Isso geralmente não é a forma como os algoritmos genéticos são representados, e eu pessoalmente não sinto que um algoritmo genético é a abordagem correta para isso, mas isso certamente é possível. Supondo que você apenas deseja interagir com este conjunto específico de variáveis, você tem um pequeno conjunto de valores de potencial: isso significa que você pode facilmente representá-los como uma lista plana: o crossover é então apenas misturando dois cromossomos em algum ponto de divisão específico: a mutação é então Também relativamente trivial, apenas alterando um número aleatoriamente, trocando o operador booleano, etc. Desta o que é um exercício para o leitor. Respondeu 7 de abril às 17:09 Isso assume um fluxo linear de instruções ao invés de uma árvore. Ndash Hugh Bothwell 7 de abril 14 às 17:11 HughBothwell Ele não. Isso é simplesmente lançar uma estrutura de árvore definida para uma lista com uma ordem definida de aplicação para aquela árvore para crossover. O layout do cromossoma aqui é independente da própria árvore, e OP não implicou que eles realmente realmente editassem a estrutura da árvore. Se o fizerem, mudarei essa resposta. Ndash Slater Tyranus 7 de abril 14 em 17: 14Python Algorithmic Trading Library PyAlgoTrade é uma Biblioteca de Negociação Algorítmica Python com foco em backtesting e suporte para troca de papel e negociação ao vivo. Digamos que você tenha uma idéia de uma estratégia comercial e que gostaria de avaliá-la com dados históricos e ver como ela se comporta. PyAlgoTrade permite que você faça isso com um esforço mínimo. Principais características Totalmente documentado. Evento conduzido. Suporta pedidos de Mercado, Limite, Parada e StopLimit. Suporta os arquivos do Yahoo Finance, Google Finance e NinjaTrader CSV. Suporta qualquer tipo de dados de séries temporais no formato CSV, por exemplo, Quandl. Suporte comercial Bitcoin através do Bitstamp. Indicadores técnicos e filtros como SMA, WMA, EMA, RSI, Bandas Bollinger, Expositores Hurst e outros. Métricas de desempenho como a taxa de Sharpe e análise de redução. Manipulação de eventos no Twitter em tempo real. Perfil de eventos. Integração TA-Lib. Muito fácil de dimensionar horizontalmente, ou seja, usando um ou mais computadores para testar uma estratégia. O PyAlgoTrade é gratuito, de código aberto, e está licenciado sob a Licença Apache, Versão 2.0. Algoritmo Genético de Renovação nos Sistemas de Negociação FOREX Usando o Algoritmo Genético para criar Estratégia de Negociação FOREX lucrativa. Algoritmo Genético no Sistema de Redes Neurais do Cortex Feedforward Backpropagation Neural Network Aplicação para computação baseada em cálculos baseados em Forex. Este exemplo usa conceitos e ideias do artigo anterior, então leia Algoritmo Genético de Rede Neural em Sistemas de Negociação FOREX primeiro, embora não seja obrigatório. Sobre este texto Antes de tudo, leia o aviso legal. Este é um exemplo de usar a funcionalidade do algoritmo de algoritmo de algoritmo de redes neurônicas do Cortex, não um exemplo de como fazer negócios rentáveis. Eu não sou seu guru, nem eu devo ser responsável por suas perdas. O software Cortex Neural Networks tem redes neurais nele, e a FFBP que discutimos antes é apenas uma maneira de escolher estratégias de negociação forex. É uma boa técnica, poderosa e quando aplicada corretamente, muito promissora. No entanto, tem um problema - para ensinar a Rede Neural. Precisamos saber o resultado desejado. É bastante fácil de fazer quando fazemos a aproximação de função, nós apenas tomamos o valor real de uma função, porque sabemos o que deveria ser. Quando fazemos a previsão da rede neural. Nós usamos a técnica (descrita em artigos anteriores) de ensinar a Rede Neural na história, novamente, se prevermos, digamos, uma taxa de câmbio, sabemos (durante a formação) qual é a previsão correta. No entanto, quando estamos construindo um sistema de comércio, não temos idéia do que é a decisão de negociação correta, mesmo que conheçamos a taxa de câmbio. Como fato, temos muitas estratégias de negociação forex que podemos usar em qualquer ponto do tempo e Nós precisamos encontrar um bom - como o que devemos alimentar como o resultado desejado da nossa Rede Neural Se você seguiu o nosso artigo anterior, você sabe, que nos enganamos para lidar com esse problema. Nós ensinamos a Rede Neural a fazer uma previsão de taxa de câmbio (ou índice de taxa de câmbio), e então usamos essa previsão para fazer negociação. Então, fora da parte da rede Neural do programa, tomamos uma decisão sobre a qual a Rede Neural é a melhor. Os algoritmos genéticos podem lidar diretamente com este problema, eles podem resolver o problema declarado como encontrar os melhores sinais comerciais. Neste artigo, vamos usar o software Cortex Neural Networks para criar esse programa. Usando Algoritmos Genéticos Algoritmos Genéticos estão muito bem desenvolvidos e muito diversos. Se você quiser aprender tudo sobre eles, sugiro que você use a Wikipedia, pois este artigo é apenas sobre o que o Cortex Neural Networks Software pode fazer. Com o software Cortex Neural Networks. Podemos criar uma Rede Neural que leve alguns dados, digamos, valores de um indicador e produz algum resultado, digamos, sinais de negociação (comprar, vender, manter.) E parar a perda, obter níveis de lucro para posições a serem abertas. Claro, se semearmos os pesos desta Rede Neural ao acaso, os resultados comerciais serão terríveis. No entanto, dizemos que criamos uma dúzia de tais NNs. Então podemos testar o desempenho de cada um deles, e escolher o melhor, o vencedor. Esta foi a primeira geração de NNs. Para continuar a segunda geração, precisamos permitir que o nosso vencedor procria, mas para evitar a obtenção de cópias idênticas, vamos adicionar alguns números aleatórios aos pesos das suas descendentes. Na segunda geração, temos o nosso vencedor da primeira geração e as cópias imperfeitas (mutadas). Vamos fazer testes novamente. Teremos outro vencedor, o que é MELHOR e qualquer outra Rede Neural na geração. E assim por diante. Simplesmente permitimos que os vencedores criem e eliminem os perdedores, assim como na evolução da vida real, e obteremos nossa Rede Neural de melhor negociação. Sem qualquer conhecimento prévio sobre o que o sistema de negociação (algoritmo genético) deveria ser. Algoritmo Genético da Rede Neural: Exemplo 0 Este é o primeiro exemplo do algoritmo genético. E muito simples. Nós vamos passar por ele passo a passo, para aprender todos os truques que os exemplos a seguir usarão. O código tem comentários em linha, então vamos apenas nos concentrar nos momentos-chave. Primeiro, criamos uma rede neural. É usar pesos aleatórios, e ainda não foi ensinado. Então, no ciclo, fazemos 14 cópias dele, usando a fumagem MUTATIONNN. Esta função faz uma cópia de uma rede Neural de origem. Adicionando valores aleatórios de 0 para (no nosso caso) 0,1 para todos os pesos. Mantivemos alças para 15 NN resultantes em uma matriz, podemos fazê-lo, pois o identificador é apenas um número inteiro. A razão pela qual usamos 15 NNs não tem nada a ver com a negociação: o software Cortex Neural Networks pode traçar até 15 linhas em um gráfico simultaneamente. Podemos usar diferentes abordagens para o teste. Primeiro, podemos usar o conjunto de aprendizagem, tudo de uma vez. Em segundo lugar, podemos testar, digamos, 12000 resores (de 100000), e caminhar pelo conjunto de aprendizagem, do começo ao fim. Isso tornará o know-how diferente, pois buscaremos redes de redes neuronais que sejam rentáveis em qualquer parte de dados, e não apenas em todo o conjunto. A segunda abordagem pode nos dar problemas, se a mudança de dados, desde o início até o fim. Em seguida, a rede evoluirá, obtendo a capacidade de troca no final do conjunto de dados e perdendo a capacidade de trocar no seu início. Para resolver esse problema, iremos levar aleatoriamente 12000 fragmentos de registros de dados e alimentá-lo para a Rede Neural. É simplesmente um ciclo sem fim, já que 100000 ciclos nunca serão alcançados em nossa velocidade. Abaixo, adicionamos uma criança para cada rede, com pesos ligeiramente diferentes. Note-se que 0,1 para o tange de mutação não é a única escolha, como fato de fato, mesmo este parâmetro pode ser otimizado usando o algoritmo genético. Os NNs recém-criados são adicionados após 15 existentes. Desta forma, temos 30 NNs em uma matriz, 15 antigos e 15 novos. Então, vamos fazer o próximo ciclo de testes e matar perdedores, de ambas as gerações. Para fazer testes, aplicamos a Rede Neural aos nossos dados, para produzir saídas, e depois chamar a função Test, que usa essas saídas para simular a negociação. Os resultados da negociação são usados para desidir, quais NNs são melhores. Usamos um intervalo de registros nLearn, de nStart para nStart nLearn, onde nStart é um ponto aleatório dentro do conjunto de aprendizado. O código abaixo é um truque. A razão pela qual usamos é ilustrar o fato de que o algoritmo genético pode criar algoritmos genéticos. Mas não será necessariamente o melhor, e também, para sugerir, que podemos melhorar o resultado, se implicarmos algumas limitações ao processo de aprendizagem. É possível que nosso sistema comercial funcione muito bem em negócios longos, e muito pobre em curto, ou vice-versa. Se, digamos, os negócios longos são muito bons, esse algoritmo genético pode ganhar, mesmo com grandes perdas em transações curtas. Para evitá-lo, atribuímos mais peso a negócios longos em trocas ímpares e curtas em ciclos pares. Este é apenas um exemplo, não há garantia, que irá melhorar alguma coisa. Mais sobre isso abaixo, em discussão sobre correções. Tecnicamente, você não precisa fazê-lo, ou pode fazê-lo de forma diferente. Adicione lucro a uma matriz ordenada. Ele retorna uma posição de inserção, então usamos essa posição para adicionar identificadores de rede Neural, aprendendo e testando lucros para arrays não classificados. Agora, temos dados para a Rede Neural atual no mesmo índice de matrizes que seu lucro. A idéia é chegar a uma série de NNs, ordenados por rentabilidade. Como a matriz é classificada por lucro, para remover 12 redes, que são menos rentáveis, precisamos apenas remover NNs 0 a 14 As decisões de negociação são baseadas no valor do sinal da Rede Neural, a partir deste ponto de vista o programa é idêntico aos exemplos de Artigo anterior. Estratégia de negociação FOREX: exemplo de discussão 0 Em primeiro lugar, vamos examinar os gráficos. O primeiro gráfico de lucro durante a primeira iteração não é bom, como seria de esperar, a rede neural perde dinheiro (imagem evolution00gen0.png copiado após a primeira iteração da pasta de imagens): a imagem com lucro no ciclo 15 é melhor, às vezes , O algoritmo genético pode aprender muito rápido: no entanto, observe a saturação em uma curva de lucro. É interessante também olhar para a forma como os lucros individuais mudam, tendo em mente, esse número de curva, digamos, 3 nem sempre é para a mesma Rede Neural. Na medida em que eles estão nascendo e terminaram o tempo todo: note também que o pequeno sistema de negociação automatizado forex é pobre em negócios curtos e muito melhor em longos, o que pode ou não estar relacionado ao fato de que o dólar estava caindo em comparação com Euro durante esse período. Também pode ter algo a ver com os parâmetros do nosso indicador (talvez, precisamos de um período diferente para calções) ou a escolha de indicadores. Aqui está o histórico após 92 e 248 ciclos: para nossa surpresa, o algoritmo genético falhou completamente. Procuremos descobrir o porquê, e como ajudar a situação. Em primeiro lugar, cada geração não deve ser melhor do que a anterior. A resposta é não, pelo menos não dentro do modelo que usamos. Se tomarmos TODAS as aprendizagens definidas de uma só vez, e usamos repetidamente para ensinar nossos NNs, então sim, eles melhorarão em cada geração. Mas, em vez disso, tomamos fragmentos aleatórios (12000 registros no tempo) e os usamos. Duas perguntas: por que o sistema falhou em fragmentos aleatórios de conjunto de aprendizado e por que não usamos todo o conjunto de aprendizado bem. Para responder a segunda pergunta, eu fiz. NNs funcionou muito - no aprendizado definido. E eles falharam no conjunto de testes, pelo mesmo motivo que falha quando usamos o aprendizado da FFPB. Para dizer de maneira diferente, nossos NNs se especializaram demais, eles aprenderam a sobreviver no ambiente ao qual eles estão acostumados, mas não fora dele. Isso acontece muito na natureza. A abordagem que tomamos em vez disso foi destinada a compensar isso, ao obrigar NNs a se comportar bem em qualquer fragmento aleatório do conjunto de dados, de modo que, com sorte, eles também poderiam realizar em um conjunto de testes desconhecido. Em vez disso, eles falharam tanto no teste quanto no conjunto de aprendizado. Imagine animais, vivendo em um deserto. Muito sol, sem neve. Este é um mercado metafor para rizing, pois os nossos dados NNs desempenham o papel de meio ambiente. Os animais aprenderam a viver em um deserto. Imagine animais, que vivem em clima frio. Neve e sem sol. Bem, eles se ajustaram. No entanto, em nosso experimento, colocamos aleatoriamente nossos NNs em um deserto, na neve, na água, nas árvores. Apresentando-lhes diferentes fragmentos de dados (aumentando aleatoriamente, caindo, plana). Os animais morreram. Ou, de modo diferente, selecionamos a melhor rede neural para o conjunto de dados aleatórios 1, que, digamos, era para o mercado crescente. Em seguida, apresentamos, aos vencedores e seus filhos, uma queda dos dados dos mercados. NNs apresentaram um mau desempenho, nós melhoramos os melhores artistas, talvez, uma das crianças mutantes, que perdemos a capacidade de negociar no mercado em expansão, mas conseguiu uma certa capacidade de lidar com a queda de um. Então, voltamos a mesa novamente e, novamente, conseguimos o melhor desempenho - mas melhor entre os mais pobres. Nós simplesmente não damos a nossos NNs chances de se tornarem universais. Existem técnicas que permitem ao algoritmo genético aprender novas informações sem perder o desempenho em informações antigas (afinal, os animais podem viver no verão e no inverno, certo, então a evolução é capaz de lidar com mudanças repetitivas). Podemos discutir essas técnicas mais tarde, embora este artigo seja mais sobre o uso do software Cortex Neural Networks. Do que sobre a construção de um sistema de negociação automatizado forex bem sucedido. Algoritmo Genético da Rede Neural: Exemplo 1 Agora é hora de falar sobre correções. Um algoritmo genético simples que criamos durante o passo anterior tem duas falhas principais. Primeiro, não conseguiu negociar com lucro. Está tudo bem, podemos tentar usar sistema parcialmente treinado (foi lucrativo no início). A segunda falha é mais séria: não temos controle sobre as coisas, que esse sistema faz. Por exemplo, pode aprender a ser lucrativo, mas com grandes remessas. É um fato bem conhecido, que na vida real, a evolução pode otimizar mais de um parâmetro simultaneamente. Por exemplo, podemos obter um animal, que pode correr rápido E ser resistente ao frio. Por que não tentar fazer o mesmo no nosso sistema de negociação automatizado forex. Isso é quando usamos correções, que são apenas o conjunto de punições adicionais. Digamos, nosso sistema é negociado com drawdown 0.5, enquanto queremos confirmá-lo para 0 a 0.3 intervalo. Para dizer ao sistema que cometeu um erro, diminuímos o lucro (um usado para determinar, qual algoritmo genético ganhou) até o grau, que é proporcional ao tamanho do DD. Então, o algoritmo de evolução cuida do resto. Existem alguns outros fatores, que queremos levar em consideração: talvez queiramos ter um número maior ou menor de operações de compra e venda, queremos ter mais operações lucrativas, então de falhas, podemos querer que o gráfico de lucro Ser linear e assim por diante. Na evolution01.tsc implementamos um conjunto simples de correções. Em primeiro lugar, usamos um número grande para um valor de correção inicial. Nós o multiplicamos para um pequeno (geralmente, entre 0 e 1) valores, dependendo da punição que queremos aplicar. Então, multiplicamos nosso lucro por esta correção. Como resultado, o lucro é corrigido, para refletir o quanto o algoritmo genético corresponde aos nossos outros critérios. Então usamos o resultado para encontrar uma Rede Neural de vencedores. FOREX Estratégia de Negociação: Discutir o exemplo 1 O exemplo 1 funciona muito melhor do que o exemplo 0. Durante os primeiros 100 ciclos, ele aprendeu muito, e os gráficos de lucro parecem tranquilizadores. No entanto, como no exemplo 0, os negócios longos são muito mais rentáveis, o que provavelmente significa que existe um problema na nossa abordagem. No entanto, o sistema encontrou um equilíbrio entre algumas das condições iniciais contraditórias: há algumas dinâmicas positivas tanto no conjunto de aprendizado como, mais importante, no conjunto de testes. Quanto ao aprendizado adicional, no ciclo 278 podemos ver, que nosso sistema foi superado. Isso significa que ainda temos progresso no aprendizado definido: Mas o conjunto de testes mostra fraqueza: Este é um problema comum com os NNs: quando o ensinamos no aprendizado definido, ele aprende a lidar com isso e, às vezes, ele aprende muito bem - ao Grau, quando perde o desempenho no conjunto de testes. Para lidar com esse problema, uma solução tradicional é usada: continuamos procurando a Rede Neural. Que executa o melhor no conjunto de testes, e salve-o, sobrescreva o melhor possível, cada vez que o novo pico é alcançado. Esta é a mesma abordagem, que usamos no treinamento FFBP, exceto, desta vez, temos que fazê-lo nós mesmos (adicionando código, que procura uma melhor Rede Neural em um conjunto de testes, e chamando a SAVENN, ou exportando pesos da Rede Neural para um Arquivo). Desta forma, quando você parar seu treinamento, você terá o melhor desempenho ON TESTING SET salvo e esperando por você. Observe também que não é o máximo. Lucro que você está procurando, mas ótimo desempenho, então considere usar correções, ao procurar o melhor desempenho em um conjunto de testes. Algoritmo genético para Análise Técnica do FOREX: Onde agora, depois de ter obtido o seu vencedor Rede Neural. Você pode seguir as etapas, descritas no artigo anterior, para exportar pesos daquela Rede Neural. E então usá-los em sua plataforma de negociação em tempo real, como Meta Trader, Trade Station e assim por diante. Alternativamente, você pode se concentrar em outras formas de otimizar a Rede Neural. Ao contrário do algoritmo FFBP, aqui você pode obter avay usando conjuntos de aprendizagem e teste e mover a aprendizagem seqüencial. Download Cortex Order Cortex View Price List A visibilidade é muito importante para este site. Se você gosta, por favor, faça o link para este URL
No comments:
Post a Comment