Forex Mt4 Preisvorhersage Indikator

Fortschrittliche Preisbewegung Predictor Pro Edition MT4 Sie prognostiziert die wahrscheinlichste kurzfristige Kursbewegung basierend auf fortgeschrittenen mathematischen Berechnungen. Schätzung der unmittelbaren Preisbewegung Berechnung des realen Markttrends Berechnung der wichtigsten Unterstützungs - und Widerstandsstufen Algorithmen, die für komplexe mathematische Berechnungen mit minimalem Abfluss von Systemressourcen optimiert werden Selbstjustierend für bessere Leistung, so dass er in der Lage ist, bei jedem beliebigen Symbol korrekt zu arbeiten (Egal wie exotisch es ist) und jeder Zeitrahmen Kompatibel mit jeder MetaTrader-Plattform, unabhängig von der Anzahl der Ziffern oder anderen Parametern Kompatibel mit jedem anderen Tool (Indikator, EA oder Skript) ohne die Terminalperformance und den Handelsbetrieb zu verlangsamen. Einleitung Die meisten klassischen Indikatoren, aus denen sich die gemeinsamen Handelsstrategien zusammensetzen, basieren auf einfacher Mathematik, nicht weil, wenn diese Indikatoren geschaffen wurden, es keine hervorragenden Mathematiker gab (tatsächlich gab es wahrscheinlich die besten Mathematiker als damals), sondern weil Computer nicht existierten Oder sie hatten einfach eine geringe Rechenleistung, um komplexe mathematische Operationen konsequent durchzuführen. Heutzutage übertrifft jedes Smartphone überwältigend den leistungsstärksten Computer nur wenige Jahrzehnte her. Daher ist die Fähigkeit, große Mengen an Informationen zu verarbeiten, keine Beschränkung in diesen Tagen, außer bei extrem komplexen Prozesssimulationen. Advanced Price Movement Predictor (APMP) Indikator nutzt die aktuelle Verarbeitungskapazität, um die Essenz der Preisschwankungen durch einige der modernsten mathematischen, statistischen und probabilistischen Konzepten zu erfassen. APMP liefert keine Vorhersage selbst, da die Preisbewegung ein nicht-stationärer stochastischer Prozess ist und daher nicht vorhersehbar ist. Allerdings macht es eine dynamische und sehr zuverlässige Schätzung der unmittelbaren Preisbewegung. Basierend auf der gleichen Analyse zeigt APMP den aktuellen Trend des Marktes. Warum der Trend nicht real ist Der Trend mit anderen Indikatoren Der Trend wird bisher fast immer von klassischen Indikatoren wie Moving Averages, Bollinger Bands oder Parabolic SAR oder einfach durch die traditionelle Methode der manuellen Zeichnung einer Linie (oder zwei parallele Linien) Zwischen zwei oder mehr signifikanten Punkten. Offensichtlich sind diese Indikatoren und Methoden noch gültig, vor allem, da sie von den meisten der Händler verwendet werden, aber die meisten von ihnen erhalten nachhaltige Gewinne haben wir die Intuition, dass sie nicht. Mit diesem Indikator können Sie Ihre aktuelle Trading-Methode zu stärken oder zu verbessern, oder Sie können einfach entlassen, weil Sie sehen, dass auch die meisten chaotischen Verhalten, wie der Marktpreis, respektiert die große Anzahl und ist auf die Strenge der alle mächtig begrenzt Mathematischen Gesetzen. Wie es zu verwenden Grundsätzlich ist die Verwendung von APMP nicht anders, wie Sie regelmäßig verwenden Trends, Unterstützung und Widerstand Ebenen. Der grundlegende Unterschied besteht in der Zuverlässigkeit und Robustheit der Werte, die mit diesem Indikator berechnet werden. Die regelmäßige Nutzung von APMP ist wie folgt: Für Trading-Strategien auf der Grundlage der Trend, müssen die Händler in Bereichen in der Nähe der Support-Ebenen kaufen, während der Trend ist, und verkaufen in Gebieten in der Nähe des Widerstandes Ebenen, während der Trend nach unten ist. Für Trading-Strategien, die auf Trendkorrekturen (Counter-Trend) basieren, müssen Händler in Bereichen in der Nähe des Support-Levels kaufen, während der Trend sinkt, und in Bereichen in der Nähe des Widerstandes zu senken, während der Trend ist. Beachten Sie, dass erhebliche Ebenen entweder als Unterstützungen oder Widerstände handeln können, so ist es wichtig, dies im Auge behalten, wenn die Gestaltung unserer Handelsstrategie und besonderes Augenmerk auf das Preisverhalten, wenn es nahe an diesen Ebenen ist. Der Stop Loss könnte sich in einem Abstand vom offenen Preis befinden, der gleich der Trennung zwischen dem Support und den Widerstandswerten ist, und Take Profit Distanz könnte das Doppelte der vorherigen Trennung betragen. Es wäre auch eine gute Idee, eine Stop-Stop-Funktion zu verwenden, um den Stop Loss zu bewegen, wenn die Unterstützung und der Widerstandswert sich zugunsten der Position bewegen. Die oben beschriebene Strategie ist nur ein grundlegender Vorschlag, aber APMP bietet genügend Informationen, um eine Vielzahl von Handelsstrategien zu schaffen und bestehende zu verbessern. Es wird interessant sein, über verschiedene Strategien aus diesem Indikator abgeleitet zu hören. Funktionsweise APMP zeigt die folgenden Informationen: Unterstützung und Widerstandsniveaus, die dem aktuellen Marktpreis und dem Rest der höheren Perioden am nächsten sind. Der reale Trend und die wahrscheinlichste kurzfristige Kursbewegung im aktuellen Zeitrahmen und für den Rest der höheren Perioden. Warnmeldungen, wenn Stauzonen erscheinen und wenn der Preis eine der wichtigen Stufen überquert. Übergangszonen sind diejenigen, in denen 2 oder mehr Ebenen übereinstimmen. Benutzer können auch Dialogfenster und E-Mail-Benachrichtigungen aktivieren. Sowohl APMP - als auch MetaTrader-Alarme werden von Signaltönen (akustischer Alarm) begleitet. Darüber hinaus werden alle Warnmeldungen auf der Registerkarte Experten angezeigt, um eine zukünftige Referenz und Analyse zu ermöglichen. Hinweis: Wenn APMP zum ersten Mal oder nach einer langen Zeit an ein Symbol angehängt ist, kann es bis zu einer Minute dauern, bis alle Daten aus den verschiedenen Zeitrahmen ausgewertet werden, so dass wir empfehlen, alle Perioden des Symbols zu aktualisieren ( S), die Sie verwenden möchten, und so wird APMP von Anfang an ordnungsgemäß funktionieren. Wir sind ein kleines Team von Coderstradern, die professionelle Programmierung Dienstleistungen für die Handelswelt, vor allem für MetaTrader-Plattform. Unser Team verfügt über ca. 7 Jahre (durchschnittlich) der Handelserfahrung und etwa 6 Jahre (als Durchschnitt), die der Programmierung in MetaTrader gewidmet sind. Wir haben Scripts, Indikatoren und Expert Advisors für viele Kunden auf der ganzen Welt und für unseren eigenen Gebrauch entwickelt, wie es der Fall der Advanced Price Movement Predictor (APMP) Indikatoren. Nächste Preisprognose mit Neural Network - Indikator für MetaTrader 4 06262009 - hat einen neuen Indikator BPNN Predictor mit Smoothing. mq4 hinzugefügt, in dem die Preise mit EMA vor Prognosen geglättet werden. 08202009 - korrigiert den Code, der die Neuron-Aktivierungsfunktion berechnet, um zu verhindern, dass arithmetische Ausnahme aktualisiert wurde BPNN. cpp und BPNN. dll 08212009 - hinzugefügtes Löschen des Speichers am Ende der DLL-Ausführung aktualisiert BPNN. cpp und BPNN. dll Kurze Theorie der neuronalen Netze: Neural Netzwerk ist ein einstellbares Modell der Ausgänge als Funktionen der Eingänge. Es besteht aus mehreren Schichten: Eingangsschicht. Die aus Eingangsdaten-Hidden-Layer besteht. Die aus Verarbeitungsknoten besteht, die als Neuronenausgangsschicht bezeichnet werden. Die aus einem oder mehreren Neuronen besteht, deren Ausgänge die Netzwerkausgänge sind. Alle Knoten benachbarter Schichten sind miteinander verbunden. Diese Verbindungen werden Synapsen genannt. Jede Synapse hat einen zugeordneten Skalierungskoeffizienten, mit dem die durch die Synapse verbreiteten Daten multipliziert werden. Diese Skalierungskoeffizienten werden als Gewichte (wijk) bezeichnet. In einem Feed Forward Neural Network (FFNN) werden die Daten von den Eingängen zu den Ausgängen weitergegeben. Hier ist ein Beispiel von FFNN mit einer Eingangsschicht, einer Ausgabeschicht und zwei verborgenen Schichten: Die Topologie eines FFNN wird oft wie folgt abgekürzt: lt der Inputsgt - der Neuronen in der ersten verborgenen Schicht - der Neuronen im zweiten Verborgenen Deutsch - Übersetzung - Linguee als Übersetzung von. - lt der Ausg. Das obige Netzwerk kann als 4-3-3-1-Netzwerk bezeichnet werden. Die Daten werden durch Neuronen in zwei Schritten verarbeitet, die entsprechend im Kreis durch ein Summenzeichen und ein Schrittzeichen dargestellt werden: Alle Eingaben werden mit den zugehörigen Gewichten multipliziert und summiert Die resultierenden Summen werden durch die Neuronenaktivierungsfunktion verarbeitet. Dessen Ausgang der Neuronausgang ist. Es ist die Neuronen-Aktivierungsfunktion, die dem neuronalen Netzwerkmodell Nichtlinearität verleiht. Ohne es gibt es keinen Grund, versteckte Schichten zu haben, und das neuronale Netzwerk wird zu einem linearen autoregressiven (AR) Modell. Die zugehörigen Bibliotheksdateien für NN-Funktionen ermöglichen die Auswahl zwischen drei Aktivierungsfunktionen: Die Aktivierungsschwelle dieser Funktionen ist x0. Diese Schwelle kann entlang der x-Achse durch einen zusätzlichen Eingang jedes Neurons bewegt werden, der als Vorspannungseingang bezeichnet wird. Der auch ein Gewicht zugeordnet ist. Die Anzahl der Eingänge, Ausgänge, verborgenen Schichten, Neuronen in diesen Schichten und die Werte der Synapsengewichte beschreiben vollständig einen FFNN, d. H. Das nichtlineare Modell, das es erzeugt. Um Gewichte zu finden, muss das Netzwerk trainiert werden. Während eines betreuten Trainings. Werden mehrere Sätze von vergangenen Eingängen und die entsprechenden erwarteten Ausgänge dem Netzwerk zugeführt. Die Gewichte sind optimiert, um den kleinsten Fehler zwischen den Netzwerkausgängen und den erwarteten Ausgängen zu erzielen. Die einfachste Methode der Gewichtsoptimierung ist die Back-Propagation von Fehlern, die eine Gradientenabsenkung Methode ist. Die beiliegende Trainingsfunktion Train () nutzt eine Variante dieser Methode, genannt Verbessertes Resilient Back-Propagation Plus (iRProp). Diese Methode wird hier beschrieben Der Hauptnachteil der gradientenbasierten Optimierungsmethoden ist, dass sie oft ein lokales Minimum finden. Für chaotische Serien wie eine Preisreihe hat die Trainingsfehleroberfläche eine sehr komplexe Form mit vielen lokalen Minima. Für solche Serien ist ein genetischer Algorithmus ein bevorzugtes Trainingsverfahren. BPNN. dll - Bibliotheksdatei BPNN. zip - Archiv aller Dateien, die für die Kompilierung von BPNN. dll in C benötigt werden BPNN Predictor. mq4 - Indikator für zukünftige offene Preise BPNN Predictor mit Smoothing. mq4 - Indikator für geglättete offene Preise Datei BPNN. cpp hat zwei Funktionen: Train () Test (). Zug () wird verwendet, um das Netzwerk auf der Grundlage der gelieferten Eingangsdaten und der erwarteten Ausgangswerte zu trainieren. Test () wird verwendet, um die Netzwerkausgaben mit optimierten Gewichten zu berechnen, die von train () gefunden wurden. Hier ist die Liste der Eingangsparameter von Zug (): double inpTrain - Eingabe der Trainingsdaten (1D-Array mit 2D-Daten, alt zuerst) double OutTarget - Ausgabezieldaten für Training (2D-Daten als 1D - Älteste 1.) doppelte OutTrain - Ausgabe 1D - Array, um Nettowerte aus Training int ntr - Trainings - Sets int UEW - Ext. Gewichte für die Initialisierung (1use extInitWt, 0use rnd) double extInitWt - Input 1D-Array, um 3D-Array von externen Anfangsgewichten zu halten doppeltrainiertWt - Ausgabe 1D-Array, um 3D-Array von trainierten Gewichten zu halten int numLayers - von Ebenen einschließlich Input, Hidden und Output int lSz - von Neuronen in Schichten. (0: sigm, 1: tanh, 2: x (1x)) int OAF - 1 aktiviert Aktivierungsfunktion für die Ausgabeschicht 0 deaktiviert int nep - Max von Trainingsepochen double maxMSE - Maximales MSE-Training stoppt, sobald maxMSE erreicht ist. Hier ist die Liste der Eingangsparameter von Test (): double inpTest - Eingangstestdaten (2D-Daten als 1D-Array, älteste zuerst) double outTest - Ausgabe 1D-Array, um die Nettowerte des Trainings zu halten (älteste zuerst ) Int ntt - der Testsätze double extInitWt - Input 1D-Array, um 3D-Array von externen Anfangsgewichten in numLayers - von Ebenen einschließlich Input, Hidden und Output int lSz - von Neuronen in Schichten zu halten. (0: sigm, 1: tanh, 2: x (1x)) int OAF - 1 aktiviert Aktivierungsfunktion für die Ausgabeschicht 0 deaktiviert Ob die Aktivierungsfunktion im Ausgang verwendet wird Schicht oder nicht (OAF-Parameterwert) abhängig von der Art der Ausgänge. Wenn die Ausgänge binär sind, was bei Klassifikationsproblemen oft der Fall ist, sollte die Aktivierungsfunktion in der Ausgabeschicht (OAF1) verwendet werden. Bitte beachten Sie, dass die Aktivierungsfunktion 0 (Sigmoid) 0 und 1 Sättigungspegel aufweist, während die Aktivierungsfunktionen 1 und 2 -1 und 1 Pegel aufweisen. Wenn die Netzwerkausgänge eine Preisvorhersage sind, wird in der Ausgabeschicht (OAF0) keine Aktivierungsfunktion benötigt. Beispiele für die Verwendung der NN-Bibliothek: BPNN Predictor. mq4 - prognostiziert zukünftige offene Preise. Die Eingänge des Netzes sind relative Preisänderungen: wobei delayi als Fibonacci-Zahl (1,2,3,5,8,13,21 ..) berechnet wird. Der Ausgang des Netzwerks ist die vorhergesagte relative Änderung des nächsten Preises. In der Ausgabeschicht (OAF0) ist die Aktivierungsfunktion ausgeschaltet. Extern int lastBar - Letzter Strich in den letzten Daten extern int futBars - der zukünftigen Balken zur Vorhersage externer int numLayers - von Layern einschließlich Eingang, versteckter Amp - Ausgang (2..6) extern int numEingänge - von Eingängen extern int numNeurons1 - von Neuronen in Die erste verborgene oder die Ausgabeschicht extern int numNeurons2 - der Neuronen in der zweiten verborgenen oder der Ausgabeschicht extern int numNeurons3 - der Neuronen in der dritten versteckten oder der Ausgabeschicht extern int numNeurons4 - der Neuronen in der vierten verborgenen oder der Ausgabeschicht extern int numNeurons5 - of Neuronen in der fünften versteckten oder ausgegebenen Ebene extern int ntr - von Trainingseinheiten extern int nep - Max von Epochen extern int maxMSEpwr - Sätze maxMSE10maxMSEpwr Training stoppt lt maxMSE extern int AFT - Aktivierungsart. (1: tanh, 2: x (1x)) Der Indikator zeigt drei Kurven auf dem Chart: rote Farbe - Prognosen der zukünftigen Preise schwarze Farbe - Vergangenheit Training offenen Preisen, die als erwartete Ergebnisse für das Netzwerk verwendet wurden Blaue Farbe - Netzwerkausgänge für Trainingseingänge BPNN Predictor. mq4 - prognostiziert zukünftig geglättete offene Preise. Es nutzt die EMA-Glättung mit Periodenglättung. Kopieren Sie BPNN. DLL in C: Programme FilesMetaTrader 4expertslibraries Im Metatrader: Extras - Optionen - Expertenberater - DLL-Importe zulassen Sie können auch Ihre eigene DLL-Datei mit Quellcodes in BPNN. zip kompilieren. Ein Netzwerk mit drei Ebenen (numLayers3: ein Eingang, ein versteckter und ein Ausgang) reicht für eine überwiegende Mehrheit der Fälle. Nach dem Cybenko-Theorem (1989) ist ein Netzwerk mit einer verborgenen Schicht in der Lage, jede beliebige kontinuierliche multivariate Funktion mit beliebiger Genauigkeit zu approximieren. Ein Netzwerk mit zwei verborgenen Schichten ist in der Lage, jede diskontinuierliche multivariate Funktion zu approximieren: Die optimale Anzahl von Neuronen in der verborgenen Schicht können durch Versuch und Irrtum gefunden werden. Die folgenden Rechenregeln von thumbquot können in der Literatur gefunden werden: von versteckten Neuronen (von Eingängen von Ausgängen) 2 oder von SQRT (von Eingängen von Ausgängen). Verfolgen Sie den Trainingsfehler, der durch das Kennzeichen im Expertenfenster des Metatraders angezeigt wird. Für die Verallgemeinerung sollte die Anzahl der Trainingseinheiten (ntr) 2-5 mal die Gesamtzahl der Gewichte im Netzwerk gewählt werden. Beispielsweise verwendet BPNN Predictor. mq4 standardmäßig ein 12-5-1-Netzwerk. Die Gesamtzahl der Gewichte beträgt (121) 5671. Daher sollte die Anzahl der Trainingseinheiten (ntr) mindestens 142 betragen. Das Konzept der Verallgemeinerung und des Auswendiglernens (Overfitting) wird in der folgenden Grafik erläutert. Die Eingabedaten in das Netzwerk sollten in stationär umgewandelt werden. Forex Preise sind nicht stationär. Es wird auch empfohlen, die Eingänge auf -1..1 zu normalisieren. Die folgende Grafik zeigt eine lineare Funktion ybx (x-input, y-output), deren Ausgänge durch Rauschen verfälscht werden. Dieses zusätzliche Rauschen bewirkt, dass die Funktion gemessenen Ausgänge (schwarze Punkte) von einer geraden Linie abweicht. Die Funktion yf (x) kann durch ein vorwärtsgerichtetes neuronales Netzwerk modelliert werden. Das Netzwerk mit einer großen Anzahl von Gewichten kann mit Nullfehler an die gemessenen Daten angepasst werden. Ihr Verhalten wird als rote Kurve durch alle schwarzen Punkte dargestellt. Diese rote Kurve hat jedoch nichts mit der ursprünglichen linearen Funktion ybx (grün) zu tun. Wenn dieses überpaßte Netzwerk verwendet wird, um zukünftige Werte der Funktion y (x) vorherzusagen, führt dies zu großen Fehlern aufgrund der Zufälligkeit des hinzugefügten Rauschens. Im Austausch für den Austausch dieser Codes, hat der Autor eine kleine Gunst zu fragen. Wenn Sie in der Lage, ein profitables Handelssystem basierend auf diesen Codes zu machen, bitte teilen Sie Ihre Idee mit mir, indem Sie eine E-Mail direkt an vlad1004yahoo.