Neuronale netze forex

Neuronales Netz.

Neuronales Netz ist eines der neueren Schlagworten im Handel. Es klingt cool und anspruchsvolle. Nicht zu viele Leute scheinen zu verstehen, foi alles über neuronale Netze sind.

Neuronen in der realen Welt.

Unsere Gehirne sind phänomenal kompliziert. Für die meisten überraschend, jedoch, ist, dass das Gehirn mehr oder weniger eine riesige Kiste Schaltungen. Neuronen sind Zellen, die wie Schaltungen mit "elektrischen Leitungen", genannte Axone, das Auslaufen und über den menschlichen Körper verbinden. Jede Bewegung, Wahrnehmung ou Aktion, die Sie tun, ist die Summe der die Axone, die elektrische Impulse auslösen. Änderung tritt auf, wenn die Frequency des elektrischen Impulso von den Neuronen gesendet variiert. Weitere Impulse zu einer Reaktion führen., Eine Verringerung der bewirkt, dass eine andere.

Neuronale Netze versucht, morre Prozesse des menschlichen Gehirns zu emulieren, indem die Organization von Informationen in den Neuronen. Im Gegensatz zu tatsächlichen Neuron Zellen, eine Neuron Netzwerk existiert nur in der Maschine. Es ist ein Maschinengewicht, die enthält Informationen darüber, foi um estudante.

Ein neuronales Netz für ein Handelssystem möchten gemeinsame Indikatoren wie ein gleitender Durchschnitt studieren, der RSI und Stochastik Oszillator. Der gleitende Durchschnittswert für die aktuelle Bar zählt als eigenes neuron. Morre RSI ist anders, então wird es ein separa Neuron sein. Wenn ich zehn Indikatoren em meinem Werkzeugkasten haben, dann habe ich 10 Neuronen in meinem Netzwerk.

Computer lösen traditionell linear, einfache Probleme. Wenn Sie das Ergebnis der mathematischen Operationen wie die Kubikwurzel aus wissen wollen 355, Computador s ideal para morrer Aufgabe. Berechnen sie schnell eine präzise Antwort.

Wie im menschlichen Gehirn, Neuronale Netze Form Synapsen mit anderen Nervenzellen. Wenn geschult, Gruppen von Nervenzellen können lernen, Muster zu erkennen. Es ist diese Eigenschaft, die neuronale Netze so nützlich macht. Dies ermöglicht es uns, programa zu erstellen, die mit traditionellen computing unmöglich wäre. Erstellen eines Softwareprogramms, ein Gesicht zu erkennen, zum Beispiel, extrem schwierig wäre. Es ist viel einfacher, ein Netzwerk, ein Gesicht zu erkennen, indem er immer wieder zeigt die Netzwerk-Gesichter zu trainieren.

Das Gehirn ist ein faszinierendes Thema aus eigenem Recht. Nebenbei bemerkt, Meine Frau und ich nehmen einen Umfrage-Kurs in der Neurologie über eine video-Serie The Great Kurse. Wenn Sie Interesse, allen in den Gegenstand haben, Ich empfehle Verstehen des Gehirns von Jeanette Norden. Es umfasst im Detail wie Neuronen Anatomie im gesamten Gehirns und des gesamten Körpers verbinden.

Neuronale Netze und Devisenhandel.

Neuronale Netze kommen ins Spiel, mora o Antwort nicht so präzise ist .. Kleben mit diesem Blog Thema Devisenhandel, Es gibt keine richtige Antwort, foi o sistema de perfeição System für den Handel. Ein typischer Privatanleger könnte sagen, das melhores System für den Handel ist der, der das meiste Geld macht. Ein anderes könnte sagen, dass das bestias System für den Handel ist derjenige mit der höchsten Sharpe-ratio. Viele wollen etwas in der Mitte.

Das Problem der & quot; Melhor Sistema de Negociação & quot; ist mehrdeutig, wodurch es einen idealen Kandidat für Angriffe mit neuronalen Netzen. Die Designer-Konturen-Sätze von Vorschriften, die, Laut des Händlers, bilden Sie eine numerische Methode zur Messung des besten Systems.

Menschliche Gehirn hosten etwa 100 Milliarden Neuronen. Trotz der Bemühungen vieler unserer Kunden, Ich habe noch mit treffen 100 Milliarden Marktindikatoren zur Verfügung. Eine Möglichkeit, verstärken die Wirkung von Neuronen in unserer Toolbox ist auf ausgeblendete Ebenen erstellen.

Ein Netzwerk besteht aus mehreren Schichten, jeweils mit mehreren Neuronen gebildet. Jedes Neuron ist mit jedem Neuron in der nächsten Ebene verbunden .. Jede Verbindung dann trägt seine eigene einzigartigen gewichteten Wert. Eine Neuron wird den Wert des Neurons multipliziert und durch das Gewicht des die ausgehende Verbindung auf dessen Wert übergeben .. Das Neuron am Ende die ausgehende Verbindung wird zusammenfassend alle eingehenden Verbindungen und propagieren dieses Ergebnis auf die nächste Ebene durch alle ausgehenden Verbindungen.

As fotos parecem morrer Ideam weit intuitivere. Abbildung 1 enthält ein kleines Beispiel. Die 2 und 3 auf der linken Seite sind die Eingänge ins Netz. Diese Eingänge erhalten durch das Gewicht der Verbindung auf die nächste Ebene multipliziert .. Die 2 multiplisiert mit dem 0.5 geben uns 1, und 3 von 2 geben uns 6. Die zweite Schicht enthält einen Node die fasst die Ergebnisse aus der vorherigen Schicht, geben uns 7. Der nächste Schritt wäre zu vermehren 7 durch die Gewichte auf die ausgehenden Verbindungen und übergeben Sie sie auf der nächsten Ebene.

Abbildung 1: Ein Beispiel für ein neuronales Netz, morre Weitergabe der Ergebnisse nach vorn.

Das kurze Beispiel oben können wiederholt und in Form eines größeren Netzwerks miteinander verkettet werden. Unter, em Abbildung 2, Wir haben ein Beispiel eines größeren Netzwerks. Beispielnetzwerk hat 3 Eingaben, die verborgene Ebene verbunden sind. Die verborgene Ebene wird dann zu einem einzigen Ausgang angeschlossen .. Ausgeblendeten Ebenen werden Schulungen zu erleichtern. Je komplexer das Problem je mehr Schichten und Knoten erforderlich.

Abbildung 2: Ein Beispiel für ein größeres neuronales Netz.

Das Netz lernt durch die Gewichte viele Verbindungen aktualisieren. Es gibt viele Softwarealgorithmen, morre verwendet werden, um lernen em neuronalen Netzen zu erreichen. Sie caído em zwei Kategorien, überwachte und Unüberwachtes Lernen. Betreutes lernen geschieht mit dem Benutzer im Netzwerk zu sagen, wenn seine Vorhersagen korrekt sind. Das Netzwerk dann berechnet seine Fehler und einem der Algorithmen verwendet, um den Fehler zu beheben. Ein Beispiel hierfür ist die umgekehrte Vermehrung, die Fehler der Vorhersage des Netzes berechnet. Das Netzwerk verwendet einen schnellen Algorithmus dann alle Gewichte Verbindung mit diesem Fehler aktualisieren. Umgekehrte Vermehrung ist eine der häufigeren Training Strategien.

Unüberwachtes Lernen verwendet irgendeine Art von Fitness ou score-Algorithmus, in dem das Netzwerk wird Ergebnis selbst mit und versuchen, bei jedem nachfolgenden Versuch zu verbessern. Ein Beispiel für unbeaufsichtigt Training ist der genetische Algorithmus. Dieser Algorithmus erstellt eine Bevölkerung von neuronalen Netzen und verwendet ein Bewertungsalgorithmus entwickelt, die vom Benutzer zum Rang der Bevölkerung. Danach, Es ist Überleben der stärksten. Die Top-Rang-Netze erhalten bleiben und & quot; reproduzieren & quot; und unten auf Platz geworfen bekommen. Die Netze reproduzieren, indem mischen und Anpassen der Verbindung Gewichte.

Neuronale Netze können erheblich Systeme Händler ihre Algorithmentechnik durch erforschen Milliarden Kombinationen unter eine relativ kleine Toolbox Indikatoren unterstützen. Dies unterscheidet sich vom standard-Optimierung, morreu wird Zahlen em verschiedenen Indikatoren, morreu no Suche nach foi Kombination gibt das meiste Geld zurück.

Die Tatsache, dass Netzwerke können mehrere Maßnahmen zu prüfen (Gleichgewicht, Sharpe-Ratio, etc.) um zu bestimmen, die besten Handelssystem verringern hilft die Wahrscheinlichkeit, dass es eine bestimmte Maßnahme insiste demais. Ein gutes Beispiel dafür ist Kontostand. Wenn ein System das geben und nehmen zwischen die Nettorendite und dem Risiko angepasst wiegt zurück, Es beginnt zu Schritt weg von der Zahlenverarbeitung entdecken die besten Zahlen zu nutzen und weiter em Richtung tatsächliche Lern - und Muster-Anerkennung.

Neuronale Netze erweisen sich als sehr nützlich em Einer Vielzahl von Anwendungen von Gesichtserkennung nach Währung Markt Vorhersagen. Sie excel wo gibt is Muster, die schwierig für uns, zu erkennen sind. Diese Fähigkeit macht Netzwerke von unschätzbarem Wert bei der Lösung schwieriger Probleme com mehreren Variablen.

Neuronale Netze no MetaTrader verwenden.

Einführung.

Viele von Ihnen haben wahrscheinlich die Möglichkeit der Verwendung von neuronalen Netzen em Ihrem EA betrachtet. Dieses Thema war sehr heiß, besonders nach der 2007 Automated Trading Championship und dem spektakulären Gewinn von Melhor com o sistema de sociedade no Nease Neuronaler Netze. Viele Internet-Foren wurden mit Themen überflutet im Zusammenhang mit neuronalen Netzen und Devisenhandel. Leider ist die native MQL4 Umsetzung von NN nicht einfach. Es erfordert einige Programmierkenntnisse und das Ergebnis würde nicht sehr effizient sein, besonders, wenn Sie möchten, dass Ihr abschließendes Ergenis im Tester auf große Mengen von Daten testen wollen.

No entanto, na Internet, na Internet, pode-se obter informações sobre a rede de redes neurais rápidas (FANN) no Ihrem MQL4 Code seewenden, während bestimmte Hindernisse und Einschränkungen vermieden werden. Außerdem gehe ich davon aus, dass der Leser mit Artificial Neural Networks (ann) und der Terminologie in Zusammenhang mit diesem Thema vertraut ist, então dass ich mich auf praktische Aspekte der Verwendung von bestimmter Implementierung von ann in MQL4 Sprache konzentrieren werde.

FANN Eigenschaften.

Um em volem Umfang die Möglichkeiten der FANN Implementierung zu verstehen, muss man sich mit ihrer Dokumentation und den am häufigsten verwendeten Funktionen vertraut machen. Die typische Verwendung von FANN ist ein einfaches vorgeschaltetes Netzwerk zu schaffen, is mit einigen Daten trainieren und laufen. Das erstellte und trainierte Netzwerk könnte dann in eine Datei gespeichert werden und später zur weiteren Verwendung wieder hergestellt werden. Um ein ann zu erstellenmuss man die fann_create_standard () Funktion verwende. Sehen wir uns die Syntax an:

Wo num_layers morre Gesamtzahl von Schichten darstellt, einschließlich der Eingabe - und der Ausgabeschicht. Das lNnum und folgende Argumente repräsentiert morre Anzahl von Neuronen in jeder Schicht, beginnend mit der Eingabeschicht und endend mit der Ausgabeschicht. Um ein Netz mit einer verborgenen Schicht mit 5 Neuronen, 10 Eingaben und 1 Ausgabe zu erzeugen, müsste man es nennen, wie folgt:

Sobald das ann erstellt ist, wäre die nächste Operation, está com a Eingabe - und Ausgabedaten zu trainieren. Die einfachste Ausbildungsmethode ist inkrementelles Treinamento, das durch die folgende Funktion erreicht werden kann:

Diese Funktion nimmt den Pointer zu struct fann zuvor zurückgegeben von fann_create_standard () e beide Eingabedatenvektor und Ausgabedatenvektor. Die Eingabe - und Ausgabevektoren sind Arrays des fann_type Typs. Diese Art ist in Tat ein double - oder ein float - Typ, abhängig von der Art wie FANN kompiliert wird. Em Dieser Implementierung werden die Eingabe - und Ausgabevektoren double Arrays sein & gt ;.

Sobald das ann aussgebildet ist, wäre das nächte gewünscht Feature die Asuführung des Netzes. Die Funktion morre morre Umsetzt, ist wie folgt definiert:

Diese Funktion nimmt den Ponteiro de estrutura, de zombador de arquivos Dias de rede e de impressão Eingabevektor des definierten Typs (matriz dupla). Der Rückgabewert ist ein Ausgabevektor-Array. Diese Tatsache ist wichtig, da wir für ein Ausgabe-Netzwerk immer ein Element Array mit dem Ausgangswert, anstelle des Ausgangswert selbst erhalten.

Leider verwenden die meisten FANN Funktionen einen Ponteiro na estrutura do fann das ann darstellend, foi nicht direkt gehandhabt werden kann von MQL4, das Strukturen als Datentypen nicht unterstützt. Um diese Einschränkung zu vermeiden müssen wir das unmanteln, und in irgendeiner Art und Weise vor MQL4 verbergen. Die einfachste Methode ist ein Array von struct fann Pointern zu erstellen, das die richtigen Werte hält und sich auf sie mit einem Índice bezieht, dargestellt von einer int Variável. . Então, não é possível usar o arquivo MKL4 com o código Winker.

Die FANN rundum Einwickeln.

Nach bestem Wissen, unterstützt MQL4 keine Funktionen mit varybler Argumente-Liste, então müssen wir auch damit umgehen. Auf der anderen Seite, wenn die C-Funktion (mit varibler Argumente Länge) mit zu vielen Argumenten aufgerufen wird, passiert nichts falsches, também übernehmen wir eine feste maximale Anzahl von Argumenten em MQL4 Funktion übergeben a C-Bibliothek. Die resulttierende Wickel-Funktion würde aussehen wie folgt:

Wir wechselten die führende fann_ mit f2M_ (die für FANN TO MQL steht), verwendeten statische Anzahl von Argumenten (4 Schichten) und der zurückgebende Wert ist jetzt ein Índice para o servidor Array von anns die struct fann Daten haltend, erforderlich para FANN zum Arbeiten. Auf Diese Weise können wir leicht eine solche Funktion innerhalb MQL-Code aufrufen.

Das gleiche geht für:

Por último, mas não menos importante, morra Tatsache, dass Sie zu Ihr einmal erstelltes ann zerstören müssen, durch den Aufruf zu:

Um ann Handles freizugeben, müssen Sie die Netze in umgekehrter Reihenfolge zerstören, wie Sie sie erzeugt haben. Alternativ können Sie verwenden:

Allerdings bin ich ziemlich sicher, dass einige von Ihnen bevorzugen ihre trainierten Netze zu speichern, für eine spätere Verwendung mit:

Natürlich kann das gespeicherte Netz später neu geladen (oder eher neu erstellt) werden, mit:

Sobald wir die Grundfunktionen kennen, könnten wir versuchen das in unserem EA zu verwenden, aber zuerst müssen das Fann2MQL Paket installieren.

Fann2MQL Installieren.

Um morre Verwendung des Pakets zu vereinfachen, habe ich den msi instalador erstellt, der den gesamten Quellcode enthält, plus vorkompilierte Bibliotheken und Fann2MQL. mqh Header-Datei, die alle Fann2MQL Funktionen deklariert.

Der Installationsvorgang ist sehr einfach. Zuerst werden Sie informiert, dass Fann2MQL unter GPL Lizenz ist:

Instalação von Fann2MQL, Schritt 1.

Dann wählen Sie denn Ordner um das Paket zu installieren. Sie können den Standard verwenden Program Files \ Fann2MQL \ oder installieren direkt em Ihr Meta Trader \ experts \ Verzeichnis. Später werden alle Dateien direkt an ihre Orte platziert, ansonsten werden Sie alle manuell kopieren müssen.

Instalação von Fann2MQL, Schritt 2.

Der Installer platziert Dateien in die folgenden Ordner:

Wenn Sie in einen dedizierten Fann2MQL Ordner instalieren möchten, kopieren Sie bitte den Inhalt von den incluir e bibliotecas Unterordner Ihr entsprechendes MetaTrader Verzeichnis.

Instalador do programa de instalação instalada na FANN Bibliothek em Ihren Systembibliotheken Ordner (Windows \ system32 in den meisten Fällen). Der src enthält den gesamten Quellcode von Fann2MQL. Sie können den Quellcode lesen, der eine ultimative Dokumentation ist, wenn Sie mehr Informationen über die Interna benötigen. Sie können den Code auch verbessern und zusätzliche Características hinzufügen, wenn Sie das möchten. Ich ermutige Sie mir Ihre Patches zu schicken, wenn Sie etwas interessantes implementieren.

Neuronale Netze em Ihrem EA verwenden.

Sobald morre Fann2MQL installiert ist, können Sie beginnen, Ihren eigene EA oder Indikator zu schreiben. Es gibt viele mögliche Verwendung von NN. Sie können sie verwenden, um zukünftige Kursbewegungen zu prognostizieren aber die Qualität solcher Prognosen und die Möglichkeit einen echten Vorteil zu erlangen, ist zweifelhaft. Sie können versuchen, Ihre eigene Strategie mit Reinforcement Learning Techniken, etwa ein Q-Learning ou outros etats ähnliches zu schreiben. Sie können versuchen NN als einen Signalfolter für Ihren heuristischen EA zu verwenden oder allest Dik Techniken Kombinieren, foi auch immer Sie möchten. Não há nenhum comentário sobre este assunto. Fantasie gegrenzt.

Hier Zeige ich Ihnen ein Beispiel der Verwendung eines NN als einfachen Filtro para Signale, generiert von MACD. Bitte betrachten Sie es nicht als wertvollen EA, além de Beispielanwendung von Fann2MQL. Während der Erklärung über das Vorgehen, hierstro Beispiel EA: NeuroMACD. mq4 funktioniert. Ich werde ihnen zeigen, wie die Fann2MQL effektiv em MQL verwendet werden kann.

Die allererste Sache für jeden EA, ist die Deklaration der globalen Variablen definiert und Abschnitt umfassen. Hieritation of Beginn des NeuroMACD, der diese Dinge enthältt:

Der Include-Befehl gibt an die Fann2MQL. mqh Header-Datei zu laden, welche die Deklaration aller Fann2MQL Funktionen enthält. Danach sind alle Fann2MQL Paket-Funktionen für den Einsatz im Skript verfügbar. Die ANN_PATH - Konstante definiert den Pfad zum Speichern e laden von Dateien mit ausgebildeten FANN Netzwerken. Sie müssen diesen Ordner erstellen, d. h. C: \ ANN. Die NAME - Konstante enthält den Namen dieses EA, der später für das Laden e Speichern Netzwerk-Dateien verwendet wird. Eingabeparameter sind ziemlich offensichtlich und die es nicht sind, werden später erläutert, sowie globale Variablen ..

Der Einstiegspunkt für jeden EA ist seine init () Funktion:

Zunächst wird geprüft, ob der EA auf den richtigen Zeitrahmen angewendet wird. Die AnnInputs Variable enthält die Anzahl der neuronalen Netzwerkeingänge. Da wir drei Sätze von verschiedenen Argumenten verwenden werden, soll es teilbar durch 3 sein. AnnPath wird berechnet zum Reflektieren de EA NAME e MagicNumber, morrem de acordo com SlowMA, FastMA e SignalMA Eingabeargumenten berechnet wird, die später für die MACD-Indikator Signale verwendet werden. Sobald er den AnnPath kennt, versucht der EA neuronale Netze mit der ann_load () Funktion zu laden, die ich weiter unten beschreiben werde. Die Hälfte der geladenen Netze ist für die Long-Position Filterung gedacht und die andere Hälfte für Shorts. Die AnnsLoaded Variável wird verwendet um die Tatsaches anzuzeigen, dass alle Netze korrekt inicialisiert wurden. Wie Sie wahrscheinlich bemerkt haben, dieser Beispiel EA versucht mehrere Netzwerke zu laden. Ich bezweifle, Dass es in Dieser Anwendung wirklich notwendig ist, aber ich wollte Ihnen das volle Potenzial von Fann2MQL zeigen, die mehrere Netzwerke gleichzeitig handhabt und kann sie paralelo verarbeiten kann, unter Ausnutzung von mehreren Kernen ou outras CPUs. Um es zu ermöglichen nutzt Fann2MQL die Intel® Threading Building Blocks Technologie. Die Funktion f2M_parallel_init () wird verwendet, die eine Schnittstelle zu initialisieren.

Hier ist der Weg, den ich zum Initialisieren der Netze verwendet habe:

Wie Sie sehen können, wenn die f2M_create_from_file () versagt, foi durch den negativen Rückgabewert angezeigt wird, wird das Netzwerk mit der f2M_create_standard () Funktion erstellt mit Argumenten darauf hinweist, dass das erstellte Netzwerk 4 Schichten (einschließlich Ein - und Ausgabe) haben sollte , AnnInput / 2 + 1 Neuronen in der zweiten verborgenen Schicht und 1 Neurons in der Ausgabeschicht. in der Eingänge haben sollte, AnnInput Neuronen in der ersten verborgenen Schicht, f2M_set_act_function_hidden () wird verwendet, um dado Aktivierungsfunktion von verborgenen Schichten auf SIGMOID_SYMMETRIC_STEPWISE einzustellen (siehe FANN Dokumentation von fann_activationfunc_enum) und das gleiche gilt für die Ausgabeschicht. Dann gibt es den Aufruf e f2m_randomize_weights (), die verwendet wird neuron Verbindungsgewichte innerhalb des Netzes zu initialisieren. Hier habe ich den Bereich von & lt; -0,4; 0,4 & gt; Verwendet, Sie können aber jede andere verwenden, abhängig von Ihrer Anwendung.

Um dieser Stelle haben Sie wahrscheinlich die Funktion debug () bemerkt, die ich ein paar Mal verwendete. Es ist eine der einfachsten Methoden, um morre Verbose Ebene Ihres EA zu ändern. Zusammen mit ihr und und Eingabeparameter DebugLevel können Sie die Art und Weise abstimmen, dass Ihr Code die Debug-Ausgabe produz.

Wenn das erste Argument der Funktion debug (), der Debug-level e também DebugLevel erzeugt die Funktion keine Ausgabe. Wenn es niedriger als gleich ist, wird der text String ausgegeben. Wenn der Debug-Level 0 ist, wird dieser String "ERROR:" an den Beginn angehangen. Auf Diese Weise können Debug von Ihrem Code erzeugt auf mehrere Ebenen aufteilen. Die wichtigsten sind wahrscheinlich Fehler, por isso, dass sie auf die Ebene 0 zugeordnet sind. Sie werden ausgegeben, außer wenn Sie Ihre Debuglevel unter 0 senken (was nicht geraten wird). Auf Ebene 1 werden einige wichtige Informationen ausgegeben, Wie Bestätigung des erfolgreichen Ladens des Netzes ou Erzeugung. Auf Stufe 2 ou mais não morreu Bedeutung von gedruckten Informationen allmählich ab.

Vor der ausführlichen Erläuterung der start () Funktion, die sehr lang ist, muss ich Ihnen einige weitere Funktionen zeigen, die dazu gedacht sind die Netz Eingabe vorzubereiten und die tatsächlichen Netze auszuführen:

Die Funktion ann_prepare_input () wird verwendet, um den Eingabenamen für die Netze vorzubereiten (Daher der Name). Der Zweck ist recht einfach, aber das ist der Punkt an den ich Sie erinnern muss, dass die Eingabedaten richtig normalisiert werden müssen. Es gibt keine ausgefeilte Normalisierung in diesem Fall, ich habe einfach die MACD Haupt - und Signalwerte, die nie den gewünschten Bereich auf den berücksichtigten Daten überschreiten. Em dem realen Beispiel sollten Sie wahrscheinlich mehr Aufmerksamkeit auf dieses Thema legen. Wie Sie wahrscheinlich vermuten, ist die Auswahl der richtigen Eingabeargumente für Netzeingabe, is Codieren, ist Zersetzung und Normalisierung einer der wichtigsten Faktoren bei der neuronalen Netz-Verarbeitung.

Wie ich bereits erwähnte, hat die Fann2MQL die Fähigkeit die normale Funktionalität des MetaTrader zu erweitern, foi morto paralelo multithread Verarbeitung von neuronalen Netzen ist. Das globale Argument Parallel steuert dieses Verhalten. Die run_anns () Funktion führt alle initialisierten Netze aus und erhält die Ausgabrn von ihnen und speichert in dem AnnOutput [] Array. Die anns_run_parallel Funktion ist verantwortlich für die Handhabung des Jobs no Weise multithread. Sie ruft die f2m_run_parallel () auf, die die Anzahl von zu verarbeitenden Netzen zu verarbeiten als ein erstes Argument nimmt, das zweite Argument ist ein Array with Handles für alle Netze die Sie ausführen wollen, die Bereitstellung des Eingabevektor ist ein drittes Argumento. Alle Netz müssen auf den gleichen Eingabedaten ausgeführt werden. Der Empfang der Ausgabe aus dem Netz erfolgt durch mehrere Aufrufe von f2m_get_output ().

Betrachten wir nun die start () Funktion:

Ich beschreibe es kurz, da es recht gut kommentiert ist. Die trade_allowed () überprüft, ob es der Handel erlaubt ist. Im Grunde ist es überprüft die AnnsLoaded Variável, die angibt, dass alle anns richtig inicialisiert wurden, dann überprüft sie den richtigen Zeitrahmen, Mindestkontostand und erlaubt am Ende nur auf demerser Tick Eines Neuen Balken zu handeln. Die nächsten zwei Funktion werden verwendet Netzeingabe vorzubereiten und die Netz-Verarbeitung auszuführen, wurden nur wenige Zeilen weiter oben beschrieben. Als nächstes berechnen wir und setzen sie später em Variablen zur Verarbeitung, die MACD Werte der Signal - und Haupt-Linie für den zuletzt aufgebauten Balken und und vorherigen. Die aktuelle Balken wird ausgelassen, da er noch nicht aufgebaut ist und wird wahrscheinlich neu gezeichnet wird. Die SellSignal e BuySignal werden entsprechend der MACD Signal - und Haupt-Linie Kreuzung berechnet. Beide Signale werden für lange und kurze Positionsverarbeitung verwendet, die simmetrisch sind, também werde ich nur den Fall für Long-Positionen beschreiben.

Die LongTicket Variable enthält die Ticketnummer der aktuell geöffneten Posição. Wenn es gleich zu -1 ist, wird keine Posição geöffnet, por isso, com o BuySignal gesetzt ist, könnte das auf eine gute Möglichkeit hinweisen eine Long-Position zu öffnen. Wenn die Variable NeuroFilter nicht gesetzt ist, wird die Long-Position geöffnet und das ist der Fall, ohne die neuronale Netz Filterung der Signale - die Order zu kaufen ist gesendet. Um dieser Stelle soll morre LongInput Variable die an von_ann_prepare_input () für eine spätere Verwendung vorbereiteten InputVector erinnern.

Wenn LongTicekt Variável morre gültige Ticket-Nummer hält, prüft der EA obche noch offer ist oder durch StopLoss oder TakeProfit geschlossen wurde. Wenn die Pedido nicht nicht geschlossen ist, passiert nichts, wenn die Pedido durch den train_output [] Vektor geschlossen ist, der nur eine Ausgabe hat, wird berechnet den Wert von -1 zu halten wenn die Pedido wurde mit Verlust geschlossen wurde oder 1, wenn die Order mit Gewinn abschloss Dieser Wert wird dann zu ann_train () Funktion übergeben und alle verantwortlichen Netze für den Umgang mit Long-Positionen sind mit ihm trainiert. Als Eingabevektor wird die Variable LongInput verwendet, die die InputVector im Moment des Öffnens der Position hält. Auf Diese Weise wird das Netz gelehrt, welches Signal Gewinne erbringt und welches ist es nicht.

Sobald Sie ein ausgebildetes Netz haben, lässt das Umschalten von NeuroFilter no verdadeiro das Netz filtern. Morre ann_wise_long () verwendet neuronale Netz weise berechnet als ein Mittelwert der von allen Netzen zurückgegebenen Werte mit Bedeutung für die Behandlung einer Long-Position. wird unter Verwendung des neuronalen Netzes weise, além de Mittelwert der Werte von allen Netzen gemeint zu handhaben, morre Long-Position zurück berechnet. Der Delta Parameter wird als ein Schwellenwert verwendet, das anzeigt, dass das gefilterte Signal gültig ist oder nicht. Wie viele andere Werte wurde er durch den Prozess der Optimierung erhalten.

Nun, wooooooooooooooooooooooo, wiede funktioniert, werde ich Ihnen zeigen, wie es verwendet werden kann. Das Testpaar ist natürlich EURUSD. Ich benutzte morre Daten von Alpari, zu M5 Zeitrahmen konvertiert. Ich nutzte die Zeit von 31.12.2007 bis 01.01.2009 für die Ausbildung / Optimierung und 01.01.2009-22.032009 für Testzwecke. Bereits im ersten Lauf habe ich versucht, die profitabelsten Werte für StopLoss, TakeProfit, SlowMA, FastMA und SignalMA Argumento zu erhalten, die ich dann in die NeuroMACD. mq4 Datei codiert habe. Der NeuroFIlter wurde ebenfalls ausgeschaltet, sowie SaveAnn, morre AnnsNumber wurde auf 0 gesetzt um neuronale Verarbeitung zu vermeiden. Ich benutzte den genetischen Algorithmus für Optimierungsprozess. Sobald morre Werte empfangen wurden, sah der resulttierende Bericht wie folgt aus:

Bericht über Trainigsdaten nach grundlegender Parameteroptimierung.

Wie Sie sehen können, habe ich den EA auf dem Mini-Konto mit einer Lot-Größe von 0.01 und einer Anfangseinzahlung von 200 eingesetzt. Sie können diese Parameter jedoch Kontoeinstellungen oder Vorlieben anpassen.

Um dieser Stelle haben wir genug rentable und verlierende Trades, então dass wir den SaveAnn anstellen und die AnnsNumber em 30 setzen. Ist das getan, asse ich den Teaster noch einmal durchlaufen Das Ergebnis war genau das gleiche, außer der Tatsache, dass der Prozess sehr viel langsamer war (como Folge der neuronalen Verarbeitung) und den Ordner C: \ ANN wurde mit den trainierten Netzwerken besiedelt, O que você está procurando? Stellen Sie sicher, dass der C: \ ANN Ordner vor diesem Durchlauf vor dem existiert!

Der C: \\ ANN \\ Ordner.

Sobald wir Netze trainiert haben, ist es Zeit, zu testen wie es sich verhält. Zuerst versuchen wir es auf den Trainingsdaten. Ändern Sie den NeuroFilter zu true und SaveAnn zu false e starten Sie den Tester. Das Ergebnis, das ich erhalten haben, wird unten gezeigt. O que é o que você está procurando, não é o que você está procurando, não é o que você quer? Fale com o seu amigo e não fale com o que você está procurando.

Ergebnis erhalten auf Trainingsdaten mit Signal neuronaler Filterung aktiviert.

Der Nettogewinn ist etwas größer (20,03 gegenüber 16,92), doch der Gewinnfaktor ist viel höher (1,25 gegenüber 1,1). Die Anzahl der Trades ist viel weniger (83 vs 1188) und die durchschnittlich aufeinanderfolgende Verluste Anzahl wird de 7 auf 2 gesenkt. Jedoch zeigt es nur, dass neuronale Signalfilterung funktioniert, aber es sagt nichts darüber, wie sie auf Daten arbeitet, die nicht für verwendet wurden während des Trainings. Das Ergebnis, das ich aus der Testphase erhalten haben (01.01.2009 - 20.03.2009) ist unten dargestellt:

Ergebnis erhalten von Testdaten mit neuronaler Filterung aktiviert.

Die Anzahl der ausgeführten Trades ist ziemlich gering, und es ist schwer zu sagen, ob es die Qualität Dieser Estratégia, aber ich wollte nicht zeigen, onde o homem morre melhorado rentável nEA zu schreibt, aber erklären, wie manneus neuronale Netze in Ihrem MQL4 Code nutzen könnte. Der wirkliche Effekt der Verwendung von neuronalen Netzen in diesem Fall kann nur dann gesehen werden, wenn die Ergebnisse der EA auf Testdaten im Vergleich zu sehen sind mit NeuroFilter ein - und ausgeschaltet. Im Folgenden ist das erhaltene Ergebnis der Testdatenperiode ohne neuronale Signalfilterung:

Ergebnisse von Testdaten ohne neuronale Filterung.

Der Unterschied ist sehr offensichtlich. Wie sie sehen, macht die neuronale Filterung aus einem verlierenden EA einen rentablen!

Ich hoffe, dass Sie aus diesem Artikel gelernt haben, wie man neuronale Netze no MetaTrader verwendet. Mit Hilfe des einfachen, freien und Open-Source-Paket Fann2MQL können Sie einfach die neuronale Netzschicht in praktisch jedem Expert Advisor hinzufügen oder fangen Sie an Ihren eigenen zu schreiben, der vollständig oder teilweise auf neuronalen Netzen basiert. Die einzigartige Multi-Threading-Fähigkeit kann Ihre Verarbeitung viele Male beschleunigen, abhängig von der Anzahl der CPU-Kerne, insbesondere wenn bestimmte Parâmetro optimiert werden. Em einem Fall hat is die Optimierung meiner Reforço Aprendendo basierten EA Verarbeitung von etwa 4 Tagen auf "nur" 28 Stunden verkürzt, com einer 4-Kern CPU Intel.

Während des Schreibens dieses Artikels habe ich mich entschlossen Fann2MQL auf der eigenen Website zu setzen: fann2mql. wordpress /. Sie finden dort die neueste Versão de Fann2MQL e möglicherweise alle zukünftigen Versãoen sowie die Dokumentation aller Funktionen. Ich verspreche, diese Software für alle Versionen unter GPL-Lizenz zu halten, por isso, wenn Sie mir jegliche Comente, Anuário com outros remendos, die ich interessant finde, Seien Sie sicher, es in nächsten Versãoen zu finden.

Bitte beachten Sie, dass Dieser Artikel nur die sehr grundlegende Verwendung von Fann2MQL zeigt. Da dieses Paket nicht viel mehr ist als FANN, können Sie alle Werkzeuge für die Verwaltung von FANN Netzen verwenden, wie:

Não disponível no site FANN auf der Fast Artificial Neural Network Library Webseite: leenissen. dk/fann/!

Post Scriptum.

Nach dem Schreiben dieses Artikels habe ich einen unedeutenden Fehler em NeuroMACD. mq4 gefunden. Die OrderClose() Funktion für Short-Positionen wurde mit der Ticket-Nummer für Long-Positionen gespeist. Es führte zu einer schiefen Strategie, was mehr in die Richtung ging Shorts zu halten und Longs zu schließen:

In der korrekten Version des Skripts habe ich diesen Fehler behoben und die OrderClose() Strategie insgesamt entfernt. Das hat das Gesamtbild des Einflusses neuronaler Filterung nicht verändert, noch war die Kontostandkurve völlig anders. Sie finden beide Versionen dieses EA an diesen Artikel angehangen.

Übersetzt aus dem Englischen von MetaQuotes Software Corp.

Neuronale Netze auf dem Devisenmarkt.

Eine der neuesten Entwicklungen auf dem Forex-Markt sind die neuronalen Netze. Ein neuronales Netz ist das System des Selbstlernens, das auf den Technologien der künstlichen Intelligenz basiert. Ähnlich wie das menschliche Gehirn sammelt und analysiert dieses Netzwerk Daten. Dies erfolgt durch Ausprobieren (Versuch und Irrtum), Verallgemeinerung und Abgrenzung.

Was sind die Aussichten bezüglich der Verwendung dieses Systems auf dem Forex-Markt und den andreren Finanzmärkten?

Was ist ein neuronales Netz?

Ein neuronales Netz ist ein einzigartiges System der technischen Datenanalyse. Der Arbeitsprozess ähnelt dem Vorgehen des Menschen bei der Bewertung von Ursache-Wirkungs-Beziehungen und Wahrscheinlichkeiten. Was wir als wichtige Fragen für die Entscheidungsfindung betrachten, ist auch im neuronalen Netzsystem verankert. Hierzu gehört insbesondere das Bewerten von Erfahrungen, die in der Vergangenheit liegen. Als Vergleich kann ein Kind betrachtet werden, das Puzzles zusammenlegt und mit der Zeit immer weniger Fehler begeht.

So funktionieren neuronale Netze in der Biologie.

Unten finden Sie dasselbe Prinzip in Form eines mehrstufigen Netzes. Relativ ähnlich, oder?

Das Netzwerk besteht aus zwei Hauptdatenbanken: Trainingdatenbank und Testdatenbank. Verbesserungen ihrer Funktionsweise werden, ähnlich wie beim Menschen, durch Versuch und Irrtum („Trial and Error“) erzielt. Eine der Stärken des neuronalen Netzes ist die Fähigkeit zu andauerndem Fortschritt, da das System neue Daten für genauere Prognosen verwendet. Darauf basierende Schlussfolgerungen werden entsprechend verändert und infolgedessen verbessert.

Auf dem Forex-Markt können neuronale Netze genutzt werden, um Daten der technischen Analyse und Fundamentalanalyse wirkungsvoll zu analysieren. Dies ist für maschinelle Systeme schwer und stellt Trader vor eine noch größere Herausforderung.

Allerdings müssen für das Training des neuronalen Netzes nicht so viel Zeit, Ressourcen oder Kräfte aufgewendet werden. Allgemein wird angenommen, dass damit die Lücke zwischen den einzigartigen Fähigkeiten des menschlichen Gehirnes und den Fähigkeiten von Computersystemen geschlossen werden kann.

Werden derartige Systeme bereits eingesetzt?

Suchmaschinen wie Google oder Yandex verwenden seit langem neuronale Netze, um Bilder, Töne, Texte und andere Daten zu analysieren und einzuordnen. Das neuronale Netz von Google kann Bilder einordnen und ist in der Lage, individuelle Eigenschaften zu erkennen. Derartige neuronale Systeme können Schwarzweiß- von Farbaufnahmen sowie z. B. Kätzchen von Hundewelpen unterscheiden.

Auch das Übersetzungstool von Google wurde teilweise auf neuronale Netze umgestellt, was die Qualität der Übersetzungen deutlich gesteigert hat. Neurocomputer werden von der US-amerikanischen Finanzgruppe Citigroup Inc. aktiv genutzt. Die Chemical Bank hat ein großes Softwaresystem entwickelt, das von der Firma Neural Data betreut wird. Zahlreiche US-amerikanische Großkonzerne kaufen kleine Neuro-Pakete und Neurocomputer (bis zu 50.000 $) und erzielen damit eine deutliche Verbesserung ihrer Handelsleistung bei den US-Indizes S & P und Nasdaq.

Das System erweitert die Möglichkeiten der Nutzung beliebiger Daten. Neuronale Netze können beispielsweise Daten komprimieren, Verknüpfungen zwischen gemeinsamen Teilen hervorheben sowie die Daten in Kurzform und mit verringertem Umfang bereitstellen. Zudem ist das System nach einem Datenverlust in der Lage, die ursprünglichen Daten durch den Assoziativspeicher des neuronalen Netzes wiederherstellen. Forscher und Entwickler von neuronalen Netzen haben heutzutage andere wichtige Aufgaben zu bewältigen. Sie sollen das System des Selbstlernens und der Analyse verbessern, die Reaktionsgeschwindigkeit erhöhen und viele andere Probleme lösen, indem sie die Nutzung des Systems für spezifische Aufgaben möglich machen.

Können wir dieses System auf dem Forex-Markt nutzen?

Neuronale Netze können Daten vorhersagen, verallgemeinern und hervorheben. Wie jeder andere technische Indikator kann auch ein trainiertes Netzwerk auf Grundlage von historischen Daten Prognosen über die Zukunft treffen.

Im Gegensatz zu konventionellen Indikatoren können neuronale Netze Abhängigkeiten zwischen Daten auswerten und erkennen. Auf Grundlage der bisherigen Handelserfahrungen kann das System dann Anpassungen vornehmen. Selbstverständlich wird das Trainieren eines Netzes mit dem Ziel, auf Daten eingaben schnell zu reagieren, Zeit in Anspruch nehmen, Kosten verursachen und mühevoll sein.

Trotz der offensichtlichen Vorteile des neuronalen Netzes birgt das System aber auch die Gefahr falscher Prognosen. Das Endergebnis hängt nach wie vor größtenteils von den eingegebenen Daten ab. Durch neuronale Netze werden Zusammenhänge zwischen zwei Faktoren sehr leicht sichtbar.

Neuronale Netze können Zusammenhänge in zerstückelten Daten erkennen, auch wenn diese Muster und Verhältnisse für den Menschen kaum wahrnehmbar sind. Die Nutzung von emotionsloser Intelligenz kann auf den unsteten Märkten jedoch auch als Schwachpunkt angesehen werden. Sollte das System vor einer ihm unbekannten Situation stehen, können künstliche neuronale Netze bei der Bewertung dieser Situation scheitern.

Beispiele für die Nutzung neuronaler Netze auf den Finanzmärkten finden Sie hier und hier . Es gibt immer mehr Indikatoren, die neuronale Netze verwenden. Sie finden diese Indikatoren in zahlreichen Systemen..

Neuronale Netze sind ein sehr zukunftsträchtiges System, das die Marktsituation besser vorhersagen kann als konventionelle Advisors und Indikatoren. Jedoch sind neuronale Netze trotz ihres Potenzials noch nicht vollständig entwickelt. Die weitere Entwicklung, Verbesserung und Anpassung ist unabdingbar. Neuronale Netze können Muster und trendinterne Dynamik gut erkennen. Neuronale Netze funktionieren perfekt innerhalb eines aktuellen Trends und können Verhaltenszyklen erkennen. Genau wie der Mensch sind neuronale Netze noch nicht in der Lage, Prognosen ohne historische Daten zu treffen. Bei neuen Daten kommt es zu einer Verlangsamung der Funktion. Trader, die neuronale Netze auf dem Forex-Markt verwenden, handeln vorzugsweise mit langfristigen Trends oder Momentum. Scalper gehören eher nicht zu den Nutzern neuronaler Systeme. Obwohl neuronale Netze vor 5 oder 10 Jahren schon beliebt waren, ist die heute zunehmende Popularität mit der Entwicklung von „Big Data“ - Technologien und Cloud-Speicher verbunden. Diese Tatsache sollte bei der weiteren Entwicklung und Forschung zu diesem Thema unbedingt berücksichtigt werden.

Der Inhalt dieses Artikel gibt die Meinung seines Verfassers wieder. Die offizielle Meinung von LiteForex kann davon abweichen. Die auf dieser Seite veröffentlichen Informationsmaterialien dienen ausschließlich Informationszwecken und sind keine Anlageberatung oder Anlageempfehlung im Sinne der Richtlinie 2004/39/EG.

Aktuelle Beiträge:

EUR/USD-Bären sind dazu entschlossen, wichtige Unterstützungen um 1,1815 und 1,1835 zu testen.

Nach einem kurzen Fall der EUR/USD-Kurse unter 1,19 attackieren zur Eröffnung erneut die Bullen.

Das EUR/USD-Paar hat über 1,195 geschlossen und wartet auf die Veröffentlichung der Konjunkturdaten und die Reaktion der EZB-Vertreter.

Verfasst von.

Trader von LiteForex.

Die neue Kryptowährung Bitcoin Gold wird für die Anleger wohl zu einem attraktiven Investm.

EUR/USD wird im Vorfeld der Ergebnisse der Fed-Sitzung bei 1,20 gehandelt.

Erhalten Sie Zugang zu exklusiven Materialien und zusätzlichen Analyse-Tools von Claws & Horns.

Sehr geehrte Trader, abonnieren Sie unseren Telegram-Kanal und erhalten Sie Zugang zu tagesaktuellen Analysen von wahren Experten::

- Einzigartige Analyse-Berichte und Prognosen.

- Technische Analyse, Fundamentalanalyse.

- Expertenmeinungen und Übungsmaterialien.

Keine Zeit, um jeden Tag hier zu lesen? Erhalten Sie die beliebtesten Beiträge per E-Mail.

Diese Website verwendet Cookies, um dado Inhalte für Sie optimal gestalten zu können. Durch die Verwendung unserer Website erklären Sie sich mit der Nutzung von Cookies einverstanden.

Risikohinweis: Der Handel auf Finanzmärkten birgt Risiken. Differenzkontrakte ('CFDs') sind komplexe Finanzinstrumente, die mit einer Sicherheitsleistung (Margem) gehandelt werden. Der Handel mit CFDs ist mit hohen Risiken verbunden, weil der Hebel nicht nur zu Ihrem Vorteil, sondern auch zu Ihrem Nachteil wirken kann. Aus diesem Grunde sind CFDs nicht für alle Anlegertypen geeignet, da ein Totalverlust des eingesetzten Kapitals möglich ist. Sie sollten nicht mehr riskieren, als Sie zu verlieren bereit sind. Bevor Sie mit dem Handel começou, sollten Sie unter Berücksichtigung Ihrer Anlageziele und Erfahrung sicherstellen, Dass Sie sich der potenziellen Risiken bewusst sind. Unseren vollständigen Risikohinweis finden Sie hier.

LiteForex Investments Limited ist auf den Marschallinseln registriert (Registrierungsnummer 63888) und wird entsprechend dem Marshall Islands Business Corporation Act reguliert. Unternehmensanschrift: Ajeltake Road, Ajeltake Island, Majuro, Marschallinseln MH96960. E-Mail: clientes @ liteforex.

Liteforex Investments Limited erbringt keine Dienstleistungen für Personen mit Wohnsitz em Israel, Belgien, Japão e Índia.

Reich durch neuronale Netze . Oder nur Blödsinn ? - 500 Beiträge pro Seite.

neuester Beitrag 17.09.00 21:27:52 von.

Der Tag im Überblick.

Begriffe e / ou Benutzer.

Ich hab jetzt gute Laune zumindestens bis die Amis wieder eröffnen.

In Deutschland startet derzeit ein ähnliches Projekt unter moneybee. de.

Das schöne ist, wir können das Eintreffen oder auch das Nichteintreffen der Voraussagen live mitverfolgen.

Wer kennt sich aus mit neuronalen Netzen und der Zuverlässigkeit Ihrer Aussagen (damit könnte man ja reich werden . )

und schönen Tag.

PS:aus den Yahoo-News nur damit Ihr seht dass besagte Page anerkannt ist:

Company Press Release.

SOURCE: CyBerCorp, Inc.

AUSTIN, Texas, May 31 /PRNewswire/ -- Stock100, Inc. and CyBerCorp, Inc. today announced the offering of CyBerCorp`s trading platforms with Stock100`s financial consultation web portal.

Ich meine es ist doch komisch.

Das kann doch aber nicht Sinn und Zweck der page sein, oder ?

An der Wallstreet geben Investmentbanken Millionen von Dollars aus, um Programmiere anzustellen.

Geld kostet das ja nur, wenn du dich anmeldest, die 5 Tage/Wochenvorschau ist aber kostenlos !

Wenn wir uns, wie klony sagt, aber auf die TA beschränken sieht das anders aus, denke ich.

Gleitende Durchschnitte, MACD, Momentum, Volumen und viele andere Signale, können durch "Erlernen" und Projezieren von einem Computer schneller ausgewertet werden und emotionslos umgesetzt werden.

Moneybee spukt erste Prognosen aus .

Klar, die Betreiber der Site auf jeden Fall !

Dumme gibt es ohne Ende !

Wenn die was vorhersagen könnten, müßten sie diesen Service nicht anbieten für Geld !!

Die Neugierde. Realtime5 Minuten ist auch kostenlos. funktioniert aber natuerlich nur wenn die Maerkte offen sind.

Allerdings sind die prognosen bei mir immer falsch gewesen(Unisys wuerde jetzt bei 7 Dollar stehen laut Voraussage vor 4 Wochen)

Die realtime Voraussage ist aber gut wenn man sonst nur verzoegerte Kurse hat. denn da fliessen ja die echtzeitkurse in die prognose ein.

Durch das Internet und das Daytrading ueber Online broker haben.

entsprechende Vorhaben auch genuegend Zugriff auf entsprechende Daten.

Hier die HomePage: mein. Gehirn. de.

Beitrag zu dieser Diskussion schreiben.

Es handelt sich hier um einen ältere Diskussionen, daher ist das Schreiben in dieser Diskussion nicht mehr möglich. Bitte eröffnen Sie hier ein neue Diskussion.

Meistdiskutierte Aktien (24h)

Diskussion versenden.

Reich durch neuronale Netze . Oder nur Blödsinn ?

Wallstreet: aplicativo on-line.

Die Welt der Börse, Finanzen und Wirtschaft auf einen Blick.

Zeitverzögerung der Kursdaten: Deutsche Börsen +15 min. NASDAQ +15 Min. NYSE +20 Min. AMEX +20 Min. Dow Jones +15 Min.

Alle Angaben ohne Gewähr. Direitos autorais e cópia; 1998-2017 wallstreet: online AG - Alle Rechte vorbehalten.

Trading Software mit Quellcode.

Künstliche Neuronale Netze und Regressionsanalyse zur Aktien / Forex Prognose.

Falls jemand diese Software als Basis für eine neue nutzt, freue ich mich auf Feedback. Bitte habt Verständnis dafür, dass die Software für die Uni Abschlussarbeit programmiert worden ist und daher diverse Punkte nicht integriert sind. Außerdem ist ein Bachelor Report nur eine halbe Diplomarbeit, so dass ich nicht so viel Zeit investieren konnte. Betrachtet es nicht als fertige Lösung, sondern als einen möglichen Ansatz.

(c) 2008 - 2017 by Forexlyzer, Trading bzw. Daytrading mit CFD's am weltweiten Forex Markt, Gold und Silber als Anlage. Risikohinweis: Trading brigt Risiken.