Completar sistemas agrupados.
(Computador, monitores, suporte, acessórios)
Frete terrestre gratuito em pedidos com mais de US $ 1.990 (48 estados) $ 75 desconto & sup1; em pedidos com mais de $ 2,700 $ 125 de desconto & sup1; em pedidos com mais de $ 3.300 $ 175 de desconto & sup1; em pedidos com mais de $ 3.900 $ 225 de desconto & sup1; em pedidos com mais de $ 4,500 $ 275 de desconto & sup1; em pedidos com mais de $ 5,100 $ 325 de desconto & sup1; em pedidos com mais de $ 5,800 $ 375 de desconto & sup1; em pedidos com mais de $ 6,400 & sup1; Os descontos são aplicados automaticamente no check-out.
Garantia de 5 anos.
Em todos os pacotes de desktop.
com todas as peças necessárias.
(não há necessidade de acabar e.
Monitor Falcon F-30 - 2 ou 3.
Pacote do sistema de comércio móvel.
F-30 Trading Laptop Dois monitores de 24 polegadas.
(atualizável para 3) Inclui cabos de monitor.
Frete Grátis + $ 75 Min. Desconto.
Monitor Falcon F-35-Plus - 3.
Pacote do Sistema de Negociação.
Escolha preferida de Kevin Green.
(Intel i7-7700 a 4,2 GHz) Três monitores de 27 polegadas Cabos de monitor extra longo 5 anos de garantia! Teclado & amp; Rato.
Pacote do sistema Ken Wood F-35X.
3-6 Monitor Trading System.
(High Performance F-35 ver.) Três monitores de 24 polegadas com suporte.
(atualizável para 27 polegadas com suporte) Cabos de monitor extra longo 5 anos de garantia! Teclado & amp; Rato.
Todd Gordon.
Pacote do sistema F-37GT.
3-4 Monitor Trading System.
(Intel Core i7 a 4.7 GHz) Quatro monitores de 24 polegadas com suporte.
(atualizável para 27 polegadas) Cabos de monitor extra longo 5 anos de garantia! Teclado & amp; Rato.
Joe Krutsinger.
Pacote do sistema F-52GT.
4 Monitor Trading System.
(Processador Intel 6-core 4+ GHz CPU) Quatro monitores de 24 polegadas.
(atualizável para 27 polegadas) Cabos de monitor extra longo 5 anos de garantia! Teclado & amp; Rato.
Frete Grátis + $ 75 Min. Desconto.
Tom Grisafi.
Pacote do sistema F-37GT.
6 a 8 Monitorar o Sistema de Negociação.
(Intel Core i7 a 4.7 GHz) Seis ou oito monitores de 24 polegadas.
(atualizável para 27 polegadas) Six Monitor Stand (mostrado)
ou dois suportes de monitor 4 cabos de monitor extra longos Garantia de 5 anos! Teclado & amp; Rato.
Frete Grátis + $ 75 Min. Desconto.
John Carter.
Pacote do sistema F-52GT.
6 a 8 Monitorar o Sistema de Negociação.
(Processador Intel 6-core 4+ GHz CPU) Seis ou oito monitores de 24 polegadas.
(Upgradable to 27-inch) Six Monitor Stand.
ou dois 4 suportes de monitor (mostrado) 5 anos de garantia! Cabos, teclado e amp; Rato.
Lógica difusa nas estratégias de negociação.
Introdução.
Os comerciantes geralmente se perguntam como melhorar um sistema comercial ou criar um novo através da aprendizagem por máquinas. Apesar da abundância de publicações, um método simples e intuitivo ainda não foi encontrado para criar modelos que não podem ser estimados analiticamente sem recorrer a cálculos auxiliados por computador. A lógica difusa é uma janela para o mundo da aprendizagem de máquinas. Combinado com algoritmos genéticos, é capaz de expandir as capacidades de criação de sistemas de auto-aprendizagem ou fácil de otimizar. Ao mesmo tempo, a lógica difusa é intuitiva, pois encapsula informações numéricas nítidas em termos difusos (desfocados), assim como uma pessoa faz no processo de pensar.
Aqui está um exemplo. Em termos de lógica nítida, a velocidade de um carro em movimento é determinada por dispositivos de medição: por exemplo, 60 km / h. Mas um observador casual sem dispositivos de medição só pode estimar a velocidade do carro com base em sua experiência ou base de conhecimento. Por exemplo, é sabido que um carro pode ser rápido e "rápido" é definido aproximadamente como 100 km / h e acima. Também se sabe que um carro pode ser lento, o que é 5-10 km / h. E, finalmente, a velocidade é visualmente estimada como média (cerca de 60 km / h) se o carro que se aproxima aumenta em tamanho a uma taxa moderada. Assim, é possível caracterizar 60 km / h com quatro expressões diferentes:
velocidade média; velocidade próxima da média;
É assim que a informação é encapsulada em uma consciência humana, permitindo-lhe compreender apenas as informações necessárias no momento atual, por exemplo: "Será que eu tenho tempo para percorrer a estrada se o carro estiver em movimento não muito rápido?". Pensar em tudo ao mesmo tempo e em grande detalhe forçaria uma pessoa a gastar quantidades colossais de tempo e recursos energéticos antes de tomar qualquer decisão específica: atravesse a estrada ou deixe o carro passar. Ao mesmo tempo, a situação atual seria minuciosamente estudada, o que talvez nunca mais seja repetido de forma idêntica no futuro e teria apenas contornos semelhantes. Na aprendizagem em máquina, tais situações são chamadas de superposição.
Este artigo não aprofundará a teoria da lógica difusa. As informações sobre este tópico estão amplamente disponíveis na Internet e no site MQL5. Comecemos com a prática imediatamente, o que será explicado com excertos teóricos e fatos curiosos.
Para construir um modelo, a biblioteca Fuzzy é usada, disponível no pacote de terminais MetaTrader 5 padrão.
O resultado será um consultor especialista pronto baseado em lógica difusa, que pode ser tomado como um exemplo para a construção de sistemas personalizados.
Criando um protótipo do sistema comercial.
Vamos seguir avançando para criar uma lógica TS nítida, que será usada como base para novas pesquisas. Então, dois sistemas idênticos podem ser comparados, onde o segundo utilizará a lógica difusa.
3 osciladores RSI com diferentes períodos serão utilizados como base:
Vamos formular as condições nítidas dos sinais e defini-los na função:
Em seguida, vamos escrever todas as outras funções de serviço e testar o especialista a partir do início de 2017 em EURUSD, prazos М15 e М5 (o código completo do especialista está anexado no final do artigo):
Mesmo que as condições nítidas para combinações dos três indicadores tenham sido definidas e as condições sejam lógicas e consistentes, essa abordagem revelou-se muito direta e inflexível. Em média, o sistema não perde nem ganha por um período de 8 meses. Para fazê-lo ganhar, seria necessário recorrer a uma infinidade de combinações de condições, e possivelmente adicionar mais osciladores. Mas não há muito a ser otimizado, uma vez que as condições são definidas de forma extremamente precisa.
Procuremos borrar as idéias sobre as condições para tornar esse sistema comercial rentável usando a lógica difusa.
Criando um modelo de lógica difusa.
Primeiro, é necessário incluir a biblioteca Fuzzy. Para ser exato, um dos dois modelos de lógica difusa disponíveis - Mamdani ou Sugeno. A diferença entre eles é que o Sugeno produz um modelo linear sem criar uma variável de saída na forma de um conjunto de termos difusos, enquanto o Mamdani fornece esse elemento. Como o artigo está escrito para comerciantes difusos, Mamdani será usado. Mas isso não implica que o modelo de Sugeno não seja adequado para algumas tarefas específicas: sempre é possível e necessário experimentar confiar na compreensão básica da lógica difusa.
A biblioteca está incluída, uma referência à classe Mamdani é declarada. Isso é tudo o que é necessário para começar.
Agora, consideremos os principais estágios de construção da inferência difusa. Ele ocupa um lugar central em sistemas de modelagem difusa. O processo de inferência difusa é um procedimento específico ou um algoritmo para a obtenção de conclusões difusas com base em premissas difusas usando as operações básicas da lógica difusa.
Existem 7 estágios de construção de inferência difusa.
Determinando a estrutura do sistema de inferência difusa.
O número de entradas e saídas, bem como as funções de associação, são definidas no estágio de projeto. No nosso caso, haverá 4 entradas, 1 saída e cada uma delas terá 3 funções de associação.
Formando a base de regras do sistema de inferência difusa.
Durante o processo de desenvolvimento, criamos regras personalizadas para a inferência difusa, com base no nosso julgamento especializado do sistema de negociação.
Definindo a correspondência entre o valor numérico da variável de entrada do sistema de inferência difusa e o valor da função de associação do termo correspondente da variável linguística.
O procedimento para determinar o grau de verdade de condições para cada regra do sistema de inferência difusa.
O processo de encontrar o grau de verdade de cada uma das proposições elementares (subcláusulas) que constituem os conseqüentes de kernels de todas as regras de produção difusa.
O processo de encontrar uma função de associação para cada uma das variáveis linguísticas de saída.
Note-se que somente os pontos 1 e 2 precisam ser realizados, todos os outros serão feitos pelo sistema sem intervenção. Aqueles interessados nas sutilezas da operação da lógica difusa em todas as etapas podem encontrar mais detalhes aqui.
Determinando a estrutura do sistema de inferência difusa.
Continuemos com a criação do modelo. Defina objetos de três entradas e uma saída, bem como objetos auxiliares do dicionário para facilitar o trabalho com a lógica:
Três RSI com diferentes períodos serão utilizados como entradas. Como o oscilador RSI está sempre na faixa de 0-100, é necessário criar uma variável para ele com a mesma dimensão. Mas por conveniência, os valores dos indicadores serão normalizados para um intervalo de 0-1. Basta ter em mente que a variável criada deve ter uma dimensão igual à dimensão do vetor de entrada, ou seja, deve conter todos os valores. Um intervalo de 0 a 1 também está definido na saída.
De acordo com o ponto 1 da criação da lógica difusa, também é necessário definir e configurar as funções de associação. Isso será feito no manipulador de eventos OnInit ():
Agora, deixe-nos ver qual é a função de membro e a que serve.
Três termos foram criados para cada variável de entrada (e uma saída): "comprar", "neutro", "vender", cada um com sua própria função de associação. Em outras palavras, os valores dos osciladores agora podem ser divididos em 3 grupos difusos, e cada grupo pode ter um intervalo de valores usando a função de associação. Falando na linguagem da lógica difusa, 4 conjuntos de termos foram criados, cada um dos quais tem 3 termos. Para ilustrar o acima, escreveremos um script simples que pode ser usado para visualização dos termos e suas funções de associação:
Execute o script no gráfico:
Essas funções de associação foram selecionadas, porque elas possuem apenas 2 parâmetros de entrada otimizados (isso será feito mais tarde, durante a fase de teste do sistema). Eles também descrevem bem as posições extrema e central do sistema. Você pode aplicar qualquer função de associação dos disponíveis na biblioteca Fuzzy.
Vamos adotar uma regra de que os valores extremos do oscilador indicam uma mudança futura em sua direção e, conseqüentemente, uma próxima inversão de tendência. Portanto, o oscilador que se aproxima de zero sugere um possível início de crescimento. O movimento do oscilador para a marca de 0,5 é acompanhado por uma diminuição gradual em CZ_ShapedMembershipFunction ou termo "Buy zone". Ao mesmo tempo, a incerteza em CNormalMembershipFunction da "Zona Neutral" crescerá, que eventualmente será substituída por um aumento na CS_ShapedMembershipFunction ou "Sell zone" à medida que o oscilador se aproximar 1. O mesmo princípio é usado em todas as entradas e saídas, que verificam se os valores do indicador pertencem a uma determinada zona com limites difusos.
Não há restrições sobre o número de funções de associação para cada variável. Você pode definir 5, 7, 15 funções em vez de três, mas, é claro, dentro dos limites do senso comum e em nome da lógica difusa.
Formando a base de regras do sistema de inferência difusa.
Nesta fase, adicionamos uma base de conhecimento ao sistema a ser usado ao tomar decisões difusas.
Pelo menos uma condição lógica deve ser adicionada à base de conhecimento: ela é considerada incompleta se pelo menos um termo não estiver envolvido em operações lógicas. Pode haver uma quantidade indefinida de condições lógicas.
O exemplo fornecido estabelece 12 condições lógicas, que influenciam a inferência difusa quando encontrada. Assim, todos os termos participam de operações lógicas. Por padrão, todas as operações lógicas recebem os mesmos coeficientes de peso iguais a 1. Eles não serão alterados neste exemplo.
Se todos os 3 indicadores estiverem dentro da área difusa para comprar, um sinal de compra difuso será gerado. O mesmo se aplica aos sinais de venda e neutros. (regras 1-3)
Se 2 indicadores mostrem compra e um mostra vender, o valor de saída será neutro, ou seja, incerto. (regras 4-6)
Se 2 indicadores mostrarem comprar ou vender e um é neutro, então a compra ou venda é atribuída ao valor de saída. (regras 7-12)
Obviamente, esta não é a única variante para criar uma base de regras, você pode experimentar. Esta base de regras baseia-se apenas no meu julgamento "perito" e na visão de como o sistema deve funcionar.
Obtendo um valor de saída nítido depois da defuzzificação.
Resta calcular o modelo e obter o resultado como um valor de 0 a 1. Valores próximos de 0 indicará um sinal de compra forte, aqueles próximos a 0,5 são neutros e valores próximos de 1 significa um sinal de venda forte.
Esta função obtém os valores de três osciladores RSI com diferentes períodos, normaliza-os para um intervalo de 0 a 1 (os valores podem ser simplesmente divididos por 100), atualiza a lista com objetos do dicionário Fuzzy (os valores dos indicadores mais recentes), o envia para cálculos, cria uma lista para a variável de saída e leva o resultado na variável 'res'.
Adicionando funções de serviço e otimizando / testando o sistema resultante.
Uma vez que a aprendizagem de máquinas ou, pelo menos, o básico também estão sendo consideradas, alguns parâmetros serão movidos para entradas e otimizados.
Os parâmetros do gaussiano (função de membro) serão submetidos a otimização na saída da lógica difusa. Ele terá seu centro ao longo do eixo X deslocado (parâmetro Gposition), seu sigma mudou (seu sino estreitado e comprimido, parâmetro Gsigma). Isso dará um melhor ajuste do sistema no caso de os sinais RSI para compra e venda serem assimétricos.
Além disso, otimize as condições para abrir promoções: o valor mínimo de um sinal neutro e o valor máximo (as novas posições não serão abertas no intervalo entre esses valores, pois o sinal não está definido).
O processamento de um sinal na saída da lógica difusa é mostrado na seguinte lista:
Os cálculos serão realizados na barra nova para acelerar a demonstração. Você é livre para personalizar a lógica a seu critério, por exemplo, trocar em todos os tiques simplesmente removendo o cheque para uma nova barra.
Se houver posições abertas e o sinal contradizer a posição atual ou não estiver definido, feche a posição. Se houver uma condição para abrir uma posição oposta, abra-a.
Este sistema não utiliza stop loss, pois não são reversões comerciais, e o encerramento / reabertura de negócios é baseado em sinais.
O Expert Advisor usa a biblioteca MT4Orders para facilitar o trabalho com pedidos e para tornar o código facilmente conversível em MQL4.
Processo de teste.
Selecione o melhor resultado de otimização:
Compare com os resultados de teste do modelo rígido:
As funções de associação resultantes na saída, após a otimização (as entradas permanecem inalteradas uma vez que não foram otimizadas):
Antes das mudanças:
Otimize o sistema com as mesmas configurações, mas no cronograma M5:
Compare com os resultados de teste do modelo rígido:
As funções de associação resultantes na saída, após a otimização (as entradas permanecem inalteradas uma vez que não foram otimizadas):
Antes das mudanças:
Em ambos os casos, o gaussiano (zona neutra) foi deslocado em direção às compras e o número de posições longas prevalece sobre o número de posições curtas. Isso significa que os sinais de compra e venda se tornaram assimétricos neste segmento específico da história, que não poderia ser descoberto sem essa experiência. É possível que o sistema que consiste em três RSI foi na zona de sobrevenda (área 1) mais frequentemente do que na zona de sobrecompra (área 0) e a otimização do gaussiano ajudou a suavizar esse desequilíbrio. Quanto à saída mais nítida, é consistentemente difícil imaginar por que tal configuração de saída contribuiu para a melhoria dos resultados do sistema comercial, porque o processo de defuzzificação usando o método do centro de gravidade, em conjunto com todo o mapeamento de entradas para conjuntos difusos , já é um sistema complexo por si só.
O sistema mostrou-se bastante estável durante 8 meses, embora apenas 4 parâmetros foram otimizados. E eles podem ser facilmente reduzidos a dois (Gsigma e Gposition), uma vez que os restantes 2 tiveram pouco impacto no resultado e estão sempre próximos de 0,5. Isto é assumido como um resultado satisfatório para um sistema experimental, visando mostrar como o número de parâmetros otimizados pode ser reduzido através da introdução de um elemento de lógica difusa no sistema comercial. Em contraste, teria sido necessário criar numerosos critérios de otimização para regras rígidas, o que aumentaria a complexidade do desenvolvimento do sistema e o número de parâmetros otimizados.
Também deve notar-se que este ainda é um exemplo muito grosseiro de construir um sistema de negociação baseado em lógica difusa, pois usa uma estratégia primitiva baseada em RSI sem sequer usar perdas de parada. No entanto, isso deve ser suficiente para entender a aplicabilidade da lógica difusa à criação de sistemas de negociação.
Conclusão.
A lógica fuzzy permite uma rápida criação de sistemas com regras difusas que são muito simples de otimizar. Ao mesmo tempo, o processo complexo de seleção dos parâmetros do sistema comercial passa pela otimização genética, liberando o desenvolvedor da rotina de busca de uma estratégia comercial, desenvolvendo e algoritmo de inúmeras regras do sistema comercial. Juntamente com outros métodos de aprendizagem de máquinas (por exemplo, redes neurais), esta abordagem permite alcançar resultados impressionantes. Isso reduz a chance de superação e a dimensão dos dados de entrada (3 indicadores RSI com diferentes períodos reduzidos a um único sinal, que descreve a situação do mercado de forma mais completa e generalizada do que cada indicador por conta própria).
Se você ainda tem problemas para entender como funciona a lógica difusa, pergunte-se sobre como você pensa, quais os termos que você opera e quais as bases de regras em que sua tomada de decisão se baseia.
Aqui está um exemplo de reforço. Por exemplo, você tem 3 desejos: ir a uma festa, assistir a um filme em casa ou salvar o mundo. O termo "assistir a um filme em casa" tem o maior peso, porque você já está em casa e nenhum esforço adicional é necessário. Ir para uma festa é viável se alguém o convide e o pega, mas, como ainda não aconteceu, as chances de ir são médias. E, finalmente, para salvar o mundo, você precisa mobilizar todas as suas habilidades sobrenaturais, colocar uma fantasia de superman e lutar contra um monstro alienígena. É improvável que você decida fazer isso hoje e não deixá-lo até amanhã, então as chances são escassas.
A inferência difusa será algo assim: provavelmente vou ficar em casa, e talvez eu vá à festa, mas definitivamente não vou salvar o mundo hoje. Após a defuzzificação, nossas chances podem ser avaliadas em uma escala de 0 a 10, onde 0 é "ficar em casa", 5 é "ir para a festa", 10 é "lutar contra um monstro". Obviamente, a saída nítida ficaria na faixa de 0 a 3, ou seja, é mais provável que você fique em casa. O mesmo princípio é usado no sistema de negociação apresentado: ele compara os valores de três indicadores e usa condições lógicas para determinar a opção mais preferível no momento atual: comprar, vender ou não fazer nada.
Possíveis maneiras de melhorar este exemplo (para auto-estudo):
Aumentando o número de entradas e condições lógicas. Isso aumenta a capacidade do sistema e torna-o mais adaptável ao mercado. Otimizando não apenas o Gaussiano de saída, mas também todas as funções de associação de entradas e saídas. Otimizando a base da regra. Otimização dos pesos das expressões lógicas. Criando um comitê de vários modelos difusos responsáveis por diferentes aspectos do sistema de negociação. Usando inferências difusas como preditores ("recursos") e / ou variáveis alvo para redes neurais.
Se houver interesse suficiente no artigo, e recebo feedback suficiente, eu poderia considerar a possibilidade de escrever um novo artigo dedicado à combinação de lógica difusa e uma rede neural.
Abaixo estão os códigos-fonte dos especialistas e um script de teste para as funções de associação. Para que o especialista compile e trabalhe, é necessário baixar a biblioteca MT4Orders e a biblioteca Fuzzy atualizada.
Traduzido do russo pela MetaQuotes Software Corp.
Negociação no PEGAS.
Negociando no PEGAS - suas vantagens.
A localização e o tempo encerrados se espalham 24/7 em todos os mercados spot de gás natural, exceto CZ VTP, CZ VTP / TTF, CZ VTP / NCG, CZ VTP / GPL e CZ VTP / CEGH VTP Processos padronizados de negociação e liquidação em todos os produtos Cross - Margining benefícios para todos os nossos mercados de gás natural do nosso balcão comum, European Commodity Clearing (ECC) Um guia de regras para a oferta europeia completa PEGAS Um único processo de admissão para se juntar a todos os produtos PEGAS Melhorou o tempo de colocação no mercado de novos produtos e serviços.
Compensação e liquidação.
A compensação e liquidação de todas as transações são fornecidas pela European Commodity Clearing (ECC), principal centro de compensação de energia da Europa. A compensação via ECC facilita o cruzamento de posições em todos os hubs de gás. A funcionalidade de margem cruzada também está disponível em todas as commodities, como energia, emissões, etc. Para se beneficiar da ECC Clearing, os membros devem assinar um acordo com um membro compensado aprovado.
Descrição do Produto.
O segmento de mercado do PEGAS Spot oferece contratos manuais nos centros CEGH VTP, ETF, GASPOOL, NBP, NCG, PEG Nord, TRS, TTF, ZEE e ZTP. Além disso, também estão disponíveis contratos de localização local desenvolvidos em coordenação com os principais operadores de transmissão europeus (TSOs) e gerentes de área de mercado para auxiliar no equilíbrio físico. Atualmente, oferecemos esses produtos para GASPOOL, NCG, TTF e os PEG franceses (Nord e TRS).
O segmento de mercado PEGAS Futures oferece contratos de futuros nos centros CEGH CZ VTP, CEGH VTP, ETF, GASPOOL, NBP, NCG, PEG Nord, PSV, TRS, TTF, ZEE e ZTP, bem como produtos geográficos e horários.
Os vencimentos negociáveis são descritos em Powernext Derivatives e Commodities Market Notices, downloadable em nossa seção de download.
Referências de preços.
PEGAS publica diariamente as seguintes referências de preços por pontos:
EGSI (Preço diário: European Gas Spot Index) em todos os hubs; DRP (Preço de Referência Diário) em TTF, NCG e GASPOOL; DAP (preço médio diário) no preço de liquidação do PEG Nord e do TRS End-of-Day Spot (EOD) em TTF, NCG, GASPOOL, PEG Nord, TRS, ETF, CEGH VTP e CZ VTP.
As seguintes referências de preços futuros são publicadas pela PEGAS:
Комментариев нет:
Отправить комментарий