整理一个神经网络的EA的示例.docx

整理一个神经网络的EA的示例.docx

《整理一个神经网络的EA的示例.docx》由会员分享，可在线阅读，更多相关《整理一个神经网络的EA的示例.docx（13页珍藏版）》请在冰豆网上搜索。

整理一个神经网络的EA的示例

一个神经网络的EA的示例（含源码）——Combo_Right.mq4

软件简介：

去年年底结束的国际大赛的第一名为Better所夺得

他采用的就是神经网络原理的EA

这使得用神经网络方法做EA成为不少人关注的焦点

这里翻译一篇采用神经网络做EA的不错的示例文章

当然附有源码是吸引人的地方

不过也许作者提出了研究神经网络EA的一些思考更为值得注意

作者提出了∶

1。

“如果有飞机，为什么还要教人类去飞？

”

意思是研究是经网络不必从零起步。

MT4里已有了不错的“遗传算法”

文中介绍了如何利用MT4已有的“遗传算法”

2。

大家都说做单子最重要的是“顺势而为”，但更需要解决的是∶

“一个基于趋势的交易系统是不能成功交易在盘整（sidewaystrends），

也不能识别市场的回调（setbacks）和逆转（reversals.,反向走势）！

”

这可是抓到不少人心中的“痒处”，有多少人不是到了该逆势时没转向而产生亏损呢？

3。

训练神经网络需要用多长的历史数据，提出了并不是用的历史数据越长越好，另外也不是训练的间隔越短越好，文中提出了什么情况下有需再训练它。

等等。

。

下面是译文和作者的源码

Theproblemisstatedforthisautomatedtradingsystem（ATS）asfollows:

（ATS）自动的（智能的，采用神经网络的）交易系统的问题表述如下 

Let'sconsiderwehaveabasictradingsystem-BTS.ItisnecessarytocreateandteachaneuralnetworkinorderittodothingsthatcannotbedonewiththeBTS.ThismustresultincreationofatradingsystemconsistingoftwocombinedandmutuallycomplementaryBTSandNN（neuralnetwork）. 

如果我们有一个（BTS,basictradingsystem），同时需要用创建一个神经网络系统并教会它做BTS所不能做的事，按这个思路就是要创建这样一个交易系统∶它由互相补充（配合）的两部分组成，BTS和NN（神经网络）。

Or,theEnglishofthisis:

Thereisnoneedtodiscoverthecontinentsagain,theywerealldiscovered.Whytoteachsomebodytorunfast,ifwehaveacar,ortofly,ifwehaveaplane?

呃，英语说，我们不需要再去发现“新大陆”，它们是已经存在的东西！

进一步说，如果我们已经有了汽车，那为什么还要教人如何跑得快？

如果有飞机，为什么还要教人类去飞？

Oncewehaveatrend-followingATS,wejusthavetoteachtheneuralnetworkincountertrendstrategy.Thisisnecessary,becauseasystemintendedfortrend-basedtradingcannottradeonsidewaystrendsorrecognizemarketsetbacksorreversals.Youcan,ofcourse,taketwoATSes-atrend-followingoneandacountertrendone-andattachthemtothesamechart.Ontheotherhand,youcanteachaneuralnetworktocomplementyourexistingtradingsystem. 

一旦有一个趋势交易系统的ATS，我们仅需要教会这个神经网络如何逆势（反趋势）交易的策略。

这一点是非常必要的，因为一个基于趋势的交易系统是不能成功交易在盘整（sidewaystrends），也不能识别市场的回调（setbacks）和逆转（reversals.,反向走势）！

当然，你可以采用两个ATS，一个基于“趋势”，一个基于“反趋势”（逆向），然后把它们挂到同一图表上。

另一个办法是，你能教会神经网络如何与你现有的系统“互补地”协调工作！

Forthispurpose,wedesignedatwo-layerneuralnetworkconsistingoftwoperceptronsinthelowerlayerandoneperceptronintheupperlayer.

为实现这个目标，我们设计了一个两层的神经网络，下层有两个感知机（perceptrons）上层有一个感知机。

Theoutputoftheneuralnetworkcanbeinoneofthesethreestates:

这个神经网络的能输出下列三种状态之一

Enteringthemarketwithalongposition

（Entering）市场是处在多向仓

Enteringthemarketwithashortposition

（Entering）市场是处在空向仓

Indeterminatestate

不确定的,（不明确的,模糊的）状态

Actually,thethirdstateisthestateofpassingcontrolovertotheBTS,whereasinthefirsttwostatesthetradesignalsaregivenbytheneuralnetwork. 

实际上，第三种状态是就把控制权交给BTS，反之前两种状态是交易信号由神经网络给出。

Theteachingoftheneuralnetworkisdividedintothreestages,eachstageforteachingoneperceptron.Atanystage,theoptimizedBTSmustbepresentforperceptronstoknowwhatitcando. 

神经网络的“教育”分成三步骤，每一步骤“教育”一个感知机，在任何一步骤，这个优化了的BTS必须存在为的是“感知机们”知道它自己能做什么。

Theseparateteachingofperceptronsbyageneticalgorithmisdeterminedbythelackofthisalgorithm,namely:

Theamountofinputssearchedinwiththehelpofsuchalgorithmislimited.However,eachteachingstageiscoherentandtheneuralnetworkisnottoolarge,sothewholeoptimizationdoesnottaketoomuchtime. 

感知机们分别的“教育”由遗传算法来承担，由于这样的算法的缺乏，换句话说，搜索到的这样的算法有限，限制了“输入”（参数变量）的数量（借助这样算法得到的参数变量的值），然而，每一步骤的“教育”是密切配合补充的。

（因此效果还是不错），这样这个神经网络不会太大，整个的优化也不会耗费太多的时间。

Theveryfirststage,precedingtheteachingofanNN,consistsinoptimizationoftheBTS. 

在“教育”NN之前的一步是对BTS进行优化。

Inordernottoloseourselves,wewillrecordthestagenumberintheinputoftheATSidentifiedas"pass".Identifiersofinputscorrespondingwiththestagenumberwillandinthenumberequaltothisstagenumber. 

为了不使我们自己也被搞糊涂了，我们将已经测试通过的ATS的输入（参数变量）记录上（”通过”（"pass"）的步骤号（stagenumber）.，输入s（参数变量）的标识符将和stagenumber（步骤号）一致（等同）。

Thus,let'sstartpreparationsforoptimizationandteachingtheNN.Let'ssettheinitialdepositas$1000000（inordernottocreateanartificialmargincallduringoptimization）andtheinputtobeoptimizedas"Balance"inExpertAdvisorpropertiesonthetabof"Testing"intheStrategyTester,andstartgeneticalgorithm. 

这样，我们开始对这个NN进行优化和“教育”的准备。

存入初始保证金为$100万（以便于在优化期间不产生人为的补充保证金的通知）。

Input（参数变量）是按“余额”进行优化，设置EA的StrategyTester的测试的属性tab为"Testing"。

开始运行遗传算法。

Let'sgotothe"Inputs"taboftheEA'spropertiesandspecifythevolumeofpositionstobeopenedbyassigningthevalue1totheidentifier"lots". 

在这个EA的开仓量"lots".的值设为1lot。

Optimizationwillbeperformedaccordingtothemodel:

"Openpricesonly（fastestmethodtoanalyzethebarjustcompleted,onlyforEAsthatexplicitlycontrolbaropening）",sincethismethodisavailableintheATSalgorithm. 

从这个ATS算法明确地有效开始，实施优化，所采用复盘模型是∶“仅用开盘价（以最快速的方法分析刚形成的柱线）”。

Stage1ofoptimization.OptimizationoftheBTS:

优化步骤1，BTS的优化

Setthevalue1fortheinput"pass". 

设置为1为这input（参数变量）“为通过”（theinput"pass"）。

Wewilloptimi