per neuron. Sama dengan panjang MA. Semakin tinggi nilainya, semakin akurat kondisi pasar saat ini, namun akan mengurangi jumlah perdagangan. Semakin rendah nilainya, semakin tidak akurat keadaan pasar saat ini dikenali, namun jumlah perdagangan meningkat. Nilai aktivasi neuron. Nilai kira-kira 0,75 dari nilai Jumlah bobot per neuron. Semakin tinggi nilainya, semakin ketat pemilihan neuron untuk mengambil keputusan. Dalam versi trial itu adalah 40. Jumlah siklus latihan - defaultnya adalah 100. Faktor b kecepatan koreksi bobot, defaultnya adalah 0,7. Mode pembelajaran EA adalah mode pelatihan EA. Selama latihan, nilai maksimum neuron akan ditunjukkan dalam komentar pada tabel. Nilai ini bisa dijadikan nilai aktivasi neuron. Contoh ditunjukkan pada gambar. Aktifkan komentar - memungkinkan komentar pada tabel. Sihir Nomor Penasihat. Jeda setelah trading dalam milidetik. Secara default, EA dilatih pada USDJPY H1 pada dua perdagangan di tahun 2012. Hasil pengujian Expert Advisor pada tahun 2013 ditunjukkan pada gambar.9.3 Model jaringan syaraf tiruan Jaringan syaraf tiruan meramalkan metode yang didasarkan pada model matematis sederhana dari otak. Mereka memungkinkan hubungan nonlinear yang kompleks antara variabel respon dan prediktornya. Arsitektur jaringan saraf Jaringan syaraf tiruan dapat dianggap sebagai jaringan neuron yang terorganisir secara berlapis-lapis. Prediktor (atau input) membentuk lapisan bawah, dan prakiraan (atau keluaran) membentuk lapisan atas. Mungkin ada lapisan antara yang mengandung neuron tersembunyi. Jaringan yang paling sederhana tidak mengandung lapisan tersembunyi dan setara dengan regresi linier. Gambar 9.9 menunjukkan versi jaringan syaraf tiruan dari regresi linier dengan empat prediktor. Koefisien yang melekat pada prediktor ini disebut bobot. Perkiraan tersebut diperoleh dengan kombinasi input linier. Bobot dipilih dalam kerangka jaringan syaraf tiruan menggunakan algoritma pembelajaran yang meminimalkan fungsi biaya seperti MSE. Tentu saja, dalam contoh sederhana ini, kita bisa menggunakan regresi linier yang merupakan metode yang jauh lebih efisien untuk melatih model. Begitu kita menambahkan lapisan perantara dengan neuron tersembunyi, jaringan saraf menjadi tidak linier. Contoh sederhana ditunjukkan pada Gambar 9.10. Ini dikenal sebagai jaringan umpan balik multilayer dimana setiap lapisan node menerima masukan dari lapisan sebelumnya. Output dari node dalam satu layer adalah input ke layer berikutnya. Masukan ke setiap node digabungkan menggunakan kombinasi linear tertimbang. Hasilnya kemudian dimodifikasi dengan fungsi nonlinier sebelum menjadi keluaran. Sebagai contoh, input ke neuron tersembunyi j pada Gambar 9.10 digabungkan secara linier untuk memberikan 91 zj bj sum 4 w xi. 93 Pada lapisan tersembunyi, ini kemudian dimodifikasi dengan menggunakan fungsi nonlinier seperti sigmoid, untuk memberi masukan pada lapisan berikutnya. Hal ini cenderung mengurangi efek dari nilai input yang ekstrim, sehingga membuat jaringan agak kuat terhadap outlier. Parameter b1, b2, b3 dan w, titik, w dipelajari dari data. Nilai bobot sering dibatasi untuk mencegahnya menjadi terlalu besar. Parameter yang membatasi bobot dikenal sebagai parameter peluruhan dan sering diatur menjadi sama dengan 0,1. Bobot mengambil nilai acak untuk memulai, yang kemudian diperbarui menggunakan data yang diamati. Akibatnya, ada unsur keacakan dalam prediksi yang dihasilkan oleh jaringan syaraf tiruan. Oleh karena itu, jaringan biasanya dilatih beberapa kali dengan menggunakan titik awal acak yang berbeda, dan hasilnya dirata-ratakan. Jumlah lapisan tersembunyi, dan jumlah node pada setiap lapisan tersembunyi, harus ditentukan terlebih dahulu. Kami akan mempertimbangkan bagaimana hal ini dapat dipilih dengan menggunakan validasi silang nanti di bab ini. Contoh 9.5 Penilaian kredit Untuk menggambarkan peramalan jaringan syaraf tiruan, kita akan menggunakan contoh penilaian kredit yang telah dibahas di Bab 5. Di sana kita melengkapi model regresi linier berikut ini: beta beta x beta x beta 3x3 beta 4x4 e, Log ini berarti transformasi Log (x1) Ini bisa ditunjukkan oleh jaringan yang ditunjukkan pada Gambar 9.9 dimana inputnya adalah x1, dots, x4 dan outputnya adalah y. Jaringan syaraf yang lebih canggih yang ditunjukkan pada Gambar 9.10 dapat dipasang sebagai berikut. Perpustakaan 40 caret 41 creditlog lt - data. Bingkai 40 skor creditcore, log. Log tabungan 40 lembar kredit 1 41, log. Pendapatan log 40 creditincome 1 41, log. Alamat log 40 credittime Alamat 1 41, log. Menggunakan log 40 credittime. Bekerja 1 41, kredit kredit, kredit tunggal sesuai lt - avNNet 40 score log. Tabungan log Log pendapatan Alamat log Bekerja. Data creditlog, mengulangi 25. ukuran 3. peluruhan 0.1, linout TRUE 41 Fungsi avNNet dari paket caret sesuai dengan jaringan syaraf umpan balik dengan satu lapisan tersembunyi. Jaringan yang ditentukan di sini berisi tiga node (size3) pada hidden layer. Parameter peluruhan telah diset ke 0.1. Argumen mengulang25 menunjukkan bahwa 25 jaringan dilatih dan prediksi mereka harus dirata-ratakan. Argumen linoutTRUE menunjukkan bahwa output diperoleh dengan menggunakan fungsi linier. Dalam buku ini, kita akan selalu menentukan linoutTRUE. Autoregression jaringan syaraf Dengan data time series, nilai lag dari time series dapat digunakan sebagai input ke jaringan syaraf tiruan. Sama seperti kita menggunakan nilai tertinggal dalam model autoregresi linier (Bab 8), kita dapat menggunakan nilai tertinggal dalam autoregression jaringan saraf. Dalam buku ini, kita hanya mempertimbangkan jaringan feed-forward dengan satu lapisan tersembunyi, dan menggunakan notasi NNAR (p, k) untuk menunjukkan adanya input tertinggal dan k node pada lapisan tersembunyi. Sebagai contoh, model NNAR (9,5) adalah jaringan syaraf tiruan dengan sembilan observasi terakhir (y, y, titik, y) digunakan sebagai masukan untuk memperkirakan output y t, dan dengan lima neuron pada lapisan tersembunyi. Model NNAR (p, 0) setara dengan model ARIMA (p, 0,0) namun tanpa batasan parameter untuk memastikan keterpaduan. Dengan data musiman, juga berguna untuk menambahkan nilai terakhir dari musim yang sama dengan input. Sebagai contoh, model NNAR (3,1,2) memiliki input y, y, y dan y, dan dua neuron pada lapisan tersembunyi. Secara umum, model NNAR (p, P, k) m memiliki input (y, y, titik, y, y, y, y) dan k neuron pada lapisan tersembunyi. Model NNAR (p, P, 0) m setara dengan model ARIMA (p, 0,0) (P, 0,0) m namun tanpa batasan parameter untuk memastikan stasioneritas. Fungsi nnetar () sesuai dengan model NNAR (p, P, k) m. Jika nilai p dan P tidak ditentukan, maka secara otomatis dipilih. Untuk rangkaian waktu non-musiman, defaultnya adalah jumlah lags optimal (sesuai dengan AIC) untuk model AR (p) linier. Untuk deret waktu musiman, nilai defaultnya adalah P1 dan p dipilih dari model linier optimal yang sesuai dengan data musiman yang disesuaikan. Jika k tidak ditentukan, maka diatur ke k (pP1) 2 (dibulatkan ke bilangan bulat terdekat). Contoh 9.6: Sunspot Permukaan matahari mengandung daerah magnetik yang tampak seperti bintik hitam. Ini mempengaruhi perambatan gelombang radio dan oleh karena itu perusahaan telekomunikasi suka memprediksi aktivitas berjemur untuk merencanakan kesulitan masa depan. Sunspot mengikuti siklus panjang antara 9 dan 14 tahun. Pada Gambar 9.11, prakiraan dari NNAR (9,5) diperlihatkan untuk 20 tahun ke depan. Cocok dengan perkiraan 40 bayangan matahari 41 plot 40 perkiraan 40 fit, h 20 41 41 Prakiraan sebenarnya sedikit negatif, yang tentu saja tidak mungkin. Jika kita ingin membatasi perkiraan agar tetap positif, kita bisa menggunakan transformasi log (ditentukan oleh parameter Box-Cox lambda 0): muat ltnnetar 40 sunspotarea, lambda 0 41 plot 40 perkiraan 40 fit, h 20 41 41