一个神经网络的EA的示例.docx

一个神经网络的EA的示例.docx

《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《一个神经网络的EA的示例.docx（16页珍藏版）》请在冰豆网上搜索。

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"）。

Wewilloptimizeonlyinputsthatcorrespondwiththefirststage,i.e.,thatendin1.Thus,wecheckonlytheseinputsforoptimization,anduncheckallothers. 

我们仅仅优化步骤1相关的那些inputs（参数变量），即，尾标为1的参数变量，于是，我们仅仅测试优化有关的inputs而不测试其他的变量参数

tp1-TakeProfitoftheBTS.Itisoptimizedwiththevalueswithintherangeof10to100,step1 

tp1，BTS的所取的止盈值（TakeProfit）。

在step1，优化的值的范围在10到100，

sl1-StopLossoftheBTS.Itisoptimizedwiththevalueswithintherangeof10to100,step1 

sl1，BTS的所取的止损值（StopLoss）。

在step1，优化的值的范围在10到100。

p1-periodofCCIusedintheBTS.Itisoptimizedwiththevalueswithintherangeof3to100,step1 

p1，用于BTS的CCI的周期值。

在step1，优化的值的范围在3到100

BelowaretheresultsoftheBTSoptimization:

下面是BTS优化的结果

Stage2.Teachingtheperceptronresponsibleforshortpositions:

步骤2，“教育负责管“开空仓”（shortpositions）的感知机

Setthevalue2（accordingtothestagenumber）fortheinput"pass". 

根据步骤的步骤号，设置（input，参数变量）的"pass"的值为2。

Unchecktheinputscheckedforoptimizationinthepreviousstage.Justincase,saveinafiletheinputsobtainedatthepreviousstage. 

不测试那些已经测试过的优化了的以前步骤的inputs.（变量参数）。

以防万一，保存以前步骤获得的inputs（变量参数值）到一个文件中去

Checktheinputsforoptimizationaccordingtoourrule:

theiridentifiersmustendin2:

根据我们的规则，必须是测试那些是在尾标为2的inputs（变量参数）。

x12,x22,x32,x42-weightnumbersoftheperceptronthatrecognizesshortpositions.Itisoptimizedwiththevalueswithintherangeof0to200,step1 

x12,x22,x32,x42是识别并开空仓的感知机的权重，它们的值在step1时被优化在范围0to200

tp2-TakeProfitofpositionsopenedbytheperceptron.Itisoptimizedwiththevalueswithintherangeof10to100,step1 

tp2  （TakeProfit）是感知机所开的仓的止盈值，它们的值在step1时被优化在范围10to100。

sl2-StopLossofpositionsopenedbytheperceptron.Itisoptimizedwiththevalueswithintherangeof10to100,step1 

sl2（StopLos）在step1它是感知机所开的仓的止损值，被优化值的范围在10to100 

p2-theperiodofthevaluesofpricedifferencetobeanalyzedbytheperceptron.Itisoptimizedwiththevalueswithintherangeof3to100,step1. 

p2感知机所分析的价格差的周期值（iiCCI（）函数的一个参数∶period-Averagingperiodforcalculation），在step1它的值所优化的范围在3to100

Let'sstartteachingitusingoptimizationwithageneticalgorithm.Theobtainedresultsaregivenbelow:

现在，开始用遗传算法来优化“教育”NN（让它“学习”市场），获得的结果如下∶

Stage3.Teachingtheperceptronresponsibleforlongpositions:

步骤3“教育”负责开多仓的感知机（“学习”市场）。

Setthevalue3（accordingtothestagenumber）fortheinput"pass". 

设置值3（根据步骤的步骤号）说明这些input（变量参数）已经“通过”（theinput"pass"） 

Unchecktheinputscheckedforoptimizationinthepreviousstage.Justincase,saveinafiletheinputsobtainedatthepreviousstage. 

同样，不测试，那些已经测试过的优化了的，以前步骤的inputs.（变量参数值），以防万一，保存以前步骤获得的inputs.（变量参数值）到一个文件中去

Checktheinputsforoptimizationaccordingtoourrule:

theiridentifiersmustendin3:

根据我们的规则，优化测试的inputs（变量参数值）必须是尾标为3的那些变量参数。

x13,x23,x33,x43-weightnumbersoftheperceptronthatrecognizeslongpositions.Itisoptimizedwiththevalueswithintherangeof0to200,step1. 

x13,x23,x33,x43是识别多仓的感知机的权重，它们的值在step1时被优化时得到的范围在0to200

tp3-TakeProfitofpositionsopenedbytheperceptron.Itisoptimizedwiththevalueswithintherangeof10to100,step1 

tp3  （TakeProfit）是感知机所开的仓的“止盈值”，它的值在step1时被优化时的范围是在10to100。

sl3-StopLossofpositionsopenedbytheperceptron.Itisoptimizedwiththevalueswithintherangeof10to100,step1 

sl3（StopLoss）是感知机所开的仓的“止盈值”，它们的值在step1时被优化为范围是10to100。

p3-theperiodofthevaluesofpricedifferencetobeanalyzedbytheperceptron.Itisoptimizedwiththevalueswithintherangeof3to100,step1. 

p3--感知机所分析的价差的周期值。

它在步骤1优化时得到的值的范围是3to100。

Let'sstartteachingitusingoptimizationwithageneticalgorithm.Theobtainedresultsaregivenbelow:

启动采用遗传算法的优化来“教育”NN，所获得的结果如下∶

Stage4（final）.Teachingthefirstlayer,i.e.,teachingtheperceptronthatisintheupperlayer:

步骤4（最终步骤）“教育”第一层，即“教育”在上层的感知机。

Setthevalue4（accordingtothestagenumber）fortheinput"pass". 

根据步骤的步骤号，设置值4为输入通过（fortheinput"pass"） 

Unchecktheinputscheckedforoptimizationinthepreviousstage.Justincase,saveinafiletheinputsobtainedatthepreviousstage. 

不测试那些在之前步骤已经测试过的优化了的“输入”（inputs）（意思是∶已经在之前步骤优化过的变量的参数值就不再优化它们了）。

以防万一，将之前步骤获得的这些变量的参数值存到一个文件中去。

Checktheinputsforoptimizationaccordingtoourrule:

theiridentifiersmustendin4:

根据我们的规则，只测试优化标识符最后位是4的那些inputs（变量的参数值）

x14,x24,x34,x44-weightnumbersoftheperceptronofthefirstlayer.Itisoptimizedwiththevalueswithintherangeof0to200,step1. 

x14,x24,x34,x44是第一层感知机参数的权重值。

在步骤1时它们被优化的值的范围在0to200。

p4-theperiodofthevaluesofpricedifferencetobeanalyzedbytheperceptron.Itisoptimizedwiththevalueswithintherangeof3to100,step1. 

p4被感知机分析的价差的值的周期。

在步骤1它的值的范围被优化在3to100。

Let'sstartteachingitusingoptimizationwithageneticalgorithm.Theobtainedresultsaregivenbelow:

采用遗传算法来优化，启动“教育