Onderhoud met Leonid Velichkovsky: Die Grootste mite oor Neurale Netwerke is super-Winsgewendheid Die held van ons onderhoud Leonid Velichkovski (LeoV) het reeds deelgeneem aan outomatiese handel Kampioenskappe. In 2008 het sy verskeie valuta neurale netwerk was soos 'n helder flits in die lug, verdien 110,000 in 'n sekere oomblik, maar uiteindelik die slagoffer van sy eie aggressiewe geldbestuur. Twee jaar gelede, in sy onderhoud Leonid deel sy eie handel ervaring en vertel ons meer oor die eienskappe van sy deskundige adviseur. Op die vooraand van die ATC 2010, Leonid praat oor die mees algemene mites en wanopvattings wat verband hou met neurale netwerke. - Leonid, jy is 'n seldsame verteenwoordiger van die handelaars gemeenskap, wat neurale netwerke gebruik vir verhandeling. Dit is nogal ingewikkeld ontwikkelings, maar die leër van hul ondersteuners hou groei. Wat lok jy in neurale netwerke - Ses jaar gelede, aan die begin, neurale netwerke gelok My met die nuwigheid, ongewone geheimsinnige karakter en skynbaar hoë winsgewendheid. Oor die jare, het baie mites gegaan, maar neurale netwerke te lok my nog met hul vermoë om aan te pas by enige kurwe en om patrone waar niks en niemand anders dit kan vind vind. - Kan jy meer oor die mites wat verband hou met neurale netwerke vertel Het jy enige ontnugtering in hierdie gebied ontmoet - Die grootste mite wat verband hou met neurale netwerke is hul super-winsgewendheid. Maar dit geld nie net vir neurale netwerke, maar Forex as 'n geheel. Aanvanklik blyk dit dat dit maklik is om te verdien - te koop en te verkoop, daar is niks ingewikkeld in dit. Later, egter 'n paar faktore verskyn, waarvan jy nie eens geweet nie - slegs dan kan jy begin om te verstaan en verstaan hulle. In neurale netwerke, teleurstellend is die einste ding wat jy lok - hul vermoë om te lei en aan te pas by 'n mark met enige inligting beskikbaar. Hul groot voordeel is 'n beduidende nadeel wanneer dit toegepas word om die finansiële markte. Dit is 'n ongelooflike metamorfose - Hoe het jy kom om te verstaan dat neurale netwerke nie super-winste te bring Was daar enige persoonlike ervaring - Daar is geen super-winsgewendheid in Forex ook, nie net in neurale netwerke. Streng gesproke, neurale netwerke is dieselfde handel stelsels (hierna - TS). Hulle gebruik slegs 'n neuronet in plaas van algemene aanwysers. En dan die belangrikste faset is geldbestuur, dit wil sê die handelaar se gierigheid. Wanneer jy begin handel, jy don t het die konsep van geld bestuur as sulks. Maar dan kom jy aan die noodsaaklikheid van hierdie instrument te verwesenlik. Werk op Forex, en oor die algemeen in die finansiële markte, is altyd verband hou met risiko's. Jy moet bewus wees dat die risiko van 100 en 100,000 is twee verskillende dinge. Toe ek op 'n aanvanklike deposito van 100, 500 en selfs 1000 dollars verhandel het, was daar sekere risiko, en die hele benadering tot handel was spesifiek. En toe ek begin om groter bedrae handel, die houding teenoor handel het iets heel anders - die vlak van risiko verhoog, en ek vinnig verstaan dat ek alles kan verloor. 'N Sekere verantwoordelikheid kom saam met hierdie. Byvoorbeeld, wanneer die handel op die deposito van 100, die wins van 100 per jaar kan skaars bevredigend wees, dink ek. Maar die handel op die deposito van 100,000 'n wins van 100 per jaar is glad nie sleg nie. So, daar is 'n soort van sielkundige konflik - handelaars wat handel oor klein deposito's, probeer om so vinnig en soveel as moontlik te verdien. Dit stoot handelaars te gaan as elke denkbare risiko's. Die resultaat is die natuurlike verlies van deposito Daarom, glo ek, handel oor klein deposito's is gedoem tot mislukking as gevolg van die natuurlike begeerte van 'n handelaar om so vinnig en soveel as moontlik te verdien. En 100, byvoorbeeld, is nie 'n groot genoeg bedrag om jou weg te hou van risiko's. - Vir die afgelope ses jaar, vyf jy is besig met neurale netwerke in die handel. Hoe kan jy hierdie geheimsinnige neurale netwerke Wat doen jy gebruik maak - I m nie 'n programmeerder, I m 'n handelaar. Programmering neurale netwerke en die gebruik van hulle in finansiële markte is heeltemal verskillende dinge. Programmeerders help my om te ontwikkel Expert Adviseurs - Romeinse Kramar (bstone), Yuri Zaitsev (YuraZ), Victor Nikolaev (Vinin) en Dmitri Fedoseev (Integer). Almal van hulle is professionele mense in hul veld, ek don t nodig het om veel te verduidelik - hulle weet alles baie goed. En ek is baie dankbaar vir almal vir hul werk en professionaliteit. Ook, het ek saam en gaan voort om te werk met Steve Ward (Ward Systems Group) en Sergei Dolenko (Neuroproject) wat aan my gegee het waardevolle inligting oor die toepassing van neurale netwerke in die finansiële markte. Daarbenewens het ek nou saam met Dennis Meyers (Meyers Analytics), Philippe Lonjoux (Noxa Analytics, Inc.) en Mark Simpson (Bowfort Technologies Inc.), met wie ek nuwe stelsels en aanwysers getoets. Ek wil graag om daarop te let dat die toepassing van neurale netwerke in finansiële markte het baie funksies en innoverende konsepte en tegnieke, en verskil baie van hulle gebruik in ander gebiede. Ek gebruik Meta Trader 4, natuurlik nou probeer ek om vriende te maak met Meta Trader 5. Nog 'n onontbeerlike hulpmiddel vir die werk is NeuroShell, waarsonder kan ek t doen. Ek gebruik MTFeed as 'n brug tussen Meta Trader 4 en NeuroShell. - Daar is baie metodes van opleiding neurale netwerke. Leonid, hoe kan jy hulle op te lei En ten slotte, die vraag wat baie beginners kwelt in neurale netwerk beurs: Hoe om te verhoed dat die sogenaamde oor-opleiding - Dit SA ingewikkeld vraag, waarop ek (en nie net vir my) het geen antwoord en wat onmoontlik is om duidelik te sistematiseer. Nietemin, sal ek probeer om aan te raak op die kernprobleme van opleiding en maniere om oor-opleiding te vermy. As gevolg van sy sterk lineariteiten en die vermoë om aan te pas by enige data, is 'n neurale netwerk baie goed aangepas, opgelei en as gevolg daarvan - meer as opgeleide. A neurale netwerk met slegs 'n paar neurone in sy binneste laag maklik onthou die geskiedenis van 'n paar duisend bars. Dit sal opgemerk word dat oor-opleiding is inherent in neurale netwerke net wanneer dit toegepas word om die finansiële markte. Wat beteken dit Ons weet almal dat die mark veranderinge met verloop van tyd - wat gebeur in die verlede sal weg wees in die toekoms. Wel, sal dit bestaan nie, maar 'n bietjie anders, sal daar geen 100 persent wedstryde. Patrone, wette, mark gebiede - dit alles sal verskil op die verskillende dele van die mark wees. Gevolglik, as 'n neurale netwerk leer die lesse (voorbeelde) van die verlede te goed wanneer opgelei op die geskiedenis data, op die ou end is dit dalk net nie sien of om nuwe patrone en mark gebiede in die toekoms te identifiseer. Omdat almal van hulle 'n paar veranderinge ondergaan het. Dit wil sê, die neurale netwerk het ook goed aangepas vir die marktoestande, wat bestaan het in die verlede, maar dit was nie in staat om die nuwe patrone in die veranderde marktoestande erken. Is daar enige manier om te verhoed dat oor-opleiding Daar is baie maniere, maar die belangrikste is twee van hulle: die vroeë stop van opleiding en verhoging van die opleiding interval. Maar beide metodes het hul ernstige nadele. In die vroeë stop, daar is 'n moeilike vrae, waarop daar geen antwoord: Op watter punt sal ek ophou opleiding Watter kriteria moet gebruik word vir daardie Daar is baie antwoorde op hierdie vraag - gebruik foute, wins vlak, onttrekking en ander wiskundige kriteria. Maar hulle het nie 'n honderd persent waarborg van tydige tot stilstand kom gee. Daarom, hierdie tydige stop van opleiding hang net af van die handelaar se vaardighede. Daar is 'n wanopvatting dat die beter dit was in die verlede, hoe beter sal dit wees in die toekoms. Of hoe kleiner die fout op die interval van opleiding is, sal die beter die netwerk te bedryf in die toekoms. Maar dit is nie waar nie - die mark is besig om, en wat baie goed opgelei in historiese data, kan 'n neurale netwerk versuim om die toekoms te sien. Ek weet uit my eie ervaring dat die verhouding van foute aan die kant van opleiding en winste op OOS (uit Monster - buite die interval van optimalisering) of op 'n ware rekening is die volgende - die fout verminder geleidelik met die verhoging van opleiding tyd, maar die wins eerste verhoog en dan val, die vorming van 'n maksimum in 'n sekere tydstip. Dit is die heel maksimum wat ons nodig het om te vang. Verdere, as die opleiding tyd toeneem, sal die fout sal ook geleidelik afneem, en wins op OOS kan 'n paar meer maksimums produseer, maar hulle is gewoonlik minder as die heel eerste een. Alhoewel ek 'n situasie teëgekom waar die tweede en selfs derde maksimums was hoër as die eerste een. Maar dit word geglo dat die eerste maksimum is beter as die res in terme van winsgewendheid en doeltreffendheid. Trouens, ons taak is om hierdie eerste maksimum vang. En dit hang af van vaardighede en ondervinding van die handelaar - Ek Don t weet enige ander, meer akkurate kriteria. Alhoewel, natuurlik, ons kan en moet gelei word deur die persentasie van winsgewendheid, fout, onttrekking, Sharpe verhouding, en baie ander parameters. Maar uiteindelik, dit hang uitsluitlik op die handelaar watter kriteria gebruik. En dit hang af van hoe hy verstaan sy TS en weet hoe dit optree. Terwyl hy op die interval van opleiding, heeltemal verskillende dinge gebeur. Die fout en wins te tree presies teenoorgestelde - die fout geleidelik afneem, en wins verhoog glad. As wins verhoog tydens optimalisering, beteken dit die deskundige adviseur is eenvoudig toegerus om die mark kurwe, die transformasie van die prys in 'n gladde kurwe. Dit kurwe moet opstaan en staan bekend as ekwiteit. Trouens, dit optimalisering is ook om die fout te verminder. En ons kry die volgende ding: die groter wins op die gedeelte van opleiding of optimalisering is, hoe groter die kans jy sal oor-opleiding of oor-optimalisering (pas) en as gevolg daarvan het - verliese in die toekoms. Die tweede manier om te verhoed dat oor-opleiding is om die interval van opleiding te verhoog, dit wil sê om die hoeveelheid data, waarop die netwerk is opgelei verhoog. Maar hierdie metode het ook sy slaggate. Die verhoging van die bedrag van die data in die finansiële markte lei tot die feit dat die netwerk eenvoudig die risiko loop om te sien of die patrone en die mark gebiede, wat bestaan by die gegewe opleiding artikel erken. Die artikel is te groot vir daardie. Dit is omdat die mark verander met tyd. En 'n spesifieke patroon blyk te verskil in hierdie groot interval, en die netwerk kan t definieer dat dit dieselfde patroon, wat net verander met verloop van tyd. Dan ontstaan 'n natuurlike vraag: Watter deel van die mark moet gegee word aan 'n netwerk vir opleiding Hier is die antwoord: die deel waar die netwerk suksesvol erken patrone en mark gebiede wat nodig is vir 'n TS en die handelaar. Dit hang af van 'n handelaar se vaardighede - die manier waarop hy sien die mark en hoe goed hy kan die reg deel vir opleiding te kies. In my ervaring is dit 500-2000 bars, afhangende van die tydperk en die mark toestand. Daar is 'n paar meer maniere om te verhoed dat oor-opleiding, maar hulle is nie so belangrik. Jy sien, baie hang af van hoe ervare en het 'n handelaar is. So ek dink dat hierdie beroep vereis nie net wiskundige kennis, maar ook 'n paar kreatiwiteit. Dit is ook duidelik dat al die funksies en nuanses van die gebruik van neurale netwerke, asook gewone TSS, kom uit die feit dat die mark veranderinge met verloop van tyd, en die afgelope nooit herhaal presies in die toekoms. Hierdie funksie bestaan slegs in die finansiële markte. Daar is 'n gewilde mite dat jy nodig het om 'n baie data te gee aan 'n neurale netwerk en laat dit op te lei - dit sal leer onafhanklik wat dit nodig het. Vir die normale gebruik van neurale netwerke kan dit waar wees, maar die finansiële markte het hul eie eienaardighede, wat ek hierbo beskryf, so dit is nie so maklik in hierdie geval. In my opinie, hierdie twee maniere om te verhoed dat oor-opleiding ook van toepassing op die optimalisering van algemene Expert Adviseurs, sonder neurale netwerke. Oor-optimalisering, of pas, is spesifiek vir slegs finansiële markte. En die maniere om te verhoed dat dit is dieselfde. Die essensie van oor-optimalisering lê ook in die feit dat die aard van die finansiële markte verander in die tyd. Streng gesproke is die mark is nie stilstaan. - Wat is algemene foute wat 'n handelaar kan die gesig staar wanneer begin om te werk met neurale netwerke Die gewilde dwaling van handelaars wat begin met behulp van neurale netwerke en gebruik nie-genormaliseerde data op die insette, probeer om die prys van die volgende bar kry, is Vandag sal soos gister en môre sal wees soos vandag (as ons kyk na die daaglikse bars). Dit is 'n algemene oor-opleiding van 'n netwerk. Terwyl data op Forex nie veel van mekaar verskil (100 punte maak net 0,7 van die prys), dan is die opleiding fout sal ook klein wees, en die netwerk sal vinnig te vind die plaaslike minimum van opleiding. - Sommige neurale handelaars gebruik preprocessing van insette data. Het jy iets in jou neurale netwerke - Oor die algemeen, ek gebruik nooit suiwer tydreekse vir die insette van neurale netwerke. Tydreeks is altyd verander deur 'n aanwyser wat die data normaliseer in 'n sekere ry. Byvoorbeeld, is van -100 tot 100 of van -1 tot 1. Verdere normalisering nie nodig nie, want as die aanwyser waardes is groter as 1, hulle kan altyd gedeel deur 'n toepaslike nommer, 'n waarde van hoogstens 1. Ek bereik probeer om so min verandering van insette data as moontlik te doen, aangesien enige transformasie bring addisionele nie-lineêre distorsie in die insetsein. Dit lei gevolglik die verkeerde opleiding van 'n neurale netwerk, aangesien die ondergang verkeerd deur die netwerk kan geïnterpreteer. Verder, met 'n sterk transformasies, en gevolglik 'n groot nie-lineêre ondergang, die netwerk kan opgelei word nie op 'n ware insetsein, maar op lineêre ondergang, wat kan lei tot verkeerde operasie en die verlies van deposito. Hier is 'n paar voorbeelde van nie-lineêre ondergang wat sigbaar met die blote oog is. Neem, byvoorbeeld, die gewone Stochastics. Dit blyk dat so 'n eenvoudige aanwyser geen ondergang sou bring. Maar in sommige oomblikke, dit maak 'n sterk lineêre ondergang, wat die neurale netwerk kan mislei in die opleidingsproses en in verdere werk aan 'n ware rekening. Hierdie gebiede word gemerk met 'n wit ovaal op die grafiek. In die eerste geval is die prys styg, en die stogastiese aanwyser staan feitlik nog in sy maksimum waardes. In die tweede geval, die prys is amper op een en dieselfde vlak, en die stogastiese aanwyser gaan skerp af vanaf die maksimum minimum waardes. In die eerste geval sal die stogastiese aanwyser geen inligting bring die netwerk, terwyl dit in die laasgenoemde geval sal dit eenvoudig te verwar nie. In beide gevalle, sal die gedrag van die stogastiese aanwyser 'n negatiewe impak op beide die opleiding en op die werk van die neurale netwerk op 'n ware rekening. En wat kan lei tot finansiële verliese. Daar moet kennis geneem word dat hierdie twee voorbeelde is nogal opvallend verdraaiings wat jy maklik kan sien. En daar is nog baie meer verdraaiings dat ons t kan sien en analiseer Glo my. En al hierdie verdraaiings (beide groot en klein) word saam gemeng. Daarom, wees uiters versigtig wanneer jy met die pre-verwerking van insette data. Natuurlik, daar is aanduidings dat baie sterker ondergang te maak. Daar is ook diegene wat minder helde te maak. Maar die feit bly staan - ondergang word deur enige aanwysers. Alhoewel, jy spesifieke parameters om enige aanwyser (selfs stogastiese) kan kies, sodat dit sal minimum ondergang bring in die oorspronklike sein met spesifieke marktoestande. Natuurlik, kan die aard van die mark te verander, en jy sal hê om die aanwyser parameters ten einde die verwarring lei verminder verander. En in hierdie situasie, 'n behoorlike seleksie van aanwyser parameters en hul tydige aanpassing (beide outomaties en met die hand) is ook totaal afhanklik van 'n handelaar se vaardighede en ervaring. - Hoe sien jy die resultate van 'n neurale netwerk na opleiding of TS na optimalisering Wat is die kriteria om dit te gebruik op 'n ware rekening Tans bepaal, Ek neem byna nooit in ag die resultate van 'n TS, wat in die opleiding verkry het ( optimalisering) interval. Ek analiseer resultate op OOS of werklike, want ek glo dat in die tydperk van opleiding (optimalisering), die resultate van 'n TS kan niks sê nie. Dit kan pas of oor-opleiding en dit is byna onmoontlik om te definieer of dit gepas is of nie. Jy kan net definieer dit deur dit te toets op OOS of beter op 'n ware rekening. Soms, ek vergelyk bloot die resultate op die regte rekening (OOS) en dié van opleiding (optimalisering). Daarom is die syfers toon aandele op 'n ware rekening met die handel hefboom van 1: 1 (deposito gebruik is 1 met die hefboom van 1: 100 gegee deur die hantering sentrum). As ons die hefboom te verhoog, sal die omvang van die aandele ook verhoog. Eintlik het ek die resultate van 'n TS analiseer net met die hefboom van 1: 1, dit wil sê met 'n gestremde geldbestuur. Omdat geldbestuur die verkeerde idee oor die werklike onttrekking van die TS en, dienooreenkomstig, 'n onverwagse marge oproep en ander probleme kan gee. In die figure, kan jy die aandele met die hefboom van 1 sien: 1. By the way, dit is dieselfde handel stelsel wat deelgeneem het aan die ATC 2008, maar met effens aangepaste parameters. Onlangs het ek opgemerk die volgende: As die wins faktor is baie groot in die opleiding (optimalisering) interval met die hefboom van 1: 1, kan ons met sekerheid sê dat dit oor-opleiding (oor-optimalisering). En in die toekoms, op die onbekende data, die stelsel handel met sulke parameters sal swak werk (maw sal die deposito verloor). 'N Mens kan daarop dat in die syfers, die aandele styg glad eerder as skerp. Jy kan aflei dat die winsgewendheid van so 'n handel stelsel is nie baie klein. Alhoewel as jy die handel hefboom te verhoog of gebruik 'n meer aggressiewe geldbestuur, kan die winste manifold verhoog. Alles hang af van die onttrekking, wat verskyn met die hefboom van 1: 1, en die onttrekking toegelaat deur 'n handelaar. - Byna twee jaar sedert die ATC 2008 Watter lesse het jy geleer uit die resultate van die kampioenskap Hoekom Kon t jou Expert adviseur te wen die wedstryd die kampioenskap is 'n kompetisie geslaag. Niks gewaag, niks gekry. Ek gewaag en ek groter geword as al die moontlike risiko's as gevolg van my geld bestuur. Ek het daarin geslaag om te verdien 110,000 en dan het om 14.749 as gevolg van daardie te aggressief geldbestuur. Vir 3 maande het die wins was byna 50, wat redelik goed. Maar die onttrekking was 92, wat onaanvaarbaar is in die werklike lewe. Dan, met hardloop my EA met redelike geldbestuur oor dieselfde tydperk, het ek amper dieselfde gevolg van 14000, maar met 'n onttrekking van ongeveer 25 - dit is 'n goeie resultaat vir die werklike lewe. Die gevolgtrekking is dat jy t shouldn jaag die oortollige winste, anders kan jy verloor. Maar die kampioenskap maak sy eie reëls en, natuurlik, moet jy om kanse te waag om te wen. - Het enigiets verander fundamenteel in jou ontwikkelings in dié tydperk Miskien, het jy gevind enige know-how en toegepas in die praktyk Nee, in werklikheid alles dieselfde bly. Niks nuuts gebeur. Daarbenewens kan dieselfde Expert adviseur met dieselfde parameters steeds werk, al het ek ander, meer winsgewend parameters gevind. Die essensie van die mark kom nie t verandering - net sy karakter verander, wat 'n ervare handelaar spoor van moet hou, tydige aanpassing sy TS na die nuwe, verander marktoestande. - Die deskundige adviseur van Alexander Topchylo, die wenner van die ATC 2007, het bestaan uit drie onafhanklike substelsels. Maar die skrywer gaan om te vorder in die rigting en die skep van 'n komitee van neurale netwerke. Het jy sulke komitees te gebruik in jou ontwikkelings - Nee, ek het geweier om komitees te danke aan hulle dat moeilik om te implementeer en in stand te hou gebruik. Oor die jare, het ek gekom om eenvoudige TOVS gebruik, omdat 'n te komplekse TS, sowel as die wat saam met komitees, kan nie waarborg dat 'n meer stabiele en groter wins in vergelyking met 'n eenvoudige een. - Die skrywer van die enigste een verskeie valuta Expert Adviseur onder die wenners van die ATC, Nikolay Kositsin glo dat reëls van die komende kampioenskap is gunstig vir verskeie valuta EAS en laat min kans om 'n munt robotte. Het jy gebruik verskeie valuta in jou Expert Adviseurs Wat pare jou EAS handel te doen - Natuurlik gebruik ek dit. Dit laat verskansing ambagte en kry 'n gladder aandele. Naas, as jy verskeie valuta vir analise, dit help om meer stabiele en betroubare handel stelsels te skep. Op die kampioenskap, Ek is van plan om handel te dryf euro / dollar, USD / JPY en AUD / USD - hang af van hoe die situasie op die mark nader aan die kampioenskap verander. - Leonid, baie dankie vir die onderhoud. Sterkte in die kampioenskap hoe om te skryf 'n kundige adviseur en te skend die kampioenskap Reëls In hierdie artikel sal ons wys hoe om 'n kundige adviseur skryf en om foute wat jy kan verhoed dat deelname aan die komende outomatiese handel Championship 2010 Risikobestuur is vermy 'n noodsaaklike komponent van enige handel stelsel. Daarsonder is dit bykans onmoontlik om winsgewend handel te dink. In hierdie artikel, ervare ontwikkelaars van outomatiese handel stelsels deel hul wenke oor risikobestuur met die deelnemers van die kampioenskap. SnowCron SnowCron genetiese algoritme in forex stelsels met behulp van genetiese algoritme om winsgewend forex strategie te skep. Genetiese algoritme in Cortex Neurale Netwerke sagteware waards Backpropagation Neurale netwerk Aansoek om genetiese berekeninge gebaseer forex. Hierdie voorbeeld gebruik konsepte en idees van die vorige artikel, so lees asseblief Neurale netwerk genetiese algoritme in forex stelsels eerste, maar dit is nie verpligtend nie. Oor hierdie teks In die eerste plek, lees asseblief die disclaimer. Dit is 'n voorbeeld van die gebruik van Cortex Neurale Netwerke sagteware genetiese algoritme funksionaliteit, nie 'n voorbeeld van hoe om winsgewend handel te doen. Ek is nie jou guru nie, moet ek verantwoordelik wees vir jou verliese. Cortex Neurale Netwerke sagteware het neurale netwerke in dit, en FFBP ons voor bespreek is net een manier om die keuse van 'n forex strategieë. Dit is 'n goeie tegniek, kragtige en wanneer dit behoorlik toegepas word, baie promicing. Maar dit het 'n probleem - om te leer aktief op neurale netwerk. ons nodig het om die verlangde uitset te leer ken. Dit is nogal maklik om te doen wanneer ons dit doen funksie benadering, ons neem net die werklike waarde van 'n funksie, want ons weet wat dit behoort te wees. Wanneer ons dit doen neurale netwerk vooruitskatting. Ons gebruik die tegniek (in vorige artikels beskryf) van die onderrig van die neurale netwerk op die geskiedenis, weer, as ons voorspel, sê, 'n wisselkoers, weet ons (tydens die opleiding) wat die korrekte voorspelling is. Maar wanneer ons bou 'n handel stelsel, ons het geen idee wat die korrekte handel besluit is, selfs al weet ons die wisselkoers As die saak van die feit, ons het baie forex strategieë wat ons kan gebruik op enige punt van die tyd, en ons nodig het om uit te vind 'n goeie een - hoe wat moet ons oppas as die verlangde uitset van ons Neurale Net as jy ons vorige artikel, jy weet, dat ons bedrieg om te gaan met hierdie probleem gevolg. Ons docent die neurale netwerk te wisselkoers (of wisselkoers gebaseer aanwyser) voorspelling te doen, en dan gebruik hierdie voorspelling te handel nie. Dan, buite die neurale netwerk deel van die program, het ons 'n besluit oor watter neurale netwerk is die beste een. Genetiese algoritmes kan gaan met hierdie probleem direk, hulle kan die probleem wat as die beste handel seine op te los. In hierdie artikel gaan ons Cortex Neurale Netwerke Sagteware gebruik om so 'n program te skep. Die gebruik van genetiese algoritme Genetiese algoritmes baie goed ontwikkel, en baie uiteenlopend. As jy wil om te leer alles oor hulle, ek stel voor jy Wikipedia gebruik, soos hierdie artikel is slegs oor wat Cortex Neurale Netwerke sagteware kan doen. Met Cortex Neurale Netwerke sagteware. Ons kan 'n neurale netwerk wat 'n paar insette, sê, waardes van 'n aanwyser neem, en produseer skep 'n uitset, sê, handel seine (koop, verkoop, te hou.) en stop verlies / neem winsvlakke vir posisies te oopgemaak word. Natuurlik, as ons hierdie neurale netwerk se gewigte saad na willekeur, handelsresultate sal verskriklik wees. Maar laat ons sê ons 'n dosyn van sodanige nns geskep. Dan kan ons toets prestasie van elkeen van hulle, en kies die beste een, die wenner. Dit was die eerste generasie van nns. Om voort te gaan om die tweede generasie, moet ons toelaat dat ons wenner om voort te plant, maar om te vermy om identiese kopieë, laat se voeg 'n paar random geraas te s descentants gewigte. In die tweede generasie, ons het ons eerste-generasie wenner en dit is onvolmaak (gemuteerde) afskrifte. Laat s toets weer doen. Ons sal 'n ander wenner, wat is beter as enige ander Neurale netwerk in die generasie het. En so aan. Ons laat net wenners te teel, en elimineer verloorders, net soos in die werklike lewe evolusie, en ons sal ons bes-handel Neurale netwerk te kry. sonder enige vooraf knowlege oor wat die handel stelsel (genetiese algoritme) moet wees nie. Neurale netwerk genetiese algoritme: Voorbeeld 0 Dit is die eerste genetiese algoritme voorbeeld. en 'n baie eenvoudige een. Ons gaan loop deur dit stap vir stap, om al truuks wat volgende voorbeelde sal gebruik leer. Die kode het inline kommentaar, so laat ons net fokus op die belangrikste oomblikke. In die eerste plek het ons 'n neurale netwerk geskep. Dit is die gebruik van ewekansige gewigte, en is nog nie docent. Dan, in siklus, ons maak 14 kopieë daarvan, met behulp van mutasie NN fumction. Hierdie funksie maak 'n afskrif van 'n bron Neurale netwerk. toevoeging van ewekansige waardes van 0 tot (in ons geval) 0.1 aan al gewigte. Ons hou handvatsels om gevolglike 15 nns in 'n skikking, kan ons dit doen, as handvatsel is net 'n heelgetal. Die rede waarom ons gebruik 15 nns het niks te doen met beurs: Cortex Neurale Netwerke sagteware kan plot tot 15 lyne op 'n grafiek gelyktydig. Ons kan verskillende benaderings tot die toetsing gebruik. In die eerste plek kan ons die leer stel te gebruik, al is dit in 'n keer. In die tweede plek kan ons toets op, sê, 12000 resords (uit 100000), en loop deur die leer stel, van die begin tot die einde. Dit sal learnigs verskillende maak, soos ons sal sien vir neurale netwerk is van wat nuttig is op enige gegewe deel van data, nie net op die hele stel. Die tweede benadering kan ons gee probleme, indien data verander, van die begin tot die einde. Dan sal die netwerk te ontwikkel, die verkryging van vermoë om handel te dryf op die einde van datastel, en die verlies van die vermoë om handel te dryf op die begin. Om die probleem op te los, gaan ons ewekansige 12000 rekords fragmente uit data, en voer dit na die neurale netwerk. is bloot 'n eindelose siklus, soos 100,000 siklusse nooit bereik sal word by ons spoed. Onder 'n kind by te voeg ons vir elke netwerk, met effens verskillende gewigte. Kennis dat 0,1 vir mutasie Tange is nie die enigste keuse, as die saak van die feit, selfs hierdie parameter kan geoptimaliseer word met behulp van genetiese algoritme. Nuutgeskepte nns bygevoeg na 15 bestaande. Op hierdie manier het ons 30 nns in 'n skikking, 15 oud en 15 nuwe. Dan gaan ons na die volgende siklus van die toets te doen, en om verloorders doodmaak, van beide geslagte. Om die toets te doen, pas ons neurale netwerk om ons data, om uitsette te produseer, en dan bel toets funksie, dat hierdie uitsette gebruik om handel te boots. Resultate van die saak word gebruik om deside, wat nns is die beste. Ons gebruik 'n tussenpose van nKom rekords van nbegin om nbegin nKom, waar nbegin is 'n arbitrêre punt binne leer stel. Die kode hieronder is 'n truuk. Die rede waarom ons dit gebruik is om die feit te illustreer, wat genetiese algoritme genetiese algoritme kan skep. maar dit sal nie noodwendig die beste een wees, en ook, voor te stel, dat ons gevolg kan verbeter, as ons 'n paar beperkings impliseer om die leerproses. Dit is moontlik dat ons handel stelsel werk baie goed op die lang ambagte, en baie swak op kort, of andersom. As, sê, 'n lang ambagte is baie goed, kan dit genetiese algoritme wen, selfs met 'n groot verliese op kort ambagte. Om dit te vermy, ons wys meer gewig aan lang ambagte in vreemde en kort ambagte in selfs siklusse. Dit is net 'n voorbeeld, daar is geen waarborg dat dit iets sal verbeter. Meer daaroor hieronder, in gesprek oor regstellings. Tegnies, jy don t het om dit te doen, of kan dit anders maak. wins Voeg 'n gesorteerde skikking. Dit gee 'n inplanting posisie, dan gebruik ons hierdie posisie te voeg Neurale netwerk hanteer, leer en toets winste na nie-gesorteer skikkings. Nou het ons data vir die huidige neurale netwerk op dieselfde verskeidenheid indeks as sy wins. Die idee is om verskeidenheid van nns, gesorteer volgens winsgewendheid te kom. Soos skikking is SORTES deur wins, te verwyder 1/2 van netwerke, wat minder winsgewend, ons moet net nns verwyder 0-14 Trading besluite is gebaseer op waarde van neurale netwerk sein, uit hierdie oogpunt die program is identies aan voorbeelde uit vorige artikel. Forex strategie: Bespreek voorbeeld 0 In die eerste plek, laat ons neem 'n blik op kaarte. Die eerste grafiek vir wins in die eerste iterasie is glad nie goed nie, want moet verwag word, verloor die neurale netwerk geld (beeld evolusie 00 gen 0.png kopieer na die eerste iterasie van gids beelde): Die beeld vir 'n wins op siklus 15 is beter, soms, genetiese algoritme kan leer baie vinnig: Maar let op die volop op 'n wins kurwe. Dit is interessant ook te kyk na die manier waarop individuele winste verandering, in gedagte hou dat kurwe getal, sê, 3 is nie altyd vir dieselfde neurale netwerk. soos hulle word gebore en beëindig die hele tyd: Let ook op dat uit klein forex outomatiese handel stelsel verrig armes op kort ambagte, en baie beter op verlang, wat mag of nie mag wees met betrekking tot die feit dat die dollar was val in vergelyking met euro gedurende daardie tydperk. Dit kan ook iets te doen met parameters van ons aanwyser het (miskien moet ons ander tydperk vir kortbroek) of die keuse van aanwysers. Hier is die geskiedenis na 92 en 248 siklusse: Tot ons verbasing, genetiese algoritme misluk heeltemal. Laat ons probeer om uit te vind waarom, en hoe om die situasie te help. In die eerste plek, isn t elke generasie veronderstel om beter as die Vorige een Die antwoord is nee wees, ten minste nie in die model wat ons gebruik. As ons het HELE leer stel in 'n keer, en gebruik dit herhaaldelik aan ons nns leer, dan ja, hulle sal verbeter elke generasie. Maar in plaas daarvan, het ons ewekansige fragmente (12000 rekords in die tyd), en gebruik hulle. Twee vrae: waarom die stelsel versuim het om op ewekansige fragmente van leer stel, en waarom hawe t ons gebruik hele leer gevlegte. Om die tweede vraag te beantwoord, het ek. Nns uitgevoer grootliks - op leer stel. En hulle versuim het om op die toets stel, vir dieselfde rede is dit ongehoorsaam wanneer ons gebruik FFPB leer. Om dit anders te stel, het ons nns overspecialized, het hulle geleer hoe om te oorleef in die omgewing waarin hulle gebruik word om 'n nie-daarbuite. Dit gebeur baie in die natuur. Die benadering wat ons het in plaas was bedoel om te vergoed vir wat, deur te dwing nns goeie op enige arbitrêre fragment van die datastel te voer, sodat hopelik, kan hulle ook uit te voer op 'n onbekende toets stel. In plaas daarvan, het hulle versuim het albei op die toets en op die leer stel. Stel jou diere, wat in 'n woestyn. Daar is baie van die son, geen sneeu nie. Dit is 'n metafoor vir rizing mark, soos vir ons nns data speel die rol van die omgewing. Diere geleer in 'n woestyn woon. Stel jou diere, wat in 'n koue klimaat leef. Sneeu en geen son nie. Wel, aangepas hulle. Maar in ons eksperiment, ons lukraak geplaas ons nns in 'n woestyn, in die sneeu, in die water, op die bome. deur dit met verskillende fragmente van data (lukraak styg, val plat.). Diere gesterf. Of, om dit anders te stel, ons gekies om die beste Neurale netwerk vir ewekansige datastel 1, wat, sê, was vir stygende mark. Dan aangebied ons, aan die wenners en hul kinders, 'n dalende mark se data. Nns swak presteer, ons het die beste van swak presteerders, miskien, een van die mutant kinders, wat die vermoë om handel te dryf op stygende mark verloor, maar het 'n paar vermoë om te gaan met die val een. Daarna het ons die tafel weer, en weer, ons het die beste presteerder - maar die beste onder swak presteerders. Ons didn eenvoudig t gee ons nns enige kanse om universele geword. Daar is tegnieke toe te laat genetiese algoritme om nuwe inligting te leer sonder om te verloor prestasie op ou inligting (na alles, diere kan lewe in die somer en in die winter, reg So evolusie in staat is om te herhaal veranderinge te hanteer). Ons kan hierdie tegnieke later bespreek, hoewel hierdie artikel is meer oor die gebruik van Cortex Neurale Netwerke sagteware. as oor die bou van 'n suksesvolle forex outomatiese handel stelsel. Neurale netwerk genetiese algoritme: Voorbeeld 1 Nou is dit tyd om te praat oor regstellings. 'N Eenvoudige genetiese algoritme ons geskep is tydens die vorige stap het twee groot foute. In die eerste plek is dit nie te handel met wins. Dit is ok, kan ons probeer om gedeeltelik opgeleide stelsel (dit was waardeloos aan die begin) gebruik. Die tweede fout is ernstiger: Ons het geen beheer oor dinge, dat hierdie stelsel nie. Byvoorbeeld, kan dit leer winsgewend, maar met 'n groot onttrekkings te wees. Dit is 'n bekende feit dat in die werklike lewe, evolusie kan meer as een parameter gelyktydig te optimaliseer. Byvoorbeeld, kan ons 'n dier, wat vinnig kan hardloop en word weerstand teen koue kry. Hoekom nie probeer om dieselfde te doen in ons forex outomatiese handel stelsel. Dit is wanneer ons gebruik regstellings, wat niks anders as die stel van addisionele straf is. Sê, ons stelsel ambagte met drawdown 0.5, terwyl ons dit wil bevestig 0-0,3 interval. Om die stelsel wat dit 'n fout gemaak vertel, verminder ons die wins (een wat gebruik word om vas te stel, wat genetiese algoritme gewen) die graad, wat is eweredig aan die grootte van DD. Dan, die evolusie algoritme sorg vir die res. Daar is 'n paar meer faktore, wat ons wil in ag neem: kan ons wil min of meer ewe veel koop en verkoop transaksies, ons wil meer van winsgewende bedrywighede het, dan van mislukkings, ons wil die wins grafiek om wees lineêre en so aan. In evolusie 01.tsc ons implementeer 'n eenvoudige stel verbeteringe. In die eerste plek, gebruik ons 'n paar groot aantal vir 'n aanvanklike regstelling waarde. Ons vermenigvuldig dit met 'n klein (gewoonlik tussen 0 en 1) waardes, afhangende van die straf wat ons wil aansoek doen. Dan vermenigvuldig ons wins op hierdie regstelling. As gevolg, is wins reggemaak, om te besin hoeveel die genetiese algoritme ooreenstem met ons ander kriteria. Dan gebruik ons die resultaat van 'n wenner Neurale netwerk te vind. Forex strategie: Bespreek voorbeeld 1 Voorbeeld 1 werk baie beter, as voorbeeld 0. In die eerste 100 siklusse, dit baie geleer, en wins kaarte kyk gerus te stel. Maar, soos in voorbeeld 0, lang ambagte is baie meer winsgewend, wat waarskynlik beteken dat daar 'n probleem in ons benadering. Tog het die stelsel het 'n balans te vind tussen paar teenstrydige aanvanklike voorwaardes: Daar is 'n paar positiewe dinamika beide in leer stel en, meer belangrik, in die toets stel. Soos vir verdere leer, by siklus 278 ons kan sien dat ons stelsel het overtrained. Dit beteken, het ons nog vordering op leer stel: Maar die toets stel toon swakheid: Dit is 'n algemene probleem met nns: wanneer ons dit leer oor leer stel, dit leer om dit te hanteer, en soms is dit leer te goed - om die graad, wanneer dit verloor prestasie op die toets stel. Om te gaan met die probleem, is 'n tradisionele oplossing gebruik: ons hou op soek na die neurale netwerk. wat die beste presteer op die toets stel, en stoor dit, te vervang vorige beste een, is elke keer nuwe hoogtepunt bereik. Dit is dieselfde benadering, wat ons gebruik in FFBP opleiding, behalwe hierdie keer moet ons dit self doen (die toevoeging kode, wat lyk vir 'n beste neurale netwerk op 'n toets stel, en 'n beroep SAVE NN, of die uitvoer van gewigte van neurale netwerk te 'n lêer). Op hierdie manier, wanneer jy jou opleiding te stop, sal jy die beste presteerder op die toets SET gered en wag vir jou. Let ook dat dit nie die maksimum. wins wat jy na, maar optimale prestasie, so oorweeg om regstellings, wanneer jy soek na 'n beste presteerder op 'n toets stel. Genetiese algoritme vir FOREX Tegniese Analise: Waar nou Nadat jy jou wenner neurale netwerk het. jy kan volg die stappe in die vorige artikel beskryf, te gewigte van daardie Neurale netwerk uit te voer. en dan om dit te gebruik in jou real time handel platform, soos Meta Trader, Handel Station en so aan. Alternatiewelik kan jy fokus op ander maniere die optimalisering van die neurale netwerk. In teenstelling met met FFBP algoritme, hier kan jy avay kry van die gebruik van leer en toets stelle, en beweeg opeenvolgende leer. Aflaai Cortex Bestel Cortex View Pryslys Sigbaarheid is baie belangrik vir hierdie webwerf. As jy dit wil hê kan u verwys na hierdie URL slotte 'n ware Neurale netwerk EA Free - Iets nuwe kommersiële lid geword Sep 2008 911 Posts Hallo Almal, dit s was 'n rukkie. Ek gewoonlik nie t neem so lank breek van deelname aan hierdie forum, maar vir meer as 'n jaar het ek vyf is besig met 'n baie intensiewe projek en na 'n jaar van vorentoe toets I m hier om dit te deel met almal van julle. Ek m vriende met baie professionele handelaars en 'n klomp van ons het saam, gekombineer ons kundigheid en het 'n neurale netwerk outomatiese stelsel vir Meta Trader wat regtig werk. Aangesien ons weer bewus daarvan dat die meeste gebiede wat absoluut waardeloos of erger, swendelary, het gedink ons d ons iets unieks aan die gemiddelde kleinhandel handelaar van mense wat eintlik kan vertrou word verskaf. Hierdie groep staan bekend as Metaneural. Ons vyf gebruik van neurale netwerke en toegepas hulle handel Forex suksesvol in die verlede en het besluit om hierdie metode te vertaal in 'n Meta Trader stelsel. Dit is alombekend dat die larget firmas en verskansingsfondse gebruik gesofistikeerde kunsmatige intelligensie en nueral netwerk stelsels om voordeel te trek uit die finansiële markte met verbysterende akkuraatheid. Ons het gedink, hoekom kan t daardie bevoegdheid ook tot ons beskikking wees - die klein geld beleggers So ek het 'n breek van al my ander aktiwiteite en het hard gewerk met Metaneural om hierdie stelsel, wat ek glo aan die enigste ware neurale netwerk EA wees ontwikkel. Trouens, dit kom nie t selfs 'n EA wees, die kode kan word geskryf in C presies dieselfde manier TradeStation, esignal, neuroshell, of enige platform wat DLL invoer en data-insameling kan werk nie, want die neurale netwerk skepping gebeur in Neurosolutions. Ek ve gemaak aanwysers en handel stelsels vir die forexfactory gemeenskap vir jare so ek wou jou net gratis weergawe van die Metaneural EA gee ouens op die internet. Ek wil jou terugvoer en indrukke te kry. As hierdie draad goed gaan en kom nie t sylyn beland ek sal die verhoor uit te brei. Ek ve pret te ontsyfer die forex mark met die groot geeste op hierdie forum het vir jare en dit is my plesier om terug te gee. Neurale netwerke in EAS is die toekoms, ek hoop julle kan dit besef en jou eie stelsels te ontwikkel. Die eerste stap in die skep van 'n kunsmatige neurale netwerk brein is om die data rondom die struktuur van die brein word gevorm in te samel. Sedert ons probeer om 'n brein wat sal weet hoe om die markte moet ons data mark in te samel handel te skep. Ons kan egter nie net in te samel 'n massa van data en stort dit in ons neurale enjin om die struktuur van die brein te skep. Ons moet die data in te samel in die formaat wat ons wil hê dat die brein wat data en uiteindelik dieselfde formaat ons wil hê dit moet uitvoer in te skep verwerk. Met ander woorde, ons weer nie net vertel ons brein wat om te dink, deur dit rou data , maar ons moet dit vertel hoe om te dink, deur die formulering wat rou data in 'n intelligable opset. In hierdie geval, ons verstaanbaar opset is patrone. Ons samel data in segmente, elk segment bestaan uit 'n aantal bars deur die handelaar in ons eie versameling aanwyser wat kom met al ons pakkette te stel. Dit groepering van bars versamel met betrekking tot die volgende bar wat kom na die groepering - ons sal dit die toekoms bar noem. Wanneer ons weer die versameling van data mark die toekoms bar is bekend, want dit is al historiese data, is dit die volgende bar na die groepering. Die idee is dat die neurale netwerk brein komplekse patrone sal vind in die kroeg groepering en die inligting wat ingesamel is, insluitend die volgende bar na die groepering gebruik, om te bepaal watter komplekse patrone voorafgaan die resultaat van die volgende bar. Tydens werklike handel daardie uitslag die toekoms bar wat in effek maak dit moontlik om te weet met 'n hoë graad van akkuraatheid die rigting van die mark voordat dit gebeur nie. Die data wat ingesamel is onttrek in 'n sigblad wat prys data vertoon as oop, hoog, laag, naby (OHLC). Die OHLC van elke staaf word afsonderlik ingesamel en in sy eie kolom. In die voorbeeld bo-aan elke ry verteenwoordig 3 bars in totaal. Daarom is die kolomme verteenwoordig honderde of duisende bars ingesamel gaan terug in history. In Benewens jy OHLC kan ook versamel die waardes van bykans enige aanduiding wat jy kies, wat in wese sal gee dat aanwyser die vermoë om te dink wat gebaseer is op veranderende marktoestande en voorspel die volgende waarde. Neurale netwerk gebou en Opleiding Noudat ons ons data wat ingesamel is, onttrek in 'n sigbladlêer op 'n verstaanbare opset, kan ons dit in ons neurale netwerk enjin laai wat die struktuur van die kunsmatige brein sal skep, op te lei nie, en die akkuraatheid te toets voordat redding van die struktuur. Sodra die data wat ingesamel is in die netwerk bouprogram ingevoer jy het die keuse om te kies watter stukkies data wat jy wil gebruik om jou brein te bou. Dit is 'n belangrike kenmerk omdat dit die gebruiker in staat om verskillende strategieë wat gebaseer is op wat ook al stuk data wat nodig geag word te skep in staat stel. Wat ons weer in wese te doen in hierdie stap is die bepaling van wat die enjin sal gebruik om die vroeër genoem komplekse patrone, wat uiteindelik sal besluit die projeksie vermoë van die neurale netwerk EA skep. Byvoorbeeld, sê jy wou die neurale netwerk vertel om net te kyk vir patrone in die oop pryse van bars met betrekking tot die aanwyser waardes van jou gunsteling aanwyser. Jy sal dan kies jou wyser in die versamelaar en kies net die oop en data insette in die gebou sagteware wat hierbo uitgebeeld. Jy kan ook kies al die insette, behalwe vir die UITGANG1 kolom, wat jou uitset waarde te kenne - kies alle insette sal die mees komplekse leer patroon moontlik maak en sodoende toelaat dat jou brein om te reageer op baie verskillende scenario's. Sodra die verlangde insette en uitsette is gekies sal die sagteware die struktuur van jou neurale netwerk brein te skep en jy kan begin om dit op te lei. 'N Gedeelte van die data wat ingesamel is word tersyde gestel en gebruik om op te lei en te toets van die akkuraatheid van jou kunsmatige brein, sal jy sien die verlangde uitset te begin om te voldoen aan die toets data soos dit leer. Sodra hierdie proses voltooi is sal jy in staat wees om die gestruktureerde kunsmatige brein te voer in die vorm van 'n DLL wat gebruik sal word deur die MetaNeural EA. Sodra die brein is gebou, opgelei, getoets, en uitgevoer word as 'n DLL jy kan begin handel met 'n outomatiese neurale netwerk brein wat komplekse patrone wat onmoontlik vir 'n mens om te bereik is, sal sien. Kry die Metaneural EA GRATIS nou deur die befondsing van 'n rekening by FinFX met 'n bedrag en die gebruik van ons handel copier diens aan ons professionele wen ambagte spieël in jou rekening. Na 50 volle baie verhandel jy sal die Metaneural EA ontvang met volle funksionaliteit GRATIS Rekeninge moet befonds word met die skakel in die pryse afdeling van die Metaneural site. Plaas hierdie lêers in die volgende dopgehou in Meta Trader: Expert adviseur - Meta Trader 4 kenners Versamelaar aanwyser (DatacollectorV2a) - Meta Trader 4 kenners aanwysers Neurale netwerk aanwyser (Metaneural NN aanwyser) - Meta Trader 4 kenners aanwysers MQLLock en MT4NSAdapter DLL lêers - Meta Trader 4 kenners biblioteke Jy moet Neurosolutions 6 en Visual Studio 6 want dit werk installeer, kan instruksies op hierdie installasies word gevind in die baie gedetailleerde handleiding aangeheg by hierdie post. JY MOET LEES DIE HANDLEIDING Hi Het jy 'n Track Record / prestasie wat jy met ons kan deel. Ek sien een op MyFxBook, die naam is MetaNeural EA 2013, dit is niks opwindend. Hulle sê op die webwerf wat hulle verwag 30 winste in 'n jaar, en dit is iets 'n goeie Manuel handelaar kan produseer in 'n maand. En hul gemiddelde Loser is 6 keer die gemiddelde Winner, wat verskriklike beurs in my boek wanneer Gemiddeld wenner is nie groter as die Gem Loser, ongeag van die Win verhouding. myfxbook / lede / meta. EA-2013/492969 Please Dankie Kommersiële lid geword September 2008 911 Posts Dit is die handelsresultate 2012-2013, is dit op die hoof webwerf: myfxbook / lede / meta. Oeral-st / 484469 Tyd is relatief, bars is byproduk van tyd. Kommersiële lid geword Januarie 2013 32 Pos Baie geluk met die ontwikkeling van 'n stelsel wat 'n gesonde opbrengs gee. Altyd beter as wonder EAS wat gewoonlik eindig waai die rekening. Ek is 'n kommersiële lid myself my Fibonacci makeover stelsel (ForexFibs) hier deel, sodat ek kan verstaan hoekom jy 'n gratis EA. Dankie vir jou belangstelling.
No comments:
Post a Comment