Neuronaler Netto Devisenhandel

Neuronale Netze: Prognoseprofite Neuronale Netze sind state-of-the-art, trainierbare Algorithmen, die bestimmte wichtige Aspekte in der Funktionsweise des menschlichen Gehirns emulieren. Dies gibt ihnen eine einzigartige, selbsttrainierende Fähigkeit, die Fähigkeit, nicht klassifizierte Informationen zu formalisieren und vor allem die Fähigkeit, Prognosen auf der Grundlage der historischen Informationen, die sie zur Verfügung haben, zu machen. Neuronale Netze werden zunehmend in einer Vielzahl von Geschäftsanwendungen eingesetzt, einschließlich Prognose - und Marketingforschungslösungen. In einigen Bereichen, wie Betrugserkennung oder Risikobewertung. Sie sind die unbestreitbaren Führer. Die wichtigsten Bereiche, in denen neuronale Netze gefunden haben Anwendung sind Finanzoperationen, Unternehmensplanung, Handel, Business-Analytik und Produkt-Wartung. Neuronale Netze können von allen Arten von Händlern beworben werden. Wenn Sie also ein Händler sind und Sie noch nicht in neuronale Netze eingeführt haben, können Sie diese Methode der technischen Analyse durchführen und Ihnen zeigen, wie Sie diese auf Ihren Handelsstil anwenden können. Gemeinsame Delusions Die meisten Menschen haben noch nie von neuronalen Netzwerken gehört, und wenn sie arent Händler, sie wahrscheinlich nicht wissen müssen, was sie sind. Was ist wirklich überraschend, ist jedoch die Tatsache, dass eine riesige Anzahl von denen, die reichlich von neuronalen Netzwerk-Technologie profitieren können, noch nie davon gehört haben, nehmen es für eine hohe wissenschaftliche Idee oder denken Sie daran, wie von einem glatten Marketing-Gag. Es gibt auch diejenigen, die alle ihre Hoffnungen auf neuronale Netze, Lionisierung der Netze nach einigen positiven Erfahrungen mit ihnen und sie als Silber-Kugel Lösung für jede Art von Problem. Doch wie jede Handelsstrategie. Neuronale Netze sind keine schnelle-fix, die es Ihnen ermöglichen, es reich zu schlagen, indem Sie eine Schaltfläche oder zwei. In der Tat ist das richtige Verständnis der neuronalen Netze und ihre Zielsetzung entscheidend für ihre erfolgreiche Anwendung. Was den Handel angeht, sind neuronale Netze eine neue, einzigartige Methode der technischen Analyse, die für diejenigen gedacht ist, die einen Denkansatz für ihr Unternehmen einnehmen und bereit sind, etwas Zeit und Mühe zu leisten, um diese Methode für sie zu arbeiten. Am besten von allen, wenn richtig angewendet, können neuronale Netze einen Gewinn auf einer regelmäßigen Basis zu bringen. Verwenden Sie Neuronale Netze, um Chancen zu entdecken Ein großes Missverständnis ist, dass viele Händler neuronale Netze für ein Prognosewerkzeug verwechseln, das Ratschläge zum Handeln in einer bestimmten Marktsituation anbieten kann. Neuronale Netze machen keine Prognosen. Stattdessen analysieren sie Preisdaten und eröffnen Chancen. Unter Verwendung eines neuronalen Netzes können Sie eine handelsbezogene Entscheidung treffen, die auf gründlich analysierten Daten beruht, was nicht unbedingt der Fall ist, wenn traditionelle technische Analysemethoden verwendet werden. Für einen ernsthaften, denkenden Händler sind neuronale Netze ein Werkzeug der nächsten Generation mit großem Potenzial, das subtile nichtlineare Interdependenzen und Muster erkennen kann, die andere Methoden der technischen Analyse nicht aufdecken können. Die besten Netze Genau wie jede Art von großem Produkt oder Technologie haben neuronale Netze angezogen ziehen alle diejenigen, die für einen anspruchsvollen Markt suchen. Torrents von Anzeigen über Next-Generation-Software haben die Markt-Anzeigen gefeiert feiert der mächtigste aller neuronalen Netzwerk-Algorithmen jemals erstellt. Selbst in den seltenen Fällen, wenn Werbung Ansprüche die Wahrheit ähneln, denken Sie daran, dass eine 10 Effizienzsteigerung wahrscheinlich die meisten Sie jemals aus einem neuronalen Netzwerk erhalten wird. Mit anderen Worten, es erzeugt keine wunderbaren Renditen und unabhängig davon, wie gut es in einer bestimmten Situation funktioniert, wird es einige Datensätze und Task-Klassen, für die die bisher verwendeten Algorithmen überlegen bleiben. Denken Sie daran: es ist nicht der Algorithmus, der den Trick macht. Gut präparierte Input-Informationen zum Zielindikator sind die wichtigste Komponente Ihres Erfolges mit neuronalen Netzen. Ist schneller Konvergenz besser Viele von denen, die bereits neuronale Netzwerke irrtümlich glauben, dass je schneller ihr Netz Ergebnisse liefert, desto besser ist es. Dies ist jedoch eine Täuschung. Ein gutes Netzwerk wird nicht durch die Rate bestimmt, mit der es Ergebnisse erzeugt, und die Nutzer müssen lernen, die beste Balance zwischen der Geschwindigkeit, mit der das Netzwerk trainiert, und der Qualität der Ergebnisse, die es erzeugt, zu finden. Korrekte Anwendung von Neuronalen Netzen Viele Händler wenden Neuronale Netze falsch an, weil sie zu viel Vertrauen in die Software setzen, die sie alle verwenden, ohne ordnungsgemäße Gebrauchsanweisungen enthalten zu haben. Um ein neuronales Netzwerk auf die richtige Art und Weise nutzen zu können, sollte ein Händler auf alle Stadien des Netzwerkvorbereitungszyklus achten. Es ist der Trader und nicht sein Netz, das dafür verantwortlich ist, eine Idee zu erfinden, diese Idee zu formalisieren, zu testen und zu verbessern und schließlich den richtigen Zeitpunkt zu wählen, um es zu entsorgen, wenn es nicht mehr nützlich ist. Lassen Sie uns die Stufen dieses entscheidenden Prozesses genauer betrachten: 1. Suchen und Formalisieren einer Trading-Idee Ein Trader sollte vollständig verstehen, dass sein oder ihr neuronales Netzwerk nicht dazu gedacht ist, gewinnbringende Ideen und Konzepte zu erfinden. Es ist für die Bereitstellung der vertrauenswürdigsten und präzise Informationen möglich, wie effektiv Ihre Trading-Idee oder Konzept ist. Daher sollten Sie kommen mit einer originellen Trading-Idee und klar definieren den Zweck dieser Idee und was Sie erwarten, indem Sie es zu erreichen. Dies ist der wichtigste Schritt im Netzvorbereitungszyklus. (Erläuterungen dazu finden Sie unter Lehren aus einem Trader-Tagebuch.) 2. Verbesserung der Parameter Ihres Modells Als nächstes sollten Sie versuchen, die Gesamtmodellqualität zu verbessern, indem Sie den verwendeten Datensatz ändern und die verschiedenen Parameter anpassen. Abbildung 1: Angabe des Optimierungsalgorithmus und seiner Eigenschaften 3. Entsorgung des Modells, wenn es obsolet wird Jedes neuronalnetzbasierte Modell hat eine Lebensdauer und kann nicht unbegrenzt genutzt werden. Die Langlebigkeit einer Modelllebensdauer hängt von der Marktsituation und davon ab, wie lange die Marktinterdependenzen in ihr aktuell bleiben. Jedoch wird früher oder später jedes Modell obsolet. Wenn dies geschieht, können Sie entweder das Modell mit völlig neuen Daten umschulen (d. H. Alle verwendeten Daten ersetzen), neue Daten dem vorhandenen Datensatz hinzufügen und das Modell erneut ausbilden oder das Modell komplett zurückziehen. Viele Händler machen den Fehler, den einfachsten Weg zu gehen - sie verlassen sich stark auf und nutzen den Ansatz, für den ihre Software die benutzerfreundlichste und automatisierte Funktionalität bietet. Dieser einfachste Ansatz prognostiziert einen Preis ein paar Bars voraus und basiert Ihr Trading-System auf dieser Prognose. Andere Händler prognostizieren Preisänderung oder Prozentsatz der Preisänderung. Dieser Ansatz führt selten zu besseren Ergebnissen als die direkte Prognose des Preises. Sowohl die vereinfachten Ansätze scheitern, die meisten wichtigen längerfristigen Interdependenzen aufzudecken und gewinnbringend auszunutzen, und als Ergebnis wird das Modell schnell veraltet, wenn sich die globalen Triebkräfte ändern. Der optimale Ansatz für die Verwendung von neuronalen Netzwerken Ein erfolgreicher Trader konzentriert sich und verbringt viel Zeit damit, die regierenden Eingaben für sein neuronales Netzwerk auszuwählen und seine Parameter anzupassen. Er oder sie wird aus (mindestens) mehrere Wochen - und manchmal bis zu mehreren Monaten - die Bereitstellung des Netzwerks zu verbringen. Ein erfolgreicher Trader wird auch sein Netz an die veränderten Bedingungen während seiner gesamten Lebensdauer anpassen. Da jedes neuronale Netzwerk nur einen relativ kleinen Aspekt des Marktes abdecken kann, sollten auch neuronale Netze in einem Ausschuss eingesetzt werden. Verwenden Sie so viele neuronale Netze wie angemessen - die Fähigkeit, mehrere auf einmal einsetzen ist ein weiterer Vorteil dieser Strategie. Auf diese Weise kann jedes dieser mehreren Netze für einen bestimmten Aspekt des Marktes verantwortlich sein, was Ihnen einen großen Vorteil auf der ganzen Linie. Es wird jedoch empfohlen, die Anzahl der Netze im Bereich von fünf bis zehn zu halten. Neuronale Netze sollten schließlich mit einem der klassischen Ansätze kombiniert werden. Dies ermöglicht es Ihnen, besser nutzen die Ergebnisse in Übereinstimmung mit Ihren Handelspräferenzen erreicht. Fazit Sie erleben einen echten Erfolg mit Neuronalen Netzen nur, wenn Sie auf der Suche nach dem besten Netz zu stoppen. Denn der Schlüssel zu Ihrem Erfolg mit neuronalen Netzen liegt nicht im Netzwerk selbst, sondern in Ihrer Handelsstrategie. Deshalb, um eine rentable Strategie, die für Sie arbeitet zu finden, müssen Sie eine starke Idee über die Schaffung eines Ausschusses der neuronalen Netze und sie in Kombination mit klassischen Filtern und Geld-Management-Regeln zu entwickeln. Für die damit verbundenen Lektüre, überprüfen Sie Neural Trading: Biological Keys To Profit und das Trading Systems Coding Tutorial. Wenn die Gesamtausgaben eines Staates die Einnahmen übersteigen, die er erzeugt (ohne Geld aus Krediten). Defizit unterscheidet. Im Allgemeinen ist eine Werbestrategie, in der ein Produkt in anderen Medien als Radio, Fernsehen, Plakate, Print gefördert wird. Eine Reihe von Bundesvorschriften, die vor allem Finanzinstitute und ihre Kunden betreffen, wurden im Jahr 2010 verabschiedet. Portfolio Management ist die Kunst und die Wissenschaft, Entscheidungen über Investitionsmix und - politik zu treffen und entsprechende Investitionen zu treffen. Ein bequemes Heim-Setup, wo Geräte und Geräte können automatisch gesteuert werden remote von überall auf der Welt. Die Strategie der Auswahl von Aktien, die weniger als ihre intrinsischen Werte handeln. Value-Investoren suchen aktiv nach Beständen von. Interview mit Leonid Velichkovsky: Der größte Mythos über Neuronale Netze ist Super-Profitabilität Der Held unseres Interviews Leonid Velichkovski (LeoV) hat bereits an Automated Trading Championships teilgenommen. Im Jahr 2008 war sein mehrwährendes neuronales Netz wie ein heller Blitz am Himmel und verdiente 110.000 in einem bestimmten Moment, aber schließlich fiel er seinem eigenen aggressiven Geldmanagement zum Opfer. Vor zwei Jahren erzählte Leonid in seinem Interview seine eigene Handelserfahrung und erzählte uns von den Eigenschaften seines Expertenberaters. Am Vorabend der ATC 2010, Leonid spricht über die häufigsten Mythen und Missverständnisse im Zusammenhang mit neuronalen Netzwerken. - Leonid, Sie sind ein seltener Vertreter der Händlergemeinschaft, die neuronale Netze für den Handel verwenden. Das sind ziemlich komplizierte Entwicklungen, aber die Armee ihrer Fans wächst weiter. Was Sie an neuronalen Netzen anzieht: Vor sechs Jahren, von Anfang an, haben neuronale Netze mich mit ihrer Neuheit, ihrem ungewöhnlichen geheimnisvollen Charakter und ihrer scheinbar hohen Profitabilität angezogen. Im Laufe der Jahre sind viele Mythen gegangen, aber neuronale Netze ziehen mich immer noch mit ihrer Fähigkeit, sich an jede Kurve anzupassen und Muster zu finden, wo nichts und niemand anderes sie finden kann. - Könnten Sie mehr über die Mythen, die mit neuronalen Netzwerken assoziiert haben Sie haben jede Enttäuschung in diesem Bereich erfüllt - Der größte Mythos mit neuronalen Netzwerken verbunden ist ihre Super-Rentabilität. Aber das gilt nicht nur für neuronale Netze, sondern für Forex als Ganzes. Auf den ersten scheint es, dass es leicht zu verdienen ist - kaufen und verkaufen, theres nichts kompliziert in ihm. Später, aber einige Faktoren erscheinen, von denen Sie nicht einmal wissen - nur dann beginnen Sie zu begreifen und zu verstehen. In neuronalen Netzwerken, enttäuschend ist genau das, was Sie zieht - ihre Fähigkeit zu trainieren und an jedem Markt mit allen verfügbaren Daten anzupassen. Ihr großer Vorteil ist ein erheblicher Nachteil bei der Anwendung auf die Finanzmärkte. Dies ist eine erstaunliche Metamorphose - Wie haben Sie zu verstehen, dass neuronale Netze nicht bringen Super-Profits War es eine persönliche Erfahrung - Es gibt keine Super-Profitabilität in Forex auch, nicht nur in neuronalen Netzwerken. Streng genommen sind neuronale Netze die gleichen Handelssysteme (im Folgenden: TS). Sie verwenden nur ein Neuronet statt gemeinsame Indikatoren. Und dann die wichtigste Facette ist Geld-Management, d. H. Die Händler Gier. Wenn Sie Handel beginnen, haben Sie nicht das Konzept des Geldmanagements als solches. Aber dann kommen Sie zu erkennen, die Notwendigkeit dieses Werkzeugs. Die Arbeit an Forex, und in der Regel an den Finanzmärkten, ist immer mit Risiken verbunden. Sie müssen sich bewusst sein, dass das Risiko von 100 und 100.000 sind zwei verschiedene Dinge. Als ich an einer ersten Einlage von 100, 500 und sogar 1.000 Dollar handelte, gab es ein gewisses Risiko, und der gesamte Ansatz zum Handel war spezifisch. Und als ich anfing, größere Mengen zu handeln, wurde die Einstellung zum Handel etwas ganz anderes - das Risiko erhöhte sich und ich verstand schnell, dass ich alles verlieren konnte. Dazu kam eine gewisse Verantwortung. Zum Beispiel, wenn der Handel auf die Hinterlegung von 100, kann der Gewinn von 100 pro Jahr kaum befriedigend, denke ich. Aber Handel auf der Hinterlegung von 100.000 ein Gewinn von 100 pro Jahr ist überhaupt nicht schlecht. So gibt es eine Art von psychischen Konflikten - Händler, die auf kleine Einlagen handeln, versuchen, so schnell und so viel wie möglich verdienen. Dies drängt Händler, über alle denkbaren Risiken hinauszugehen. Das Ergebnis ist der natürliche Verlust der Anzahlung Daher glaube ich, ist der Handel auf kleinen Einlagen zum Scheitern verurteilt, weil der natürliche Wunsch eines Händlers, so schnell und so viel wie möglich zu verdienen. Und 100, zum Beispiel, ist nicht groß genug, um Sie weg von Risiken zu halten. - Seit sechs Jahren arbeiten Sie mit neuronalen Netzen im Handel. Wie schaffen Sie diese geheimnisvollen neuronalen Netzwerken Was verwenden Sie - Im nicht ein Programmierer, Im ein Händler. Die Programmierung neuronaler Netze und deren Nutzung auf den Finanzmärkten sind ganz anders. Programmierer helfen mir, Expert Advisors - Roman Kramar (Stein), Yuri Zaitsev (YuraZ), Victor Nikolaev (Vinin) und Dmitriy Fedoseev (Integer) zu entwickeln. Alle von ihnen sind Profis in ihrem Bereich, ich brauche nicht zu erklären, viel - sie wissen alles perfekt. Und ich bin allen für ihre Arbeit und Professionalität sehr dankbar. Außerdem habe ich mit Steve Ward (Ward Systems Group) und Sergei Dolenko (Neuroproject) zusammengearbeitet, die mir wertvolle Informationen über die Anwendung neuronaler Netze in den Finanzmärkten gegeben haben. Darüber hinaus arbeitete ich eng mit Dennis Meyers (Meyers Analytics), Philippe Lonjoux (Noxa Analytics, Inc.) und Mark Simpson (Bowfort Technologies Inc.) zusammen, mit denen ich neue Systeme und Indikatoren getestet habe. Id wie zu beachten, dass die Anwendung von neuronalen Netzwerken in Finanzmärkten hat viele Features und innovative Konzepte und Techniken, und unterscheidet sich sehr von ihrer Verwendung in anderen Bereichen. Ich benutze MetaTrader 4, natürlich versuche ich jetzt, mich mit MetaTrader 5 zu treffen. Ein weiteres unentbehrliches Werkzeug für die Arbeit ist NeuroShell, ohne das ich das nicht kann. Ich benutze MTFeed als Brücke zwischen MetaTrader 4 und NeuroShell. - Es gibt viele Methoden der Ausbildung neuronaler Netze. Leonid, wie trainierst du sie Und endlich die Frage, die viele Anfänger im neuronalen Netzwerkhandel quält: Wie vermeide ich das so genannte Übertraining - Das ist eine komplizierte Frage, auf die ich (und nicht nur ich) keine Antwort habe Was unmöglich ist, klar zu systematisieren. Trotzdem werde ich versuchen, die Kernprobleme der Ausbildung und Wege zur Vermeidung von Übertraining zu berühren. Wegen seiner starken Nichtlinearität und der Fähigkeit, sich an beliebige Daten anzupassen, ist ein neuronales Netzwerk sehr gut angepasst, geschult und als Folge - übertrainiert. Ein neuronales Netzwerk mit nur wenigen Neuronen in seiner inneren Schicht erinnert sich leicht an die Geschichte einiger tausend Takte. Es ist anzumerken, dass Übertraining in neuronalen Netzen nur bei Anwendung auf die Finanzmärkte inhärent ist. Was bedeutet das Wir wissen alle, dass sich der Markt im Laufe der Zeit ändert - was in der Vergangenheit passiert ist, wird in der Zukunft verschwunden sein. Nun, es wird es geben, aber etwas anders, gibt es keine 100 Prozent Spiele. Muster, Gesetze, Marktbereiche - all dies wird auf verschiedenen Teilen des Marktes anders sein. Wenn also ein neuronales Netzwerk die Lektionen (Beispiele) der Vergangenheit zu gut erlernt, wenn es auf Historiendaten geschult wird, kann es letztlich einfach nicht fehlen, neue Muster und Marktbereiche in der Zukunft zu erkennen oder zu identifizieren. Weil alle von ihnen einige Änderungen erfahren haben. Das heißt, das neuronale Netz hat sich zu den Marktbedingungen, die es in der Vergangenheit gab, zu gut angepasst, aber es war nicht in der Lage, die neuen Muster in den veränderten Marktbedingungen zu erkennen. Gibt es eine Möglichkeit, Übertraining zu vermeiden Es gibt viele Möglichkeiten, aber die wichtigsten sind zwei von ihnen: der frühe Stopp der Ausbildung und Erhöhung der Ausbildungsintervall. Beide Verfahren haben jedoch gravierende Nachteile. In der frühen Anlaufstelle gibt es eine schwierige Frage, zu der es keine Antwort gibt: An welchem ​​Punkt soll ich aufhören zu trainieren? Welche Kriterien sollten dafür verwendet werden? Es gibt viele Antworten auf diese Frage - verwenden Sie Fehler, Gewinnniveau, Drawdown und andere mathematische Kriterien. Aber sie geben nicht eine hundertprozentige Garantie für rechtzeitige Stopps. Daher ist diese rechtzeitige Einstellung der Ausbildung nur von den Fähigkeiten des Händlers abhängig. Es gibt ein Missverständnis, dass, je besser es in der Vergangenheit war, desto besser wird es in der Zukunft sein. Je kleiner der Fehler im Trainingsintervall ist, desto besser wird das Netzwerk in Zukunft funktionieren. Allerdings ist das nicht wahr - der Markt ändert sich, und zu gut geschult in historischen Daten, kann ein neuronales Netzwerk nicht sehen, die Zukunft. Ich weiß aus eigener Erfahrung, dass das Verhältnis von Fehlern der Ausbildung und der Gewinne auf OOS (Out Of Sample - außerhalb des Optimierungsintervalls) oder auf einem realen Konto wie folgt ist: Der Fehler verringert sich allmählich mit zunehmender Trainingszeit, Aber der Gewinn steigt zuerst an und fällt dann, indem er ein Maximum in einem bestimmten Augenblick bildet. Das ist das Maximum, das wir fangen müssen. Wenn die Trainingszeit zunimmt, wird der Fehler auch allmählich abnehmen, und der Gewinn auf OOS kann mehrere mehr Maxima erzeugen, aber sie sind gewöhnlich kleiner als die allererste. Obwohl ich auf eine Situation gestoßen bin, in der die zweiten und sogar die dritten Maxima höher waren als die ersten. Aber es wird angenommen, dass das erste Maximum ist besser als der Rest in Bezug auf die Rentabilität und Effizienz. Tatsächlich ist es unsere Aufgabe, dieses erste Maximum zu erreichen. Und es hängt von Fähigkeiten und Erfahrungen des Händlers ab - ich kenne keine anderen, genaueren Kriterien. Natürlich können und sollten wir uns nach dem Prozentsatz der Rentabilität, des Fehlers, des Drawdowns, des Sharpe-Verhältnisses und vieler anderer Parameter richten. Aber letztlich hängt es allein vom Händler ab, welche Kriterien zu verwenden sind. Und es hängt davon ab, wie er seine TS versteht und weiß, wie es sich verhält. Während des Trainingsintervalls geschehen völlig verschiedene Dinge. Der Fehler und Gewinn verhalten sich genau gegenüber - der Fehler nimmt allmählich ab und der Gewinn steigt reibungslos. Wenn der Gewinn bei der Optimierung steigt, bedeutet dies, dass der Expert Advisor einfach an die Marktkurve angepasst ist und den Kurs in eine glatte Kurve verwandelt. Diese Kurve sollte steigen und wird als Eigenkapital bezeichnet. In der Tat ist diese Optimierung auch auf den Fehler zu reduzieren. Und wir bekommen folgendes: Je größer der Profit im Bereich Training oder Optimierung ist, desto wahrscheinlicher werden Sie Übertraining oder Überoptimierung (passend) und in der Folge Verluste in der Zukunft haben. Der zweite Weg, ein Übertraining zu vermeiden, besteht darin, das Intervall des Trainings zu erhöhen, d. h. die Datenmenge zu erhöhen, auf der das Netzwerk trainiert wird. Aber diese Methode hat auch seine Fallstricke. Die Erhöhung der Datenmenge an den Finanzmärkten führt dazu, dass das Netz diese Muster und Marktgebiete, die in dem gegebenen Ausbildungsabschnitt existieren, einfach nicht erkennen oder erkennen kann. Der Abschnitt ist dazu zu groß. Dies ist, weil der Markt ändert sich mit der Zeit. Und ein bestimmtes Muster scheint zu unterschiedlich in diesem großen Intervall, und das Netzwerk kann nicht definieren, dass dies das gleiche Muster, das nur im Laufe der Zeit verändert hat. Dann ergibt sich eine natürliche Frage: Welcher Teil des Marktes sollte einem Netzwerk für Ausbildung gegeben werden Hier ist die Antwort: der Teil, in dem das Netz erfolgreich Muster und Marktbereiche erkennt, die für einen TS und den Händler notwendig sind. Das hängt von den Fähigkeiten eines Händlers ab, von der Art, wie er den Markt sieht und wie gut er den richtigen Teil für das Training auswählen kann. Nach meiner Erfahrung ist dies von 500 bis 2000 Bar je nach Zeitrahmen und Marktzustand. Es gibt einige Möglichkeiten, Übertraining zu vermeiden, aber sie sind nicht so bedeutend. Sie sehen, hängt viel davon ab, wie geschickt und erfahren ein Händler ist. So denke ich, dass dieser Beruf nicht nur mathematisches Wissen, sondern auch etwas Kreativität erfordert. Es ist auch klar, dass alle Merkmale und Nuancen der Verwendung von neuronalen Netzen, sowie üblichen TSs, aus der Tatsache, dass der Markt ändert sich im Laufe der Zeit und die Vergangenheit nie wiederholt genau in die Zukunft kommen. Diese Funktion existiert nur an den Finanzmärkten. Es gibt einen beliebten Mythos, dass Sie brauchen, um eine Menge Daten zu einem neuronalen Netzwerk geben und lassen Sie es trainieren - es wird unabhängig lernen, was es braucht. Für die normale Nutzung von neuronalen Netzen kann dies wahr sein, aber Finanzmärkte haben ihre eigenen Besonderheiten, die ich oben beschrieben, so ist es nicht so einfach in diesem Fall. Meines Erachtens gelten diese beiden Wege zur Vermeidung von Übertraining auch für die Optimierung von gemeinsamen Expertenberatern ohne neuronale Netze. Über-Optimierung oder Anpassung, ist nur für Finanzmärkte spezifisch. Und die Möglichkeiten, es zu vermeiden sind die gleichen. Das Wesen der Überoptimierung liegt auch darin, dass sich die Art der Finanzmärkte zeitlich verändert. Streng genommen ist der Markt nicht stationär. - Was sind häufige Fehler, die ein Händler Gesicht, wenn mit der Arbeit mit neuronalen Netzwerken konfrontiert werden kann Die beliebte Täuschung der Händler, die mit neuronalen Netzwerken und verwenden Sie nicht normalisierte Daten am Eingang, versucht, den Preis für die nächste Bar zu bekommen, ist heute Wie gestern, und morgen wird wie heute sein (wenn wir tägliche Bars betrachten). Dies ist eine gemeinsame Übertraining eines Netzwerks. Während Daten über Forex sich nicht sehr voneinander unterscheiden (100 Punkte machen nur 0,7 des Preises), dann wird der Trainingsfehler auch klein sein, und das Netzwerk findet schnell dieses lokale Minimum an Training. - Einige neuronale Händler verwenden Vorverarbeitung von Eingabedaten. Verwenden Sie so etwas in Ihren neuronalen Netzwerken - Im Allgemeinen nehme ich niemals reine Zeitreihen für die Eingänge von neuronalen Netzwerken. Zeitreihen werden immer durch einen Indikator transformiert, der die Daten in eine bestimmte Zeile normalisiert. Zum Beispiel von -100 bis 100 oder von -1 bis 1. Eine weitere Normalisierung ist nicht erforderlich, denn wenn die Indikatorwerte größer als 1 sind, können sie immer durch eine entsprechende Zahl dividiert werden, um einen Wert zu erreichen, der 1 nicht übersteigt Versuchen Sie möglichst wenig Eingabedaten zu bearbeiten, da jede Transformation zusätzliche nichtlineare Verzerrungen im Eingangssignal hervorruft. Dies führt dementsprechend zu der falschen Ausbildung eines neuronalen Netzes, da die Verzerrung durch das Netzwerk fehlerhaft interpretiert werden kann. Darüber hinaus kann das Netzwerk bei starken Transformationen und folglich großen nichtlinearen Verzerrungen nicht auf einem realen Eingangssignal, sondern auf nichtlinearen Verzerrungen trainiert werden, was zu Fehlbetrieb und Verlust der Ablagerung führen kann. Hier sind einige Beispiele für nichtlineare Verzerrungen, die für das bloße Auge sichtbar sind. Nehmen wir zum Beispiel die üblichen Stochastiken. Es scheint, dass eine solche einfache Anzeige keine Verzerrungen bringen würde. Aber in einigen Momenten macht es starke nichtlineare Verzerrungen, die das neuronale Netzwerk im Trainingsprozess und in der weiteren Arbeit auf einem realen Konto irreführen können. Diese Bereiche sind mit einem weißen Oval auf der Karte markiert. Im ersten Fall steigt der Preis, und der stochastische Indikator steht in seinen Maximalwerten praktisch still. Im zweiten Fall ist der Preis fast auf ein und demselben Niveau, und der stochastische Indikator schneidet stark von seinem Maximum zu minimalen Werten ab. Im ersten Fall bringt die stochastische Anzeige keine Information ins Netz, während sie im letzteren Fall sie einfach verwirren wird. In beiden Fällen wird sich das Verhalten des stochastischen Indikators sowohl auf die Ausbildung als auch auf die Arbeit des neuronalen Netzes auf einem realen Konto negativ auswirken. Und das kann zu finanziellen Verlusten führen. Es sei darauf hingewiesen, dass diese beiden Beispiele sind ziemlich spürbare Verzerrungen, die Sie leicht sehen können. Und es gibt viel mehr Verzerrungen, die wir nicht sehen und analysieren Glauben Sie mir. Und all diese Verzerrungen (sowohl groß als auch klein) sind miteinander verbunden. Seien Sie daher besonders vorsichtig bei der Vorverarbeitung von Eingabedaten. Natürlich gibt es Indikatoren, die viel stärkere Verzerrungen zu machen. Es gibt auch diejenigen, die weniger starke machen. Allerdings bleibt die Tatsache - Verzerrung erfolgt durch alle Indikatoren. Allerdings können Sie für jeden Indikator (auch stochastisch) bestimmte Parameter auswählen, so dass er minimale Verzerrungen im ursprünglichen Signal unter bestimmten Marktbedingungen hervorruft. Natürlich kann sich die Art des Marktes ändern, und Sie müssen die Indikatorparameter ändern, um die Verzerrung zu verringern. Und in dieser Situation ist eine richtige Auswahl von Indikatorparametern und deren zeitgerechte Anpassung (sowohl automatisch als auch manuell) auch völlig abhängig von den Fähigkeiten und Erfahrungen eines Händlers. - Wie beurteilen Sie die Ergebnisse eines neuronalen Netzes nach dem Training oder TS nach der Optimierung Was sind die Kriterien, um sie auf ein reales Konto verwenden Ich derzeit fast nie berücksichtigen die Ergebnisse einer TS, die in der Ausbildung erhalten wurden ( Optimierung) Intervall. Ich analysiere Ergebnisse auf OOS oder real, weil ich glaube, dass in der Zeit der Ausbildung (Optimierung), die Ergebnisse einer TS nichts sagen können. Dies kann passen oder Über-Ausbildung und seine fast unmöglich zu definieren, ob seine Montage oder nicht. Sie können es nur durch Testen auf OOS oder besser auf einem echten Konto zu definieren. Manchmal vergleichen ich einfach die Ergebnisse auf der realen Rechnung (OOS) und die der Ausbildung (Optimierung). Daher zeigen die Zahlen das Eigenkapital auf einem realen Konto mit dem Handelshebel von 1: 1 (Einlagensumme ist 1 mit der Hebelwirkung von 1: 100, die durch das Handelszentrum gegeben wird). Wenn wir die Hebelwirkung erhöhen, steigt auch das Eigenkapital. Tatsächlich analysiere ich die Ergebnisse einer TS nur mit dem Hebel von 1: 1, d. h. mit einem deaktivierten Geldmanagement. Weil Geldmanagement kann die falsche Vorstellung über die tatsächlichen Drawdown der TS und damit eine unerwartete Margin Call und andere Probleme zu geben. In den Abbildungen können Sie das Eigenkapital mit dem Hebel von 1: 1 sehen. Übrigens ist es das gleiche Handelssystem, das an der ATC 2008 teilgenommen hat, allerdings mit leicht veränderten Parametern. Vor kurzem bemerkte ich folgendes: Wenn der Gewinnfaktor extrem groß ist in der Ausbildung (Optimierung) Intervall mit dem Hebel von 1: 1, können wir sicher sagen, dass es Übertraining (over-Optimierung) ist. Und in der Zukunft, bei den unbekannten Daten, wird das Handelssystem mit solchen Parametern schlecht funktionieren (d. h. verliert die Anzahlung). Man merkt, dass in den Zahlen das Eigenkapital reibungslos statt scharf steigt. Sie könnten schließen, dass die Rentabilität eines solchen Handelssystems nicht ganz klein ist. Obwohl, wenn Sie erhöhen den Handel Leverage oder verwenden Sie eine aggressivere Geld-Management, die Gewinne erhöhen kann vielfältig. Alles hängt vom Drawdown ab, der mit dem Hebel von 1: 1 erscheint, und der Drawdown, der von einem Trader erlaubt wird. - Fast zwei Jahre sind seit dem ATC 2008 vergangen. Welche Lektionen haben Sie aus den Ergebnissen dieser Meisterschaft gelernt Warum konnte Ihr Expert Advisor den Wettbewerb nicht gewinnen Die Meisterschaft ist ein Wettbewerb. Wer nicht wagt der nicht gewinnt. Ich wagte und überschritt alle möglichen Risiken wegen meines Geldmanagements. Ich schaffte es, 110.000 zu verdienen und fiel dann auf 14.749 wegen dieser zu aggressiven Geld-Management. Für 3 Monate, war der Gewinn fast 50, was ziemlich gut war. Aber der Drawdown war 92, was im wirklichen Leben nicht akzeptabel ist. Dann, nachdem ich meine EA mit einem vernünftigen Geldmanagement im gleichen Zeitraum ausgeführt, bekam ich fast das gleiche Ergebnis von 14.000, aber mit einem Drawdown von etwa 25 - das ist ein gutes Ergebnis für das wirkliche Leben. Der Schluss ist, dass Sie nicht die überschüssigen Gewinne Chase, sonst können Sie verlieren. Aber die Meisterschaft macht ihre eigenen Regeln und natürlich müssen Sie Risiken einnehmen, um zu gewinnen. - Hat sich in diesen Entwicklungen etwas verändert? Vielleicht haben Sie irgendein Know-how gefunden und es in der Praxis angewendet. Nein, eigentlich bleibt alles gleich. Es ist nichts Neues passiert. Darüber hinaus kann der gleiche Expert Advisor mit denselben Parametern noch funktionieren, obwohl ich andere, profitablere Parameter gefunden habe. Das Wesen des Marktes ändert sich nicht - nur sein Charakter ändert sich, was ein erfahrener Trader im Auge behalten muss, pünktliche Anpassung seiner TS an die neuen, veränderten Marktbedingungen. - Der Experte Advisor von Alexander Topchylo, der Gewinner des ATC 2007, bestand aus drei unabhängigen Subsystemen. Allerdings würde der Autor in diese Richtung vorankommen und ein Komitee von neuronalen Netzwerken schaffen. Verwenden Sie solche Komitees in Ihren Entwicklungen - Nein, ich weigerte mich, Komitees zu verwenden, weil sie schwer zu implementieren und zu pflegen. Im Laufe der Jahre bin ich gekommen, einfache TS zu verwenden, weil ein zu komplexes TS, sowie das mit Komitees, nicht einen stabileren und größeren Gewinn im Vergleich zu einem einfachen garantieren kann. - Der Autor des nur ein Multi-Currency-Expert Advisor unter den Gewinnern des ATC, glaubt Nikolay Kositsin, dass die Regeln der bevorstehenden Meisterschaft zu Multi-Currency-EAs günstig sind und kaum eine Chance auf einzelne Währung Roboter verlassen. Verwenden Sie Multicurrency in Ihrem Expert Advisors Welche Paare Ihre EAs handeln - Natürlich benutze ich sie. Dies ermöglicht Hedging-Trades und immer eine glattere Eigenkapital. Außerdem, wenn Sie Multicurrency für Analyse verwenden, hilft dies, um stabilere und zuverlässigere Handelssysteme zu schaffen. Auf der Meisterschaft beabsichtige ich, EURUSD, USDJPY und AUDUSD zu handeln - hängt davon ab, wie sich die Marktsituation näher an der Meisterschaft ändert. - Leonid, vielen Dank für das Gespräch. Viel Glück in der Meisterschaft Wie ein Expert Advisor zu schreiben und nicht die Meisterschaft Regeln zu verletzen In diesem Artikel werden wir zeigen, wie ein Fachberater zu schreiben und Fehler zu vermeiden, die Sie von der Teilnahme an der bevorstehenden Automated Trading Championship 2010 Risikomanagement verhindern kann, ist Eine wesentliche Komponente eines jeden Handelssystems. Ohne sie ist es praktisch unmöglich, rentabel Handel vorstellen. In diesem Artikel erfahren Entwickler von automatisierten Handelssystemen ihre Spitzen auf das Risikomanagement gemeinsam mit den Teilnehmern des Championship. Trade mit Intelligenz Tradingtrading mit kombiniert technische Analyse mit künstlicher Intelligenz (AI) Technologien neuronale Netze und genetische Algorithmen von historischen Mustern zu lernen Daten und optimieren Systemparameter. Diese Handelssoftware arbeitet mit Aktien, Futures, Währungen (FOREX) und vielen anderen Finanzinstrumenten. Es kann auch Systeme für U. S. und Internationale Märkte. Über 300 der beliebtesten technischen Indikatoren. Bewährte Muster - und Kundenleistung. Branchenführende Datenunterstützung von eSignal. Interactive Brokers und viele weitere proprietäre Optimal-Signal-Technologie. Kostenloser technischer Support. 100 Freie Systeme und vorgefertigte neuronale Netzwerkmodelle. Erfolgreich in über 66 Ländern der Welt eingesetzt. 30-Tage Geld-Zurück-Garantie. Neural Network Trading, Serious Menschen nur beigetreten Jul 2007 Status: Neural Network Trainer 389 Beiträge Ive hatte es. Im Starten dieses Thread zu diskutieren Spezifikationen der Verwendung von neuronalen Netzwerken. REGELN: Clutter NICHT diesen Thread mit sinnlosen Fragen oder ERKLÄRUNGEN dieser Thread VIABLE SCENARIOS zu diskutieren und IMPLEMENT sie zusammen. ICH BIN FÜR KOMMENTARE VON MENSCHEN, DIE EINEN ODER MEHR DIESE KRITERIEN ERFOLGEN. WENN SIE NICHT SICHER ODER GERADE WOLLEN, SENDEN SIE MICH EINE PRIVATE MELDUNG. WIEDER HABEN HABEN diesen Thread SAUBER A) neuronales Netzwerk B) haben Erfahrung weiter verwenden ein neuronales Netzwerk C) haben eine innovative Idee, wie die Eingänge an Struktur, Output - und hidden layer FÜR BESSERE D ERGEBNISSE) haben Vorschläge darüber, wie die Netze erreicht zu balancieren, NUMBER UND TYP VON NEURONS, PROPAGATION, ETC. Ich habe aktuell FANN mit MT4 integriert und bin in der Lage, es alle Eingänge und Ausgänge zu speisen. Momentan versuche ich, eine Preisverteilung zu optimieren, die sowohl als Eingabe als auch als Ausgabe verwendet wird. Einige Ergebnisse sind gut, einige sind nicht. Ich bin auf der Suche nach Ideen, wie das Netz für bessere Ergebnisse zu optimieren. Ich erwäge auch die Verwendung von Kaskaden-Training, wie kann eine lebensfähigere und adaptive Technik sein. Has anyone tried that with FANN What is your take on that I will release the MT4 FANN plugin when its at a better stage. That way we can all experiment with it and post the results here using the same tools. Joined Mar 2006 Status: Member 8 Posts Two years ago I started using NNs to see if I could get something useful for forecasting FOREX or other markets, I bought intraday data, EOD data and start looking for this kind of forecastings: 1- Forecast the major direction of the price during the day. i. e. If close will be higher or lower than the opening prices and the expected volatility for the day, so I could open a position daily with the direction and use volatility as target profit. 2- Forecast only price action and get some HLC price for the next day 3- Inserting news as input with some criteria i. e. Major announcements when they happened what was the market reaction (up, none or down), oil prices, dow jones, etc. doing this you will have a lot of inputs and maybe better results arise. For me best results came this way, but its very tought job to keep creating this kind of datasheets and a lot of data is needed. Never forget to normalize (untrend) your data, check the use of negative numbers (if they work or not with your NN mechanism). I used JOONE (joone. org - good). Have a defined criteria for training, validation and real testing. Weights for training, and all that stuff. As an advice, dont use only technical indicators (Stochs, RSI, MM, etc..). They dont work for very volatile markets and short term forecast. I think news being used as numerical sentiment indicators (1,0,-1) and other markets like oil, indexes (dow jones, european markets, asina markets) and detrended price, volatility of what youre studying, may result on whats best for a NN forecast. Im not a programmer, but i can handle some things. Another advice is to use from 40-100 neurons and using sigmoid funciotns (at joone you have some options, other NNs only offer sigmoids). Trainig sets with less than 500 lines are no good and dont use more than 1000 (best results are find when more recent data is used). 20 to 30 use for validation and 5-10 to real test, these numbers are my experience not technical advice. Hope that helps, have luck at your trial. For me the results were too weak to consider trading using NNs. I have other methods non - mechanical that give me better results, so I forgot about NNs, but Ive heard of very good results and people that get it arent willing to share it. Thank you for starting this thread. Ive been using Neuroshell Day Trader for last 3 years for stocks (with eSignal data). Ive been thinking of combining neural networks and fibo for trading forex. While Neuroshell Day Trader is almost state-of-art, im not sure about capability of MT4 for neural networks. Please explain if MT4 can handle complex neurones. Looking at success of Fibo based trading in some of threads in FF, combining same with Neural Networks could be amazing. Have you found success in using Neuroshell Day Trader to trade stocks Joined Mar 2007 Status: we are stardust, we are golden 1,373 Posts You would do well to try and move away from the typical implementation and actually try to come up with different data to feed the network than just price. I can help a little here (this is my field) but first i suggest you think about the following ideas: - What am I using to train my perceptrons - Is the initial weighting on the nodes ideal or can I do better - What outputs am I hoping for - Can I use values derived from the prices as inputs to draw a better picture -- high-close on a bullish bar, high-open on bearish one -- close-open on bullish bar, open-close -- open-low on bullish, close-low for bearish bar - Can I use them AND price together - How are we going to test Surely not on metatrader data Finally (big bonus points and possible breakthrough research): - Can I account for, and counter, concept drift Is it even possible As you can see, I am suggesting you use a representation of the OHLC bars to train the network on price action rather than price. Im afraid I cant program much here with my workload right now, but please pm me if you want more clarification. By the way, the systems being sold right now for thousands of dollars are SO much simpler and more naive than what I am suggesting above. And they quotworkquot. But then, I am forward thinking kind of dude Ive had it. Im starting this thread to discuss specifics of using neural networks. RULES: DO NOT CLUTTER THIS THREAD WITH POINTLESS QUESTIONS OR OBSERVATIONS THIS THREAD IS TO DISCUSS VIABLE SCENARIOS AND IMPLEMENT THEM TOGETHER. I AM LOOKING FOR COMMENTS FROM PEOPLE WHO MEET ONE OR MORE OF THESE CRITERIAS. IF YOU ARE NOT SURE OR JUST WANT TO ASK SEND ME A PRIVATE MESSAGE. AGAIN KEEP THIS THREAD CLEAN A) HAVE IMPLEMENTED NEURAL NETWORK B) HAVE EXPERIENCE USING A NEURAL NETWORK C) HAVE AN INNOVATIVE IDEA OF HOW TO STRUCTURE THE INPUTS, OUTPUTS AND HIDDEN LAYERS FOR BETTER RESULTS D) HAVE SUGGESTIONS ON HOW TO BALANCE THE NETWORKS, NUMBER AND TYPE OF NEURONS, PROPAGATION, ETC. I have currently integrated FANN with MT4 and am able to feed it any inputs and outputs. Currently am trying to optimize a price distribution used as an input as well as an output. Some results are good some are not. I am looking for ideas on how to optimize the network for better results. I am also considering using cascade training as that may be a more viable and adaptive technique. Has anyone tried that with FANN What is your take on that I will release the MT4 FANN plugin when its at a better stage. That way we can all experiment with it and post the results here using the same tools. Joined Feb 2006 Status: Member 11 Posts Hey Here is my own developed system. first i created a neural model that predict SOMETHING. after that the trading strategy optimized and developed based on the NN model. the Trading system optimized for two month and paper traded for 1week here is some statistics TRADING STRATEGY MA10-5.cht EURUSDM15.csv (EURUSDM15) Current 08.03.19 7:18:10 PM STATISTICS Performance Statistic All Trades Long Only Short Only Start Date 08.03.11 6:15:00 PM End Date 08.03.18 6:00:00 PM Beginning Price 1.5343 Ending Price 1.5788 Change in Price 0.0445 Percent Change in Price 2.9 Annual Percent Change in Price 132.5 Return on Trades 2.7 2.7 0.0 Annual Return on Trades 122.4 121.8 0.6 Return on Account 2.7 2.7 0.0 Annual Return on Account 122.7 122.1 0.6 Net Profit 0.0413(413pips) 0.0411 0.0002 Gross Profit 0.0491 0.0489 0.0002 Gross Loss 0.0078 0.0078 0.00 Ratio Gross ProfitLoss 6.29 6.27 0.00 Percent Profitable Trades 80.0 75.0 100.0 Number Trades 5 4 1 Number Winning Trades 4 3 1 Number Losing Trades 1 1 0 Largest Winning Trade Profit 0.0242 0.0242 0.0002 Largest Losing Trade Loss 0.0078 0.0078 0.00 Average Trade Profit 0.01 0.01 0.00 Average Winning Trade Profit 0.01 0.02 0.00 Average Losing Trade Loss 0.01 0.01 0.00 Ratio Avg WinAvg Loss 1.57 2.09 0.00 Maximum Consecutive Winners 3 2 1 Maximum Consecutive Losers 1 1 0 Average Trade Span 91 bars 114 bars 3 bars Average Winning Trade Span 110 bars 146 bars 3 bars Average Losing Trade Span 16 bars 16 bars 0 bars Longest Trade Span 262 bars 262 bars 3 bars Longest Winning Trade Span 262 bars 262 bars 3 bars Longest Losing Trade Span 16 bars 16 bars 0 bars Largest Shares Traded 1 1 1 Largest Winning Shares Traded 1 1 1 Largest Losing Shares Traded 1 1 0 Average Shares Traded 1 1 1 Average Winning Shares Traded 1 1 1 Average Losing Shares Traded 1 1 0 Commissions Paid 0.0015 0.0012 0.0003 Maximum Drawdown 0.0111 0.0111 0.0006 Maximum Open Trade Drawdown 0.0072 0.0072 0.0006 Required Account Size 1.5375 1.5375 1.5332 Attached Image (click to enlarge) Joined Jan 2008 Status: Member 9 Posts I like the first post. lets see if it keeps this thread informative. Some thoughts: - NNs are basically linear filters. Sigmoid output functions add some nonlinearity, but still little input change coresponds to little output change - I think a big problem is to represent the data in a form a (more or less) linear system can handle. Some data is discrete, maybe another representation makes sense to improve its usefulness to the NN. - detrending data: Does it really make sense to remove a trend from the input data An uptrending market seems different to me compared to a sideways one. Of course the input range of the neurons is an issue, so some kind of preprocessing is necessary. - what about calculating linear regression for a number of input intervals (ie. 20 H1) or multiple time frames (20 H4, 20 H1, 20 m5) Regression woulde extract the trend from a single bar, removing HL spikes as noise - scaling: what about scaling the input by a x day ATR - which timeframes: Do we input m1 data (hunge number of inputs - gives lots of weights to optimize (or overfit)) or larger (maybe progressively) time frames - does it make sense to imitate the viewing behaviour of traders If all traders look at H1 charts, wed better stick to H1. If all switch from H4 to H1 and m5 (for fine tuning entryexit), should we imitate that with the input intervals - Time: Does the NN need to know what daytime it is Probably. - representing the day: 6 inputs for Sunday. Friday or linear interval 0. 1 scaled from week open (Sun) to close (Fr) - Time: Adding an input with scaled hour (0..23) adds a disconuity when changing from 23:59 to 0, where there is none (see above: linear). We could add region indicators instead, like one for asian, europe, US markets open. Or instead of one indicator for hour, transform 0..24h to 0. 360 and calculate sincos from that. This creates a smooth -1 vector. - output: Predicting future price is useless IMO. Output could be: If I enter a market order with 80 pips SL and TP, should I enter long or short This could scale well for a -1 output, gt0.5 for long, lt -0.5 for short, the rest for dont know. The problem with this is that the result is extremely nonlinear: If I enter a 80TP long trade and the price reaches 79 and then reverses, I have a negative result. If it reaches 81, I have a positive result. This is a disconuity that any model might have difficulties with. We could linearize this: We enter 20 long trades with SLTP from 60 to 100, what is the combined result This to some degree smooths the result jumps when a certain price level is just not hit. Another idea: What is the largest trade TP we can enter long without being stopped out (in pips, same TP as SL, or TP1.5xSL for better riskreward). - can we use one network for deciding to go long or short (or do nothing) or do we need one for short, one for long (maybe more) Id prefer one, but this depends on the output functions we train (are they symmetric w. r.t. price or not) Members must have at least 0 vouchers to post in this thread. 0 Trader die sich gerade ansehen Forex Factoryreg ist ein eingetragenes Warenzeichen.