Estratégia Forex M150

Um mapa de características auto-organizáveis ​​(SOM) é um tipo de rede neural artificial que é treinada usando o aprendizado não supervisionado para produzir uma representação discretizada bidimensional Do espaço de entrada das amostras de treinamento, chamado de mapa. Esses mapas são úteis para a classificação e visualização de visões de baixa dimensionalidade de dados de alta dimensionalidade, semelhante à escala multidimensional. O modelo foi descrito primeiramente como uma rede neural artificial pelo professor finlandês Teuvo Kohonen, e é chamado às vezes um mapa de Kohonen. Existem muitos algoritmos disponíveis, vamos seguir o código, apresentado no ai-junkie. Para visualizar os dados no terminal do cliente MetaTrader 5, usaremos o cIntBMP - uma biblioteca para criação de imagens BMP. Neste artigo vamos considerar várias aplicações simples de mapas Kohonen. 1. Mapas de características auto-organizáveis ​​Os Mapas de características auto-organizáveis ​​foram descritos pela primeira vez por Teuvo Kohonen em 1982. Ao contrário de muitas redes neurais, não precisa de uma correspondência um-para-um entre os dados de entrada e de destino. Esta rede neural é treinada usando aprendizagem não supervisionada. A SOM pode ser descrita formalmente como um mapeamento não linear, ordenado e suave de dados de entrada de alta dimensionalidade sobre os elementos de uma matriz regular de baixa dimensão. Em sua forma básica, produz um gráfico de similaridade de dados de entrada. O SOM converte as relações estatísticas não-lineares entre dados de alta dimensionalidade em relação geométrica simples de seus pontos de imagem em uma grade bidimensional regular de nós. Os mapas SOM podem ser usados ​​para a classificação e visualização de dados de alta dimensionalidade. 1.1. Arquitetura de rede O mapa simples de Kohonen como grade de 16 nós (4x4 cada um deles está conectado com vetor de entrada tridimensional) é apresentado na Fig. Figura 1. Mapa simples de Kohonen (16 nós) Cada nó tem coordenadas (x, y) em retículo e vetor de pesos com componentes, definidos na base do vetor de entrada. 1.2. Algoritmo de aprendizagem Ao contrário de muitos outros tipos de redes neurais, o SOM não precisa de uma saída de destino a ser especificada. Em vez disso, onde os pesos dos nós correspondem ao vetor de entrada, essa área da rede é seletivamente otimizada para se assemelhar mais aos dados da classe de que o vetor de entrada é um membro. A partir de uma distribuição inicial de pesos aleatórios, e sobre muitas iterações, a SOM eventualmente se instala em um mapa de zonas estáveis. Cada zona é efetivamente um classificador de recursos, então você pode pensar na saída gráfica como um tipo de mapa de recursos do espaço de entrada. O treinamento ocorre em várias etapas e em muitas iterações: Cada peso dos nós é inicializado com valores aleatórios. Um vetor é escolhido aleatoriamente a partir do conjunto de dados de treinamento. Cada nó é examinado para calcular quais pesos são mais parecidos com o vetor de entrada. O nó vencedor é comumente conhecido como a melhor unidade correspondente (BMU). O raio da vizinhança da BMU é calculado. Inicialmente, esse valor é definido para o raio da rede, mas dimishless cada passo de tempo. Para todos os nós encontrados dentro do raio da BMU, os pesos dos nós são ajustados para torná-los mais parecidos com o vetor de entrada. Quanto mais próximo um nó à BMU, mais seus pesos são alertados. Repita o passo 2 para N iterações. 2. Estudos de caso 2.1. Exemplo 1. Hello World em SOM O exemplo clássico de Kohonen map é um problema de clustering de cores. Suponha que temos um conjunto de 8 cores, cada uma delas é representada como um vetor tridimensional no modelo de cor RGB. Ao trabalhar com Kohonen mapas em linguagem MQL5. Seguiremos o paradigma orientado a objetos. Precisamos de duas classes: CSOMNode classe para um nó da grade regular e CSOM que é uma classe de rede neural. A implementação de métodos de classe pode ser encontrada em somex1.mq5. O código tem muitos comentários, vamos nos concentrar na idéia. A descrição da classe CSOM tem a seguinte aparência: O uso da classe CSOM é simples: O resultado é apresentado na Fig. 2. Figura 2. A saída de SOMex1.mq5 Expert Advisor A dinâmica de Kohonen mapa de aprendizagem é apresentado na Fig. 3 (veja os passos abaixo da imagem): Figura 3. A dinâmica de Kohonen Mapa de aprendizagem Pode-se ver a partir da Fig. 3, o mapa de Kohonen é formado após 2400 passos. Se criarmos a rede de 300 nós e especificarmos o tamanho da imagem como 400x400: obteremos a imagem, apresentada na Fig. Se você ler o livro Visual Explorations in Finance: with Self-Organizing Maps, escrito por Guido Deboeck e Teuvo Kohonen, você lembra que os nós de rede também podem ser representados como hexagonal Células. Ao modificar o código do Expert Advisor, podemos implementar outra visualização. O resultado de SOM-ex1-hex. mq5 é apresentado na Fig. Figura 5. O Mapa de Kohonen com 300 nós, tamanho de imagem 400x400, os nós são representados em células hexagonais. Nesta versão podemos definir a exibição de bordas de célula usando os parâmetros de entrada: Em alguns casos, não precisamos mostrar a célula Se você especificar ShowBordersfalse, você obterá a seguinte imagem (veja Fig. 6): Fig. 6. Mapa de Kohonen com 300 nós, imagem 400x400, nós plotados como células hexagonais, bordas de célula desabilitadas No primeiro exemplo temos usado 8 cores no conjunto de treinamento com os componentes de cor especificados. Podemos estender o conjunto de treinamento e simplificar a especificação de componentes de cor adicionando dois métodos à classe CSOM. Note que neste caso Kohonen Maps são simples porque existem poucas cores, separadas no espaço de cores. Como resultado, temos os clusters localizados. O problema aparece se considerarmos mais cores com componentes de cor mais próximos. 2.2. Exemplo 2. Usando cores da Web como exemplos de treinamento No idioma MQL5, as cores da Web são constantes predefinidas. Figura 7. Web-cores E se aplicarmos o algoritmo Kohonen a um conjunto de vetores com componentes semelhantes Podemos criar uma classe CSOMWeb, derivada da classe CSOM: Como você vê, para simplificar o trabalho com cores, adicionamos dois novos métodos , A especificação explícita de componentes de cores não é necessária agora. A implementação de métodos de classe tem a seguinte aparência: Toda a cor da web pode ser combinada na matriz webcolors: A função OnInit () tem forma simples: Se lançarmos o som-ex2-hex. mq5, obteremos a imagem, apresentada na Fig. 8. Figura 8. Kohonen Map para Web-cores Como você vê, existem alguns clusters, mas algumas cores (como xxxBlue) estão localizadas em regiões diferentes. A razão deste fato é a estrutura do conjunto de treinamento, existem muitos vetores com componentes próximos. 2.3. Exemplo 3. Agrupamento de produtos Em seguida vamos considerar um exemplo simples que irá tentar agrupar vinte e cinco alimentos em regiões de similaridade, com base em três parâmetros, que são proteínas. Carboidrato e gordura. Tabela 1. Proteína, carboidrato e gordura para 25 alimentos. Esse problema é interessante, porque os vetores de entrada têm valores diferentes e cada componente tem sua própria gama de valores. Sua importante para a visualização, porque nós usamos o modelo de cor RGB com componentes variam de 0 a 255. Felizmente, neste caso, os vetores de entrada também são tridimensionais e podemos usar o modelo de cor RGB para visualização do mapa Kohonen. Como você vê, adicionamos mmaxvalues ​​e arrays mminvalues ​​para armazenamento de valores máximos e mínimos do conjunto de treinamento. Para a visualização em modelo de cores RGB, a escala é necessária, por isso temos sobrecarregado os métodos Train (), Render () e ShowPattern (). A busca dos valores máximo e mínimo é implementada no método Train (). Para mostrar os componentes no modelo de cor RGB, precisamos modificar o método Render (): O resultado de somex3.mq5 é apresentado na Fig. 9. Figura 9. Mapa de alimentos, agrupados em regiões de similaridade, com base em proteínas, carboidratos e gorduras Análise de componentes. Pode-se ver a partir do mapa, que açúcar, arroz e Cornflakes são traçados com cor verde por causa do carboidrato (2º componente). A manteiga está na zona verde, tem muita gordura (ó componente). Um lote de proteína (componente 1, vermelho) está contido no bife de carne, frango assado e bife de atum. Você pode ampliar o conjunto de treinamento adicionando novos alimentos das Tabelas de Composição de Alimentos (tabela alternativa). Como você vê, o problema é resolvido para direções R, G, B puras. E quanto a outros alimentos com vários componentes iguais (ou na maior parte iguais) Além disso, consideraremos os Planos de Componentes, o que é muito útil, especialmente para casos em que os vetores de entrada têm dimensão, maior que 3. 2.4. Exemplo 4. Caso 4-dimensional. Fishers Iris conjunto de dados. CMYK Para vetores tridimensionais, não há problema com a visualização. Os resultados são claros por causa do modelo de cor RGB, usado para visualizar componentes de cor. Ao trabalhar com dados de alta dimensão, precisamos encontrar a maneira de visualizá-los. A solução simples é traçar um mapa de gradiente (por exemplo, Preto / Branco), com cores, proporcional ao comprimento do vetor. A outra maneira é usar outros espaços de cor. Neste exemplo, vamos considerar o modelo de cores CMYK para Fishers Iris conjunto de dados. Há uma solução melhor, mais vamos considerá-lo. O conjunto de dados de flores de íris ou conjunto de dados de Fishers Iris é um conjunto de dados multivariados introduzido por R. Fisher (1936) como um exemplo de análise discriminante. O conjunto de dados consiste de 50 amostras de cada uma das três espécies de flores de íris (I ris setosa, Iris virginica e Iris versicolor). Quatro características foram medidos de cada amostra, eles são o comprimento ea largura de sépalo e pétala, em centímetros. Figura 10. Flor da íris Cada amostra tem 4 características: Neste exemplo usaremos o espaço de cores CMYK intermediário para traçar, isto é, consideraremos os pesos do nó como vetores no espaço CMYK. Para visualizar os resultados, utiliza-se a conversão CMYK-gtRGB. Um novo método int CSOM :: CMYK2Col (uchar c, uchar m, uchar y, uchar k) é adicionado à classe CSOM, ele usado no método CSOM :: Render (). Também temos que modificar as classes para suportar vetores 4-dimensionais. O resultado é apresentado na Fig. 11. Figura 11. Mapa de Kohonen para o conjunto de dados de flores de íris, traçado no modelo de cor CMYK O que vemos Não temos a aglomeração completa (devido às características dos problemas), mas pode-se ver a separação linear da íris setosa. A razão desta separação linear de setosa é um grande componente magenta (2º) no espaço CMYK. 2.6. Análise do Plano de Componentes Pode-se ver nos exemplos anteriores (agrupamento de dados de alimentos e íris) que há um problema com a visualização dos dados. Por exemplo, para o problema de alimentos, analisamos o mapa de Kohonen usando as informações sobre certas cores (vermelho, verde, azul). Além de clusters básicos, havia alguns alimentos com vários componentes. Além disso, a análise tornou-se difícil se os componentes são na sua maioria iguais. Os planos componentes fornecem a possibilidade de ver a intensidade relativa para cada um dos alimentos. Precisamos adicionar as instâncias de classe CIntBMP (matriz mbmp) na classe CSOM e modificar os métodos de renderização correspondentes. Também precisamos de um mapa de gradiente para visualizar a intensidade de cada componente (os valores mais baixos mostrados com a cor azul, os valores mais altos mostrados com vermelho): Figura 12. Paleta de Gradiente Adicionamos a matriz Palette768, os métodos GetPalColor () e Blend () . O desenho de um nó é colocado no método RenderCell (). Conjunto de dados de flores de íris Os resultados de som-ex4-cpr. mq5 são apresentados na Fig. 13. Figura 13. Representação de planos de componentes do conjunto de dados de flores de íris Neste caso, usamos a grade com 30x30 nós, tamanho de imagem 300x300. Os planos componentes desempenham um papel importante na detecção de correlação: comparando esses planos, mesmo as variáveis ​​parcialmente correlacionadas podem ser detectadas por inspeção visual. Isto é mais fácil se os planos de componente forem reorganizados para que os correlacionados estejam próximos um do outro. Desta forma, é fácil selecionar combinações de componentes interessantes para uma investigação mais aprofundada. Consideremos os planos dos componentes (Fig. 14). Os valores dos componentes máximo e mínimo são mostrados na tabela de gradientes. Figura 14. Conjunto de dados da flor da íris. Planos de componentes Todos estes planos de componentes, representados no modelo de cor CMYK são mostrados na Fig. 15. Figura 15. Conjunto de dados da flor da íris. Mapa de Kohonen no modelo de cor CMYK Permite lembrar o tipo de íris setosa. Usando a análise do plano do componente (Fig. 14) pode-se ver que ele tem valores mínimos nos planos de componente 1º (Comprimento Sepal), 3º (Pétala) e 4º (Pétala Largura). É notável que tenha valores máximos no plano do 2º componente (Largura Sepal), o mesmo resultado que obtivemos no modelo de cor CMYK (componente Magenta, Fig. 15). Agora vamos considerar o problema de agrupamento de alimentos usando a análise do plano do componente (som-ex3-cpr. mq5). O resultado é apresentado na Fig. 16 (30x30 nós, tamanho de imagem 300x300, células hexagonais sem bordas). Figura 16. Mapa de Kohonen para alimentação, representação de plano de componente Adicionamos a opção de exibição de títulos no método ShowPattern () da classe CSOM (parâmetro de entrada ShowTitlestrue). Os planos dos componentes (proteína, carboidrato, gordura) são os seguintes: Figura 17. Mapa de Kohonen para alimentos. Planos de componentes e modelo de cor RGB A representação do plano do componente, mostrada na Fig. 17 abre uma nova visão sobre a estrutura dos componentes dos alimentos. Além disso, fornece informações adicionais, que não podem ser vistas no modelo de cor RGB, apresentado na Fig. 9. Por exemplo, agora vemos o queijo no plano do primeiro componente (proteína). No modelo de cor RGB mostrado com cor, perto de magenta, por causa da gordura (2º componente). 2.5. Implementação de Planos Componentes para o Caso de Dimensão Arbitrária Os exemplos que consideramos têm algumas características específicas, a dimensão foi fixada e o algoritmo de visualização foi diferente para diferentes representações (modelos de cor RGB e CMYK). Agora podemos generalizar o algoritmo para dimensões arbitrárias, mas neste caso, vamos visualizar apenas os planos componentes. O programa deve ser capaz de carregar os dados arbitrários do arquivo CSV. Por exemplo, o food. csv tem a seguinte aparência: A primeira linha do arquivo contrai os nomes (títulos) do vetor de dados de entrada. Os títulos são necessários para distingush os planos de componente, vamos imprimir seus nomes no painel de gradiente. O nome do padrão está localizado na última coluna, no nosso caso é o nome do alimento. O código de SOM. mq5 (função OnInit) é simplificado: O nome do arquivo com padrões de treinamento é especificado no parâmetro de entrada DataFileName, no nosso caso, food. csv. O resultado é mostrado na Fig. 18. Figura 18. Kohonen Mapa de alimentos em esquema de cores em gradiente preto / branco Também adicionamos o parâmetro de entrada ColorScheme para a seleção de esquema de gradiente. Actualmente existem 4 esquemas de cores disponíveis (ColorScheme0,1,2,4Black-White, DarkBlue-Blue-Green-Yellow-Red, Vermelho-Preto-Verde, Vermelho-Branco-Verde). Você pode facilmente adicionar seu próprio esquema adicionando o gradiente no método CSOM :: InitParameters (). O esquema de cores pode ser selecionado a partir dos parâmetros de entrada do Expert Advisor: Da mesma forma, podemos preparar o conjunto de dados da flor da íris (iris-fisher. csv): O resultado é mostrado na Fig. 19. Figura 19. Conjunto de dados da flor da íris. Planos de componentes no esquema de cores Vermelho-Preto-Verde (ColorScheme2, iris-fisher. csv) Agora temos uma ferramenta para as aplicações reais. 2.6. Exemplo 5. Mapas de calor de mercado Mapas de características de auto-organização podem ser usados ​​para os mapas de movimento do mercado. Às vezes a imagem global do mercado é necessária, o mapa de calor do mercado é uma ferramenta muito útil. Os estoques são combinados em função dos setores econômicos. A cor atual do estoque depende da taxa de crescimento atual (em): Figura 20. Mapa de calor de mercado para estoques de SampP500 O mapa de calor de mercado semanal dos estoques de SampP (finviz) é mostrado na Fig. 20. A cor depende da taxa de crescimento (in): O tamanho do retângulo estoque depende da capitalização de mercado. A mesma análise pode ser feita no terminal do cliente MetaTrader 5 usando o Kohonen Maps. A idéia é usar as taxas de crescimento (em) para vários prazos. Temos a ferramenta para trabalhar com mapas Kohonen, então o único necessário é o script, que salva os dados no arquivo. csv. Os dados de preços sobre os preços CFD das ações americanas (AA, AIG, AXP, BA, BAC, C, CAT, CVX, DD, DIS, EK, GE, HD, HON, HPQ, IBM, KFT, KO, MCD, MMM, MO, MRK, MSFT, PFE, PG, T, TRV, UTX, VZ, WMT XOM) podem ser encontrados no servidor de demonstração MetaQuotes. O script que prepara o arquivo dj. csv é muito simples: os dados históricos devem ser baixados, você pode fazê-lo automaticamente usando o script DownloadHistory. Como resultado do script dj. mq5, obteremos o dj. csv com os seguintes dados: Após o lançamento do som. mq5 (ColorScheme3, CellsX30, CellsY30, ImageXSize200, ImageXSize200, DataFileNamedj. csv), obteremos 8 imagens, cada uma Deles correspondem aos intervalos de tempo de 30, 60, 90, 120, 150, 180, 210 e 240 minutos. Os mapas de Kohonen dos dados da taxa de crescimento do mercado (ações americanas) de 4 últimas horas da sessão de comércio de 23 de maio de 2011 são apresentados na Fig. 21. Figura 21. Mapas de Kohonen para ações americanas (últimas 4 horas da sessão comercial de 23 de maio de 2011). Pode-se ver na Fig. 21, a dinâmica de C (Citigroup Inc.), T (ATampT Inc.), JPM (JPMorgan Chase amp Co), BAC (Bank of America) é semelhante. Eles agrupados em um cluster de longo prazo vermelho. Durante as últimas 1,5 horas (M30, M60, M90) sua dinâmica tornou-se verde, mas geralmente (M240) os estoques estavam na zona vermelha. Usando mapas de Kohonen, podemos visualizar a dinâmica relativa dos estoques, encontrar líderes e perdedores e seu ambiente. Os elementos com dados semelhantes formam clusters. Como vemos na Fig. 21a, o preço das ações do Citigroup Inc foi o líder da queda. Geralmente, todas as ações das empresas financeiras estavam na zona vermelha. Figura 21a. Mapa de calor do mercado em 23 de maio de 2011 (Fonte: finviz) Da mesma forma, podemos calcular os mapas de Kohonen do mercado FOREX (Figura 22): Figura 22. Mapa de Kohonen para o mercado FOREX (24 de maio de 2011, sessão europeia) : EURUSD, GBPUSD, USDCHF, USDJPY, USDCAD, AUDUSD, AUD, AUDCAD, AUDCAD, AUDCAD, AUDCHF, AUDJPY, CHFJPY, EURGBP, EURAUD, EURCHF, EURJPY, EURNZD, EURCAD, GBPCHF, GBPJPY, CADCHF. As taxas de crescimento são exportadas para fx. csv usando o script fx. mq5. Além dos preços, você pode usar os valores dos indicadores em prazos diferentes. 2.6. Exemplo 6. Análise de Resultados de Otimização O Testador de Estratégia do terminal do cliente MetaTrader 5 fornece uma oportunidade para explorar a estrutura do espaço de parâmetros e encontrar o melhor conjunto de parâmetros da estratégia. Também é possível exportar os resultados de otimização usando a opção Exportar para XML (MS Office Excel) no menu de contexto da guia Resultados de Otimização. As estatísticas de teste também estão incluídas nos resultados de otimização (41 colunas): Resultado Lucro Lucro Bruto Perda Bruta Retorno Ganho Esperado Fator de Lucro Fator de Recuperação Taxa de Sharpe Nível de Margem Personalizada Minimal Balanço Saldo DD Saldo Máximo DD Saldo Máximo DD Saldo Relativo DD Relativo ) Minimal Equity Equity DD Equivalência Equivalente DD Equivalência Equivalente DD Equivalência DD Relative () Negociações Curtas Operações Curtas Lucro Curtas Operações Longas Lucro Longas Operações Profit Trades Perda Negociação Máximo lucro negociação Máxima perda negociação Máx. Vitórias consecutivas Máx. Vitórias consecutivas () Máx. Lucro consecutivo Máxima contagem consecutiva de lucro Máx. Perdas consecutivas Máx. Perdas consecutivas Perda consecutiva máxima Perda consecutiva máxima Perdas consecutivas médias Perdas consecutivas médias O uso de estatísticas de teste permite auxiliar na análise do espaço dos parâmetros. É notável que muitos parâmetros da estatística estão intimamente relacionados e depende dos resultados do desempenho comercial. Por exemplo, os melhores resultados de negociação têm os maiores valores dos parâmetros Profit, Profit Factor, Recovery Factor e Sharpe Ratio. Este fato permite usá-los na análise dos resultados. Resultados de Otimização de MovingAverage. mq5 Expert Advisor Neste capítulo, consideraremos a análise dos resultados de otimização de MovingAverage. mq5 Expert Advisor, incluídos no pacote padrão do terminal do cliente MetaTrader 5. Este Expert Advisor é baseado no crossover do preço e indicador de média móvel. Ele tem dois parâmetros de entrada: MovingPeriod e MovingShift, ou seja, teremos o arquivo XML com 43 colunas como resultado. Não vamos considerar o espaço 43-dimensional de parâmetros, os mais interessantes são: Note, adicionamos o parâmetro ProfitTrades () (está ausente nos resultados), significa a porcentagem de negócios rentáveis ​​e calculado como resultado da divisão de ProfitTrades (28) por Trades (22), multiplicado por 100. Permite preparar o arquivo optim. csv com 9 colunas para 400 conjuntos de parâmetros de entrada do MetaTrader 5 Strategy Tester. Observe que, usando o valor de MovingPeriod como coluna de título, ele será usado para marcar os padrões nos mapas de Kohonen. No Strategy Tester nós otimizamos os valores de MovingPeriod e MovingShift com os seguintes parâmetros: Símbolo - EURUSD, Período - H1, Modo de geração de ticks - 1 Minuto OHLC, intervalo de teste - 2011.01.01-2011.05.24, Otimização - Rápido (algoritmo genético) , Optimização - Equilíbrio máx. Figura 23. Mapa de Kohonen para os resultados de otimização de MovingAverage EA (representação de plano de componente) Considere os planos de componentes da linha superior (Lucro, Fator de Lucro, Taxa de Sharpe do Fator de Recuperação). Eles são combinados na Fig. 24. Figura 24. Planos de componentes para os parâmetros de Lucro, Fator de Lucro, Fator de Recuperação e Relação de Sharpe O primeiro, que precisamos é encontrar as regiões com os melhores resultados de otimização. Pode-se ver a partir da Fig. 24, as regiões com valores máximos estão localizadas no canto superior esquerdo. Os números correspondem ao período de média do indicador de Média Móvel (parâmetro MovingPeriod, usado como título). A localização dos números é a mesma para todos os planos componentes. Um plano de cada componente tem sua própria faixa de valores, os valores são impressos no painel de gradiente. Os melhores resultados de otimização têm os maiores valores de Lucro, Fator de Lucro, Fator de Recuperação e Proporção de Sharpe, portanto temos informações sobre as regiões no mapa (delineadas na Figura 24). Os planos de componentes para Trades, ProfitTrades (), MovingPeriod e MovingShift são apresentados na Fig. 25. Figura 25. Planos de componentes para os parâmetros Trades, ProfitTrades (), MovingPeriod e MovingShift Análise do plano do componente À primeira vista, não há nenhuma informação interessante. Os primeiros 4 planos de componentes (Lucro, Fator de Lucro, Fator de Recuperação e Índice de Sharpe) são semelhantes, porque dependem diretamente do desempenho do sistema comercial. Pode-se ver a partir da Fig. 24, a região superior esquerda é muito interessante (por exemplo, melhores resultados podem ser alcançados se definimos o MovingPeriod de 45 para 50). O Expert Advisor foi testado a cada hora do EURUSD, a sua estratégia baseada na tendência, podemos considerar estes valores como uma memória de tendência de mercado. Se é verdade, a memória de tendência de mercado para o primeiro semestre de 2011 é igual a 2 dias. Vamos considerar outros planos de componentes. Figura 26. Planos de componente Trades-MovingPeriod Olhando na Fig. 26, podemos ver que valores mais baixos de MovingPeriod (regiões azuis) conduzem aos maiores valores de Trades (regiões amarelo-vermelhas). Se o período de média móvel é baixo, há muitos crossovers (comércios). Também podemos ver esse fato no plano do componente Trades (regiões verdes com números abaixo de 20). Figura 27. Planos de Componentes Trades-Moving Shift O número de operações diminui (regiões azuis) com o aumento de MovingShift (regiões vermelhas amarelas). Comparando os planos de componentes para MovingShift e Fig.24, pode-se ver que o parâmetro MovingShift não é muito importante para o desempenho desta estratégia comercial. A porcentagem de negócios lucrativos ProfitTrades () não depende diretamente de MovingPeriod ou MovingShift, é uma característica integral do sistema de comércio. Em outras palavras, a análise de sua correlação com parâmetros de entrada não tem significado. Estratégias comerciais mais complexas podem ser analisadas da mesma forma. Você precisa encontrar os parâmetros mais importantes de seu sistema de comércio e usá-lo como um título. Conclusão A principal vantagem dos Self-Organizing Feature Maps é a oportunidade de produzir uma representação bidimensional discretizada de dados de alta dimensionalidade. Os dados com características semelhantes formam clusters, simplifica a análise de correlação. Os detalhes e outras aplicações podem ser encontradas no excelente livro Visual Explorations in Finance: com Self-Organizing Maps de Guido Deboeck e Teuvo Kohonen. Após a publicação da versão russa. Alex Sergeev propôs a versão aprimorada das classes (SOMAlex-Sergeeven. zip). 1. A exibição de imagens mudou: cIntBMP :: Show (int aX, int aY, string aBMPFileName, string aObjectName, bool aFromImages true) 2. Adicionado o recurso para abrir pasta com imagens: Adicionado um método CSOM :: HideChart - oculta o gráfico . Adicionado os membros da classe mchart, mwnd, mx0, my0 - (gráfico, janela e coordenadas para mostrar imagens). Adicionado msID - prefixo de nomes de objetos. O prefixo usa o nome do arquivo, por padrão o prefixo SOM é usado. Todos os mapas são salvos na pasta com o nome msID. Os arquivos bmp são nomeados pelo nome da coluna dos padrões. Modificado o método CSOM :: ShowBMP (mapas guardados na pasta Files insted de imagens, ele funciona muito mais rápido). O CSOM :: NetDeinit alterado para CSOM :: HideBMP. Modificado o método CSOM :: ReadCSVData, a primeira coluna contém títulos. Adicionado um sinalizador para mostrar mapas intermediários no CSOM :: Train (bool bShowProgress). A exibição de mapas intermediários no CSOM :: Train é executada a cada 2 segundos (em vez de iteração), o progresso é mostrado no gráfico usando o Comment. Nomes otimizados de algumas variáveis, métodos de classe ordenados por categoria. O desenho do bmp é um processo muito lento. Se você realmente não precisa, não desenhá-lo cada vez. O exemplo de imagens de SOM com resultados de otimização são incluídos em archive. Niniejsza strona internetowa ma charakter wycznie informacyjny. Informaczi zawarte in the internet in the internet and the internet in the internet. 66 1 kc. PORBA MACHINE TOOL Sp. Z o. O. Direitos reservados 2015 porebamt W odpowiedzi na zapytania kontrahentw, PORBA MACHINE TOOL sp. Z o. o. Z siedzib w Gliwicach uprzejmie informuje, i nie java powizana w aden sposb ani osobowo ani kapitaowo ze spk Porba 1798 Máquinas-ferramentas z siedzib w Kuni Raciborskiej (spka crka Rafamet S. A.) ani ze spk Poreba América do Norte z siedzib w EUA. Em resposta às perguntas dos nossos contratantes, a PORBA MACHINE TOOL Sp. O. o. Em Gliwice informa gentilmente que não está associado, pessoalmente ou financeiramente, à empresa Porba 1798 Machine Tools em Kunia Raciborska (subsidiária da Rafamet SA) nem com a empresa Poreba North America, com sede nos Estados Unidos. Niniejsza strona internetowa ma charakter wycznie informacyjny . Informaczi zawarte in the internet in the internet and the internet in the internet. 66 1 kc. PORBA MACHINE TOOL Sp. Z o. O. Direitos reservados 2015 porebamt W odpowiedzi na zapytania kontrahentw, PORBA MACHINE TOOL sp. Z o. o. Z siedzib w Gliwicach uprzejmie informuje, i nie java powizana w aden sposb ani osobowo ani kapitaowo ze spk Porba 1798 Máquinas-ferramentas z siedzib w Kuni Raciborskiej (spka crka Rafamet S. A.) ani ze spk Poreba América do Norte z siedzib w EUA. Em resposta às perguntas dos nossos contratantes, a PORBA MACHINE TOOL Sp. O. o. Em Gliwice informa gentilmente que não está associado, pessoalmente ou financeiramente, à empresa Porba 1798 Machine Tools na Kunia Raciborska (subsidiária da Rafamet SA) nem à empresa Poreba North America com sede nos Estados Unidos.