Il s'agit de mon journal personnel détaillant mon développement d'un réseau neuronal artificiel pour tenter d'obtenir un avantage statistique sur le marché sur des horaires multiples. Je publierai mes progrès au fur et à mesure que j'atteindrai les jalons, et nous verrons ensemble s'il est possible d'obtenir un avantage statistiquement significatif avec une méthode d'apprentissage automatique. Je discuterai aussi de la façon dont j'approche la gestion de l'argent en fonction de tout avantage statistique que je pourrais gagner avec mon apprenant. Je vais poster des simulations probabilistes de la performance de mes apprenants en utilisant diverses techniques de gestion de l'argent. Veuillez noter que je négocie actuellement avec assez de succès (sur un petit compte réel de 4K) en utilisant des modèles de diagrammes simples et une analyse SR. Je suis également étudiant en ingénierie à plein temps, cependant, il serait hautement préférable d'avoir un agent automatisé soit le commerce en mon absence, soit m'avertir de configurations à haute probabilité. Si mon développement de cet indicateur est réussi à obtenir un avantage, peut-être je le publierai à la communauté sous une certaine forme. J'apprécierais votre contribution réfléchie au fil. Le développement fonctionne mieux lorsqu'il y a des partenaires critiques et constructifs - ce que le mouvement des logiciels libres nous a appris. Donc, si vous avez quelque chose de précieux à ajouter, s'il vous plaît par tous les moyens post-it. Inscrit Novembre 2005 Statut: EURUSD Quant FREAK 3,198 Postes Quelles sont les entrées Purely prix COT Taux d'intérêt CPI Deuxièmement, quels sont les critères pour enteringexiting Une quotmajority winsquot basé sur plusieurs NNs dans des délais multiples Je suis assez instruit sur NNs, et si vous introduisez non corrélée (Données sans dépendance linéaire forte par rapport aux prix), vous introduirez des erreurs dans votre apprentissage. Je parie que vous le saviez déjà. Donc, la question est de savoir quels intrants sont fortement corrélés. Je parie que le forex est extrêmement efficace, donc quotnewquot données externes telles que COT et CPI sont très probablement entièrement réalisé par le prix dans quelques minutes des données introduites, donc très faible lag Et l'inefficacité. Eh bien, les NN ne parlent pas de table. Soit vous obtenez ce que je dis ou vous n'avez pas. J'espère que cela aide. Inscrit mai 2007 Statut: Statistocrat 110 Messages Concepts de conception initiale Tout d'abord, une explication de la théorie des réseaux de neurones. La structure du réseau neuronal que vous utilisez est semblable à celle montrée dans l'image ci-dessous. Chaque cercle que vous voyez dans l'image est appelé quotnodequot. Chacun de ces nœuds agit comme une sorte d'opérateur mathématique. L'information se déplace de gauche à droite dans l'image, des entrées aux sorties. À chaque noeud, les entrées sont additionnées pour créer la sortie. Chaque entrée a un quotweightquot ou facteur d'échelle réglable, par lequel il est multiplié avant qu'ils ne soient tous additionnés à ce nœud. D'accord. Donc weve a obtenu des noeuds qui ajoutent des valeurs échelonnées. Comment diable allons-nous prédire l'action de prix future avec cette chose. Eh bien, il s'avère que si vous ajustez ces poids d'une manière intelligente, vous pouvez essentiellement quottrainquot ce réseau pour reconnaître les motifs sur la couche d'entrée et de produire les sorties que vous désirez en fonction de ces modèles. Voilà donc la conception du réseau: les mouvements de pips retardés. Essentiellement, ce sont des valeurs dont les grandeurs correspondent à la taille de chaque barre sur un graphique d'une certaine période. Par exemple, disons que vous avez le graphique suivant: Si votre réseau neuronal a été conçu pour analyser les modèles à quatre barres, il aurait 12 entrées totales. C'est-à-dire, pour chaque barre, il aurait une entrée pour la mèche inférieure, le corps de barre et la mèche supérieure. Les deux valeurs de mèche seraient positives ou nulles, et la valeur du corps de barre serait positive ou négative. Ainsi, pour le tableau des bougies ci-dessus, vous verrez les entrées suivantes (approximativement) dans le format upperbodylower: Comme vous l'avez peut-être remarqué, toutes ces valeurs sont inférieures à 1.0 thats parce que les entrées du réseau neural doivent être décimales entre 1 et -1 . Nous avons maintenant des intrants. Que voulons-nous pour les extrants? Choisissons des indicateurs de risque à la hausse et à la baisse pour différents délais. Dire. Deux de chaque côté. En bref: Une sortie pour l'avenir élevé après 1 heure. Une sortie pour le futur haut après 4 heures. Une sortie pour le futur faible après 1 heure. Une sortie pour le futur faible après 4 heures. Pour former le réseau, nous examinons les hauts et les bas après le modèle d'entrée, calculons les sorties, puis utilisons ce qu'on appelle un algorithme de propagation de quotback pour ajuster intelligemment les poids du réseau afin que les sorties désirées apparaissent lorsque nous présentons ce modèle d'entrée. Nous le faisons ensuite sur un grand nombre de combinaisons d'entrée-sortie, et nous espérons arriver avec un réseau qui, lorsqu'il est présenté avec un nouvel ensemble d'entrées, peut prédire les hauts et les bas futurs avec un certain degré de précision. Une fois que nous avons un réseau qui peut prédire les hauts et les bas de l'avenir, nous pouvons placer les métiers avec TP et SL niveaux qui maximisent notre probabilité de succès. Nous pouvons également choisir de ne prendre que les métiers qui ont un bon ratio risque-récompense. Par exemple, nous pouvons choisir d'acheter seulement lorsque le réseau prédit un rapport 2: 1 haut / bas, et ne vendent que pour l'inverse. Cela peut aider à limiter l'exposition au risque du marché tout en maximisant les chances statistiques de succès. Si vous voulez plus d'informations sur les réseaux de neurones, consultez l'entrée de Wikipedia sur les réseaux de neurones artificiels. Attendez-vous à un autre post bientôt sur les logiciels (personnalisés) et les données que je vais utiliser pour la configuration du réseau et la formation. Les données commerciales quotperfect que vous avez mentionnées sont en fait ce dont j'ai parlé dans mon deuxième post dans ce journal. Ce dont vous parlez est de cibler le futur haut et bas pour chaque modèle d'entrée. Le signal buysell est en fait redondant, étant donné que vous pouvez le calculer par l'expression (highgtlow) 2-1. Après l'entraînement sur un grand ensemble de ces modèles, cependant, le réseau neuronal apprendra à sortir la moyenne de ces valeurs sur l'ensemble des modèles similaires. Vous avez raison, c'est la même chose que vous avez commencé. Cette expression m'a jeté une minute. (Hgtl) est booléen, 0 ou 1, il a obtenu. Quoi qu'il en soit, comme vous l'avez dit, le NN vient de cracher les moyens pour que vous ayez à utiliser une distribution. Au lieu de cela, je préfère avoir le réseau d'apprendre la distribution. Connaître la distribution statistique passée vous permet de créer des stratégies basées sur la probabilité calculée de frapper différents points de prix. Par exemple, nous sommes habitués à l'idée de prendre des métiers avec un ratio 2: 1 ou 3: 1 TP à SL, mais nous ne pouvons pas être sûr qu'ils augmenteront réellement nos gains, car sans un avantage prédictif, un arrêt plus étroit est habituellement Plus susceptibles d'être touchés que les plus loin prendre profit. Si nous connaissions la distribution statistique des points de prix au cours de la prochaine heure (ou jour, ou semaine, quel que soit), nous pourrions fixer des arrêts qui, historiquement, sont en réalité deux fois moins susceptibles d'être touchés que notre niveau de profit. Idéalement, nous pourrions choisir des métiers à très haute probabilité et à haute récompense, où l'arrêt est peu susceptible d'être frappé, le profit de prise est très susceptible d'être frappé, et le profit de prise est nettement plus loin que l'arrêt. Warren Buffet attribue toujours son succès à la réalisation d'investissements à faible risque et à forte récompense. Notre objectif devrait être le même - c'est-à-dire maximiser la probabilité de gagner tout en minimisant la probabilité de perdre - ou en termes de traders: avoir un avantage sur le marché. Vous parlez ma langue ici. J'ai un thread fermé appelé quotExpectancy est toujours zeroquot où c'est l'un des sujets. Un TPSL de 3: 1 signifie que le taux de gain serait d'environ 25 dans une stratégie sans arête. En général, le taux de gain requis (RWR) pour toute stratégie est (perte moyenne) (perte moyenne de perte moyenne). La chose est, Ive a essayé d'envelopper ma tête autour de la négociation d'une distribution dans le passé et avait du mal à imaginer comment le faire, en particulier dans le cas d'une distribution distincte pour les hauts et les bas. En fait, je suppose que ce que vous avez vraiment est une distribution sur toutes les combinaisons de hauts et de bas, c'est-à-dire sur une zone avec un haut sur l'axe X et faible sur le Y par exemple. À tout point donné théoriquement vous auriez une valeur bien que je sais que vous allez réellement les bin. En fin de compte, afin de faire un outil de négociation, il doit y avoir un processus pour obtenir des entrées à une extrémité à la quot3 grandes décisionsquot (buysell, stop, TP) à l'autre. Cela peut s'avérer être un problème beaucoup plus épineux que la construction et la formation du réseau lui-même. Im apportant ceci maintenant parce que sa clef pour savoir à ce stade ce que vous voulez que la sortie ressemble. C'est une douleur pour obtenir quelque chose tout construit et puis réaliser à la fin que vous voulez qu'il fasse quelque chose de différent. Espérons que vous allez éviter ce problème, et peut-être vous avez déjà eu couvert. La chose est, Ive a essayé d'envelopper ma tête autour de la négociation d'une distribution dans le passé et avait du mal à imaginer comment le faire, en particulier dans le cas d'une distribution distincte pour les hauts et les bas. En fait, je suppose que ce que vous avez vraiment est une distribution sur toutes les combinaisons de hauts et de bas, c'est-à-dire sur une zone avec un haut sur l'axe X et faible sur le Y par exemple. À tout point donné théoriquement vous auriez une valeur bien que je sais que vous allez réellement les bin. En fin de compte, afin de faire un outil de négociation, il doit y avoir un processus pour obtenir des entrées à une extrémité à la quot3 grandes décisionsquot (buysell, stop, TP) à l'autre. Cela peut s'avérer être un problème beaucoup plus épineux que la construction et la formation du réseau lui-même. Im apportant ceci maintenant parce que sa clef pour savoir à ce stade ce que vous voulez que la sortie ressemble. C'est une douleur pour obtenir quelque chose tout construit et puis réaliser à la fin que vous voulez qu'il fasse quelque chose de différent. Espérons que vous allez éviter ce problème, et peut-être vous avez déjà eu couvert. En fait, j'ai réfléchi un peu à ce problème. Je sais d'un de vos PM que vous vous intéressez aux algorithmes génétiques. Cela pourrait être un cas où les AG pourraient être très utiles pour déterminer de bonnes façons d'utiliser les sorties du réseau neuronal. D'autre part, il existe un certain nombre d'autres techniques d'apprentissage ou de classification des machines qui pourraient être appliquées au problème de la décision commerciale à l'aide des données de distribution. Nous pouvons également être en mesure de créer une stratégie de négociation par le biais de la théorie simple, cependant. Tant que nous comprenons ce que signifie la distribution, nous pouvons en faire un usage intelligent. Essentiellement, la distribution nous dira combien il est probable qu'un certain point de prix sera atteint dans un certain laps de temps. Nous savons que, pour atteindre un maximum de 50 pips au-dessus du prix actuel, le prix (généralement) doit passer par les 10 pip, 20 pip, 30 pip et 40 pip niveaux. Ainsi, connaissant la distribution approximative, nous pouvons additionner les probabilités de niveaux plus extrêmes pour calculer la probabilité attendue de toucher n'importe quel niveau pendant une période de temps future. Nous pouvons ensuite créer des critères commerciaux qui ne sélectionnent que les métiers les plus probables. Nous pourrions également briser les prises de profit et arrêter les ordres de perte dans un certain nombre d'ordres stratifiés à travers la distribution selon les probabilités de différents niveaux. Il s'agit également d'une configuration qui pourrait être calculée afin de faciliter la plus grande récompense avec le moins de risque. Quoi qu'il en soit, c'est toute conjecture qui devra être reconsidéré une fois le réseau final est fait. Je pense que je commencerai à développer le réseau avec la structure décrite, et si nous réalisons plus tard que la distribution de probabilité est moins utile qu'une autre cible, nous pouvons les changer assez facilement. La vraie difficulté de la programmation est simplement la mise en place et le débogage du cadre pour la formation, les tests et la visualisation de la sortie. Ce sera un certain temps jusqu'à ce que j'ai quelque chose d'utile développé, mais je vais garder ce fil mis à jour que je fais des progrès. Passez un bon week-end, ou whatevers gauche de lui Très bonne approche Je fais quelque chose de similaire. Que pensez-vous d'incorporer tendance à très grande échelle dans l'équation en normalisant les barres. Ce que je veux dire, c'est dire 10000 bars il ya prix était 3000 pips plus bas. Cela signifie qu'en moyenne, nous progressons de 3 pips par 10 bars. Cela pourrait-il être utile si vous normalisez les barres OHLC pour refléter cela dans votre équation de distribution Idée intéressante. Sans normalisation, la distribution serait biaisée en fonction de la tendance à long terme. Ce serait bien si nous étions encore dans la même tendance à long terme, mais pas très bien si la tendance avait changé récemment. Je suppose que vous pourriez faire une sorte de normalisation, mais il ne sait pas exactement comment vous devriez normaliser correctement. Il pourrait être préférable d'inclure simplement un ensemble de moyennes mobiles sur différentes périodes sur les entrées. Cela aiderait le réseau à séparer la cause de l'asymétrie, et serait capable de reproduire la quantité correcte de distorsion de distribution pour le marché actuel. Merci, charlinks. Grand point Voici un indicateur que j'ai fait qui peut se révéler utile. Il s'agit d'une simple répartition des prix. Fiddling avec les paramètres peuvent créer des résultats tout à fait différents. Cellwidth combien de barres à utiliser pour la distribution des prix par colonne cellrows combien de lignes pour diviser la distribution des prix en cellcols combien de colonnes à générer. Pour certains calculs lourds, vous pouvez réduire ce nombre si la performance souffre que vous avez probablement besoin de la répartition des prix récents celltep plus le nombre de blocs plus sont sautés pour chaque étape, il est toujours le nombre de cellwidth calcul de barres. Si celltep et cellwidth sont les mêmes, vous verrez une image claire. Si cellwidth est significativement plus élevé, vous verrez des données quotblurredquot in. Cutoff toutes les cellules sont normalisées avec une valeur de 0 à 1 si vous dessinez tous il sera très intensif en ressources. Donc tout ce qui est plus petit que la coupure n'est tout simplement pas dessiné. (Je mets 0.8 parfois pour identifier les zones fortes de résistance de support) countinsidebars compte contribue à countresistance et voici quelques magie. Au lieu de compter la barre entière, je l 'ai divisée en support intérieur (Open - Close) (Résistance basse - min (ouverte, fermée) - Max. (Normale), sans la normalisation, la répartition serait biaisée vers quelle que soit la tendance à long terme. Ce serait bien si nous étions encore dans le même long terme Je pense que vous pourriez faire une sorte de normalisation, mais il ne sait pas exactement comment vous devriez normaliser correctement. Il pourrait être préférable d'inclure simplement un ensemble de moyennes mobiles sur différentes périodes sur Les entrées. Cela aiderait le réseau à séparer la cause de l'asymétrie, et être en mesure de reproduire la quantité correcte de distorsion de la distribution pour le marché actuel. Merci, charlinks. Faire est d'ajuster le prix des taux swap d'intérêt. En fait, certains courtiers font exactement cela. Ils ajustent votre prix entrant pour refléter le swap si vous déteniez GJ pendant 100 jours youd ont comme un prix d'achat de 200 pips en dessous de votre commerce d'origine là-bas. Programmes génétiques (GP) en fait, qui était un concept développé après GA par un chercheur nommé Koza je pense. Im just nit-picking un dimanche soir. : Ouais, je suppose GP est une application pratique de la théorie GA. Le manuel d'apprentissage de la machine que je connais le plus (Apprentissage automatique par Tom Mitchell) traite chaque type d'algorithme d'apprentissage comme méthode de recherche. Donc GP est l'application de la méthode de recherche GA aux tâches de programmation. Taxonomie de côté, l'application d'une méthode de recherche algorithmique génétique pour le problème de la sélection du commerce optimal pourrait certainement produire quelques bonnes solutions que nous ne penserions jamais de nous-mêmes. Voici un indicateur que j'ai fait qui peut s'avérer utile. Il s'agit d'une simple répartition des prix. Fiddling avec les paramètres peuvent créer des résultats tout à fait différents. . De cette façon, vous pouvez concentrer votre étude uniquement sur le soutien ou seulement sur les zones de résistance. Très sympa. J'ai fait quelque chose comme ça une fois qui a attiré un certain nombre de lignes sr en utilisant différentes couleurs selon les dernières distributions highlow, mais c'est beaucoup plus configurable. Bien faitFinally a REAL Réseau Neural EA Free - Something New Membre Commercial Inscrit septembre 2008 911 Messages Bonjour tout le monde, son été un moment. Je n'ai généralement pas prendre de telles pauses de participer à ce forum, mais depuis plus d'un an, j'ai travaillé sur un projet très intense et après une année de tests en avant Im ici pour le partager avec vous tous. Im amis avec de nombreux commerçants professionnels et un tas d'entre nous se sont réunis, a combiné notre expertise et créé un réseau neuronal système automatisé pour Metatrader qui fonctionne réellement. Étant conscients que la plupart des EA sont absolument sans valeur ou pire, les escroqueries, nous avons pensé que mar mai être fournir quelque chose d'unique au commerçant de détail moyen de personnes qui peuvent vraiment être digne de confiance. Ce groupe s'appelle Metaneural. Weve a utilisé des réseaux de neurones et les a appliqués au trading Forex avec succès dans le passé et a décidé de traduire cette méthode dans un système de Metatrader. Il est largement connu que les grandes entreprises commerciales et les hedge funds utilisent des systèmes sophistiqués d'intelligence artificielle et de réseau nueral pour tirer profit des marchés financiers avec une précision stupéfiante. Nous avons pensé, pourquoi ne peut pas ce pouvoir également être disponible pour nous - les investisseurs de petite taille Alors j'ai pris une pause de toutes mes autres activités et travaillé dur avec Metaneural pour développer ce système, que je crois être le seul réseau réel EA neural. En fait, il n'a même pas besoin d'être une EA, le code peut être écrit en C pour fonctionner exactement de la même manière dans tradestation, esignal, neuroshell, ou toute plateforme qui permet l'importation et la collecte de données DLL, Neurosolutions. Ive a fait des indicateurs et des systèmes de négociation pour la communauté forexfactory pendant des années ainsi je voulais vous donner les types la seule version libre de l'EA de Metaneural sur l'Internet. Je veux recevoir vos commentaires et impressions. Si ce fil va bien et doesnt obtenir sidetracked mal étendre le procès. Ive a eu l'amusement décrypter le marché de forex avec les grands esprits sur ce forum pendant des années et c'est mon plaisir de donner en arrière. Réseaux neuronaux dans les évaluations environnementales est l'avenir, j'espère que vous les gars pouvez réaliser cela et de développer vos propres systèmes. La première étape dans la création d'un cerveau réseau neuronal artificiel est de recueillir les données autour desquelles la structure du cerveau sera formé. Puisque nous essayons de créer un cerveau qui saura comment commercer les marchés nous devons rassembler des données de marché. Cependant, nous ne pouvons pas simplement collecter une masse de données et de la jeter dans notre moteur neuronal pour créer la structure de notre cerveau. Nous devons rassembler les données dans le format que nous voulons que le cerveau pour traiter ces données et éventuellement le même format, nous voulons qu'il crée la production po En d'autres termes, ne sont pas seulement dire à notre cerveau quoi penser, en lui donnant des données brutes, Mais nous devons lui dire comment penser, en formulant ces données brutes dans une configuration intelligible. Dans ce cas, notre configuration intelligible est des modèles. Nous recueillons des données en segments, chaque segment se compose d'un certain nombre de barres définies par le commerçant dans notre indicateur de collection propriétaire qui est livré avec tous nos forfaits. Ce groupement de barres est collecté par rapport à la barre suivante qui vient après le groupement - nous appellerons cela le bar futur. Lors de la collecte de données sur le marché de la barre d'avenir est connu, car il est tous les données historiques, c'est la barre suivante après le regroupement. L'idée est que le cerveau du réseau neuronal trouvera des motifs complexes dans le groupe de barres et utilisera les informations recueillies, y compris la barre suivante après le regroupement, pour déterminer les motifs complexes qui précèdent le résultat de la barre suivante. Au cours de la négociation réelle ce résultat sera la barre de l'avenir qui en effet permet de savoir avec un haut degré de précision de la direction du marché avant qu'il ne se produise. Les données recueillies sont extraites dans une feuille de calcul qui affiche les données de prix comme ouvertes, hautes, basses, proches (OHLC). Le OHLC de chaque barre est collecté séparément et placé dans sa propre colonne. Dans l'exemple ci-dessus, chaque ligne représente 3 barres au total. Par conséquent, les colonnes représentent des centaines ou des milliers de barres collectées remontant à l'histoire. En plus de OHLC, vous pouvez également recueillir les valeurs de presque tous les indicateurs que vous sélectionnez, ce qui donnera essentiellement à cet indicateur la capacité de penser basée sur l'évolution des conditions du marché et de prédire La valeur suivante. Création et formation de réseaux neuronaux Maintenant que nous disposons de nos données collectées, extraites dans un fichier tableur dans une configuration intelligible, nous pouvons le charger dans notre moteur de réseau neuronal qui va créer la structure du cerveau artificiel, le former et tester son exactitude avant Sauvegarder la structure. Une fois que les données collectées sont importées dans le programme de construction de réseau, vous avez le choix de sélectionner les bits de données que vous souhaitez utiliser pour construire votre cerveau. C'est une caractéristique importante car elle permet à l'utilisateur de créer de nombreuses stratégies différentes basées sur n'importe quel élément de données est jugé nécessaire. Ce qui était essentiellement faire dans cette étape est de déterminer ce que le moteur va utiliser pour créer les schémas complexes mentionnés précédemment, qui a finalement décidé de la capacité de projection du réseau neuronal EA. Par exemple, disons que vous vouliez dire au réseau de neurones de ne rechercher que des modèles dans les prix ouverts des barres par rapport aux valeurs d'indicateur de votre indicateur préféré. Vous devez alors sélectionner votre indicateur dans le collecteur et choisir uniquement les entrées ouvertes et données dans le logiciel de construction décrit ci-dessus. Vous pouvez également sélectionner toutes les entrées, à l'exception de la colonne output1, qui signifie votre valeur de sortie - la sélection de toutes les entrées créera le schéma d'apprentissage le plus complexe possible et permettra ainsi à votre cerveau de répondre à de nombreux scénarios différents. Une fois que les entrées et sorties désirées sont sélectionnées, le logiciel créera la structure de votre cerveau neuronal et vous pourrez commencer à le former. Une partie des données recueillies est mise de côté et utilisée pour former et tester la précision de votre cerveau artificiel, vous verrez la sortie souhaitée commencer à se conformer aux données d'essai comme il apprend. Une fois ce processus est terminé, vous serez en mesure d'exporter le cerveau artificiel structuré sous la forme d'une DLL qui sera utilisé par l'EA MetaNeural. Une fois que le cerveau est construit, formé, testé et exporté en tant que DLL, vous pouvez commencer à négocier avec un cerveau réseau neuronal automatisé qui verra des modèles complexes qui sont impossibles pour un humain à atteindre. Obtenez l'EA de Metaneural maintenant en finançant un compte à FinFX avec n'importe quelle quantité et en utilisant notre service de photocopieuse pour refléter nos métiers gagnants professionnels dans votre compte. Après 50 lots complets sont échangés, vous recevrez l'EA Metaneural avec toutes les fonctionnalités pour les comptes GRATUIT doit être financé avec le lien fourni dans la section des prix du site Metaneural. Placez ces fichiers dans les dossiers suivants dans Metatrader: Expert Expert - Metatrader 4experts Indicateur de collecteur (DatacollectorV2a) - Metatrader 4expertsindicators Indicateur de réseau neuronal (Metaneural NN Indicator) - Metatrader 4expertsindicateurs MQLLock et MT4NSAdapter Fichiers DLL - Metatrader 4expertslibraries Vous devez installer Neurosolutions 6 et Visual Studio 6 pour ce travail, des instructions sur ces installations peuvent être trouvées dans le manuel très détaillé joint à ce post. VOUS DEVEZ LIRE LE MANUEL Oui, il peut être appliqué à plusieurs devises simultanément car il peut être formé sur chaque devise individuellement et une structure de réseau neural peut être créée pour chaque devise. Je dirais que la seule dépendance du courtier serait l'intégrité de leur prix d'alimentation, plus stable et cohérente leur alimentation le mieux les données de formation sera et par la suite les métiers. N'étaient pas scalper nécessairement si la vitesse d'exécution n'est pas très important. Merci de votre intérêt. Félicitations pour le développement d'un système qui donne des rendements sains. Toujours mieux que d'étonner les EA qui finissent généralement par souffler le compte. Je suis un membre commercial me partageant mon système Fibonacci Makeover (ForexFibs) ici afin que je puisse comprendre pourquoi vous offrez une EA gratuite. Ma question est peut cette EA être appliquée à de multiples devises, car il est basé sur les réseaux réels neurones Est-il dépend de la vitesse de courtier et d'exécution
No comments:
Post a Comment