با استفاده از شاخص های Metatrader 5 با چارچوب یادگیری ماشین Encog برای پیش بینی دوران

در این مقاله Metatrader 5 به Encog - شبکه عصبی پیشرفته و چارچوب یادگیری ماشین ساخته شده توسط Heaton Research معرفی شده است. قبلاً روشهای توصیف شده ای وجود دارد که من از آن می دانم که متاترادر را قادر به استفاده از تکنیک های یادگیری ماشین می کند: Fann ، Neurosolutions ، Matlab و Neuroshell. امیدوارم که Encog یک راه حل مکمل باشد زیرا این یک کد قوی و طراحی شده است.

چرا من Encog را انتخاب کردم؟دلایل کمی وجود دارد.

1. Encog در دو بسته نرم افزاری تجاری تجاری دیگر استفاده می شود. یکی بر اساس C#، دوم در جاوا است. این بدان معنی است که قبلاً برای پیش بینی داده های زمانی مالی آزمایش شده است.
2. Encog نرم افزار رایگان و منبع باز است. اگر می خواهید ببینید که در داخل یک شبکه عصبی چه می گذرد می توانید کد منبع را مرور کنید. این همان کاری است که من در واقع برای درک بخش هایی از مشکل Prediciton انجام دادم. C# تمیز و درک زبان برنامه نویسی آسان است.
3. Encog بسیار خوب مستند است. آقای هیتون ، بنیانگذار تحقیقات Heaton یک دوره آنلاین رایگان در شبکه های عصبی ، یادگیری ماشین و استفاده از Encog برای پیش بینی داده های آینده ارائه می دهد. من قبل از نوشتن این مقاله ، بسیاری از درس های او را پشت سر گذاشتم. آنها به من کمک کردند تا شبکه های عصبی مصنوعی زیادی را درک کنم. موارد اضافی در مورد برنامه نویسی Encog در Java و C# در وب سایت تحقیقات Heaton وجود دارد. مستندات کامل Encog بصورت آنلاین در دسترس است.
4. Encog یک پروژه مرده نیست. به عنوان زمان نوشتن این مقاله Encog 2. 6 هنوز در دست توسعه است. نقشه راه Encog 3. 0 اخیراً منتشر شده است.
5. Encog قوی است. به خوبی طراحی شده است ، می تواند از چندین هسته CPU و چند رشته ای برای سرعت بخشیدن به محاسبات شبکه عصبی استفاده کند. بخش هایی از کد شروع می شود برای محاسبات OpenCL - GPU.
6. ECNOG در حال حاضر از ویژگی های پشتیبانی شده:

• خوراک و مکرر ساده (المان/اردن) (PNN/GRNN) (SOM/Kohonen)

• رقابتی
• خطی
• وابسته به مماس
• موج گناه
• گام
• دو قطبی
• وابسته به گاوسی

• دامنه تصادفی
• اعداد تصادفی گاوسی
• هواداری
• نهوین

همانطور که می بینید این یک لیست کاملاً طولانی است.

این مقاله مقدماتی بر معماری شبکه عصبی Feed Forward با آموزش انتشار انعطاف پذیر (RPROP) متمرکز شده است. همچنین اصول اولیه تهیه داده ها - جعبه زمانی و عادی سازی برای زمان های زمانی Prediciton را در بر می گیرد.

دانشی که به من امکان نوشتن این مقاله را می دهد ، بر اساس آموزش های موجود در وب سایت تحقیقات Heaton و مقالات بسیار اخیر در مورد پیش بینی زمان های مالی در نینجاترادر است. لطفاً توجه داشته باشید که Encog Java و C# مبتنی بر است. این مقاله بدون کار قبلی من امکان پذیر نخواهد بود: قرار دادن کد C# در MQL5 با استفاده از صادرات بدون کنترل. این راه حل قادر به استفاده از C# DLL به عنوان پلی بین شاخص Metatrader 5 و پیش بینی کننده های رمزگذاری شده است.

1. استفاده از مقادیر شاخص های فنی به عنوان ورودی برای یک شبکه عصبی

شبکه عصبی مصنوعی یک الگوریتم مهندسی انسان است که سعی در تقلید از شبکه عصبی مغز دارد.

انواع مختلف الگوریتم های عصبی در دسترس است و انواع مختلفی از معماری شبکه عصبی وجود دارد. زمینه تحقیق به حدی گسترده است که کتابهای کاملی وجود دارد که به یک نوع واحد از یک شبکه عصبی اختصاص داده شده است. از آنجا که چنین جزئیات خارج از محدوده این مقاله نیست ، من فقط می توانم از طریق آموزش های تحقیقاتی Heaton یا خواندن کتاب در این زمینه توصیه کنم. من روی ورودی ها و خروجی های شبکه عصبی Feed Forward تمرکز خواهم کرد و سعی می کنم نمونه عملی پیش بینی دوران مالی را توصیف کنم.

برای شروع پیش بینی دوران مالی مالی ، باید فکر کنیم که چه چیزی را باید به شبکه عصبی ارائه دهیم و چه چیزی را می توان در ازای آن انتظار داشت. در اکثر تفکر انتزاعی جعبه سیاه ، ما با گرفتن موقعیت های طولانی یا کوتاه در مورد قرارداد یک امنیت معین و بسته شدن معامله پس از مدتی به سود یا ضرر می رسیم.

با مشاهده قیمت های گذشته از امنیت و ارزش های شاخص های فنی ، سعی می کنیم احساسات آینده یا جهت گیری قیمت ها را به منظور خرید یا فروش قرارداد پیش بینی کنیم و اطمینان حاصل کنیم که با تلنگر سکه تصمیم ما گرفته نشده است. وضعیت کمتر در شکل زیر به نظر می رسد:

شکل 1. پیش بینی زمان های مالی با استفاده از شاخص های فنی

ما سعی خواهیم کرد با هوش مصنوعی به همین نتیجه برسیم. شبکه عصبی سعی خواهد کرد مقادیر شاخص را تشخیص دهد و تصمیم بگیرد که آیا این احتمال وجود دارد که قیمت بالا یا پایین بیاید. چگونه می توانیم به این هدف برسیم؟از آنجا که ما با استفاده از معماری شبکه عصبی Feed Forward ، در حال پیش بینی زمان های مالی خواهیم بود ، فکر می کنم باید در معماری آن مقدمه ای ایجاد کنیم.

شبکه عصبی Feed Forward از نورونهایی تشکیل شده است که در لایه ها گروه بندی می شوند. باید حداقل 2 لایه وجود داشته باشد: یک لایه ورودی که حاوی نورون های ورودی و یک لایه خروجی است که حاوی نورون های خروجی است. همچنین می توان لایه های پنهان بین لایه های ورودی و خروجی را داشت. لایه ورودی را می توان به سادگی از آرایه ای از مقادیر مضاعف تصور کرد و لایه خروجی می تواند از یک یا چند نورون باشد که مجموعه ای از مقادیر مضاعف را نیز تشکیل می دهند. لطفاً شکل زیر را ببینید:

شکل 2. لایه های شبکه عصبی تغذیه ای

اتصالات بین نورونها به منظور ساده سازی نقاشی ترسیم نشده است. هر نورون از لایه ورودی به یک نورون در لایه پنهان متصل می شود. هر نورون از لایه پنهان به یک نورون در لایه خروجی متصل می شود.

هر اتصال دارای وزن خود است ، که همچنین یک عملکرد دو برابر و فعال سازی با یک آستانه است ، که وظیفه فعال سازی نورون و انتقال اطلاعات به نورون بعدی را بر عهده دارد. به همین دلیل است که به آن یک شبکه "Feed Forward" گفته می شود - اطلاعات مبتنی بر خروجی نورون های فعال شده از یک لایه به لایه دیگر نورون ها تغذیه می شوند. برای فیلم های مقدماتی دقیق در مورد شبکه های عصبی Feed Forward ، ممکن است بخواهید به لینک های زیر مراجعه کنید:

بعد از اینکه در مورد معماری شبکه عصبی و مکانیسم های آن اطلاعاتی کسب کردید ، هنوز هم ممکن است متعجب شوید.

مشکلات اصلی:

1. چه اطلاعاتی را باید به یک شبکه عصبی تغذیه کنیم؟
2. چگونه باید آن را تغذیه کنیم؟
3. چگونه داده های ورودی را برای یک شبکه عصبی تهیه کنیم؟
4. چگونه معماری شبکه عصبی را انتخاب کنیم؟چند نورون ورودی ، نورون های پنهان و نورون های خروجی به آن نیاز داریم؟
5. چگونه شبکه را آموزش دهیم؟
6. چه چیزی انتظار می رود خروجی باشد؟

2. چه داده ای برای تغذیه شبکه عصبی با

از آنجا که ما بر اساس خروجی های شاخص با پیش بینی های مالی سر و کار داریم ، باید شبکه را با مقادیر خروجی شاخص ها تغذیه کنیم. برای این مقاله من تصادفی ٪ k ، تصادفی آهسته ٪ d و ویلیامز ٪ r را به عنوان ورودی انتخاب کردم.

شکل 3. شاخص های فنی مورد استفاده برای پیش بینی

به منظور استخراج مقادیر شاخص ها می توانیم از توابع iStochastic و IWPR MQL5 استفاده کنیم:

پس از اجرای این کد ، سه آرایه Stochkarr ، Stochdarr و Williamsrarr باید با مقادیر خروجی شاخص ها پر شوند. بسته به اندازه نمونه آموزش این ممکن است تا چند هزار مقدار باشد. لطفاً در نظر داشته باشید که این دو شاخص فقط برای اهداف آموزشی انتخاب شده اند.

تشویق می‌شوید هر شاخصی را که برای پیش‌بینی مناسب می‌دانید آزمایش کنید. ممکن است بخواهید شبکه را با قیمت طلا و نفت تغذیه کنید تا شاخص های سهام را پیش بینی کنید یا ممکن است از جفت ارزهای همبسته برای پیش بینی جفت ارز دیگری استفاده کنید.

3. Timeboxing داده های ورودی

پس از جمع‌آوری داده‌های ورودی از چندین شاخص، باید ورودی را قبل از وارد کردن آن به شبکه عصبی، «جعبه زمانی» کنیم. Timeboxing تکنیکی است که اجازه می دهد تا ورودی های شبکه را به صورت تکه های متحرک داده ارائه کنیم. شما می توانید یک جعبه متحرک از داده های ورودی را تصور کنید که در محور زمان به جلو حرکت می کند. اساساً دو مرحله در این روش وجود دارد:

1. جمع آوری داده های ورودی از هر بافر نشانگر. ما باید تعداد INPUT_WINDOW عناصر را از موقعیت شروع به سمت آینده کپی کنیم. پنجره ورودی تعداد نوارهایی است که برای پیش بینی استفاده می شود.

شکل 4. جمع آوری داده های پنجره ورودی از بافر نشانگر

همانطور که در مثال بالا مشاهده می کنید INPUT_WINDOW برابر با 4 نوار است و ما عناصر را در آرایه I1 کپی کردیم. I1[0] اولین عنصر است I1[3] آخرین عنصر است. به طور مشابه داده ها باید از سایر نشانگرها در آرایه های اندازه INPUT_WINDOW کپی شوند. این رقم برای آرایه‌های سری زمانی با پرچم AS_SERIES روی true است.

2. ترکیب آرایه های INPUT_WINDOW در یک آرایه که به لایه ورودی شبکه عصبی تغذیه می شود.

شکل 5. آرایه های پنجره ورودی با جعبه زمانی

3 نشانگر وجود دارد، ابتدا مقدار اول هر اندیکاتور و سپس مقدار دوم هر نشانگر را می گیریم و تا زمانی که پنجره ورودی مانند شکل بالا پر شود ادامه می دهیم. چنین آرایه ای ترکیبی از خروجی های نشانگر می تواند به لایه ورودی شبکه عصبی ما تغذیه شود. هنگامی که یک نوار جدید وارد می شود، داده ها توسط یک عنصر برش داده می شوند و کل روند تکرار می شود. اگر علاقه مند به جزئیات بیشتر در مورد آماده سازی داده ها برای پیش بینی هستید، ممکن است بخواهید ویدیویی در مورد این موضوع نیز مشاهده کنید.

4. عادی سازی داده های ورودی

برای اینکه شبکه عصبی موثر باشد، باید داده ها را نرمال سازی کنیم. این برای محاسبه صحیح توابع فعال سازی مورد نیاز است. عادی سازی یک فرآیند ریاضی است که داده ها را به محدوده 0.. 1 ی ا-1.. 1 تبدیل می کند. داده های نرمال شده را می توان غیرعادی کرد، به عبارت دیگر به محدوده اصلی تبدیل می شود.

غیرعادی سازی برای رمزگشایی خروجی شبکه عصبی به شکل قابل خواندن توسط انسان مورد نیاز است. خوشبختانه ENCOG از نرمال سازی و غیرعادی سازی مراقبت می کند، بنابراین نیازی به اجرای آن نیست. اگر کنجکاو هستید که چگونه کار می کند، می توانید کد زیر را تجزیه و تحلیل کنید:

5. انتخاب معماری شبکه و تعداد نورون ها

برای یک تازه کار در این زمینه، انتخاب معماری شبکه صحیح یک بخش سخت است. در این مقاله، معماری شبکه عصبی فید فوارد را به سه لایه محدود می‌کنم: یک لایه ورودی، یک لایه پنهان و یک لایه خروجی. شما آزاد هستید که با تعداد بیشتری لایه آزمایش کنید.

برای لایه ورودی و خروجی ما قادر خواهیم بود تعداد نورون های مورد نیاز را به دقت بشماریم. برای یک لایه پنهان، سعی خواهیم کرد با استفاده از یک الگوریتم انتخاب رو به جلو، خطای شبکه عصبی را به حداقل برسانیم. شما تشویق می شوید که از روش های دیگر استفاده کنید. ممکن است برخی از الگوریتم های ژنتیک برای محاسبه تعداد نورون ها وجود داشته باشد.

روش دیگری که توسط ENCOG استفاده می‌شود الگوریتم انتخاب معکوس یا هرس نامیده می‌شود، اساساً این روش ارزیابی اتصالات بین لایه‌ها و حذف نورون‌های پنهان با اتصالات وزن صفر است، ممکن است بخواهید آن را امتحان کنید.

5. 1. لایه نورون های ورودی

با توجه به جعبه زمانی، تعداد نورون‌ها در لایه ورودی باید برابر با تعداد نشانگرها ضربدر تعداد میله‌های مورد استفاده برای پیش‌بینی نوار بعدی باشد. اگر از 3 نشانگر به عنوان ورودی استفاده کنیم و اندازه پنجره ورودی برابر با 6 میله باشد، لایه ورودی از 18 نورون تشکیل می شود. لایه ورودی با داده های تهیه شده توسط جعبه زمانی تغذیه می شود.

5. 2. لایه نورون های پنهان

تعداد شبکه های پنهان باید بر اساس عملکرد شبکه عصبی آموزش دیده تخمین زده شود. هیچ معادله ریاضی ساده ای برای تعدادی از نورون های پنهان وجود ندارد. قبل از نوشتن مقاله، از چندین روش آزمون و خطا استفاده کردم و الگوریتمی را در وب سایت Heaton Research پیدا کردم که به درک الگوریتم انتخاب رو به جلو کمک می کند:

شکل 6. الگوریتم انتخاب رو به جلو برای تعداد نورون های پنهان

5. 3. لایه نورون های خروجی

برای اهداف ما، تعداد نورون‌های خروجی، تعداد میله‌هایی است که می‌خواهیم پیش‌بینی کنیم. لطفاً به یاد داشته باشید که هر چه تعداد نورون های مخفی و خروجی بیشتر باشد، آموزش شبکه بیشتر طول می کشد. در این مقاله سعی دارم یک نوار را در آینده پیش بینی کنم، بنابراین لایه خروجی از یک نورون تشکیل شده است.

6. صادرات داده های آموزشی از متاتریدر 5 به ENCOG

Encog فایل CSV را برای آموزش شبکه عصبی می پذیرد.

من به فرمت فایل صادر شده از سایر نرم افزارهای تجاری به ENCOG نگاه کردم و اسکریپت MQL5 را پیاده سازی کردم که همان فرمت فایل را برای آموزش آماده می کند. من ابتدا یک اندیکاتور صادر می کنم و بعداً با چندین اندیکاتور ادامه می دهم.

خط اول داده ها هدر جدا شده با کاما است:

سه ستون اول شامل، تاریخ، زمان و مقادیر بسته، ستون های بعدی حاوی نام شاخص هستند. ردیف های بعدی فایل آموزشی باید حاوی داده های جدا شده با کاما باشد، مقادیر نشانگر باید در قالب علمی نوشته شوند:

لطفاً اسکریپت آماده را برای یک نشانگر زیر مشاهده کنید.

فایل نتیجه ای که می تواند برای آموزش استفاده شود باید مانند خروجی زیر باشد:

با بازگشت به مثال مقاله اصلی با اندیکاتورهای Stochastic و ویلیامز، باید سه ستون جدا شده از کما را صادر کنیم، هر ستون حاوی مقادیر شاخص جداگانه است، بنابراین باید فایل را گسترش دهیم و بافرهای اضافی اضافه کنیم:

فایل نتیجه باید تمام مقادیر نشانگر را داشته باشد:

می توانید مثال دوم را تغییر دهید تا به راحتی یک اسکریپت مطابق با نیازهای شما تولید شود.

7. آموزش شبکه عصبی

آموزش شبکه قبلا به زبان سی شارپ توسط Heaton Research تهیه شده است. ENCOG 2. 6 فضای نام Encog. App. Quant را پیاده سازی می کند که مبنایی برای پیش بینی سری های زمانی مالی است. اسکریپت آموزشی بسیار منعطف است و به راحتی می توان آن را با هر تعداد شاخص ورودی تنظیم کرد. شما فقط باید مکان دایرکتوری متاتریدر 5 را در ثابت DIRECTORY تغییر دهید.

معماری شبکه و پارامترهای آموزشی را می توان به راحتی با تغییر متغیرهای زیر سفارشی کرد:

کد بسیار واضح است، بنابراین بهترین کار این است که آن را با دقت بخوانید:

ممکن است متوجه شوید که من یک خط نظر دادم و تابع آموزشی را از EncogUtility. TrainToError () به EncogUtility. TrainConsole () تغییر دادم.

روش TrainConsole چند دقیقه را برای آموزش شبکه مشخص می کند. در مثال من شبکه را به مدت سه دقیقه آموزش می دهم. بسته به پیچیدگی شبکه و اندازه داده های آموزشی، آموزش شبکه ممکن است چند دقیقه، ساعت یا حتی چند روز طول بکشد. توصیه می کنم در مورد محاسبه خطا و الگوریتم های آموزشی در وب سایت Heaton Research یا هر کتاب دیگری در این زمینه بیشتر بخوانید.

متدهای EncogUtility. TrainToError () آموزش شبکه را پس از دستیابی به خطای شبکه هدف متوقف می کند. شما می‌توانید EncongUtiliy. TrainConsole() و EncogUtility. TrainToError() را کامنت کنید تا شبکه را تا یک خطای دلخواه مانند مثال اصلی آموزش دهید.

لطفاً توجه داشته باشید که گاهی اوقات شبکه را نمی توان برای خطای خاصی آموزش داد زیرا ممکن است تعداد نورون ها خیلی کم باشد.

8. استفاده از شبکه عصبی آموزش دیده برای ساختن شاخص عصبی متاتریدر 5

شبکه آموزش دیده می تواند توسط یک نشانگر شبکه عصبی استفاده شود که سعی می کند بهترین بازگشت سرمایه را پیش بینی کند.

شاخص عصبی Encog برای Metatrader 5 از دو بخش تشکیل شده است. یک قسمت در MQL5 نوشته شده است و اساساً همان شاخص هایی را که شبکه با آنها آموزش داده شده است ، می گیرد و شبکه را با مقادیر نشانگر پنجره ورودی تغذیه می کند. قسمت دوم در C# و IT TimeBoxes داده های ورودی نوشته شده و خروجی شبکه عصبی را به MQL5 برمی گرداند. قسمت نشانگر C# براساس مقاله قبلی من در مورد افشای کد C# در MQL5 است.

اگر مایل به استفاده از تعداد دیگری از شاخص های دیگر از سه نفر هستید ، باید متناسب با نیازهای خود ، روش Computennindicator () را تغییر دهید.

در این حالت سه پارامتر ورودی اول جداول هایی هستند که حاوی مقادیر ورودی نشانگر هستند ، پارامتر چهارم طول پنجره ورودی است.

sizeparamindex = 3 امتیاز به متغیر طول پنجره ورودی ، زیرا تعداد متغیرهای ورودی از 0 به بعد افزایش می یابد. پارامتر پنجم جدول است که حاوی نتایج شبکه عصبی است.

قسمت شاخص MQL5 نیاز به وارد کردن C# Encognntraindll. dll دارد و از توابع اولیه استفاده می کند () و Computencenindicator () از DLL صادر می شود.

لطفاً به خروجی نشانگر آموزش داده شده در داده های روزانه USDCHF و شاخص های تصادفی و ویلیامز ٪ R مراجعه کنید:

شکل 7. نشانگر Encog عصبی

نشانگر نشان می دهد بهترین بازده سرمایه گذاری در نوار بعدی است.

شاید متوجه شده باشید که من در آینده نشانگر را یک نوار تغییر داده ام:

این نشان می دهد که شاخص یک پیش بینی کننده است. از آنجا که ما یک شاخص عصبی ایجاد کردیم ، ما آماده ساخت یک مشاور متخصص بر اساس شاخص هستیم.

9. مشاور خبره بر اساس یک شاخص عصبی

مشاور خبره خروجی نشانگر عصبی را می گیرد و تصمیم می گیرد امنیت را خریداری یا بفروشد. برداشت اول من این بود که باید هر زمان که نشانگر بالاتر از صفر باشد و در زیر صفر بفروشد ، خرید می کند ، به این معنی که خرید بهترین پیش بینی بازگشت در یک پنجره زمانی معین مثبت است و وقتی بهترین پیش بینی بازده منفی است ، بفروشید.

پس از برخی آزمایشات اولیه ، معلوم شد که عملکرد می تواند بهتر باشد ، بنابراین من متغیرهای "بالادنده قوی" و "پایین آمدن قوی" را معرفی کردم ، به این معنی که هیچ دلیلی برای خروج از تجارت وجود ندارد وقتی که ما طبق روند مشهور در یک روند قوی هستیمآیا شما دوست هستید

علاوه بر این به من در انجمن تحقیقات Heaton توصیه شد که از ATR برای ضرر و زیان توقف استفاده کند ، بنابراین من از شاخص ATR Chandelier که در انجمن MQL5 پیدا کردم استفاده کردم. در واقع این افزایش سهام را در حالی که پشتی است ، افزایش می دهد. من در حال چسباندن کد منبع مشاور متخصص در زیر هستم.

مشاور متخصص در داده های ارز USDCHF D1 اجرا شد. حدود 50 ٪ از داده ها خارج از نمونه آموزش بودند.

10. نتایج مشاور خبره خبره

من در حال چسباندن نتایج پشتی در زیر هستم. Backtest از سال 2000. 01. 01 تا 2011. 03. 26 اجرا شد.

شکل 8. نتایج مشاور خبره عصبی نتایج پشتیبان

شکل 9. تعادل مشاور متخصص عصبی/نمودار پشتی سهام عدالت

لطفاً توجه داشته باشید که این عملکرد ممکن است برای بازه زمانی Orther و سایر اوراق بهادار کاملاً متفاوت باشد.

لطفاً با این EA به عنوان آموزشی رفتار کنید و آن را به یک نقطه شروع برای تحقیقات بیشتر تبدیل کنید. دیدگاه شخصی من این است که شبکه می تواند هر دوره زمانی خاص را دوباره آموزش دهد تا آن را قوی تر کند ، شاید کسی یا در حال حاضر راهی خوب برای دستیابی به آن پیدا کند. شاید راه بهتری برای پیش بینی های خرید/فروش بر اساس یک شاخص عصبی وجود داشته باشد. من خوانندگان را به آزمایش تشویق می کنم.

نتیجه

در مقاله زیر راهی برای ساختن یک شاخص پیش بینی عصبی و مشاور متخصص بر اساس آن شاخص با کمک چارچوب یادگیری ماشین Encog ارائه کردم. تمام کد منبع ، باینری های گردآوری شده ، DLL و یک شبکه آموزش دیده نمونه به مقاله وصل شده اند.

به دلیل "بسته بندی Double DLL در . NET" ، پرونده های cloo. dll ، encog-cs. dll و log4net. dll باید در پوشه ترمینال مشتری قرار بگیرند. پرونده encognntraindll. dll باید در پوشه \ terminal data \ mql5 \ پوشه \ پوشه قرار داشته باشد.