Forex การคาดการณ์ ทางพันธุกรรม ขั้นตอนวิธี

อัลกอริทึมทางพันธุกรรม SnowCron ในระบบการซื้อขาย FOREX โดยใช้อัลกอริทึมทางพันธุกรรมเพื่อสร้างกลยุทธ์การซื้อขาย FOREX Trading ที่มีกำไร อัลกอริทึมทางพันธุกรรมในโครงข่ายประสาทเทียมซอฟท์แวร์เครือข่ายประสาทเทียมสำหรับการคำนวณทางพันธุกรรมโดยใช้ Forex trading ตัวอย่างนี้ใช้แนวความคิดและแนวคิดของบทความก่อน ๆ ดังนั้นโปรดอ่านอัลกอริธึมพันธุกรรมเครือข่ายประสาทเทียมในระบบการซื้อขาย FOREX ก่อน แต่ก็ไม่จำเป็น เกี่ยวกับข้อความนี้ก่อนอื่นโปรดอ่านข้อจำกัดความรับผิดชอบ นี่คือตัวอย่างของการใช้ฟังก์ชันการทำงานของอัลกอริธึมทางพันธุกรรมของ Cortex Neural Networks Software ไม่ใช่ตัวอย่างวิธีการทำกำไรจากการซื้อขาย ฉันไม่ใช่คุณครูของฉันและฉันไม่ควรเป็นผู้รับผิดชอบต่อความสูญเสียของคุณ Cortex Neural Networks Software มีเครือข่ายประสาทในนั้นและ FFBP ที่เรากล่าวถึงก่อนเป็นเพียงวิธีหนึ่งในการเลือกกลยุทธ์การซื้อขายแบบเทรด มันเป็นเทคนิคที่ดีมีประสิทธิภาพและเมื่อใช้อย่างถูกต้องมาก promicing อย่างไรก็ตามมีปัญหา - เพื่อสอนเครือข่ายประสาทเทียม เราจำเป็นต้องทราบผลลัพธ์ที่ต้องการ มันค่อนข้างง่ายที่จะทำเมื่อเราทำประมาณค่าเราเพียงแค่ใช้ค่าที่แท้จริงของฟังก์ชันเพราะเรารู้ว่ามันควรจะเป็น เมื่อเราทำโครงข่ายประสาทเทียม เราใช้เทคนิค (อธิบายไว้ในบทความก่อนหน้านี้) ในการสอนเครือข่ายประสาทเทียมเกี่ยวกับประวัติศาสตร์อีกครั้งหนึ่งถ้าเราคาดการณ์ว่าเป็นอัตราแลกเปลี่ยนที่เรารู้ (ในระหว่างการฝึกอบรม) ว่าทำนายถูกต้องอย่างไร อย่างไรก็ตามเมื่อเรากำลังสร้างระบบการซื้อขายเราไม่มีความคิดว่าการตัดสินใจทางการค้าที่ถูกต้องคือแม้ว่าเราจะทราบอัตราแลกเปลี่ยนแล้วก็ตาม แต่ในความเป็นจริงเรามีกลยุทธ์การซื้อขายแบบเทรดหลายอย่างที่เราสามารถใช้ได้ตลอดเวลาและ เราควรจะหาข้อมูลที่ดีที่สุดได้อย่างไรเราควรให้อาหารเท่าที่ต้องการจากกระดาษคำนวณของเราหรือไม่ถ้าคุณทำตามบทความก่อนหน้านี้คุณรู้ว่าเราโกงเพื่อรับมือกับปัญหานี้ เราได้สอนเครือข่ายประสาทเทียมเพื่อทำาการทำนายอัตราแลกเปลี่ยน (หรือตัวบ่งชี้อัตราแลกเปลี่ยน) และใช้การคาดการณ์นี้เพื่อทำาการซื้อขาย จากนั้นนอกเครือข่าย Neural Network ของโปรแกรมเราได้ตัดสินใจว่า Neural Network เป็นระบบที่ดีที่สุด อัลกอริทึมทางพันธุกรรมสามารถจัดการกับปัญหานี้ได้โดยตรงพวกเขาสามารถแก้ปัญหาตามที่ระบุไว้ได้โดยหาสัญญาณการซื้อขายที่ดีที่สุด ในบทความนี้เราจะใช้ Cortex Neural Networks Software เพื่อสร้างโปรแกรมดังกล่าว การใช้อัลกอริทึมทางพันธุกรรมขั้นตอนวิธีทางพันธุกรรมได้รับการพัฒนาเป็นอย่างดีและมีความหลากหลายมาก ถ้าคุณต้องการเรียนรู้เกี่ยวกับเรื่องนี้ขอแนะนำให้คุณใช้วิกิพีเดียเนื่องจากบทความนี้เป็นเพียงสิ่งที่ Cortex Neural Networks Software สามารถทำได้ มีซอฟต์แวร์ Cortex Neural Networks เราสามารถสร้างเครือข่ายประสาทเทียมที่ใช้ข้อมูลบางอย่างเช่นค่าของตัวบ่งชี้และสร้างผลลัพธ์บางอย่างเช่นสัญญาณการซื้อขาย (ซื้อซื้อขาย) ค้างไว้และหยุดการสูญเสียระดับผลกำไรสำหรับตำแหน่งที่จะเปิด แน่นอนว่าถ้าเราให้น้ำหนักของเครือข่ายนี้เป็นแบบสุ่มผลการซื้อขายจะแย่มาก อย่างไรก็ตามสมมติว่าเราได้สร้างโหลดังกล่าวขึ้น จากนั้นเราสามารถทดสอบประสิทธิภาพของแต่ละคนได้และเลือกสิ่งที่ดีที่สุดผู้ชนะ นี่เป็นรุ่นแรกของ NNS หากต้องการดำเนินการต่อในยุคที่สองเราต้องอนุญาตให้ผู้ชนะของเราสร้าง แต่เพื่อหลีกเลี่ยงการทำสำเนาเดียวกันให้เพิ่มเสียงสุ่มบางอย่างลงในน้ำหนักที่ลดลง ในรุ่นที่สองเรามีผู้ชนะรุ่นแรกและสำเนาไม่สมบูรณ์ (mutated) ของเรา ให้ทำการทดสอบอีกครั้ง เราจะมีผู้ชนะคนอื่นซึ่งดีกว่าเครือข่ายประสาทเทียมอื่น ๆ ในรุ่นนี้ และอื่น ๆ เราเพียงแค่อนุญาตให้ผู้ชนะพันธุ์และกำจัดผู้แพ้เช่นเดียวกับวิวัฒนาการในชีวิตจริงและเราจะได้รับ Neural Network ที่ดีที่สุดของเรา ไม่มีความรู้ใด ๆ เกี่ยวกับระบบการค้า (ขั้นตอนวิธีทางพันธุกรรม) ควรเป็นเช่น อัลกอริทึมทางพันธุกรรมของเครือข่ายประสาทเทียม: ตัวอย่าง 0 นี่เป็นตัวอย่างขั้นตอนวิธีทางพันธุกรรมตัวแรก และง่ายมาก เราจะเดินผ่านมันทีละขั้นตอนเพื่อเรียนรู้เทคนิคทั้งหมดที่ตัวอย่างต่อไปนี้จะใช้ โค้ดมีความคิดเห็นแบบอินไลน์ดังนั้นให้เน้นเฉพาะช่วงเวลาสำคัญ ขั้นแรกเราได้สร้างเครือข่ายประสาทขึ้น ใช้น้ำหนักแบบสุ่มและยังไม่ได้สอน จากนั้นในวัฏจักรที่เราทำ 14 สำเนาของมันโดยใช้การรั่วไหล MUTATIONNN ฟังก์ชั่นนี้จะทำสำเนาของเครือข่าย Neural Network เพิ่มค่าสุ่มจาก 0 เป็น (ในกรณีของเรา) 0.1 สำหรับน้ำหนักทั้งหมด เราจัดการกับ NNN 15 อันที่เกิดขึ้นในอาร์เรย์เราสามารถทำมันได้เนื่องจากหมายเลขอ้างอิงเป็นจำนวนเต็มเท่านั้น เหตุผลที่เราใช้ 15 NNs ไม่มีส่วนเกี่ยวข้องกับการซื้อขาย: ซอร์ฟแวร์ Cortex Neural Networks สามารถทำกราฟได้ถึง 15 บรรทัดพร้อมกัน เราสามารถใช้วิธีการต่างๆในการทดสอบ อันดับแรกเราสามารถใช้ชุดการเรียนรู้ทั้งหมดได้ในครั้งเดียว ประการที่สองเราสามารถทดสอบในคำพูด 12000 resords (จาก 100000) และเดินผ่านชุดการเรียนรู้ตั้งแต่ต้นจนจบ ซึ่งจะทำให้ learnigs แตกต่างกันไปเนื่องจากเราจะค้นหาเครือข่าย Neural Network ที่ทำกำไรได้จากข้อมูลที่ได้รับไม่เฉพาะในชุดข้อมูลทั้งหมด วิธีที่สองสามารถทำให้เราเกิดปัญหาได้หากข้อมูลมีการเปลี่ยนแปลงตั้งแต่ต้นจนจบ เครือข่ายจะมีวิวัฒนาการได้รับความสามารถในการซื้อขายเมื่อสิ้นสุดชุดข้อมูลและสูญเสียความสามารถในการซื้อขายตั้งแต่เริ่มต้น ในการแก้ปัญหานี้เราจะสุ่มเก็บบันทึก 12000 ชิ้นจากข้อมูลและป้อนข้อมูลไปยังเครือข่ายประสาทเทียม เป็นเพียงวงจรที่ไม่มีที่สิ้นสุดเนื่องจากรอบ 100000 จะไม่เกิดขึ้นที่ความเร็วของเรา ด้านล่างเราเพิ่มเด็ก 1 คนสำหรับแต่ละเครือข่ายโดยมีน้ำหนักแตกต่างกันเล็กน้อย ทราบว่า 0.1 สำหรับการกลายพันธุ์ tange ไม่ได้เป็นทางเลือกเดียวที่เป็นเรื่องของความเป็นจริงแม้พารามิเตอร์นี้สามารถเพิ่มประสิทธิภาพโดยใช้ขั้นตอนวิธีทางพันธุกรรม NNs ที่สร้างขึ้นใหม่จะถูกเพิ่มหลังจากที่มีอยู่ 15 วิธีนี้เรามี 30 NNs ในอาร์เรย์ 15 เก่าและ 15 ใหม่ จากนั้นเราจะทำรอบทดสอบต่อไปและจะฆ่าผู้แพ้จากทั้งสองรุ่น เมื่อต้องการทำแบบทดสอบเราจะใช้เครือข่ายประสาทเทียมกับข้อมูลของเราเพื่อสร้างผลลัพธ์และเรียกฟังก์ชันทดสอบซึ่งใช้ข้อมูลเหล่านี้เพื่อจำลองการซื้อขาย ผลของการซื้อขายถูกนำมาใช้เพื่อกำหนดซึ่ง NNs จะดีที่สุด เราใช้ช่วงเวลาของระเบียน nLearn จาก nStart ไปที่ nStart nLearn โดยที่ nStart เป็นจุดสุ่มภายในชุดการเรียนรู้ โค้ดด้านล่างเป็นเคล็ดลับ เหตุผลที่เราใช้ก็เพื่อแสดงให้เห็นถึงความจริงที่ว่าขั้นตอนวิธีทางพันธุกรรมสามารถสร้างขั้นตอนวิธีทางพันธุกรรม แต่ก็ไม่จำเป็นต้องเป็นคำแนะนำที่ดีที่สุดและยังแนะนำว่าเราสามารถปรับปรุงผลการดำเนินงานได้ถ้าเราอนุมานถึงข้อ จำกัด บางอย่างในกระบวนการเรียนรู้ เป็นไปได้ว่าระบบการซื้อขายของเราทำงานได้ดีในธุรกิจการค้าที่ยาวนานและไม่ค่อยดีในระยะสั้นหรือในทางกลับกัน ถ้าพูดยาวธุรกิจการค้าที่ดีมากนี้ขั้นตอนวิธีทางพันธุกรรมอาจจะชนะแม้จะมีการสูญเสียขนาดใหญ่ในธุรกิจการค้าระยะสั้น เพื่อหลีกเลี่ยงปัญหานี้เราจะกำหนดน้ำหนักให้กับธุรกิจการค้าระยะยาวในธุรกิจคี่และธุรกิจในระยะเวลาสั้น ๆ นี่เป็นเพียงตัวอย่างไม่มีการรับประกันใด ๆ ว่าจะปรับปรุงบางอย่าง เพิ่มเติมเกี่ยวกับด้านล่างในการอภิปรายเกี่ยวกับการแก้ไข เทคนิคคุณ dont ต้องทำหรือสามารถทำให้แตกต่างกัน เพิ่มกำไรลงในแถวที่เรียง มันจะส่งกลับตำแหน่งแทรกแล้วเราจะใช้ตำแหน่งนี้เพื่อเพิ่มเครือข่ายประสาทการจัดการการเรียนรู้และการทดสอบผลกำไรให้อาร์เรย์ที่ไม่เรียงลำดับ ตอนนี้เรามีข้อมูลสำหรับเครือข่ายประสาทเทียมในปัจจุบันที่ดัชนีอาร์เรย์เช่นเดียวกับผลกำไรของมัน ความคิดคือการมาถึงอาร์เรย์ของ NNs เรียงตามความสามารถในการทำกำไร เป็นแถวเรียงตามกำไรเพื่อลบ 12 เครือข่ายที่มีกำไรน้อยกว่าเราก็ต้องลบ NNs 0 ถึง 14 การตัดสินใจซื้อขายขึ้นอยู่กับมูลค่าของสัญญาณเครือข่ายประสาทจากมุมมองนี้โปรแกรมจะเหมือนกับตัวอย่างจาก บทความก่อนหน้า กลยุทธ์การซื้อขาย FOREX: การอภิปรายตัวอย่างที่ 0 ก่อนอื่นให้ลองดูที่แผนภูมิ แผนภูมิแรกสำหรับกำไรระหว่างการทำซ้ำครั้งแรกไม่ดีเท่าที่ควร แต่เครือข่ายประสาทจะสูญเสียเงิน (ภาพ evolution00gen0.png ถูกคัดลอกหลังจากทำซ้ำครั้งแรกจากโฟลเดอร์ภาพ): ภาพสำหรับกำไรในรอบ 15 ดีกว่าบางครั้ง อัลกอริทึมทางพันธุกรรมสามารถเรียนรู้ได้อย่างรวดเร็ว: อย่างไรก็ตามสังเกตความอิ่มตัวบนเส้นโค้งกำไร เป็นที่น่าสนใจนอกจากนี้ยังมองไปที่วิธีการที่ผลกำไรของแต่ละคนมีการเปลี่ยนแปลงการเก็บไว้ในใจจำนวนโค้งที่พูด 3 ไม่ได้เสมอสำหรับเครือข่ายประสาทเทียมเดียวกัน ขณะที่พวกเขากำลังเกิดและถูกยกเลิกตลอดเวลา: นอกจากนี้โปรดสังเกตว่าระบบการซื้อขายแบบอัตโนมัติของ forex แบบเล็ก ๆ มีประสิทธิภาพต่ำในการค้าระยะสั้นและดีกว่าใน longs ซึ่งอาจหรือไม่เกี่ยวข้องกับข้อเท็จจริงที่ว่าเงินดอลลาร์ลดลงเมื่อเทียบกับ ยูโรในช่วงเวลาดังกล่าว นอกจากนี้ยังอาจมีบางสิ่งที่เกี่ยวข้องกับพารามิเตอร์ของตัวบ่งชี้ของเรา (บางทีเราต้องมีระยะเวลาที่แตกต่างกันสำหรับกางเกงขาสั้น) หรือตัวชี้วัดที่เลือก นี่คือประวัติหลังจากรอบ 92 และ 248: แปลกใจของเราขั้นตอนวิธีทางพันธุกรรมล้มเหลวอย่างสมบูรณ์ ช่วยให้เราลองหาสาเหตุและวิธีช่วยสถานการณ์ ประการแรกไม่ใช่แต่ละรุ่นควรจะดีกว่า previuos หนึ่งคำตอบคือไม่อย่างน้อยไม่อยู่ในรูปแบบที่เราใช้ ถ้าเราเอาชุดการเรียนรู้ทั้งหมดมาพร้อมกันและใช้ซ้ำเพื่อสอน NNs ของเราแล้วก็จะดีขึ้นในแต่ละรุ่น แต่เราได้สุ่มตัวอย่างเอาไว้ (12000 ระเบียนในเวลา) และใช้ข้อมูลเหล่านี้ คำถามสองข้อ: เหตุใดระบบจึงล้มเหลวในการสุ่มตัวอย่างชุดการเรียนรู้และทำไมเราถึงใช้ชุดการเรียนรู้ทั้งชุด? เพื่อตอบคำถามที่สองฉันไม่ NNs ทำอย่างมาก - เกี่ยวกับชุดการเรียนรู้ และพวกเขาล้มเหลวในการตั้งค่าการทดสอบด้วยเหตุผลเดียวกันกับความล้มเหลวเมื่อเราใช้การเรียนรู้ของ FFPB เพื่อให้แตกต่างกัน NNs ของเราได้รับการดูแลที่เกินจริงพวกเขาได้เรียนรู้วิธีที่จะอยู่รอดในสภาพแวดล้อมที่พวกเขาเคยชิน แต่ไม่ใช่อยู่ข้างนอก สิ่งนี้เกิดขึ้นในธรรมชาติ วิธีการที่เราเอามาแทนมีจุดมุ่งหมายเพื่อชดเชยให้โดยบังคับให้ NN ดำเนินการได้ดีในส่วนที่สุ่มใด ๆ ของชุดข้อมูลดังนั้นหวังว่าพวกเขาก็สามารถดำเนินการกับชุดทดสอบที่ไม่คุ้นเคย แต่ล้มเหลวทั้งในการทดสอบและในชุดการเรียนรู้ ลองจินตนาการถึงสัตว์ที่อาศัยอยู่ในทะเลทราย ดวงอาทิตย์มากไม่มีหิมะเลย นี่เป็น metafor สำหรับการขยายตลาดเนื่องจากข้อมูล NN ของเรามีบทบาทต่อสิ่งแวดล้อม สัตว์ได้เรียนรู้ที่จะอยู่ในทะเลทราย ลองจินตนาการถึงสัตว์ที่อาศัยอยู่ในสภาพอากาศหนาวเย็น หิมะและไม่มีแดดเลย ดีพวกเขาปรับ อย่างไรก็ตามในการทดสอบของเราเราสุ่มวาง NN ของเราในทะเลทรายในหิมะในน้ำบนต้นไม้ โดยการนำเสนอข้อมูลที่แตกต่างกัน (สุ่มเพิ่มขึ้น, ลดลง, แบน) สัตว์ตาย หรือแตกต่างไปจากนี้เราเลือกเครือข่ายประสาทเทียมที่ดีที่สุดสำหรับชุดข้อมูลแบบสุ่ม 1 ซึ่งกล่าวว่าเป็นตลาดที่เพิ่มขึ้น จากนั้นเราก็นำเสนอข้อมูลผู้โชคดีและลูกหลานของพวกเขา NN ดำเนินการได้ไม่ดีนักเราเอานักแสดงที่เก่งที่สุดคนหนึ่งซึ่งอาจเป็นเด็กคนหนึ่งซึ่งกลายพันธุ์ซึ่งสูญเสียความสามารถในการค้าขายในตลาดที่สูงขึ้น แต่ก็มีความสามารถในการรับมือกับการล้มลงได้ จากนั้นเรากลับมาที่โต๊ะอีกครั้งและเราก็ได้นักแสดงที่ดีที่สุด - แต่ที่ดีที่สุดในหมู่นักแสดงที่ไม่ดี เราไม่ได้ให้โอกาสที่จะกลายเป็นสากลของเราได้ มีเทคนิคที่ช่วยให้อัลกอริธึมทางพันธุกรรมสามารถเรียนรู้ข้อมูลใหม่ ๆ ได้โดยไม่สูญเสียสมรรถนะของข้อมูลเก่า (เพราะสัตว์ทุกตัวสามารถอยู่ในช่วงหน้าร้อนและฤดูหนาวได้ดังนั้นวิวัฒนาการจึงสามารถจัดการกับการเปลี่ยนแปลงซ้ำได้) เราอาจพูดถึงเทคนิคเหล่านี้ในภายหลังแม้ว่าบทความนี้จะเกี่ยวกับการใช้ Cortex Neural Networks Software มากกว่าเกี่ยวกับการสร้างระบบการซื้อขายอัตโนมัติแบบอัตโนมัติที่ประสบความสำเร็จ อัลกอริทึมทางพันธุกรรมของเครือข่ายประสาทเทียม: ตัวอย่างที่ 1 ตอนนี้ถึงเวลาแล้วที่จะพูดถึงการแก้ไข อัลกอริทึมทางพันธุกรรมที่เราสร้างขึ้นในขั้นตอนก่อนหน้านี้มีสองข้อบกพร่องที่สำคัญ อันดับแรกมันล้มเหลวในการค้ากับกำไร ไม่เป็นไรเราสามารถลองใช้ระบบที่ได้รับการฝึกฝนมาบ้างแล้ว (เป็นเรื่องที่ทำกำไรได้ตั้งแต่เริ่มต้น) ข้อบกพร่องที่สองเป็นเรื่องที่รุนแรงมากขึ้น: เราไม่มีทางควบคุมสิ่งต่างๆที่ระบบนี้ทำ ตัวอย่างเช่นอาจเรียนรู้ที่จะทำกำไรได้ แต่ต้องเสียเงินมาก เป็นความจริงที่รู้จักกันดีว่าในชีวิตจริงวิวัฒนาการสามารถเพิ่มพารามิเตอร์ได้มากกว่าหนึ่งพารามิเตอร์พร้อมกัน ตัวอย่างเช่นเราสามารถหาสัตว์ที่สามารถวิ่งได้เร็วและทนทานต่อความหนาวเย็น ทำไมไม่ลองทำเช่นเดียวกันในระบบการซื้อขายอัตโนมัติของเรา forex นั่นคือเมื่อเราใช้การแก้ไขซึ่งเป็นอะไร แต่ชุดของการลงโทษเพิ่มเติม สมมติว่าระบบของเราทำงานกับการเบิก 0.5 ในขณะที่เราต้องการยืนยันให้เป็น 0 ถึง 0.3 ช่วงเวลา เพื่อบอกระบบที่ทำผิดพลาดเราจะลดกำไร (หนึ่งที่ใช้ในการกำหนดอัลกอริทึมทางพันธุกรรมที่ได้รับรางวัล) ในระดับที่เป็นสัดส่วนกับขนาดของ DD จากนั้นขั้นตอนการวิวัฒนาการจะดูแลส่วนที่เหลือ มีปัจจัยอื่น ๆ อีกเล็กน้อยที่เราต้องการพิจารณา: เราอาจต้องการมีการดำเนินการซื้อและขายที่เท่ากันหรือน้อยกว่านี้เราต้องการมีผลการดำเนินงานที่ทำกำไรได้มากขึ้นและจากความล้มเหลวเราอาจต้องการทำแผนภูมิกำไร เป็นเส้นตรงและอื่น ๆ ใน evolution01.tsc เราใช้ชุดการแก้ไขที่เรียบง่าย ก่อนอื่นเราใช้ตัวเลขจำนวนมากสำหรับค่าการแก้ไขเริ่มต้น เราคูณค่าให้เล็กลง (ปกติระหว่าง 0 ถึง 1) ขึ้นอยู่กับการลงโทษที่เราต้องการใช้ จากนั้นเราจะเพิ่มผลกำไรให้กับการแก้ไขนี้ ดังนั้นผลกำไรจึงได้รับการแก้ไขเพื่อให้สอดคล้องกับเกณฑ์อื่น ๆ ของเรา จากนั้นเราจะใช้ผลการค้นหาผู้ชนะเครือข่ายประสาทเทียม กลยุทธ์การซื้อขาย FOREX: การอภิปรายตัวอย่าง 1 ตัวอย่างที่ 1 ทำงานได้ดีกว่าตัวอย่างที่ 0 ในช่วง 100 รอบแรกได้เรียนรู้มากและแผนภูมิกำไรดูมั่นใจ อย่างไรก็ตามเช่นเดียวกับในตัวอย่างที่ 0 ธุรกิจการค้าระยะยาวทำกำไรได้มากขึ้นซึ่งอาจหมายความว่ามีปัญหาในแนวทางของเรา อย่างไรก็ตามระบบพบความสมดุลระหว่างสองเงื่อนไขที่ขัดแย้งกัน: มีพลวัตในเชิงบวกบางอย่างทั้งในชุดการเรียนรู้และที่สำคัญกว่าในชุดทดสอบ สำหรับการเรียนรู้เพิ่มเติมในวัฏจักรที่ 278 เราจะเห็นได้ว่าระบบของเราได้รับการฝึกฝนมาเป็นอย่างดี ก็หมายความว่าเรายังคงมีความคืบหน้าในการเรียนรู้ชุด: แต่ชุดทดสอบแสดงจุดอ่อน: นี่เป็นปัญหาที่พบบ่อยเกี่ยวกับ NNS: เมื่อเราสอนในชุดการเรียนรู้จะเรียนรู้ที่จะจัดการกับมันและบางครั้งก็เรียนรู้ได้ดี - เพื่อ ปริญญาเมื่อสูญเสียประสิทธิภาพในชุดทดสอบ เพื่อแก้ปัญหาดังกล่าวเราใช้โซลูชันแบบดั้งเดิม: เรายังคงมองหาเครือข่ายประสาทเทียม ที่ทำงานได้ดีที่สุดในชุดทดสอบและบันทึกไว้เขียนทับดีที่สุดก่อนหน้านี้ทุกครั้งที่ถึงจุดสูงสุดใหม่ นี่เป็นวิธีเดียวกับที่เราใช้ในการฝึกอบรม FFBP ยกเว้นเวลาที่เราต้องทำเอง (เพิ่มโค้ดที่ค้นหาเครือข่ายประสาทเทียมที่ดีที่สุดในชุดทดสอบและเรียก SAVENN หรือส่งออกน้ำหนักของเครือข่ายประสาทไปยัง ไฟล์). ด้วยวิธีนี้เมื่อคุณหยุดการฝึกอบรมคุณจะมีนักแสดงที่ดีที่สุดใน TESTING SET ที่บันทึกไว้และรอคุณอยู่ โปรดทราบด้วยว่าไม่ใช่แม็กซ์ กำไรที่คุณได้รับหลัง แต่ประสิทธิภาพที่ดีที่สุดดังนั้นให้ลองใช้การแก้ไขเมื่อมองหานักแสดงที่ดีที่สุดในชุดทดสอบ ขั้นตอนวิธีทางพันธุกรรมสำหรับการวิเคราะห์ทางเทคนิคของ FOREX: ตอนนี้หลังจากที่คุณได้รับรางวัล Neural Network แล้ว คุณสามารถทำตามขั้นตอนที่อธิบายไว้ในบทความก่อนหน้าเพื่อส่งออกน้ำหนักของเครือข่ายประสาทเทียมนั้น แล้วนำไปใช้ในแพลตฟอร์มการซื้อขายแบบเรียลไทม์เช่น Meta Trader, Trade Station เป็นต้น หรือคุณสามารถมุ่งเน้นไปที่วิธีอื่น ๆ ในการเพิ่มประสิทธิภาพเครือข่ายประสาทเทียม ไม่เหมือนอัลกอริทึม FFBP ที่นี่คุณจะได้รับ avay จากการใช้ชุดการเรียนรู้และการทดสอบและย้ายการเรียนรู้ตามลำดับ ดาวน์โหลด Cortex Order Cortex ดูราคาการมองเห็นรายการเป็นสิ่งที่สำคัญมากสำหรับเว็บไซต์นี้ ถ้าคุณชอบก็โปรดเชื่อมโยงไปยัง URL นี้การใช้อัลกอริทึมทางพันธุกรรมเพื่อพยากรณ์การตลาดทางการเงินเบอร์ตันแนะนำในหนังสือของเขา A Random Walk Down Wall Street, (1973) ว่าเป็นลิงปิดตาปาเป้าปาเป้าที่หน้าหนังสือพิมพ์ทางการเงินสามารถเลือกผลงานที่จะทำ เช่นเดียวกับที่ผู้เชี่ยวชาญคัดสรรมาอย่างดี ในขณะที่วิวัฒนาการอาจทำให้มนุษย์ไม่ฉลาดมากขึ้นในการหยิบหุ้นทฤษฎี Charles Darwins มีผลค่อนข้างมากเมื่อใช้โดยตรงมากขึ้น อัลกอริธึมทางพันธุกรรม (GAs) เป็นวิธีการแก้ปัญหา (หรือ heuristics) ที่เลียนแบบกระบวนการวิวัฒนาการตามธรรมชาติ ซึ่งแตกต่างจากเครือข่ายประสาทเทียม (ANN) ที่ออกแบบมาเพื่อทำหน้าที่เหมือนเซลล์ประสาทในสมองอัลกอริทึมเหล่านี้ใช้แนวความคิดในการคัดเลือกโดยธรรมชาติเพื่อหาแนวทางแก้ไขปัญหาที่ดีที่สุด ดังนั้นจึงมักใช้ GAs เป็นเครื่องมือเพิ่มประสิทธิภาพเพื่อปรับพารามิเตอร์เพื่อลดหรือเพิ่มการวัดความคิดเห็นบางส่วนซึ่งจะสามารถใช้งานได้อย่างอิสระหรือในการสร้าง ANN ในตลาดการเงิน ขั้นตอนวิธีทางพันธุกรรมมักใช้เพื่อหาค่าผสมของพารามิเตอร์ที่ดีที่สุดในกฎการซื้อขายและสามารถสร้างเป็นโมเดล ANN ออกแบบมาเพื่อรับหุ้นและระบุธุรกิจการค้า งานวิจัยหลายชิ้นแสดงให้เห็นว่าวิธีการเหล่านี้สามารถพิสูจน์ได้ว่ามีประสิทธิภาพรวมทั้งอัลกอริทึมทางพันธุกรรม (Genetic Algorithms: Genesis of Stock Evaluation (2004) โดยพระรามและการประยุกต์ใช้อัลกอริธึมทางพันธุกรรมในการเพิ่มประสิทธิภาพการทำเหมืองข้อมูลในตลาดหลักทรัพย์ (2004) โดยหลินจือวังจาง (เรียนรู้เพิ่มเติมเกี่ยวกับ ANN ดูที่เครือข่ายประสาทเทียม: การคาดการณ์ผลกำไร) วิธีการทำงานของขั้นตอนวิธีทางพันธุกรรมขั้นตอนวิธีทางพันธุกรรมถูกสร้างโดยใช้เวกเตอร์ทางคณิตศาสตร์ซึ่งเป็นปริมาณที่มีทิศทางและขนาด พารามิเตอร์สำหรับกฎการซื้อขายแต่ละตัวจะแสดงด้วยเวกเตอร์แบบหนึ่งมิติที่สามารถคิดได้ว่าเป็นโครโมโซมในแง่ทางพันธุกรรม ในขณะเดียวกันค่าที่ใช้ในแต่ละพารามิเตอร์อาจถูกคิดว่าเป็นยีนซึ่งจะถูกปรับเปลี่ยนโดยใช้การคัดเลือกโดยธรรมชาติ ตัวอย่างเช่นกฎการซื้อขายอาจเกี่ยวข้องกับการใช้พารามิเตอร์เช่น Moving Average Convergence-Divergence (MACD) ค่าเฉลี่ยเคลื่อนที่ที่เป็นไปได้ (Exponential Moving Average - EMA) และ Stochastics ขั้นตอนวิธีทางพันธุกรรมจะป้อนค่าลงในพารามิเตอร์เหล่านี้โดยมีเป้าหมายเพื่อเพิ่มผลกำไรสูงสุด เมื่อเวลาผ่านไปจะมีการนำเสนอการเปลี่ยนแปลงเล็ก ๆ น้อย ๆ และผู้ที่สร้างผลกระทบที่พึงปรารถนาจะถูกเก็บรักษาไว้สำหรับคนรุ่นต่อไป มีสามประเภทของการดำเนินงานทางพันธุกรรมที่สามารถทำได้: Crossovers แสดงการทำสำเนาและการไขว้ทางชีวภาพที่เห็นในชีววิทยาโดยเด็กจะมีลักษณะบางอย่างของผู้ปกครอง การกลายพันธุ์เป็นตัวแทนของการกลายพันธุ์ทางชีวภาพและใช้เพื่อรักษาความหลากหลายทางพันธุกรรมจากประชากรหนึ่งรุ่นต่อไปโดยการแนะนำการเปลี่ยนแปลงเล็ก ๆ น้อย ๆ แบบสุ่ม การคัดเลือกเป็นขั้นตอนที่จีโนมแต่ละตัวได้รับการคัดเลือกจากประชากรสำหรับการเพาะพันธุ์ในภายหลัง (recombination หรือ crossover) สามตัวดำเนินการนี้จะใช้ในกระบวนการห้าขั้นตอน: เริ่มต้นประชากรแบบสุ่มโดยที่แต่ละโครโมโซมเป็น n-length โดย n เป็นจำนวนพารามิเตอร์ นั่นคือจำนวนพารามิเตอร์ที่สุ่มตั้งขึ้นโดยมีองค์ประกอบ n แต่ละรายการ เลือกโครโมโซมหรือพารามิเตอร์ที่เพิ่มผลที่พึงประสงค์ (สันนิษฐานว่ากำไรสุทธิ) ใช้ตัวดำเนินการผ่าเผยหรือครอสโอเวอร์กับพ่อแม่ที่เลือกและสร้างลูกหลาน รวมเอาลูกหลานและประชากรปัจจุบันเพื่อสร้างประชากรใหม่ด้วยตัวดำเนินการคัดเลือก ทำซ้ำขั้นตอนที่สองถึงสี่ เมื่อเวลาผ่านไปกระบวนการนี้จะส่งผลให้โครโมโซมที่ดีขึ้น (หรือพารามิเตอร์) เพื่อใช้ในกฎการซื้อขาย กระบวนการนี้จะสิ้นสุดลงเมื่อมีการพบเกณฑ์การหยุดซึ่งอาจรวมถึงเวลาทำงานการออกกำลังกายจำนวนรุ่นหรือเกณฑ์อื่น ๆ (สำหรับข้อมูลเพิ่มเติมเกี่ยวกับ MACD อ่าน Trading the MACD Divergence) การใช้อัลกอริธึมทางพันธุกรรมในการซื้อขายขณะที่ขั้นตอนวิธีเชิงพันธุกรรมถูกใช้โดยสถาบันการเงินในเชิงปริมาณ ผู้ค้ารายย่อยสามารถใช้พลังของอัลกอริทึมทางพันธุกรรมได้โดยไม่ใช้คณิตศาสตร์ขั้นสูงโดยใช้ซอฟต์แวร์หลายชุดในตลาด โซลูชันเหล่านี้มีตั้งแต่แพคเกจซอฟต์แวร์แบบสแตนด์อะโลนที่มุ่งสู่ตลาดการเงินไปยัง Microsoft Excel Add-ons ที่สามารถช่วยในการวิเคราะห์ได้มากยิ่งขึ้น เมื่อใช้แอพพลิเคชันเหล่านี้ผู้ค้าสามารถกำหนดชุดของพารามิเตอร์ที่เหมาะสมแล้วโดยใช้ขั้นตอนวิธีทางพันธุกรรมและชุดข้อมูลทางประวัติศาสตร์ แอ็พพลิเคชันบางตัวสามารถเพิ่มประสิทธิภาพพารามิเตอร์ที่ใช้และค่าสำหรับพวกเขาในขณะที่บางส่วนจะมุ่งเน้นไปที่การเพิ่มประสิทธิภาพค่าสำหรับชุดของพารามิเตอร์ที่กำหนด (เรียนรู้เพิ่มเติมเกี่ยวกับกลยุทธ์ที่ได้รับจากโครงการเหล่านี้ดูที่ Power of Trades Program) เคล็ดลับและเคล็ดลับการเพิ่มประสิทธิภาพที่สำคัญการออกแบบระบบการซื้อขายรอบข้อมูลในอดีตแทนที่จะเป็นการระบุพฤติกรรมที่ทำซ้ำได้ถือเป็นความเสี่ยงที่อาจเกิดขึ้นกับผู้ค้าที่ใช้ ขั้นตอนวิธีเชิงพันธุกรรม ระบบการซื้อขายที่ใช้ GA ควรได้รับการทดสอบไปข้างหน้าบนกระดาษก่อนใช้งานจริง การเลือกพารามิเตอร์เป็นส่วนสำคัญของกระบวนการและผู้ค้าควรหาค่าพารามิเตอร์ที่สัมพันธ์กับการเปลี่ยนแปลงในราคาของการรักษาความปลอดภัยที่กำหนด ตัวอย่างเช่นลองใช้ตัวชี้วัดที่แตกต่างกันและดูว่ามีความสัมพันธ์กับการเปลี่ยนแปลงตลาดที่สำคัญหรือไม่ ขั้นตอนวิธีทางพันธุกรรมเป็นวิธีที่ไม่ซ้ำกันในการแก้ปัญหาที่ซับซ้อนโดยการควบคุมพลังของธรรมชาติ เมื่อใช้วิธีการเหล่านี้ในการทำนายราคาหลักทรัพย์ผู้ค้าสามารถเพิ่มประสิทธิภาพกฎการซื้อขายโดยระบุค่าที่ดีที่สุดที่จะใช้สำหรับแต่ละพารามิเตอร์เพื่อความปลอดภัยที่กำหนด อย่างไรก็ตามอัลกอริทึมเหล่านี้ไม่ใช่ Holy Grail และผู้ค้าควรระมัดระวังในการเลือกพารามิเตอร์ที่ถูกต้องและไม่พอดีกับเส้นโค้ง (อ่านข้อมูลเพิ่มเติมเกี่ยวกับตลาดตรวจสอบฟังตลาดไม่เก่ง) เบต้าเป็นตัวชี้วัดความผันผวนหรือความเสี่ยงอย่างเป็นระบบของการรักษาความปลอดภัยหรือผลงานเมื่อเทียบกับตลาดโดยรวม ประเภทของภาษีที่เรียกเก็บจากเงินทุนที่เกิดจากบุคคลและ บริษัท กำไรจากการลงทุนเป็นผลกำไรที่นักลงทุนลงทุน คำสั่งซื้อความปลอดภัยที่ต่ำกว่าหรือต่ำกว่าราคาที่ระบุ คำสั่งซื้อวงเงินอนุญาตให้ผู้ค้าและนักลงทุนระบุ กฎสรรพากรภายใน (Internal Internal Revenue Service หรือ IRS) ที่อนุญาตให้มีการถอนเงินที่ปลอดจากบัญชี IRA กฎกำหนดให้ การขายหุ้นครั้งแรกโดย บริษัท เอกชนต่อสาธารณชน การเสนอขายหุ้นหรือไอพีโอมักจะออกโดย บริษัท ขนาดเล็กที่มีอายุน้อยกว่าที่แสวงหา อัตราส่วนหนี้สิน DebtEquity Ratio คืออัตราส่วนหนี้สินที่ใช้ในการวัดแรงจูงใจทางการเงินของ บริษัท หรืออัตราส่วนหนี้สินที่ใช้ในการวัดแต่ละบุคคลมีวรรณกรรมขนาดใหญ่เกี่ยวกับความสำเร็จของการใช้ขั้นตอนวิธีวิวัฒนาการโดยทั่วไปและขั้นตอนวิธีทางพันธุกรรมโดยเฉพาะอย่างยิ่ง ตลาดการเงิน. อย่างไรก็ตามฉันรู้สึกอึดอัดเมื่ออ่านวรรณกรรมนี้ ขั้นตอนวิธีทางพันธุกรรมสามารถพอดีกับข้อมูลที่มีอยู่ได้ ด้วยชุดค่าผสมจำนวนมากดังนั้นจึงเป็นเรื่องง่ายที่จะมีกฎบางอย่างที่ใช้ได้ อาจไม่มีประสิทธิภาพและไม่มีคำอธิบายที่สอดคล้องกันว่าเหตุใดกฎนี้จึงใช้ได้ผลและกฎเหล่านั้นไม่เกินอาร์กิวเมนต์เพียงแบบวงกลมที่ใช้งานได้เนื่องจากการทดสอบแสดงผล อะไรคือความเห็นร่วมกันในปัจจุบันเกี่ยวกับการประยุกต์ใช้ขั้นตอนวิธีทางพันธุกรรมในด้านการเงินถาม 18 ก. พ. 11 เวลา 9.00 น. Ive เคยทำงานที่กองทุนเฮดจ์ฟันด์ซึ่งอนุญาตให้ใช้กลยุทธ์ที่ได้รับจาก GA เพื่อความปลอดภัยจำเป็นต้องมีการส่งแบบฟอร์มทั้งหมดมานานก่อนการผลิตเพื่อให้แน่ใจว่าพวกเขายังคงทำงานอยู่ใน backtests ดังนั้นอาจมีความล่าช้าไม่เกินหลายเดือนก่อนที่แบบจำลองจะได้รับอนุญาตให้ทำงาน นอกจากนี้ยังมีประโยชน์ในการแยกตัวอย่างเอกภพใช้ครึ่งหนึ่งสุ่มของหุ้นที่เป็นไปได้สำหรับการวิเคราะห์ GA และอีกครึ่งหนึ่งสำหรับการยืนยัน backtests นี่เป็นกระบวนการที่แตกต่างจากที่คุณควรใช้ก่อนที่จะไว้วางใจกลยุทธ์การค้าอื่น ๆ (ถ้าใช่ฉันไม่เข้าใจว่าคุณได้รับอะไรจากการสร้างแบบจำลอง GA โดยใช้ข้อมูลเป็นเวลา t แล้วทดสอบจนกว่า tN ก่อนที่จะไว้ใจได้ เพื่อ tN เวลาทดสอบจาก tN to t และใช้มันทันที.) ndash Darren Cook พฤศจิกายน 23 11 at 2:08 DarrenCook หนึ่งปัญหาฉันเห็นคือว่าถ้าคุณทดสอบจาก tN ไป t และพบว่ามันไม่ทำงานดีแล้วคุณจะไป เพื่อสร้างรูปแบบอื่นที่ได้รับการทดสอบในช่วงเวลาเดียวกัน tN to t (ad infinitum) ที่แนะนำโอกาสในการใช้ quot-tag ในระหว่างกระบวนการสร้างโมเดล ndash จันทร์ - โฮซู 22 ก. ค. เวลา 15:50 น. ที่ 5:24 หากมีการตรวจสอบข้อมูลว่า GA ดำเนินการอย่างถูกต้องหรือไม่ควรเป็นห่วง ฟังก์ชั่นการกลายพันธุ์จะถูกรวมไว้ในการสุ่มค้นหาผ่านช่องว่างของปัญหาและหลีกเลี่ยงการสอดแนมข้อมูล ที่ถูกกล่าวว่าการหาระดับการกลายพันธุ์ที่ถูกต้องสามารถเป็นศิลปะและถ้าระดับการกลายพันธุ์ต่ำเกินไปแล้วก็ราวกับว่าฟังก์ชั่นไม่ได้ดำเนินการในสถานที่แรก ndash BioinformaticsGal Apr 6 11 at 16:28 BoinformaticsGal ฉันไม่เข้าใจว่าการรวมฟังก์ชันการกลายพันธุ์ทำให้เราสามารถหลีกเลี่ยงการสอดแนมข้อมูลได้อย่างไร หลังจากการค้นหามีฟังก์ชั่นการออกกำลังกายซึ่งทำให้แต่ละรุ่นมีข้อมูลมากยิ่งขึ้น หรือฉันไม่เข้าใจคุณอย่างถูกต้อง ndash Vishal Belsare Sep 15 11 at 18:05 Theres คนจำนวนมากที่นี่พูดคุยเกี่ยวกับวิธีการ GAs เป็นเชิงประจักษ์ dont มีรากฐานทางทฤษฎีเป็นกล่องสีดำและไม่ชอบ ฉันขอแตกต่างกัน Theres สาขาเศรษฐศาสตร์ทั้งเพื่อการมองตลาดในแง่ของคำอุปมาอุปมัยวิวัฒนาการ: เศรษฐศาสตร์วิวัฒนาการฉันขอแนะนำหนังสือ Dopfer, The Evolutionary พื้นฐานของเศรษฐศาสตร์เป็นบทนำ cambridge. orggbknowledgeisbnitem1158033sitelocaleenGB หากมุมมองทางปรัชญาของคุณคือว่าตลาดนั้นเป็นคาสิโนหรือเกมยักษ์แล้ว GA เป็นเพียงกล่องดำและไม่มีพื้นฐานทางทฤษฎีใด ๆ อย่างไรก็ตามหากปรัชญาของคุณคือว่าตลาดเป็นระบบนิเวศวิทยาที่รอดตายได้ดีที่สุดแล้ว GAs มีพื้นฐานทางทฤษฎีมากมายและเหมาะสมอย่างยิ่งที่จะพูดคุยเกี่ยวกับสิ่งต่างๆเช่น speciation ขององค์กรระบบนิเวศของตลาด genomes ผลงาน climates การค้าและ ชอบ. ตอบ Apr 5 11 at 15:42 ในช่วงเวลาสั้น ๆ มันเป็นอีกหนึ่งคาสิโน เหมือนธรรมชาติในความเป็นจริง ndash quantdev Apr 5 11 at 20:46 quantdev ปัญหาเกี่ยวกับเรื่องนี้ก็คือ GA - เช่นเดียวกับวิธีการเชิงปริมาณอื่น ๆ เพียง แต่ทำงานร่วมกับช่วงเวลาสั้น ๆ ถ้าฉันไม่เข้าใจผิด ดังนั้นหากตลาดหุ้นเป็นเหมือนตลาดหุ้นมากขึ้น GA จะไร้ประโยชน์อย่างสิ้นเชิง ndash Graviton 6 เม. ย. 55 เวลา 8:56 Graviton ไม่มีเหตุผลโดยธรรมชาติว่าเหตุใดจึงไม่สามารถกำหนดให้ GA ดำเนินการวิเคราะห์ในช่วงเวลาที่ยาวขึ้นได้ โดเมนเวลาของ GA วัดได้หลายชั่วอายุไม่กี่ปีหรือหลายวัน ดังนั้นหนึ่งก็จะต้องกำหนดประชากรที่มีบุคคลที่มีรุ่นเป็นปีหรือหลายทศวรรษยาว (เช่น บริษัท ) มีงานบางอย่างที่กำหนดวิธีการ 39 ขององค์กรโดยกระบวนการผลิตของพวกเขา ในรูปแบบดังกล่าวจะช่วยเพิ่มประสิทธิภาพให้กับรูปแบบธุรกิจขององค์กรที่มีประสิทธิภาพโดยให้สภาวะตลาดโดยเฉพาะ ไม่ใช่รูปแบบของราคาหุ้น แต่อย่างไรก็ตาม ndash BioinformaticsGal 6 เม. ย. 2012 เวลา 15:12 น. สมมติว่าคุณหลีกเลี่ยงข้อมูลที่มีข่าวลือและข้อผิดพลาดที่อาจเกิดขึ้นจากการใช้อดีตเพื่อทำนายอนาคตไว้วางใจขั้นตอนวิธีทางพันธุกรรมเพื่อหาทางออกที่ถูกต้องเดี๋ยวนี้เด็ดขาดกับการเดิมพันเดียวกันกับที่คุณทำเมื่อคุณ จัดการผลงานอย่างแข็งขันไม่ว่าจะเป็นเชิงปริมาณหรือตามที่เห็นสมควรก็ตาม หากคุณเชื่อมั่นในประสิทธิภาพของตลาดการเพิ่มต้นทุนการทำธุรกรรมของคุณจากการจัดการที่ใช้งานเป็นไปอย่างไม่สมเหตุผล อย่างไรก็ตามหากคุณเชื่อว่ามีรูปแบบหรือข้อบกพร่องทางด้านแอ็พพ้อยท์เชิงโครงสร้างที่จะใช้ประโยชน์และผลตอบแทนที่คุ้มค่ากับเวลาและเงินสำหรับการวิจัยและใช้กลยุทธ์การเลือกใช้ตรรกะคือการจัดการที่ใช้งาน การใช้กลยุทธ์ GA ที่ได้รับคือการเดิมพันโดยนัยต่อประสิทธิภาพของตลาด คุณเป็นพื้นว่าฉันคิดว่ามีการประเมินค่าผิดพลาดที่เกิดขึ้นจากเหตุผลบางอย่าง (ฝูงคนไม่ลงตัวกองทุนรวมเพราะแรงจูงใจที่ผิดพลาด ฯลฯ ) และการใช้ GA นี้สามารถจัดเรียงมวลข้อมูลนี้ออกไปได้เร็วกว่าที่ฉันสามารถทำได้ . ตอบ 18 ก. พ. 11 ที่ 15:49 ด้วยตนเองการจัดการพอร์ตโฟลิโอที่ใช้งานอยู่โดยใช้ข้อมูลทั้งหมดที่เรามีและได้ข้อสรุปเชิงตรรกะเกี่ยวกับตลาดและจากนั้นใช้กลยุทธ์นี้เป็นกิจกรรมที่มีเหตุผล OTOH โดยใช้ GA ใช้เครื่องมือกล่องสีดำเราสามารถอธิบายผลลัพธ์ที่ได้จากหลักการที่ยอมรับได้ ฉันไม่แน่ใจว่าทั้งสองคนนี้เป็นแบบเดียวกันจริงๆหรือ ndash Graviton February 18 11 at 15:57 Graviton มี แต่พิจารณาความคล้ายคลึงกันระหว่าง GA และวิธีการที่มนุษย์เราเรียนรู้เกี่ยวกับตลาดการพัฒนากลยุทธ์เรียนรู้จากความผิดพลาดและปรับให้เข้ากับสภาวะตลาดที่เปลี่ยนแปลงไป เมื่อคุณค้นคว้าข้อมูลว่าการชนะและการสูญเสียหุ้นมีอะไรเหมือนกันหรือรูปแบบปริมาณและราคาที่สร้างการค้าที่ดีหรือรูปแบบใดที่ถูกต้องที่สุดสำหรับการประเมินมูลค่าตราสารอนุพันธ์สิ่งที่คุณทำคือการทำเหมืองข้อมูลในอดีต เมื่อสภาวะตลาดเปลี่ยนไปคุณจะค้ากลยุทธ์ใหม่หรือในที่สุดก็เลิกทำธุรกิจ หากมีขอบที่สามารถใช้ประโยชน์ได้ในตลาดแล้วความแตกต่างระหว่างคุณกับ GA ก็คือ Josh Chance เมื่อ 18 ก. พ. 11 เวลา 16:46 น. Graviton (ในความหมายกว้าง ๆ ) คือคุณมีเรื่องเล่าเรื่องราวที่จะไปกับกลยุทธ์ของคุณ . มนุษย์เรามีความเสี่ยงในการหารูปแบบที่เกิดขึ้นซ้ำแล้วซ้ำอีกและหาเหตุผลเข้าข้างตนเองและสร้างการเล่าเรื่อง GA มีความเสี่ยงในสิ่งเดียวกัน แต่รูปแบบที่เป็นเท็จอาจใช้คำพูดไม่ได้พวกเขาใช้คณิตศาสตร์และเหตุผล ndash Joshua Chance 18 กพ. 11 ตอน 16:54 โทมัสปิดท้าย (น่าจะเป็นผู้นำทฤษฎีสารสนเทศแห่งยุคของเขา) ถือเป็นแนวทางสากลในการบีบอัดข้อมูลและการจัดสรรพอร์ตโฟลิโอเป็นขั้นตอนวิธีเชิงพันธุกรรมที่แท้จริง Evolution ไม่มีพารามิเตอร์ที่เหมาะสมหรือฝึกได้ อัลกอริทึมทางพันธุกรรมที่แท้จริงทำไมแนวทางสากลจึงไม่มีสมมติฐานเกี่ยวกับการกระจายข้อมูลพื้นฐาน พวกเขาไม่พยายามที่จะทำนายอนาคตจากรูปแบบหรือสิ่งอื่นใด ประสิทธิภาพเชิงทฤษฎีของแนวทางสากล (ปัจจุบันมีความท้าทายในการใช้งานที่สำคัญเราพบว่าคำถามล่าสุดของเราคือรูปเรขาคณิตสำหรับพอร์ตการลงทุนสากล) ตามมาจากสิ่งที่พวกเขาต้องการในสิ่งที่วิวัฒนาการต้องการ ที่เร็วที่สุดฉลาดหรือไม่จำเป็นต้องมีชีวิตรอดในรุ่นต่อ ๆ ไป Evolution ช่วยให้ยีน, สิ่งมีชีวิต, เมม, พอร์ตโฟลิโอหรืออัลกอริทึมการบีบอัดข้อมูลสามารถปรับให้เข้ากับสิ่งที่เกิดขึ้นต่อไปได้ นอกจากนี้เนื่องจากวิธีการเหล่านี้ทำให้ไม่มีสมมติฐานและใช้งานที่ไม่ใช่ parametrically คุณสามารถพิจารณาการทดสอบทั้งหมดแม้ในข้อมูลทางประวัติศาสตร์ทั้งหมดเป็น out-of-sample แน่นอนพวกเขามีข้อ จำกัด แน่นอนพวกเขาลาดเททำงานสำหรับทุกชนิดปัญหาที่เราเผชิญในโดเมนของเรา แต่ gee สิ่งที่น่าสนใจวิธีคิดเกี่ยวกับสิ่งที่ ตอบเป้าหมายของ algo พันธุกรรมคือการหาทางออกที่ดีที่สุดโดยไม่ต้องผ่านทุกสถานการณ์ที่เป็นไปได้เพราะมันจะยาวเกินไป ดังนั้นแน่นอนว่ามันเหมาะกับเส้นโค้งนั่นคือเป้าหมาย ตอบ 6 มี.ค. ที่เวลา 20:40 น. แต่มีความแตกต่างกันอย่างมากระหว่างการเลือกตัวอย่าง (แย่) และเหมาะสมกับประชากร (ดี) นั่นคือเหตุผลที่หลายคนแนะนำให้คุณตรวจสอบอัลกอริธึมด้วยอัลกอริธึมด้วยการทดสอบนอกกลุ่มตัวอย่าง ndash Joshua Jul 17 13:50 2:34 Your Answer 2017 Stack Exchange, Inc รูปแบบการทำนายความลำเอียงเพื่อคาดการณ์อัตราแลกเปลี่ยนโดยใช้เครื่องเวกเตอร์สนับสนุนและอัลกอริทึมเชิงพันธุกรรมอ้างถึงบทความนี้: zorhan, M. O. Toroslu,.H ehitolu, O. T. Soft Comput (2016) doi: 10.1007s00500-016-2216-9 เอกสารฉบับนี้กล่าวถึงปัญหาในการทำนายทิศทางและความสำคัญของการเคลื่อนไหวของคู่สกุลเงินในตลาดแลกเปลี่ยนเงินตราต่างประเทศ การศึกษาใช้เครื่องเวคเตอร์สนับสนุนด้วยแนวทางใหม่สำหรับข้อมูลการป้อนข้อมูลและกลยุทธ์การซื้อขาย ข้อมูลการป้อนข้อมูลประกอบด้วยตัวชี้วัดทางเทคนิคที่สร้างขึ้นจากข้อมูลราคาสกุลเงิน (เช่นราคาเปิดราคาสูงต่ำและราคาปิด) และการแสดงตัวบ่งชี้ทางเทคนิคเหล่านี้เป็นสัญญาณบ่งชี้แนวโน้ม ข้อมูลการป้อนข้อมูลจะถูกปรับแบบไดนามิกให้สอดคล้องกับแต่ละวันทำการด้วยอัลกอริทึมทางพันธุกรรม การศึกษาได้รวมเอากลยุทธ์การซื้อขายความลำเอียงที่แข็งค่าขึ้นของสกุลเงินซึ่งจะเป็นการเลือกคู่ค้าที่ดีที่สุดจากสกุลเงินที่มีอยู่และเป็นการปรับปรุงในช่วงก่อนหน้านี้ ความถูกต้องของแบบจำลองการทำนายจะได้รับการทดสอบผ่านชุดตัวบ่งชี้ทางเทคนิคและชุดคู่สกุลเงินหลายชุดซึ่งครอบคลุมข้อมูลย้อนหลัง 5 ปีตั้งแต่ปี 2010 ถึงปี 2015 ผลการทดลองแสดงให้เห็นว่าการใช้สัญญาณบ่งชี้ทางเทคนิค deterministic แนวโน้มบ่งชี้ว่าผสมกับข้อมูลดิบช่วยเพิ่มประสิทธิภาพโดยรวม การปรับข้อมูลแบบป้อนเข้าแบบไดนามิกไปยังแต่ละช่วงเวลาการค้าส่งผลให้เกิดผลกำไรเพิ่มขึ้น Results also show that using a strength-biased trading strategy among a set of currency pair increases the overall prediction accuracy and profits of the models. Forex Forecasting Support Vector Machines Genetic Algorithms Trend Deterministic Communicated by V. Loia. References Anasataskis L, Mort N (2009) Exchange rate forecasting using a combined parametric and nonparametric self-organising modelling approach. Expert Syst Appl 1:1200112011 CrossRef Google Scholar Bahrepour M, Akbarzadeh M, Yaghoobi M, Naghibi S (2011) An adaptive ordered fuzzy time series with application to FOREX. Expert Syst Appl 1:475485 CrossRef Google Scholar Box GEP, Jenkins GM (1976) Time series analysis: forecasting and control. Holden-Day, San Francisco MATH Google Scholar Brown DP, Robert HJ (1989) On technical analysis. Rev Financ Stud 2:527551 CrossRef Google Scholar Chen MY, Chen K, Chiang H, Huang H, Huang M (2007) Comparing extended classifier system and genetic programming for financial forecasting: an empirical study. Soft Comput 1:11731183 CrossRef MATH Google Scholar Cheung Y, Chinn MD, Pascual AG (2005) Empirical exchange rate models of the nineties: are they fit to survive J Int Money Finance 24:11501175 CrossRef Google Scholar Cortes C, Vapnik V (1995) Support-vector networks. Mach Learn 1:20 MATH Google Scholar Davis L (1991) Handbook of genetic algorithms. Van Nostrand Reinhold, New York Google Scholar Gupta AR, Ingle VR, Gaikwad MA (2012) LS-SVM parameter optimization using genetic algorithm to improve fault classification of power transformer. Int J Eng Res Appl 1:18061809 Google Scholar Ijegwa D, Rebecca O, Olusegun F, Isaac O (2014) A predictive stock market technical analysis using fuzzy logic. Comput Inf Sci 7(3):117 Jung HG, Yoon JP, Kim J (2007) Genetic algorithm based optimization of SVM based pedestrian classifier. ITC-CSCC 1:833834 Google Scholar Kampouridis M, Otero FEB (2015) Heuristic procedures for improving the predictability of a genetic programming financial forecasting algorithm. Soft Comput 1:116 Google Scholar Kamruzzaman J, Sarker R (2003) Forecasting of currency exchange rates using ANN: a case study. IEEE Int Conf Neural Netw Signal Process 1:793797 Google Scholar Khemchandani R, Jayadeva Chandra S (2009) Regularized least squares fuzzy support vector regression for financial time series forecasting. Expert Syst Appl 1:132138 CrossRef Google Scholar Korol T (2014) A fuzzy logic model for forecasting exchange rates. Knowl Based Syst 1:4960 CrossRef Google Scholar Leitch G, Tanner JE (1991) Economic forecast evaluation: profits versus the conventional error measures. Am Econ Rev 1:580590 Google Scholar Lu C, Lee T, Chiu C (2009) Financial time series forecasting using independent component analysis and support vector regression. Decis Support Syst 1:115125 CrossRef Google Scholar Meffert K (2014) JGAPJava Genetic Algorithms and Genetic Programming Package. jgap. sf Moosa I, Burns K (2014) The unbeatable random walk in exchange rate forecasting reality or myth J Macroecon 1:6981 CrossRef Google Scholar Nesreen A, Atiya A, Gayar N, Shishiny H (2010) An empirical comparison of machine learning models for time series forecasting. Econ Rev 1:594621 MathSciNet Google Scholar Pang S, Song L, Kasabov N (2011) Correlation-aided support vector regression for forex time series prediction. Neural Comput Appl 1:11931203 CrossRef Google Scholar Patel J, Shah S, Thakkar P, Kotecha K (2015) Predicting stock and stock price index movement using trend deterministic data preparation and machine learning techniques. Expert Syst Appl 1:259268 CrossRef Google Scholar Shahjalal M, Sultana A, Mitra KN, Khan K (2012) Implementation of fuzzy rule based technical indicator in share market. Int J Appl Econ Finance 6:5363 CrossRef Google Scholar Shen F, Chao J, Zhao J (2015) Forecasting exchange rate using deep belief networks and conjugate gradient method. Neurocomputing 1:243253 CrossRef Google Scholar Tick-by-Tick Real-Time and Historical Market Rates (2016) truefx. Accessed on 14 Jan 2016 Villa S, Stella F (2012) A continuous time bayesian network classifier for intraday FX Prediction. Quantitative Finance, pp 1-20 Wang S, Yu L, Lai K, Huang W (2007) Developing and assessing an intelligent forex rolling forecasting and trading decision support system for online e-service. Int J Intell Syst 1:475499 Google Scholar Yao J, Tan C (2000) A case study on using neural networks to perform technical forecasting of forex. Neurocomputing 1:7998 Zhang P (2003) Time series forecasting using a hybrid ARIMA and neural network model. Neurocomputing 1:159175 CrossRef MATH Google Scholar Zhiqiang G, Huaiqing W, Quan L (2013) Financial time series forecasting using LPP and SVM optimized by PSO. Soft Comput 1:805818 CrossRef Google Scholar Copyright information Springer-Verlag Berlin Heidelberg 2016 Authors and Affiliations Mustafa Onur zorhan 1 Email author smail Hakk Toroslu 1 Onur Tolga ehitolu 1 1. Computer Engineering Department Middle East Technical University Ankara Turkey About this article