MetaTrader 5 - Especialistas em cálculo de largura de banda Bollinger com rede Neural usando - especialista para o MetaTrader 5 Procurei por um consultor especializado em BB Width, mas não consegui encontrá-lo em qualquer lugar. Então eu decidi criar o meu próprio, e, como parte dos meus estudos, fiz isso. Este consultor especialista segue o método Neural Network. Depósito inicial 10000. Lucro bruto de 36000. Prazo de tempo de 3,5 meses. O que é Bollinger Band Width Bollinger Band Width é a formação de banda em Bollinger Bands. Em seu livro (Bollinger on Bollinger Bands), John Bollinger refere-se a Bollinger Band Width como um dos dois indicadores que podem ser derivados das Bandas Bollinger. O outro indicador é B. BandWidth mede a diferença percentual entre a banda superior e a banda inferior. BandWidth diminui à medida que Bollinger Bands estreita e aumenta à medida que as Bandas Bollinger se ampliam. Como Bollinger Bands baseia-se no desvio padrão, a queda do BandWidth reflete a volatilidade decrescente e o aumento do BandWidth reflete a crescente volatilidade. Estrada estreita: estreito BandWidth é relativo. Os valores de BandWidth devem ser medidos em relação aos valores de BandWidth anteriores durante um período de tempo. É importante ter um bom período de reflexão para definir o alcance do BandWidth para um símbolo específico. The Squeeze: Bollinger BandWidth é mais conhecido por identificar o Squeeze. Isso ocorre quando a volatilidade cai para um nível muito baixo, como evidenciado pelas bandas de estreitamento. As bandas superior e inferior são baseadas no desvio padrão, que é uma medida de volatilidade. As bandas se estreitam à medida que o preço se abaixa ou se move dentro de um alcance relativamente estreito. A teoria é que períodos de baixa volatilidade são seguidos por períodos de alta volatilidade. O BandWidth (a. k.a. the Squeeze) relativamente estreito pode pregar um avanço ou declínio significativo. Depois de um Squeeze, um aumento de preço e subseqüente quebra de banda provocam o início de um novo movimento. Um novo avanço começa com um Squeeze e uma ruptura posterior acima da banda superior. Um novo declínio começa com um Squeeze e subseqüente quebra abaixo da banda inferior. Uma idéia pode mudar sua vida -) Eu obtive inspiração para trabalhar em Redes Neurais depois de ler este artigo. O autor Fyords me ajudou muito na parte final da codificação. Este consultor especialista toma o valor dos últimos 14 períodos e o minimiza com a fórmula do método Neural Network (leia o artigo para a melhor implementação da rede Neural). Cálculo de largura Utilizei o método clássico: (BBupperBand - BBLlowerBand) BBMidleBand. Fórmula: inputsi2 (((iBandsUpperbufi - iBandsLowerbufi) iBandsBasebufi) - (xminxminn) (d2-d1)) ((xmaxxxmax) - (xminxminn)) d1 Parece complicado, mas na realidade é como A, B, C, D. O artigo acima pode ajudá-lo muito. O resultado do teste do Expert Advisor é bom, eu tomei o período de 2013.01.01 a 2013.04.13. Equilíbrio: anexei o resultado de teste completo no arquivo zip. Não recomendo usar este consultor especialista em conta real. No mesmo código, você pode usar alguma combinação de indicadores de volume (CCI, MFI, etc.). PREDICÇÃO DE MERCADO DE STOCK USANDO REDES NEURAS pelo Dr. Valentin Steinhauer Disclai mer: Nenhuma responsabilidade assumida para verificar a precisão. Completude dos métodos e outras informações neste tutorial. Aqui são consideradas duas direções complementares. Previsão de séries únicas. O segundo - método de Bollinger Bands. Por que eles são selecionados. No momento calmo prevalecem as leis harmonicas e, neste momento, são boas previsões de séries temporais. Este método (de diferentes fontes) permite uma previsão para cima e para baixo nos valores do mercado de ações com uma probabilidade de cerca de 52-53, 50 -50 é, não esqueça. aleatória. Segunda direção (Bandas Bollinger) é de uma área completamente diferente. O nervosismo do mercado de ações. Quando os preços caem ou crescem demais em comparação com os tempos anteriores. Então há um ponto de viragem. Estatísticas de previsões positivas neste caso são melhores. Mas os casos não ocorrem com tanta frequência. E será necessário aguardar. Previsão da série de tempo no mercado de ações A previsão de séries temporais desempenha um papel importante na economia. Os cursos de mercado de ações, bem como o consumo de energia, podem ser previstos para tomar decisões. Este tutorial mostra uma possível abordagem de como as redes neurais podem ser usadas para esse tipo de previsão. Estende o tutorial Neuroph chamado quot Time Series Prediction quot, que fornece uma boa base teórica para a previsão. Usado para nossos propósitos, a seqüência de tempo é uma variável de observação. Variável observada em intervalos de tempo discretos. A análise das séries temporais inclui uma descrição do processo ou fenômeno, que gera uma seqüência. Para prever as séries temporais. É necessário apresentar o comportamento do processo sob a forma de um modelo matemático que pode ser ampliado no futuro. Para fazer isso. O modelo é uma boa representação de observações em qualquer segmento local de tempo próximo ao presente. Normalmente não há necessidade de ter um modelo que represente uma observação muito antiga. Como provavelmente não caracterizarão o momento. Também não há necessidade de enviar observações no futuro distante, je após um intervalo de tempo que é maior do que o horizonte. Uma vez que o modelo correto será criado para lidar com a seqüência temporal, podemos desenvolver meios adequados de predição. Para mostrar como funciona, treinamos a rede com os dados DAX (índice de estoque alemão) por um mês (03.2009: de 02 a 30) - para prever o valor em 31.03.2009. Como estratégia, tomamos as seqüências a partir de 4 dias para prever cada 5º dia. No conjunto de treinamento, 5º dia é o valor supervisionado. O DAX de dados pode ser baixado do seguinte URL (uma das possibilidades): download. finance. yahoodquotes. csvsGDAXIampfsl1d1t1c1ohgvampe. cs TrainingSetGetter está disponível para download como parte do projeto NetBeans, no entanto, é apenas o exemplo de dados codificados com a normalização. Também o primeiro passo é a normalização dos dados de treinamento na área (0-1). A seguinte fórmula oferece o seguinte: Norm. value 0.8 (valor v1) (v2 v1) 0.1, Aqui 0.8 e 0.1 são os valores para corrigir o conjunto de dados dos limites 0 e 1, v2 é o expansor de valor máximo e v1 valor mínimo de experiência. A normalização desempenha papel importante na preparação de dados para o treinamento em rede. Este coeficiente de expansão é inserido para compressão ou alongamento em uma normalização. Em cada caso de uma predição é desejável selecionar esse coeficiente a partir de pontos de controle. Em seguida, a topologia da rede é definida. Que tipo de rede, quantas camadas e quantos neurônios por camada são usados. Na verdade, não há nenhuma regra para isso, e geralmente é determinada experimentalmente. No entanto, o tipo comum de rede utilizada para predição é um perceptron de várias camadas. Uma recomendação é ter 2n1 nós para a camada oculta, onde n é o número dos nós de entrada. A camada de saída tem apenas um nó neste caso. Os bons resultados foram obtidos com a seguinte topologia e conjunto de parâmetros: maxIteration10000, maxerror0.0001 e o conjunto de treinamento está organizado da seguinte forma: public DataSet getTrainingSet (int n, int m) trainingSet new DataSet (n, m) trainingSet. addRow (em , Out) e a rede correspondente é: int maxIterations 10000 NeuralNetwork neuralNet novo MultiLayerPerceptron (4, 9, 1) ((LMS) neuralNet. getLearningRule ()). SetMaxError (0.0001) ((LMS) neuralNet. getLearningRule ()). SetMaxIterations ( MaxIterações) Neste ponto, estamos prontos para treinar e testar a rede. Para o teste, usamos o conjunto de dados preparados nos quais os dados DAX são fornecidos a partir dos 27, 28,29 e 30.03.09 para prever o valor em 31.03.09 rede duplaOutput neuralNet. getOutput () duplicado previstoNormalizado networkOutput0 Como a rede foi inicializada com aleatoriedade Valores de peso, os resultados do teste serão diferentes de um cálculo para o cálculo. Após cinco testes, saiu com a seguinte previsão - resultados para 03.31.2009: 4084.61 4081.28 4073.08 4075.22 4087.42. O tempo de duração foi de 3 seg (2 CPU, 3.3Ghz, 2GB de RAM, WinXP). Isso é chamado de comitê - uma coleção de diferentes redes neurais, que juntos apresentam o exemplo, com o expansor 1.30D. Dá um resultado muito melhor em comparação com outros procedimentos das redes neurais. O valor anunciado oficialmente naquele dia é de 4084,76. Portanto, na direção da obtenção de melhores resultados quantitativos é mudar a seqüência de cálculos, que realizamos no exemplo anterior. Podemos usar cálculos concorrentes para criar o comitê. O comitê tende não só a uma estabilidade, mas também permite um efetivo controle relativo das condições de treinamento. A dispersão relativa dos resultados do comitê é a figura do mérito neste caso. Para criar a concorrência utilizamos o pacote jetlang. O comitê inclui os seguintes módulos no exemplo: Ator, Canais, Mensagem e será controlado a partir do módulo principal. Os sinais periódicos prevalecem neste modelo (postulado). Qual sinal periódico é importante Onde está o encaixe ou a sobreposição do perceptron É possível prever automaticamente neste modelo We39ll mostrar um algoritmo com auto-correção que demonstra algumas idéias básicas de desenvolvimento (as maiores harmonicas wavequot da cota): 1. Temos mais Do que uma seqüência de cálculos (veja quotcommitteequot) 2. O círculo principal dá a variação de número de pontos (N) na janela de previsão de tempo. Um período de cabeça é determinado por N em todas as variações da maior onda de harmônicas da cota. O número de camadas ocultas é 2N1 automático. Como figura de mérito será usado o R 8721 F obs - F calc 8721 F obs. O chamado fator R através de dados da série de tempo integral. 3. Para cada N serão variados os conjuntos de treinamento: os elementos serão removidos consecutivamente para atingir o mínimo de fator R e para alcançar a relação ideal entre o encaixe inferior e a sobreposição. 4. O valor médio através do comitê é o resultado desse fluxo automático simples. Quão boa é essa onda de harmonicas de maior tamanho de modelo para suas tarefas, você deve decidir-se. Os testes DAX simples mostraram bons resultados matemáticos. Esta filtragem do modelo é semelhante ao sono humano: os treinamentos são minimamente reduzidos. Mas quando o reconhecimento é melhorado. Por previsão de séries temporais, os melhores resultados foram obtidos ao analisar os valores de crescimento e queda de estoque 82038203. não para um prognóstico de valores 8203. Bollinger Bands em bolsa com Neuroph Bollinger Bands é inventado por John Bolliger. Bollinger Bands indica uma variação de preço de um instrumento financeiro ao longo do tempo. A saída para bordas de bandas conduz com uma alta probabilidade de retornar às bandas. E a principal dificuldade é encontrar: quando ocorre o retorno Para prever esse retorno, usamos o Neuroph. Bollinger Bands reflete grau de nervosismo e são adequados para o mercado de ações não estável. Você pode ler mais sobre as Bandas Bollinger em outros documentos Wiki. por exemplo. Nós nos concentraremos na técnica de uso com o Neuroph. Os principais parâmetros para as Bandas de Bollinger são um período de média móvel uma banda superior acima da média móvel uma faixa inferior a média móvel Como os dados do teste serão usados DAX. Considere o trabalho de treinamento deste método como um exemplo. Em um arquivo preparado. Que contém os valores 82038203 do Dax por um dia com intervalos de 5 minutos, será a busca de uma situação que vá além do valor da média. Para a média, é detectado o número de 21 últimos valores experimentalmente. A saída é 1, se o valor atual de Dax for superior 2 sigma médio ou inferior a 2 sigma da média e nos 15 min é o comportamento correto, em outros casos é 0. Correto significa que o valor retorna à banda. O sigma é o desvio padrão e será calculado no método standardAbweichung dinamicamente. O algoritmo é implementado no programa BollingerAnalyze veja o apêndice (pacote do projeto). A normalização é semelhante à mostrada acima. Veja o método de normalização no BollingerAnalyze. java. No programa de treinamento será estimado (para controlar) a freqüência de operação correta do método: quantos casos são diretos de todos os casos. Você pode tentar outros parâmetros para suas brasas. O uso da rede treinada é mostrado no método getRecommendation. O método dá 1 ou -1 se você tiver uma situação de Bollinger Bands (para cima ou para baixo) e em 15 minutos retornará DAX na banda. Em um caso ruim, é 0 ou o valor não pode ser previsto. É claro que um grande problema é obter os valores 82038203 em tempo real. No entanto, este é um problema organizacional e pode ser feito com o reconhecimento dinâmico do valor Neuroph de imagens em tempo real, provavelmente. A mensagem após o treino e teste é como segue: números extremos número 4707 bollingers extremos. 1006 número total de pontos 21136 defeitos 1. No caso de defeitos significa quantas situações de bollinger não foram corretas previstas. Conclusão Finalmente, dois fatores importantes na previsão de problemas - possibilidades e interesses de pessoas que fazem e usam previsão. Idealmente. As informações históricas são analisadas automaticamente e a previsão é um gerente para uma possível modificação. A introdução de um especialista no processo de previsão é importante, mas requer a cooperação de gerentes experientes. Próxima previsão enviada aos gerentes, que a usam para tomar decisões. E mesmo que eles digam que o clima é apenas conversa, eles podem obter benefícios reais de seu uso. Baixe os projetos NetBeans com fonte Se você tiver encomendas especiais ou Você quer me apoiar simplesmente (PayPal), use, por favor: tec. de (at) t-online. deBollinger Bands é um indicador técnico amplamente utilizado para medir e exibir a volatilidade de Títulos. As bandas realizam isso mostrando se os preços são altos com o uso de uma banda superior, e se eles são baixos com o uso de uma banda mais baixa. As bandas são baseadas na volatilidade (desvio padrão) dos dados do preço passado. Este indicador pode auxiliar no reconhecimento rigoroso de padrões e é útil para comparar a ação de preço atual com possíveis sinais de compra e venda, ajudando a chegar a uma decisão de negociação sistemática autônoma. No entanto, devido às suas características inerentes, o indicador pode fornecer sinais falsos durante a negociação em alguns mercados de tendências. A pesquisa nesta tese desenvolve dois modelos modificados, uma combinação de redes neurais com o indicador técnico Bollinger Bands, e outra incorporando um modelo GARCH-in-mean com o indicador técnico Bollinger Bands para prever e negociar a tendência de segurança. A suposição do sistema combinado é que a rede neural ou o modelo GARCH ajudará a superar os aspectos de atraso do indicador Bollinger Bands, fornecendo uma previsão do próximo dia, permitindo que o comerciante faça as decisões comerciais corretas. A rentabilidade do modelo é testada usando 10 estoques e índices americanos - Resumo, folha iii. Departamento (s) Gerenciamento de Engenharia e Engenharia de Sistemas Nome do Grau M. S. Em Gestão de Engenharia Universidade de Missouri - Rolla Data de Publicação Paginação Nota sobre bibliografia Inclui referências bibliográficas (página 39). 2005 Yanqiong Dong, todos os direitos reservados. Tipo de Documento Biblioteca do Congresso Assunto Rubricas Análise de investimentos Stocks - Preços - Modelos matemáticos Previsão de preços de ações Redes neurais (Informática) Número de tese Imprimir OCLC Link para catálogo Registro Texto completo não disponível: Solicite esta publicação diretamente da Missouri ST Library ou contato Sua biblioteca local. Recommended Citation Dong, Yanqiong, O uso de redes neurais, modelos GARCH e o indicador técnico Bollinger Bands para a tomada de decisões sobre negociação de ações (2005). Teses de Mestrado. 5847. scholarsmine. mst. edumasterstheses5847
No comments:
Post a Comment