MetaTrader 4 - Beispiele mit Neuronalen Netzwerken in MetaTrader Einführung Viele von Ihnen haben wahrscheinlich die Möglichkeit der Verwendung von neuronalen Netzwerken in Ihrem EA betrachtet. Dieses Thema war sehr heiß nach 2007 Automated Trading Championship und die spektakuläre Gewinnung von Better mit seinem System auf neuronale Netze basiert. Viele Internet-Foren wurden mit Themen über Neuronale Netze und Devisenhandel überflutet. Leider ist das Schreiben nativer MQL4-Implementierung von NN nicht einfach. Es erfordert einige Programmierkenntnisse und das Ergebnis wäre nicht sehr effizient, besonders wenn youd wie Sie Ihr Endergebnis in Tester auf große Anzahl von Daten zu testen. In diesem Artikel zeigen wir Ihnen, wie Sie die frei verfügbare (unter LGPL), bekannte Fast Artificial Neural Network Library (FANN) in Ihrem MQL4-Code nutzen können, ohne dabei gewisse Hindernisse und Einschränkungen zu vermeiden. Weiter gehe ich davon aus, dass der Leser mit künstlichen neuronalen Netzwerken (ann) und Terminologie in Bezug auf dieses Thema vertraut ist, so krank konzentrieren sich auf praktische Aspekte der Verwendung bestimmter Umsetzung von ann in MQL4 Sprache. FANN-Funktionen Um die Möglichkeiten der FANN-Implementierung zu verstehen, müssen Sie sich mit der Dokumentation und den am häufigsten verwendeten Funktionen vertraut machen. Der typische Einsatz von FANN besteht darin, ein einfaches Feedforward-Netzwerk zu erstellen, es mit einigen Daten zu trainieren und auszuführen. Das erstellte und trainierte Netzwerk kann dann in einer Datei gespeichert und später für die weitere Verwendung wiederhergestellt werden. Um ein ann zu erstellen, muss man die fanncreatestandard () Funktion verwenden. Lets see seine Syntax: Wo numlayers die Gesamtzahl der Ebenen einschließlich der Eingabe-und Output-Layer darstellt. Das lNnum und die folgenden Argumente repräsentieren die Anzahl der Neuronen in jeder Ebene, beginnend mit der Eingabeschicht und endend mit der Ausgabeschicht. Um ein Netzwerk mit einer versteckten Schicht mit 5 Neuronen, 10 Eingängen und 1 Ausgabe zu erstellen, müsste man es wie folgt aufrufen: Nach der Erstellung der Ann wird die nächste Operation mit einigen Ein - und Ausgabedaten trainiert. Die einfachste Trainingsmethode ist ein inkrementales Training, das durch folgende Funktion erreicht werden kann: Diese Funktion nimmt den Zeiger auf struct fann zurück, der zuvor von fanncreatestandard () und dem Eingangsdatenvektor und dem Ausgangsdatenvektor zurückgegeben wurde. Die Eingangs - und Ausgangsvektoren sind vom Array vom Fankype-Typ. Dieser Typ ist in der Tat ein Doppel-oder Float-Typ, je nachdem, wie die FANN zusammengestellt wird. In dieser Implementierung werden die Eingangs - und Ausgangsvektoren Arrays von double sein. Sobald die Ann geschult ist, würde das nächste gewünschte Merkmal sein, dieses Netzwerk auszuführen. Die Funktion, die implementiert, ist wie folgt definiert: Diese Funktion nimmt den Zeiger auf struct fann, der das zuvor erstellte Netzwerk darstellt, und einen Eingabevektor des definierten Typs (double array). Der zurückgegebene Wert ist ein Ausgabevektorarray. Diese Tatsache ist wichtig, da für ein Versorgungsnetzwerk immer ein Elementarray mit dem Ausgangswert und nicht dem Ausgangswert selbst erhalten wird. Leider verwenden die meisten FANN-Funktionen einen Zeiger auf eine Struktur fann, die die Ann darstellt, die nicht direkt von MQL4 behandelt werden kann, die Strukturen nicht als Datentypen unterstützt. Um diese Einschränkung zu vermeiden, müssen wir das in irgendeiner Weise einpacken und uns vor MQL4 verstecken. Die einfachste Methode besteht darin, ein Array von struct fann-Zeigern mit den richtigen Werten zu erstellen und sie mit einem Index zu verweisen, der durch eine int-Variable dargestellt wird. Auf diese Weise können wir den nicht unterstützten Variablentyp durch einen unterstützten ersetzen und eine Wrapper-Bibliothek erstellen, die einfach in den MQL4-Code integriert werden kann. Wrapping der FANN rund Nach meinem besten Wissen MQL4 nicht unterstützt Funktionen mit variablen Argumenten-Liste, damit wir mit, dass zu behandeln. Wenn andererseits die C-Funktion (mit variabler Argumentlänge) mit zu vielen Argumenten aufgerufen wird, passiert nichts falsch, so dass wir eine feste maximale Anzahl von Argumenten in der an die C-Bibliothek übergebenen MQL4-Funktion annehmen können. Die resultierende Wrapper-Funktion würde wie folgt aussehen: Wir änderten den führenden fann mit f2M (was für FANN TO MQL steht), verwendete statische Anzahl von Argumenten (4 Ebenen) und der zurückgebende Wert ist nun ein Index für das interne Array von anns, das das struct enthält Die von FANN für den Betrieb benötigt werden. Auf diese Weise können wir diese Funktion einfach aus MQL-Code aufrufen. Das gleiche gilt für: Last, but not least ist die Tatsache, dass Sie Ihre einmal erstellte Ann durch den Aufruf zu zerstören: Um Freigabe Ann Handles sollten Sie Netzwerke in umgekehrter Reihenfolge zu zerstören, als sie erstellt wurden. Alternativ können Sie: Im Im ziemlich sicher einige von euch vielleicht bevorzugen, um ihre geschultes Netz für die spätere Verwendung mit speichern: Natürlich kann das gespeicherte Netz später geladen werden (oder eher neu erstellt) mit: Sobald wir die grundlegenden Funktionen, die wir versuchen könnten, kennen Verwenden Sie das in unserem EA, aber zuerst müssen wir das Fann2MQL Paket installieren. Installieren von Fann2MQL Um die Verwendung dieses Pakets zu erleichtern, habe ich das msi-Installationsprogramm erstellt, das den gesamten Quellcode sowie vorkompilierte Bibliotheken und die Fann2MQL. mqh-Header-Datei enthält, die alle Fann2MQL-Funktionen deklariert. Das Verfahren der Installation ist recht einfach. Zuerst werden Sie informiert, dass Fann2MQL unter GPL-Lizenz ist: Installation von Fann2MQL, Schritt 1 Dann wählen Sie den Ordner, um das Paket zu installieren. Sie können das Standard-Programm FilesFann2MQL verwenden oder direkt in Ihr Meta Traderexperts Verzeichnis installieren. Das spätere wird alle Dateien direkt in ihre Plätze sonst youll müssen sie manuell zu kopieren. Installation von Fann2MQL, Schritt 2 Das Installationsprogramm stellt Dateien in folgende Ordner ein: Wenn Sie sich für die Installation im dedizierten Fann2MQL-Ordner entscheiden, kopieren Sie bitte den Inhalt der zugehörigen Unterordner und Bibliotheken in das entsprechende Meta Trader-Verzeichnis. Das Installationsprogramm installiert auch die FANN-Bibliothek in den Ordner Systembibliotheken (Windowssystem32 in den meisten Fällen). Der src-Ordner enthält den gesamten Quellcode von Fann2MQL. Sie können den Quellcode lesen, der eine ultimative Dokumentation ist, wenn Sie mehr Informationen über die Interna benötigen. Sie können den Code auch verbessern und zusätzliche Eigenschaften hinzufügen, wenn Sie mögen. Ich ermutige Sie, schicken Sie mir Ihre Patches, wenn Sie etwas Interessantes umzusetzen. Verwenden von neuronalen Netzwerken in Ihrem EA Sobald die Fann2MQL installiert ist, können Sie beginnen, Ihre eigene EA oder Indikator zu schreiben. Theres viel der möglichen Nutzung von NN. Sie können sie verwenden, um zukünftige Preisbewegungen zu prognostizieren, aber die Qualität solcher Vorhersagen und die Möglichkeit, sie wirklich zu nutzen, ist zweifelhaft. Sie können versuchen, Ihre eigene Strategie mit Reinforcement Learning Techniken, sagen ein Q-Learning oder etwas ähnliches zu schreiben. Sie können versuchen, NN als Signalfilter für Ihre heuristische EA verwenden oder kombinieren Sie alle diese Techniken und was auch immer Sie wirklich wollen. Youre begrenzt durch Ihre Fantasie nur. Hier zeige ich Ihnen ein Beispiel für die Verwendung von NN als einfachen Filter für Signale, die von MACD erzeugt werden. Bitte betrachten Sie es nicht als wertvolle EA, sondern als Beispielanwendung von Fann2MQL. Während der Erklärung, wie das Beispiel EA: NeuroMACD. mq4 funktioniert Ill zeigen Ihnen, wie die Fann2MQL effektiv in MQL verwendet werden kann. Das erste, was für jede EA ist die Deklaration der globalen Variablen, definiert und Abschnitt einschließen. Hier ist der Anfang von NeuroMACD, der diese Dinge enthält: Der Befehl include sagt, die Fann2MQL. mqh-Header-Datei zu laden, die die Deklaration aller Fann2MQL-Funktionen enthält. Danach stehen alle Fann2MQL-Paketfunktionen für das Skript zur Verfügung. Die ANNPATH-Konstante definiert den Pfad zum Speichern und Laden von Dateien mit geschulten FANN-Netzwerken. Sie müssen diesen Ordner erstellen, d. H. C: ANN. Die NAME-Konstante enthält den Namen dieses EA, der später zum Laden und Speichern von Netzwerkdateien verwendet wird. Die Eingabeparameter sind ziemlich offensichtlich, und diejenigen, die arent sind, werden später erläutert, sowie globale Variablen. Der Eintrittspunkt jeder EA ist ihre init () - Funktion: Zuerst prüft sie, ob die EA angewendet wird, um die Zeitrahmenperiode zu korrigieren. AnnInputs Variable enthält die Anzahl der neuronalen Netzeingänge. Ebenso verwenden 3 Sätze von verschiedenen Argumenten wollen wir es durch 3 teilbar. AnnPath wird berechnet, um die EA NAME und MagicNumber widerspiegeln. Die aus dem SlowMA berechnet wird. FastMA - und SignalMA-Eingangsargumente, die später für die MACD-Anzeigesignalisierung verwendet werden. Sobald es die AnnPath kennt, versucht die EA, neuronale Netze mit annload () - Funktion zu laden, die Ill unten beschreiben. Die Hälfte der geladenen Netze ist für die Langpositionsfilterung und die andere Hälfte für Kurzschlüsse bestimmt. Die Variable AnnsLoaded wird verwendet, um anzuzeigen, dass alle Netzwerke korrekt initialisiert wurden. Wie Sie wahrscheinlich bemerkt haben, dieses Beispiel EA versucht, mehrere Netzwerke zu laden. Ich bezweifle es wirklich notwendig in dieser Anwendung noch wollte ich Ihnen zeigen, das volle Potenzial von Fann2MQL, die Handhabung mehrere Netzwerke zur gleichen Zeit und kann sie parallel unter Ausnutzung von mehreren Kerne oder CPUs verarbeiten. Um es zu ermöglichen, nutzt Fann2MQL die Intel Threading Building Blocks Technologie. Mit der Funktion f2Mparallelinit () wird diese Schnittstelle initialisiert. Hier ist die Art und Weise, wie ich Netze zu initialisieren: Wie Sie sehen können, wenn die f2Mcreatefromfile () fehlschlägt, was durch den negativen Rückgabewert angezeigt wird, wird das Netzwerk mit f2Mcreatestandard () - Funktion mit Argumenten, dass das erstellte Netzwerk sollte 4 Schichten (Einschließlich Eingang und Ausgang), AnnInput Eingänge, AnnInput Neuronen in der ersten versteckten Schicht, AnnInput21 Neuronen in der 2. versteckten Schicht und 1 Neuron in der Ausgabeschicht. F2Msetactfunctionhidden () wird verwendet, um die Aktivierungsfunktion von ausgeblendeten Layern auf SIGMOIDSYMMETRICSTEPWISE zu setzen (siehe FANN Dokumentation von fannactivationfuncenum) und das gleiche gilt für die Ausgabeschicht. Dann gibt es den Aufruf von f2mrandomizeweights (), mit dem Neuron-Verbindungsgewichte im Netzwerk initialisiert werden. Hier habe ich die Reichweite von lt-0.4 0.4gt, aber Sie können alle anderen je nach Ihrer Anwendung verwenden. An diesem Punkt haben Sie wahrscheinlich die Funktion debug () bemerkt, die ich ein paar Mal verwendet habe. Seine eine der einfachsten Methoden, um das ausführliche Niveau Ihres EA zu ändern. Zusammen mit ihm und dem Eingangsparameter DebugLevel können Sie einstellen, wie Ihr Code die Debug-Ausgabe erzeugt. Wenn das erste Argument der Funktion debug () die Debug-Ebene höher als DebugLevel ist, erzeugt die Funktion keine Ausgabe. Wenn sein unterer Wert gleich der Textfolge ist, wird gedruckt. Wenn die Debug-Ebene 0 ist, wird der String ERROR: an den Anfang angehängt. Auf diese Weise können Sie von Ihrem Code erzeugten Debugging auf mehrere Ebenen aufteilen. Die wichtigsten sind wahrscheinlich Fehler, so dass sie der Ebene 0 zugeordnet sind. Sie werden gedruckt, es sei denn, Sie senken Ihre DebugLevel auf unter 0 (was nicht empfohlen wird). Auf der Ebene 1 werden einige wichtige Informationen gedruckt, wie die Bestätigung der erfolgreichen Netzwerkbeladung oder - erstellung. Auf Stufe 2 oder höher nimmt die Bedeutung der gedruckten Information allmählich ab. Vor der ausführlichen Erklärung der start () - Funktion, die sehr langwierig ist, muss ich Ihnen einige weitere Funktionen zeigen, die den Netzwerkeingang vorbereiten und die eigentlichen Netzwerke vorbereiten sollen: Die Funktion annprepareinput () wird verwendet, um den Input-Namen für die Netzwerke vorzubereiten (Also der Name). Der Zweck davon ist ganz einfach, aber das ist der Punkt, den ich daran erinnern muss, dass die Eingangsdaten richtig normalisiert werden müssen. Es gibt keine anspruchsvolle Normalisierung in diesem Fall habe ich einfach die MACD Haupt-und Signalwerte, die nie überschreiten den gewünschten Bereich auf den Rechnungsdaten. In dem realen Beispiel sollten Sie wahrscheinlich mehr Aufmerksamkeit auf dieses Problem zu zahlen. Wie Sie vermutlich vermuten, die richtige Eingabe Argumente für Netzwerk-Eingang, Codierung, Zerlegung und Normalisierung ist einer der wichtigsten Faktoren in der neuronalen Netzwerk-Verarbeitung. Wie ich bereits erwähnt habe, hat die Fann2MQL die Möglichkeit, die normale Funktionalität von MetaTrader zu erweitern, dh eine parallele Multithread-Verarbeitung neuronaler Netzwerke. Das globale Argument Parallel steuert dieses Verhalten. Die runanns () - Funktion führt alle initialisierten Netzwerke aus und erhält die Ausgänge und speichert sie im AnnOutput-Array. Die Funktion "annsrunparallel" ist verantwortlich für die multithreaded Bearbeitung des Jobs. Es ruft die f2mrunparallel () auf, die als erstes Argument die Anzahl der zu verarbeitenden Netzwerke annimmt, das zweite Argument ist ein Array, das Handles für alle Netzwerke enthält, die Sie ausführen möchten, und liefert den Eingabevektor als drittes Argument. Alle Netze müssen auf den gleichen Eingangsdaten laufen. Das Abrufen der Ausgabe aus dem Netzwerk erfolgt über mehrere Aufrufe zu f2mgetoutput (). Nun sehen wir die start () Funktion: Ill beschreiben sie kurz, da sie gut kommentiert ist. Die tradeallowed () prüft, ob sie handeln darf. Grundsätzlich prüft es die AnnsLoaded-Variable, die angibt, dass alle Anns ordnungsgemäß initialisiert wurden, prüft dann auf den richtigen Zeitrahmen Zeitraum minimalen Kontostand und am Ende erlaubt nur den ersten Tick einer neuen Bar handeln. Die nächsten zwei Funktionen, die verwendet werden, um die Netzwerkeingabe vorzubereiten und die Netzwerkverarbeitung durchzuführen, wurden nur wenige Zeilen oben beschrieben. Als nächstes berechnen und setzen wir Variablen für die spätere Verarbeitung der MACD-Werte von Signal und Hauptleitung für die letzte Aufbauleiste und die vorherige. Der aktuelle Balken wird weggelassen, da er noch nicht aufgebaut ist und wahrscheinlich neu gezeichnet wird. Das SellSignal und das BuySignal werden entsprechend dem MACD-Signal und dem Hauptnetz-Crossover berechnet. Beide Signale werden für die Long - und Short-Positionsverarbeitung verwendet, die symmetrisch sind, so dass ich nur den Fall für longs beschreibe. Die LongTicket-Variable enthält die Ticketnummer der aktuell geöffneten Position. Wenn er gleich -1 ist, wird keine Position geöffnet, wenn das BuySignal gesetzt ist, das eine gute Gelegenheit zum Öffnen der Long-Position anzeigen könnte. Wenn die Variable NeuroFilter nicht gesetzt ist, wird die Long-Position geöffnet und das ist der Fall ohne die neuronale Netzwerk-Filterung von Signalen - die Bestellung wird gesendet, um zu kaufen. An dieser Stelle soll die Variable LongInput den InputVector berücksichtigen, der von annprepareinput () für die spätere Verwendung vorbereitet wird. Wenn die LongTicekt-Variable die gültige Ticketnummer enthält, prüft die EA, ob sie noch geöffnet ist oder durch den StopLoss oder TakeProfit geschlossen wurde. Wenn die Bestellung nicht abgeschlossen ist, geschieht nichts, wenn der Auftrag jedoch geschlossen ist, wird der Trainings-Vektor, der nur einen Wert hat, berechnet, um den Wert -1 zu erhalten, wenn der Auftrag mit Verlust abgeschlossen wurde oder 1, wenn der Auftrag mit Gewinn abgeschlossen wurde . Dieser Wert wird dann an die anntrain () - Funktion übergeben und alle Netzwerke, die für die Handhabung der Long-Position verantwortlich sind, werden damit trainiert. Als Eingangsvektor wird die Variable LongInput verwendet, die den InputVector zum Zeitpunkt des Öffnens der Position hält. Auf diese Weise wird das Netzwerk gelehrt, welches Signal Gewinne bringt und welches nicht. Sobald Sie ein geschultes Netzwerk haben, schalten Sie den NeuroFilter auf true um. Das annwiselong () verwendet das neuronale Netzwerk, das als Mittelwert von Werten berechnet wird, die von allen Netzwerken zurückgegeben werden, die für die Verarbeitung der Langposition bestimmt sind. Der Delta-Parameter wird als Schwellenwert verwendet, der anzeigt, dass das gefilterte Signal gültig oder nein ist. Wie viele andere Werte wurde es durch den Prozess der Optimierung erhalten. Jetzt, sobald wir wissen, wie es funktioniert Ill zeigen Ihnen, wie es verwendet werden kann. Das Testpaar ist natürlich EURUSD. Ich verwendete die Daten von Alpari. Konvertiert in M5 Zeitrahmen. Ich verwendete den Zeitraum von 2007.12.31 bis 2009.01.01 für Trainingoptimierung und 2009.01.01-2009.03.22 für Testzwecke. Im allerersten Versuch habe ich versucht, die profitabelsten Werte für StopLoss, TakeProfit, SlowMA, FastMA und SignalMA Argument zu erhalten, die ich dann in die Datei NeuroMACD. mq4 codiert habe. Der NeuroFlter wurde ebenso ausgeschaltet wie SaveAnn. Wurde die AnnsNumber auf 0 gesetzt, um eine neuronale Verarbeitung zu vermeiden. Ich habe den genetischen Algorithmus für die Optimierung verwendet. Sobald die Werte erhalten wurden, sah der resultierende Bericht wie folgt aus: Bericht über Trainingsdaten nach grundsätzlicher Parameteroptimierung. Wie Sie sehen können, habe ich diese EA auf dem Mini-Konto mit der Lot-Größe von 0,01 und der Anfangs-Balance von 200 ausgeführt. Allerdings können Sie diese Parameter entsprechend Ihren Kontoeinstellungen oder Einstellungen abstimmen. An diesem Punkt haben wir genug profitable und verlieren Trades, so konnten wir die SaveAnn einschalten und die AnnsNumber auf 30 setzen. Einmal getan, so laufe ich das Tester noch einmal. Das Ergebnis war genau das gleiche mit Ausnahme der Tatsache, dass der Prozess viel langsamer war (als Ergebnis der neuronalen Verarbeitung) und der Ordner C: ANN wurde mit den ausgebildeten Netzwerken, wie auf dem Bild unten gezeigt bevölkert. Stellen Sie sicher, dass vor dem Ausführen des Ordners C: ANN der Ordner C: ANN vorhanden war. Sobald wir Netzwerke trainiert haben, ist es Zeit zu testen, wie es sich verhält. Versuche es zuerst mit den Trainingsdaten. Ändern Sie den NeuroFilter auf true und SaveAnn auf false und starten Sie den Tester. Das Ergebnis, das ich erhalten habe, ist unten gezeigt. Beachten Sie, dass es leicht variieren kann für Sie Fall, da es einige Zufälligkeit in Netzwerken in Neuron-Verbindung Gewichte bei der Netzwerk-Initialisierung (in diesem Beispiel habe ich explizite Aufruf von F2Mrandomizeweights () innerhalb annload ()). Ergebnis bei Trainingsdaten mit eingeschalteter Signalneuralfilterung. Der Reingewinn ist etwas größer (20,03 gegenüber 16,92), der Gewinnfaktor ist jedoch deutlich höher (1,25 gegenüber 1,1). Die Anzahl der Trades ist viel geringer (83 vs 1188) und die durchschnittliche aufeinanderfolgende Verluste Zahl wird von 7 auf 2 gesenkt. Allerdings zeigt es nur, dass die neuronale Signal-Filterung funktioniert, aber es sagt nichts darüber, wie es auf Daten, die nicht verwendet wurden, arbeitet Während des Trainings. Das Ergebnis, das ich aus dem Testzeitraum (2009.01.01 - 2009.30.28) erhalten habe, ist nachfolgend dargestellt: Ergebnis aus Testdaten mit Neuronalfilterung eingeschaltet. Die Anzahl der ausgeführten Trades ist recht niedrig und es ist schwer zu sagen, die Qualität dieser Strategie, aber ich war nicht dabei, Ihnen zu zeigen, wie die besten profitable EA zu schreiben, sondern zu erklären, wie Sie neuronale Netze in Ihrem MQL4-Code verwenden könnte. Die wirkliche Wirkung der Verwendung von neuronalen Netzwerken in diesem Fall kann nur gesehen werden, wenn die Ergebnisse der EA auf Testdaten mit NeuroFilter ein-und ausschalten verglichen. Unten ist das Ergebnis der Testdatenperiode ohne neuronale Signalfilterung: Ergebnisse aus Testdaten ohne Neuronalfilterung. Der Unterschied ist ganz offensichtlich. Wie Sie sehen können, die neuronale Signal-Filterung verließ die EA zu einem profitablen Fazit Ich hoffe, dass Sie aus diesem Artikel gelernt haben, wie man neuronale Netze in MetaTrader verwenden. Mit Hilfe der einfachen, kostenlosen und opensource Paket Fann2MQL können Sie leicht hinzufügen, die neuronale Netzwerk-Ebene in praktisch jedem Expert Advisor oder starten Sie Ihre eigenen, die vollständig oder teilweise auf neuronale Netze basiert schreiben. Die einzigartige Multithreading-Fähigkeit beschleunigt die Verarbeitung oft, je nach Anzahl der CPU-Kerne, speziell bei der Optimierung bestimmter Parameter. In einem Fall verkürzte es die Optimierung meiner Reinforcement Learning basierten EA-Verarbeitung von etwa 4 Tagen auf nur 28 Stunden auf einer 4-Core Intel CPU. Während des Schreibens dieses Artikels habe ich beschlossen, Fann2MQL auf seiner eigenen Website: fann2mql. wordpress setzen. Dort finden Sie die aktuelle Fann2MQL-Version und eventuell alle zukünftigen Versionen sowie die Dokumentation aller Funktionen. Ich verspreche, diese Software unter GPL-Lizenz für alle Versionen zu halten, so dass, wenn Sie mir Kommentare, Feature-Anfragen oder Patches, die ich interessant finden, sicher sein, es zu finden nächsten Releases. Bitte beachten Sie, dass dieser Artikel nur die sehr grundlegende Verwendung von Fann2MQL zeigt. Da dieses Paket ist nicht viel mehr als FANN können Sie alle Werkzeuge für die Verwaltung von FANN-Netzwerken, wie verwenden: Und theres viel mehr über FANN auf der Fast Artificial Neural Network Library Homepage: leenissen. dkfann Post Scriptum Nach dem Schreiben dieses Artikels habe ich gefunden Ein unbedeutender Fehler in NeuroMACD. mq4. Die OrderClose () - Funktion für die Short-Position wurde mit einer Long-Position-Ticketnummer gespeist. Es führte zu einer schiefen Strategie, die eher Shorts und schließen longs: In der richtigen Version des Skripts habe ich diesen Fehler behoben und entfernt die OrderClose () - Strategie überhaupt. Dies änderte nicht das Gesamtbild des Einflusses der neuronalen Filterung auf die EA noch die Balance-Kurve Form war ganz anders. Sie können beide Versionen dieses EA finden auf diese article. Disclaimer und Risikohinweis angebracht. Bitte lesen Sie. Risikowarnung. Trading Devisen auf Margin trägt ein hohes Maß an Risiko, und kann nicht für alle Anleger geeignet. Der hohe Grad der Hebelwirkung kann sowohl gegen Sie als auch für Sie arbeiten. Vor der Entscheidung, in Devisen zu investieren, sollten Sie sorgfältig überlegen Sie Ihre Anlageziele, Erfahrung und Risikobereitschaft. Die Möglichkeit besteht, dass Sie einen Verlust von einigen oder allen Ihrer anfänglichen Investition zu erhalten und daher sollten Sie nicht investieren Geld, das Sie sich nicht leisten können, zu verlieren. Sie sollten sich bewusst sein, alle Risiken im Zusammenhang mit Devisenhandel und suchen Rat von einem unabhängigen Finanzberater, wenn Sie irgendwelche Zweifel haben. Haftungsausschluss Alle Informationen auf dieser Website ist unserer Meinung nach die Meinung unserer Besucher und kann nicht die Wahrheit widerspiegeln. Bitte nutzen Sie Ihre eigenen guten Urteilsvermögen und suchen Sie Ratschläge von einem qualifizierten Berater, bevor Sie glauben und akzeptieren alle Informationen auf dieser Website veröffentlicht. Wir behalten uns das Recht vor, Beiträge zu löschen, zu bearbeiten, zu verschieben oder zu schließen. Anzeigen Warnung Anzeigenlinks werden auf der gesamten Website angezeigt. Einige Seiten auf der Website können Affiliate-Links für Produkte enthalten. Diese Reklameanzeigen andor-Verbindungen reflektieren nicht die Meinung, die Anerkennung oder das Übereinstimmen dieser Web site oder angeschlossenen Parteien. Die FPAs Bewertungen werden nie durch Werbung beeinflusst. Einige Anzeigen könnten potenziell irreführende und unausgewogene Forderungen und Informationen enthalten, die Risiken und andere wichtige Aspekte des spekulativen Handels nicht offenlegen könnten. Spammers be Warned Wenn Sie die FPAs Foren oder Kritiken Spam, behalten wir uns das Recht vor, Ihren Beitrag in irgendeiner Weise bearbeiten wir bitte, um über Sie lustig zu machen. Indem Sie uns spammen, erklären Sie sich damit einverstanden, dass wir keine Änderungen vornehmen und keine rechtlichen oder sonstigen Maßnahmen gegen den FPA oder seine Mitarbeiter treffen. Terms Privacy Werben Kontakt Über ForexPeaceArmy hat Werbung und Affiliate-Beziehungen mit einigen der Unternehmen auf dieser Website erwähnt und kann entschädigt werden, wenn Leser folgen Links und Anmeldung. Wir sind verpflichtet, die fairen Umgang mit Rezensionen und Beiträge unabhängig von solchen Beziehungen. Kopieren Sie Copyright ForexPeaceArmy. Alle Rechte Vorbehalten.8482Forex Peace Army, ForexPeaceArmy, FPA, und die FPA Shield Logo sind alle Marken der Forex Peace Army. Alle Rechte gemäß US und internationalem Recht. Forex Peace Army setzt auf Bannerwerbung, um es kostenlos für alle. Sie können auch helfen - bitte beachten Sie deaktivieren AdBlocker beim Surfen auf unserer Website. Vielen Dank, dass Sie von unseren Händler-Community :-) GLOBAL TRADING SYSTEMS FOREX ROBOT VORHERSAGE FOREX Binäre Optionen ROBOT Binäre Optionen SIGNALE Progressor Robot EA echte Multi-Markt Zustand Roboter-Roboter Stock VORHERSAGE Forex Scalper Profit Aktienhandel ist: Trending, nicht-Trending, flüchtige und nicht - flüchtig. Handelt alle wichtigen Währungspaare. 50-100 Handel pro Tag. Profit 250 pro Monat. Mit diesem komplexen Forex Robot Scalper EA sollten Sie einen stabilen soliden Gewinn zu verdienen. Sehr sicher für Rechnung. Für Anfänger oder Fortgeschrittene auch. Forex-Indikator 3D-Signale - Forex Signale New Generation neue erweiterte Anzeige Premium-Qualität 3D-Forex Signale. Der Forex Indicator basiert auf Neural Networks analysiert Markt in 3D-Dimensionen und erzeugt statistisch zuverlässige und genaue Forex Trading Signale in Echtzeit. Signale sind intuitiv, einfach zu bedienen und haben eine hervorragende Gewinnrate beibehalten. 500 Pips Durchschn. Gewinn pro Monat. 60 Sekunden Binäre Optionen Signals Indicator (Metatrader basiert). 90 tägliche Gewinnrate. 100 Signale pro Tag. 100 Gewinn pro 1 Stunde Non-Repainting Einfach zu bedienen, arbeitet mit jedem Broker, alle Vermögenswerte. Genauigkeit überprüft mit echtem Handelskonto. Basierend auf fortschrittlichen neuronalen Netzwerkalgorithmen. Habe mit über 200 Binary Option Brokern getestet und zeigt stabilen hohen Gewinn. Binary Options Auto Trader 300 Gewinn pro Monat 100 Binary Auto Trader für Metarader (MT4, MT5) 90 tägliche Gewinnrate. Basierend auf Neural Networks Algorithm. Integriertes Kontoschutz - und Risikomanagementsystem. Für alle Währungspaare, Indizes, Metalle, alle Zeitrahmen umfassen: 60 Sekunden, 5 Min, 15 Min, 1 Stunde. 300 Gewinn pro Monat 100 Trades pro Tag 100 Automated Binary Options Robot für Web-basierte Broker Trades 60 Sekunden und 30 Sekunden Binäre Optionen. Hat eingebaute Einlagensicherung, Geld-Management-System. Führt automatisch Trades direkt zu Ihrem verknüpften Broker-Konto. 1500 FÜR 1 JAHRES ABONNEMENT Auf der Suche nach profitable binäre Optionen Signale und Autotrader Es gibt unerklärliche Binär-OPTION SIGNALE, die Sie zum Erfolg führen. Binär-Optionen Signalleuchte (Metatrader 5 basiert). 90 tägliche Gewinnrate. 50 Signale pro Tag. Non-Repainting Arbeitet mit jedem Broker. Basierend auf neuronalen Netzwerken. 60 Sekunden Binär-Optionen Signals Indicator (NinjaTrader basiert). 90 tägliche Gewinn-Rate, zuverlässige, gewinnende Trading-Signale. 70 Signale pro Tag. Non-Repainting Super genaue Einfach zu bedienen, arbeitet mit jedem Broker, alle Vermögenswerte. Synchronisiert mit allen binären Optionen platfrom. Basierend auf neuronalen Netzwerken. Binäre Optionen Vorhersage und Trading Signal Indicator für Metatrader. Generiert 90 genaue, zuverlässige, gewinnende Handelssignale. Non-Repainting basierend auf Neural Networks Algorithmus. Funktioniert mit jedem Broker und jedem Zeitrahmen. Kann Benachrichtigung an mobile Geräte senden dann Handel Signal auftritt. 10 und 15 Minuten Binär-Optionen Handel Signale Indikator für Metatrader (MT4). 83 tägliche Gewinnrate 30 Trading-Signale pro Tag 100 REPAINTING 100 RELIABLE Die Binär-Optionen (BO) Signals Indicator wird Ihnen sagen, wenn hohe Qualität Trading-Möglichkeiten entstehen. Zeigt stabilen hohen Gewinn. Binäre Optionen Trade Copier. Kopieren Sie Trades von MT4 direkt auf Ihre Binary Options Platform und implementieren Sie Trades bei Ihrem Broker. Sofortig. Zuverlässig. Automatisieren Sie jede profitabe Strategie und erlauben, auf vollen Selbstpiloten direkt von Metatrader (MT4, MT5) zu handeln. Neuronale Netze Forex Vorhersage Indikator für Metatrader. Erzeugt 90 genaue Handelssignale. Bis 250 Gewinn pro Monat Prädikate hoch, niedrig, schließen Preis, Preis Bewegung Richtung. 100 Non-Repainting Arbeiten mit beliebigen Währungspaaren, jederzeit Frames. 250 Gewinn pro Monat. Max. Absenkung 3.5. 100 automatisierte Handel. Intelligent Forex Trading Roboter (Forex Roboter oder EA) für Metatrader auf Neuronale Netze und genetischen Algorithmus basiert. Self-Learning und Self-Aktualisierung Roboter öffnet Positionen mit 90 Wahrscheinlichkeit des Erfolgs. 300 Gewinn pro Monat. Max. Drawdown 7. 90 erfolgreiche Trades. 100 automatisierte Handel. Intelligent Forex Trading Roboter (Forex Roboter oder EA) für Metatrader auf Neuronale Netze basiert. Forex Robot Scalper zeigt eine große Anzahl von Trades pro Tag, mit minimaler Verluste. Metatrader - Interaktive Broker Trader Copier Bridge ist eine programmierbare Erweiterung für Trader Workstation (TWS), mit der Sie manuell oder automatisch direkt von Metatrader (MT4, MT5) handeln können. Dukascopy Binäre Optionen Roboter 50 Trades pro Tag 100 Automated Binary Options Robot für Dukascopy Broker Trades 60 Sekunden und 15 Minuten Binäre Optionen. Hat eingebaute Einlagensicherung, Risikomanagementsystem. 75-90 Win-Rate. 1500 FÜR 1 JAHR ABONNEMENT Metatrader Nadex Trade Copier kopiert Trades von MT4 direkt auf Ihre Nadex Trading Platform und implementiert Trades. Sofortig. Zuverlässig. Ermöglicht die Prüfung und Automatisierung jeder Handelsstrategie, und den Handel auf volle Auto-Pilot direkt von Metatrader. Arbeitet für alle Vermögenswerte. Nadex Trading Robot ist eine vollautomatisierte Handelssoftware, die speziell für den gewerblichen Handel mit Nadex Binary Options entwickelt wurde. 100 Trades pro Tag 100 Automated Hat eingebaute Einlagensicherung, Money-Management-System. Basierend auf Neural Networks low-risk-Strategie. 1500 FÜR 1 JAHR ABONNEMENT Nadex Signale und Vorhersage Indicator ist speziell für den Handel profitabel mit Nadex Binary Options. 90 ITM Nadex-Signale. 50 Signale pro Tag. Machen Sie konstanten Gewinn mit dem besten und zuverlässigsten Nadex Signals Indicator. 90 präzise Bitcoin Vorhersage Indicator für Metatrader auf Neuronale Netze Algorithmus. Erzeugt Streaming-Echtzeit-Vorhersagen und Trading-Signale. Der Indikator ist nicht streichfähig. Predicts Preis, Preis Bewegungsrichtung, erkennt Umkehrpunkte. IQ Option Robot Trades Binäre Optionen 100 automatisiert. 75-90 tägliche Gewinnrate 50-100 Trades pro Tag. Basierend auf Neural Networks Aalgorithm. Intelligent IQ Option Roboter generiert automatisch Signale, Setup-Losgröße, verfügt über Account-Schutz-System. Kopieren Sie Aufträge zwischen verschiedenen Computern über das Internet weltweit und zwischen verschiedenen MT4-Terminals, die auf demselben Computer laufen. Kompatibel auf jedem MT4-Plattform mit einem Forex-Broker. Alle Arten kopieren Marktaufträge. Der Gold Trading Roboter wurde für GOLD 1H und SILVER 1H entwickelt. 360 Gewinn pro Monat. Maximum Drawdown 10. 90 gewinnende Trades. 100 automatisierte Handel. Langfristige Strategie. Jede Bestellung wird durch Stop Loss und Take Profit geschützt. Vollständig optimierte Einstellungen. 90 genau. Erzeugt Echtzeit-Traffic-Signale. Für alle Zeitrahmen wurde der Streaming-Live-Daten-Feed installiert. Predicts Preis, Preis Bewegung Richtung, Trend, erzeugt Handelssignale. Keine Notwendigkeit zu installieren. Neue Signale werden dynamisch zum Echtzeit-Diagramm geliefert. 260 FÜR 1 MONAT ABONNEMENT 90 genaue Forex-Streaming-Echtzeit-Preisprognose und Trading-Signal Software. 300 Pips garantieren jeden Monat. Repariert nicht Dased auf Neuronale Netze Algorithmus. Vollautomatischer Web-basierter Online Forex Predictor für Desktop - und Mobilgeräte. 260 FÜR 1 MONAT ABONNEMENT 95 genau. Prognosen Preis, Preis Bewegung Richtung, Trend, erzeugt buysell Signale. Non-repainting Erzeugt Echtzeit-Traffic-Signale. Hat Streaming-Live-Daten-Feed installiert. Webbasierte Oberfläche. Für Desktop - und Mobilgeräte. 260 FÜR 1 MONAT ABONNEMENT Loss Recovery Trader Robot (EA) 100 automatisch wird Ihr Forex-Konto zu reparieren und Ihre verlorenen Positionen wiederherzustellen, wird Ihnen helfen, reduzieren und sogar beseitigen Ihre verlieren Trades. Stellen Sie einfach Ihren Handel, und unsere Loss Recovery Trader Robot wird den Rest für Sie erledigen. Binäre Optionen Trade Copier Bridge Kopieren Sie gewinnen Trades, binäre Optionen Signale zwischen binären Optionen Plattform. Instant Reliable 100 Automatisiert Unterstützt statische Losgröße, dynamische Losgröße, Martingal. Kopieren Sie Trades aus einer profitable Strategie der professionellen Händler und Geld zu verdienen. 75-80 tägliche Gewinnrate 200 Signale pro Tag. Echtzeit-Streaming-Trading-Signale. Jedes Währungspaar, jede Laufzeit. Basierend auf neuronalen Netzwerken. Webbasierte Oberfläche. Keine Notwendigkeit zu installieren. Neue Signale werden dynamisch zum Echtzeit-Diagramm geliefert. 260 FÜR 1 MONAT ABONNEMENT Forex Multi Currency Scalper EA ist 100 automatisierte Trading Roboter können die besten möglichen Trades aus 28 Symbolen auswählen. Basierend auf einer risikoarmen Strategie. Stellt sicher, dass Trades zu den bestmöglichen Zeiten eingegeben werden. Führt Kauf-Trades zu niedrigeren Preisen und verkaufen Trades zu höheren Preisen. Kopieren Sie profitable Trading-Signale aus dem größten sozialen Netzwerk für Händler. Schließen Sie sich der globalen Gemeinschaft von Händlern, finden Ideen, die Sie mögen und kopieren besten Ideen und Signale direkt auf Ihr Trading-Konto und machen Gewinn mit unseren Tradingview Signale Kopierer-Tool.
No comments:
Post a Comment