الفوركس دعم ناقلات الجهاز

ميتاتريدر 5 - التداول في آلة التداول: كيف يمكن دعم آلات المتجهات في التداول ما هي آلة ناقل الدعم آلة تحويل الدعم هي طريقة للتعلم الآلي تحاول إدخال بيانات الإدخال وتصنيفها في واحدة من فئتين. ولكي تكون آلة ناقل الدعم فعالة، من الضروري استخدام مجموعة من بيانات المدخلات والمخرجات التدريبية لبناء نموذج جهاز ناقل الحركة الذي يمكن استخدامه لتصنيف البيانات الجديدة. وتطور آلة ناقلات الدعم هذا النموذج عن طريق أخذ مدخلات التدريب، ورسم خرائط لها في الفضاء متعدد الأبعاد، ثم استخدام الانحدار للعثور على مفرط (وهي عبارة عن سطح في الفضاء n الأبعاد، ويفصل بين الفضاء إلى نصف المسافات) الذي يفصل أفضل والفئتين من المدخلات. مرة واحدة وقد تم تدريب آلة ناقلات الدعم، وأنها قادرة على تقييم المدخلات الجديدة فيما يتعلق مفرطة فصل وتصنيفها في واحدة من الفئتين. آلة ناقل الدعم هي في الأساس آلة إدخال. يمكن للمستخدم أن يضع في المدخلات، واستنادا إلى نموذج وضعت من خلال التدريب، فإنه سيعود الناتج. عدد المدخلات لأي جهاز ناقل دعم معين يتراوح نظريا من واحد إلى ما لا نهاية، ولكن من الناحية العملية قوة الحوسبة لا تحد من عدد المدخلات التي يمكن استخدامها. على سبيل المثال، يتم استخدام المدخلات N لجهاز متجه دعم معين (القيمة الصحيحة لل N يمكن أن تتراوح من واحد إلى ما لا نهاية)، يجب على جهاز ناقل الدعم تعيين كل مجموعة من المدخلات في الفضاء N الأبعاد، والعثور على (N-1 ) - dimensional هيبيربلان أن أفضل يفصل البيانات التدريب. الشكل 1. دعم آلات المتجهات هي آلات إنتبوتتبوت أفضل طريقة لتصور كيف يعمل جهاز ناقل الدعم هو النظر في حالة ثنائية الأبعاد. نفترض أننا نريد إنشاء جهاز ناقل الدعم الذي يحتوي على اثنين من المدخلات ويعود إخراج واحد الذي يصنف نقطة البيانات كما تنتمي إلى واحدة من فئتين. يمكننا تصور هذا عن طريق التآمر على الرسم البياني 2-الأبعاد مثل الرسم البياني أدناه. الشكل 2. اليسار: دعم ناقلات الجهاز ناقلات تعيينها إلى الرسم البياني 2D. وتستخدم الدوائر الحمراء والصلبان الزرقاء للدلالة على فئتي المدخلات. الشكل 3. الحق: دعم المدخلات آلة ناقلات تعيينها إلى الرسم البياني 2D. وتستخدم الدوائر الحمراء والصلبان الزرقاء للدلالة على فئتين من المدخلات مع خط أسود يشير إلى فصل مفرط. في هذا المثال، تشير المعابر الزرقاء إلى نقاط البيانات التي تنتمي إلى الفئة 1 والدوائر الحمراء التي تمثل نقاط البيانات التي تنتمي إلى الفئة 2. كل نقطة من نقاط البيانات الفردية لها قيمة مدخلات فريدة من نوعها 1 (ممثلة بموقفها على المحور س ) وقيمة إدخال 2 فريدة (ممثلة بموقفها على المحور الصادي) وقد تم تعيين كل هذه النقاط إلى الفضاء ثنائي الأبعاد. آلة ناقلات الدعم قادرة على تصنيف البيانات عن طريق إنشاء نموذج من هذه النقاط في 2 الفضاء الأبعاد. آلة ناقلات الدعم مراقبة البيانات في الفضاء 2 الأبعاد، ويستخدم خوارزمية الانحدار للعثور على 1 هيبيربلان الأبعاد (ويعرف أيضا باسم الخط) التي تفصل أكثر دقة البيانات إلى فئتين. ثم يتم استخدام خط الفصل هذا بواسطة جهاز ناقل الدعم لتصنيف نقاط البيانات الجديدة إلى أي من الفئة 1 أو الفئة 2. ويوضح الرسم البياني أدناه عملية تدريب جهاز ناقل دعم جديد. سوف تبدأ الخوارزمية عن طريق جعل تخمين عشوائي العثور على لوحة مفرغة فصل، ثم بشكل متكرر تحسين دقة لوحة مفرغة. كما ترون خوارزمية يبدأ بقوة جدا، ولكن بعد ذلك يبطئ كما يبدأ في الاقتراب من الحل رغبات. الشكل 4. الرسوم المتحركة تظهر تدريب جهاز ناقل الدعم. وتتقارب الطفرة تدريجيا مع الهندسة المثالية لفصل الفئتين من البيانات يتيح لنا السيناريو ثنائي الأبعاد أعلاه عرض تصور عملية جهاز ناقل الدعم، إلا أنه لا يستطيع إلا تصنيف نقطة بيانات باستخدام مدخلين. ماذا لو كنا نريد استخدام المزيد من المدخلات لحسن الحظ، خوارزمية آلة ناقلات الدعم تسمح لنا أن تفعل الشيء نفسه في أبعاد أعلى، على الرغم من أنه يصبح من الصعب بكثير لتصور. النظر في هذا، كنت ترغب في إنشاء دعم ناقلات الجهاز الذي يأخذ 20 المدخلات ويمكن تصنيف أي نقطة البيانات باستخدام هذه المدخلات في أي فئة 1 أو الفئة 2. من أجل القيام بذلك، تحتاج آلة ناقلات الدعم لنموذج البيانات في 20 الفضاء الأبعاد واستخدام خوارزمية الانحدار للعثور على 19 هيبيربلان الأبعاد التي تفصل نقاط البيانات إلى فئتين. هذا يصعب من الصعب تصور كما أنه من الصعب بالنسبة لنا أن نفهم أي شيء فوق 3 أبعاد، ولكن كل ما تحتاج إلى معرفته هو أن يعمل بنفس الطريقة تماما كما يفعل لحالة 2 الأبعاد. كيفية دعم آلات ناقلات العمل مثال: هل هو سنيك تخيل هذا السيناريو الافتراضي، كنت باحثا التحقيق في حيوان نادر فقط وجدت في أعماق القطب الشمالي دعا شنيكس. وبالنظر إلى بعد هذه الحيوانات، لم يتم العثور سوى حفنة صغيرة من أي وقت مضى (دعونا نقول حوالي 5000). كباحث، كنت عالقة مع هذا السؤال. كيف يمكنني تحديد سنيك كل ما لديك تحت تصرفكم هي الأبحاث التي نشرت سابقا من قبل حفنة من الباحثين التي شهدت واحدة. في هذه الأبحاث، يصف المؤلفون خصائص معينة عن سنيكس وجدوا، أي الارتفاع والوزن وعدد الساقين، وما إلى ذلك ولكن كل هذه الخصائص تختلف بين الأوراق البحثية التي لا يوجد بها نمط ملحوظ. كيف يمكننا استخدام هذه البيانات للتعرف على حيوان جديد باعتباره سنيك حل واحد ممكن لمشكلتنا هو استخدام آلة ناقلات الدعم لتحديد أنماط في البيانات وإنشاء إطار التي يمكن استخدامها لتصنيف الحيوانات إما شنيك أو ليس سنيك. الخطوة الأولى هي إنشاء مجموعة من البيانات التي يمكن استخدامها لتدريب جهاز ناقلات الدعم لتحديد شنيكس. بيانات التدريب هي مجموعة من المدخلات والمخرجات مطابقة لآلة ناقلات الدعم لتحليل واستخراج نمط من. ولذلك، يجب أن نقرر ما هي المدخلات التي سيتم استخدامها وكم. نظريا، يمكن أن يكون لدينا العديد من المدخلات كما نريد، ولكن هذا يمكن أن يؤدي في كثير من الأحيان إلى التدريب بطيئة (والمزيد من المدخلات لديك المزيد من الوقت الذي يستغرق آلة ناقلات الدعم لاستخراج أنماط). أيضا، كنت ترغب في اختيار المدخلات القيم التي تميل إلى أن تكون متسقة نسبيا عبر جميع شنيكس. على سبيل المثال، ارتفاع أو وزن الحيوان سيكون مثالا جيدا على المدخلات لأنك تتوقع أن هذا سيكون متسقا نسبيا في جميع سشنيكس. ومع ذلك، فإن متوسط ​​عمر الحيوان سيكون خيارا ضعيفا من المدخلات لأنك تتوقع سن الحيوانات التي تم تحديدها من شأنها أن تختلف اختلافا كبيرا. لهذا السبب، تم اختيار المدخلات التالية: الطول الوزن عدد الساقين عدد العيون طول الأسلحة الحيوانات سرعة متوسط ​​الحيوانات تردد الدعوة الحيوانات التزاوج مع المدخلات المختارة، يمكننا أن نبدأ في تجميع بيانات التدريب لدينا . يجب أن تستوفي بيانات التدريب الفعالة لآلة ناقلات الدعم متطلبات معينة: يجب أن تحتوي البيانات على أمثلة للحيوانات التي تكون شنيكس يجب أن تحتوي البيانات على أمثلة للحيوانات التي لا توجد بها سنيكس في هذه الحالة لدينا أوراق بحثية من العلماء الذين نجحوا في التعرف على سنيك وسرد ممتلكاتهم. لذلك يمكننا قراءة هذه الأوراق البحثية واستخراج البيانات تحت كل من المدخلات وتخصيص مخرجات صحيحة أو خاطئة لكل من الأمثلة. قد تبدو بيانات التدريب في هذه الحالة مشابهة للجدول أدناه. الجدول 1. مثال لجدول ملاحظات سنيك بمجرد جمع البيانات لجميع المدخلات والمخرجات التدريبية لدينا، يمكننا استخدامه لتدريب جهاز ناقل الحركة. خلال عملية التدريب، فإن آلة ناقلات الدعم إنشاء نموذج في سبعة أبعاد الفضاء التي يمكن استخدامها لفرز كل من الأمثلة التدريبية في إما صحيحة أو خاطئة. وستستمر آلة ناقلات الدعم في القيام بذلك إلى أن يكون لها نموذج يمثل بدقة بيانات التدريب (ضمن التسامح المحدد للخطأ). وبمجرد اكتمال التدريب، يمكن استخدام هذا النموذج لتصنيف نقاط بيانات جديدة إما صحيحة أو خاطئة. هل آلة دعم الدعم في الواقع العمل باستخدام سيناريو سنيك، لقد كتبت السيناريو الذي يختبر مدى جيدا يمكن أن جهاز دعم ناقلات التعرف في الواقع شنيكس جديدة. للقيام بذلك، لقد استخدمت الدالة ناقلات الدعم أداة أداة التعلم المكتبة التي يمكن تحميلها من السوق. لنموذج هذا السيناريو بشكل فعال، نحن بحاجة إلى أن تقرر أولا ما هي الخصائص الفعلية لل سنيك. وقد تم إدراج الخصائص التي افترضتها في هذه الحالة في الجدول أدناه. إذا كان الحيوان يفي بجميع المعايير أدناه، فإنه هو سنيك. الجدول 2. ملخص المعلمات التي تحدد سنيك الآن بعد أن عرفنا سنيك لدينا، يمكننا استخدام هذا التعريف لتجربة آلات ناقلات الدعم. الخطوة الأولى هي إنشاء وظيفة قادرة على اتخاذ المدخلات السبعة لأي حيوان معين والعودة التصنيف الفعلي للحيوان كما سنيك أم لا. وسوف تستخدم هذه الوظيفة لتوليد بيانات التدريب للجهاز ناقلات الدعم وكذلك تقييم أداء منه في نهاية المطاف. ويمكن القيام بذلك باستخدام الدالة أدناه الخطوة التالية في العملية هي إنشاء وظيفة يمكن أن تولد المدخلات والمخرجات التدريبية. سيتم إنشاء الإدخالات في هذه الحالة من خلال إنشاء أرقام عشوائية ضمن نطاق محدد لكل من قيم الإدخال السبعة. ثم لكل من مجموعات من المدخلات العشوائية ولدت، سيتم استخدام الدالة إسيتاسشنيك () أعلاه لتوليد الناتج المطلوب المقابلة. ويتم ذلك في وظيفة أدناه: لدينا الآن مجموعة من المدخلات والمخرجات التدريب، فقد حان الوقت الآن لإنشاء آلات ناقلات الدعم باستخدام أداة دعم ناقلات الدعم أداة المتاحة في السوق. مرة واحدة يتم إنشاء جهاز ناقل دعم جديد، فمن الضروري لتمرير مدخلات التدريب والمخرجات له وتنفيذ التدريب. لدينا الآن آلة ناقلات الدعم التي تم تدريبها بنجاح في تحديد سنيكس. للتحقق من ذلك، يمكننا اختبار جهاز ناقل الدعم النهائي عن طريق طرحه لتصنيف نقاط بيانات جديدة. ويتم ذلك من خلال توليد المدخلات العشوائية أولا، ثم استخدام الدالة إسيتاسشنيك () لتحديد ما إذا كانت هذه المدخلات تتوافق مع سنيك الفعلي، ثم استخدام آلة ناقلات الدعم لتصنيف المدخلات وتحديد ما إذا كانت النتيجة المتوقعة تتطابق مع النتيجة الفعلية. يتم ذلك في الدالة أدناه: أوصي اللعب مع القيم ضمن الوظائف المذكورة أعلاه لنرى كيف أداء جهاز ناقل الدعم في ظل ظروف مختلفة. لماذا هو دعم ناقلات آلة مفيدة جدا الاستفادة من استخدام آلة ناقلات الدعم لاستخراج نمط معقد من البيانات هو أنه ليس من الضروري فهم مسبق لسلوك البيانات. آلة ناقلات الدعم قادرة على تحليل البيانات واستخراج رؤى وعلاقات فقط. وبهذه الطريقة، فإنه يعمل على غرار مربع أسود تلقي المدخلات وتوليد الانتاج التي يمكن أن تكون مفيدة جدا في إيجاد أنماط في البيانات التي هي معقدة جدا وغير واضحة. واحدة من أفضل ميزات آلات ناقلات الدعم هي أنها قادرة على التعامل مع الأخطاء والضوضاء في البيانات بشكل جيد للغاية. وغالبا ما تكون قادرة على رؤية النمط الأساسي داخل البيانات وتصفية القيم المتطرفة البيانات والتعقيدات الأخرى. النظر في السيناريو التالي، في إجراء البحوث الخاصة بك على سنيكس، كنت تأتي عبر العديد من الأبحاث التي تصف سنيكس مع خصائص مختلفة بشكل كبير (مثل سنيك الذي هو 200kg و 15000mm طويل القامة). أخطاء مثل هذا يمكن أن يؤدي إلى تشوهات النموذج الخاص بك ما هو سنيك، والتي يمكن أن تسبب لك أن تجعل من الخطأ عند تصنيف اكتشافات سنيك جديدة. فائدة آلة ناقلات الدعم هي أنه سيتم تطوير نموذج يتفق مع النمط الأساسي المعارض لنموذج يناسب جميع نقاط بيانات التدريب. ويتم ذلك عن طريق السماح بمستوى معين من الخطأ في النموذج لتمكين آلة ناقل الدعم من التغاضي عن أي أخطاء في البيانات. في حالة سنيك آلة ناقلات الدعم، إذا سمحنا التسامح الخطأ من 5، ثم التدريب سوف تحاول فقط لتطوير نموذج يتفق مع 95 من بيانات التدريب. وهذا يمكن أن يكون مفيدا لأنه يسمح للتدريب لتجاهل النسبة المئوية الصغيرة من القيم المتطرفة. يمكننا التحقيق في هذه الخاصية من جهاز دعم ناقلات أخرى عن طريق تعديل السيناريو لدينا سنيك. وقد أضيفت الوظيفة أدناه لإدخال أخطاء عشوائية متعمدة في مجموعة بيانات التدريب لدينا. هذه الوظيفة سوف تختار نقاط التدريب عشوائيا واستبدال المدخلات والمخرجات المقابلة مع المتغيرات العشوائية. هذه الوظيفة تسمح لنا لإدخال أخطاء متعمدة في بيانات التدريب لدينا. باستخدام هذا الخطأ شغل البيانات، يمكننا إنشاء وتدريب جديد ناقلات دعم الجهاز ومقارنة أدائها مع واحد الأصلي. عند تشغيل البرنامج النصي، ينتج النتائج التالية في سجل الخبراء. ضمن مجموعة بيانات التدريب مع 5000 نقطة التدريب، كنا قادرين على إدخال 500 أخطاء عشوائية. عند مقارنة أداء هذا الخطأ شغل آلة ناقلات الدعم مع واحد الأصلي، يتم تقليل الأداء فقط من قبل lt1. وذلك لأن آلة ناقل الدعم قادرة على التغاضي عن القيم المتطرفة في مجموعة البيانات عند التدريب ولا تزال قادرة على إنتاج نموذج دقيق لافت للنظر من البيانات الحقيقية. ويشير هذا إلى أن آلات ناقلات الدعم يمكن أن تكون أداة أكثر فائدة في استخراج الأنماط المعقدة والأفكار من مجموعات البيانات الصاخبة. الشكل 5. سجل الخبير الناتج بعد تشغيل البرنامج النصي سنيك في النسخة التجريبية من ميتاتريدر 5. يمكن تنزيل النسخة الكاملة من التعليمات البرمجية أعلاه من كود بيس، ولكن لا يمكن تشغيل هذا البرنامج النصي إلا في الجهاز الطرفي إذا كنت قد اشتريت النسخة الكاملة من دعم ناقلات آلة التعلم أداة من السوق. إذا كان لديك فقط نسخة تجريبية من هذه الأداة تحميلها، سوف تكون محدودة لاستخدام الأداة عن طريق اختبار الاستراتيجية. للسماح لاختبار رمز سنيك باستخدام الإصدار التجريبي من الأداة، لقد أعدت كتابة نسخة من البرنامج النصي إلى مستشار خبير يمكن نشرها باستخدام اختبار الاستراتيجية. يمكن تنزيل كل من هذه الإصدارات من التعليمات البرمجية باتباع الروابط أدناه: النسخة الكاملة - استخدام البرنامج النصي الذي يتم نشره في محطة ميتاتريدر 5 (يتطلب إصدار مشتراة من أداة دعم آلة ناقلات الدعم) الإصدار التجريبي - باستخدام مستشار الخبراء الذي هو التي تم نشرها في اختبار استراتيجية ميتاتريدر 5 (يتطلب فقط نسخة تجريبية من أداة دعم آلة ناقلات الدعم) كيف يمكن دعم آلات المتجهات يمكن استخدامها في السوق باعتراف الجميع، مثال سنيك نوقشت أعلاه هو بسيط جدا، ولكن هناك عدد لا بأس به من التشابه الذي يمكن استخلاصها بين هذا المثال واستخدام أجهزة ناقل الدعم لتحليل السوق التقنية. التحليل الفني هو أساسا حول استخدام بيانات السوق التاريخية للتنبؤ بتحركات الأسعار في المستقبل. على نفس المنوال في المثال سنيك، كنا نستخدم الملاحظات التي أدلى بها العلماء الماضي للتنبؤ ما إذا كان حيوان جديد هو سنيك أم لا. وعلاوة على ذلك، يعاني السوق من الضوضاء والأخطاء والمتغيرات الإحصائية التي تجعل استخدام آلة ناقلات الدعم مفهوما للاهتمام. ويتضمن أساس عدد كبير من نهج التداول في التحليل الفني الخطوات التالية: رصد عدة مؤشرات تحديد ما هي الشروط لكل مؤشر يرتبط مع التجارة المحتملة الناجحة مشاهدة كل من المؤشرات وتقييم متى جميع (أو معظم) مما يشير إلى التجارة و من الممكن اعتماد نهج مماثل لاستخدام آلات ناقلات الدعم للإشارة إلى الصفقات الجديدة بطريقة مماثلة. وقد تم تطوير أداة التعلم آلة ناقلات الدعم مع هذا في الاعتبار. وصف كامل لكيفية استخدام هذه الأداة يمكن العثور عليها في السوق، ولذا فإنني سوف تعطي فقط لمحة سريعة. عملية استخدام هذه الأداة هي كما يلي: الشكل 6. مخطط كتلة يظهر عملية لتنفيذ أداة دعم ناقلات أداة في مستشار خبير قبل أن تتمكن من استخدام أداة دعم آلة ناقلات الدعم، فمن المهم أن نفهم أولا كيف التدريب يتم توليد المدخلات والمخرجات. كيف يتم إنشاء مدخلات التدريب لذلك، تم بالفعل تهيئة المؤشرات التي تريد استخدامها كمدخلات بالإضافة إلى جهاز ناقل الدعم الجديد. الخطوة التالية هي تمرير مقابض المؤشر إلى جهاز ناقل الدعم الجديد الخاص بك وإرشاده حول كيفية إنشاء بيانات التدريب. يتم ذلك عن طريق استدعاء الدالة سيتانديكاتورهاندلز (). هذه الوظيفة تسمح لك لتمرير مقابض المؤشرات تهيئة في آلة ناقلات الدعم. ويتم ذلك عن طريق تمرير ومجموعة صحيحة تحتوي على مقابض. والمدخلان الآخران لهذه الوظيفة هو قيمة الإزاحة وعدد نقاط البيانات. قيمة الإزاحة تشير إلى الإزاحة بين الشريط الحالي وشريط البداية لاستخدامها في توليد مدخلات التدريب وعدد نقاط التدريب (المشار إليها بواسطة N) يحدد حجم بيانات التدريب الخاصة بك. يوضح الرسم البياني أدناه كيفية استخدام هذه القيم. قيمة تخالف 4 وقيمة N من 6 سوف تخبر جهاز ناقل الدعم فقط باستخدام الأشرطة التي تم التقاطها في المربع الأبيض لإنشاء مدخلات التدريب والمخرجات. وبالمثل، فإن قيمة إزاحة 8 وقيمة N من 8 تخبر آلة ناقلات الدعم فقط استخدام الأشرطة التي تم التقاطها في المربع الأزرق لإنشاء مدخلات التدريب والمخرجات. بمجرد استدعاء الدالة سيتينديكاتورهاندلز ()، يمكن استدعاء الدالة جينينبوتس (). ستستخدم هذه الوظيفة مقابض المؤشر لتمريرها لتوليد صفيف من بيانات المدخلات لاستخدامها في التدريب. الشكل 7. مخطط شمعة يوضح قيم الإزاحة و N كيف يتم إنتاج المخرجات التدريبية يتم توليد مخرجات التدريب من خلال محاكاة الصفقات الافتراضية استنادا إلى بيانات الأسعار التاريخية وتحديد ما إذا كانت هذه التجارة كانت ناجحة أو غير ناجحة. من أجل القيام بذلك، هناك عدد قليل من المعلمات التي تستخدم لإرشاد أداة دعم ناقلات الدعم أداة كيفية تقييم التجارة الافتراضية إما ناجحة أو غير ناجحة. المتغير الأول هو أوبتريد. قيمة هذا يمكن إما أن يكون شراء أو بيع، وسوف تتوافق إما افتراضية شراء أو بيع الصفقات. إذا كانت قيمة هذا هو شراء، ثم عند توليد المخرجات وسوف ننظر فقط في النجاح المحتمل من الصفقات شراء افتراضية. بدلا من ذلك، إذا كانت قيمة هذا هو بيع، ثم عند توليد المخرجات وسوف ننظر فقط في النجاح المحتمل من الصفقات بيع افتراضية. القيم التالية المستخدمة هي وقف الخسارة وجني الأرباح لهذه الصفقات الافتراضية. يتم تعيين القيم في نقاط، وسوف تحدد مستويات الحد والحد من كل من الصفقات الافتراضية. المعلمة النهائية هي مدة التداول. ويقاس هذا المتغير بالساعات وسيضمن أن الصفقات الوحيدة التي تكتمل خلال هذه المدة القصوى ستعتبر ناجحة. والسبب في إدراج هذا المتغير هو تجنب حركة إشارات ناقلات الدعم في سوق جانبية بطيئة الحركة. اعتبارات لجعل عند اختيار المدخلات من المهم وضع بعض التفكير في اختيار المدخلات عند تنفيذ آلات ناقلات الدعم في التداول الخاص بك. على غرار المثال سنيك، من المهم اختيار المدخلات التي من المتوقع أن يكون لها نفس الاختلافات عبر الاختلاف. على سبيل المثال، قد تميل إلى استخدام المتوسط ​​المتحرك كمدخل، ولكن بما أن متوسط ​​السعر على المدى الطويل يميل إلى التغير بشكل كبير مع مرور الوقت، فإن المتوسط ​​المتحرك في العزلة قد لا يكون أفضل مدخلات للاستخدام. ويرجع ذلك إلى عدم وجود أي تشابه كبير بين متوسط ​​المتوسط ​​المتحرك اليوم ومتوسط ​​المتوسط ​​المتحرك قبل ستة أشهر. افترض أننا نقوم بتداول اليورو مقابل الدولار الأميركي واستخدام آلة ناقلات الدعم مع متوسط ​​الدخل المتحرك لإشارات شراء الصفقات. ويقول السعر الحالي هو 1.10، ومع ذلك فإنه يولد بيانات التدريب من قبل ستة أشهر عندما كان السعر 0.55. عند تدريب جهاز ناقل الحركة، فإن النمط الذي يعثر عليه قد يؤدي فقط إلى إشارة تجارية عندما يكون السعر حوالي 0.55، حيث أن هذه هي البيانات الوحيدة التي يعرفها. لذلك، قد لا يشير جهاز ناقل الدعم الخاص بك إلى أي تداول حتى ينخفض ​​السعر مرة أخرى إلى 0.55. وبدلا من ذلك، قد تكون المدخلات الأفضل لاستخدامها في آلة ناقل الدعم ماسد أو مذبذب مشابه لأن قيمة ماسد مستقلة عن متوسط ​​مستوى السعر ولا تشير إلا إلى حركة نسبية. أوصي بتجربة هذا الأمر لمعرفة ما ينتج أفضل النتائج لك. ومن الاعتبارات الأخرى التي يجب اتخاذها عند اختيار المدخلات التأكد من أن آلة ناقل الدعم لديها لقطة كافية لمؤشر للإشارة إلى تجارة جديدة. قد تجد في تجربة التداول الخاصة بك أن ماسد مفيد فقط عندما يكون لديك القضبان الخمسة الماضية للنظر في، وهذا سوف تظهر اتجاها. قد يكون شريط واحد من ماسد عديم الفائدة في عزلة إلا إذا كنت تستطيع معرفة ما إذا كان يتجه صعودا أو هبوطا. لذلك، قد يكون من الضروري لتمرير الحانات القليلة الماضية من مؤشر الماكد إلى جهاز ناقل الدعم. هناك طريقتان ممكنتان يمكنك القيام بهما: يمكنك إنشاء مؤشر مخصص جديد يستخدم الحانات الخمسة الماضية من مؤشر ماسد إلى حساب الاتجاه كقيمة واحدة. يمكن بعد ذلك تمرير هذا المؤشر المخصص إلى جهاز متجه الدعم كإدخال واحد، أو يمكنك استخدام الحانات الخمسة السابقة لمؤشر ماسد في جهاز ناقل الدعم كخمسة مدخلات منفصلة. والطريقة للقيام بذلك هي تهيئة خمس حالات مختلفة لمؤشر ماسد. يمكن تهيئة كل من المؤشرات بتخالف مختلف عن الشريط الحالي. ثم يمكن تمرير خمسة مقابض من مؤشرات منفصلة إلى آلة ناقلات الدعم. وتجدر الإشارة إلى أن الخيار 2 سوف يؤدي إلى إطالة أمد تنفيذ المستشار الخبير الخاص بك. لمزيد من المدخلات لديك، ويعد سوف يستغرق لتدريب بنجاح. تنفيذ دعم ناقلات الآلات في المستشار والخبير لقد أعدت مستشار الخبراء الذي هو مثال على كيفية شخص ما يمكن أن يحتمل استخدام آلات ناقلات الدعم في التداول الخاصة بهم (نسخة من هذا يمكن تحميلها عن طريق اتباع هذا الرابط mql5encode1229). نأمل أن مستشار الخبراء تسمح لك لتجربة قليلا مع آلات ناقلات الدعم. أوصي لك كوبيشانجيموديفي مستشار الخبراء لتناسب أسلوب التداول الخاصة بك. يعمل إي على النحو التالي: يتم إنشاء اثنين من آلات ناقلات الدعم الجديدة باستخدام مكتبة سفماشينيتول. يتم تعيين واحد حتى للإشارة صفقات شراء جديدة والآخر هو إعداد للإشارة صفقات بيع جديدة. يتم تهيئة سبعة مؤشرات قياسية مع كل من مقابضها المخزنة على مجموعة صحيحة (ملاحظة: أي مجموعة من المؤشرات يمكن استخدامها كمدخلات، فإنها تحتاج فقط إلى أن يتم تمريرها إلى سفم في مجموعة واحدة صحيح). يتم تمرير صفيف مقابض المؤشرات إلى أجهزة ناقل الدعم الجديدة. باستخدام مجموعة من مقابض المؤشر وغيرها من المعالم، وتستخدم بيانات الأسعار التاريخية لتوليد المدخلات والمخرجات دقيقة لاستخدامها لتدريب آلات ناقلات الدعم. وبمجرد أن يتم توليد جميع المدخلات والمخرجات، يتم تدريب كل من آلات ناقلات الدعم. يتم استخدام آلات ناقلات الدعم المدربة في إي للإشارة إلى صفقات بيع وشراء جديدة. عندما يتم الإشارة إلى عملية شراء أو بيع جديدة، يتم فتح الصفقة جنبا إلى جنب مع أوامر وقف الخسارة وجني الأرباح اليدوية. يتم تنفيذ التهيئة والتدريب للجهاز ناقلات الدعم ضمن الدالة أونينيت (). للرجوع اليها، تم تضمين هذا الجزء من إي سفترادر ​​أدناه مع الملاحظات. دعم متقدم متجه آلة التداول وقد بنيت قدرة إضافية في أداة دعم ناقلات الدعم أداة للمستخدمين أكثر تقدما هناك. تسمح الأداة للمستخدمين بالمرور في بيانات الإدخال المخصصة الخاصة بهم وبيانات الإخراج (كما في المثال سنيك). هذا يسمح لك العرف تصميم المعايير الخاصة بك لدعم ناقلات ناقلات المدخلات والمخرجات، وتمرير يدويا في هذه البيانات لتدريب عليه. هذا يفتح الفرصة لاستخدام آلات ناقلات الدعم في أي جانب من جوانب التداول الخاص بك. ليس من الممكن فقط استخدام آلات ناقلات الدعم للإشارة إلى الصفقات الجديدة، ولكن يمكن أن تستخدم أيضا للإشارة إلى إغلاق الصفقات، وإدارة الأموال، والمؤشرات المتقدمة الجديدة وما إلى ذلك ولكن لضمان أنك لا تتلقى أخطاء، فمن المهم أن نفهم كيف ينبغي هيكلة هذه المدخلات والمخرجات. المدخلات: يتم تمرير المدخلات إلى سفم كمصفوفة الأبعاد 1 من القيم المزدوجة. يرجى ملاحظة أنه يجب أن يتم تمرير أي مدخل تقوم بإنشائه كقيمة مزدوجة. يجب تحويل كل منطقي، صحيح، وما إلى ذلك إلى قيمة مزدوجة قبل أن يتم تمريرها إلى جهاز ناقل الدعم. والمدخلات مطلوبة بالشكل التالي. على سبيل المثال، نفترض أننا تمر في المدخلات مع 3 المدخلات × 5 نقاط التدريب. ولتحقيق ذلك، يجب أن تكون صفيفتنا المزدوجة 15 وحدة في الشكل: A 1 B 1 C 1 A 2 B 2 C 2 A 3 B 3 C 3 A 4 B 4 C 4 A 5 B 5 C 5 ومن الضروري أيضا لتمرير قيمة لعدد المدخلات. في هذه الحالة، NINputs3. المخرجات: يتم تمرير المخرجات في مجموعة من القيم المنطقية. هذه القيم المنطقية هي الناتج المطلوب من سفم تتوافق مع كل مجموعة من المدخلات التي تم تمريرها. بعد المثال أعلاه، ويقول لدينا 5 نقاط التدريب. في هذا السيناريو، سوف تمر في صفيف منطقي من قيم الإخراج الذي هو 5 وحدات طويلة. عند توليد المدخلات والمخرجات الخاصة بك، تأكد من أن طول صفائف الخاص بك يطابق القيم التي تمر بها. إذا لم تتطابق، سيتم إنشاء خطأ إعلامك من التناقض. على سبيل المثال، إذا مررنا في NINputs3، والمدخلات هي صفيف طول 16، سيتم طرح خطأ (حيث أن قيمة النيبوتين من 3 سوف يعني أن طول أي مجموعة من المصفوفات يجب أن تكون متعددة من 3) . وبالمثل، تأكد من أن عدد مجموعات المدخلات وعدد النواتج التي تمر بها متساوية. مرة أخرى، إذا كان لديك NInputs3، طول المدخلات من 15 وطول النواتج من 6، سيتم طرح خطأ آخر (كما لديك 5 مجموعات من المدخلات و 6 النواتج). حاول التأكد من وجود اختلاف كاف في مخرجات التدريب. على سبيل المثال، إذا كنت تمر في 100 نقطة التدريب، وهو ما يعني مجموعة من المخرجات من طول 100، وجميع القيم خاطئة مع صحيح واحد فقط، ثم التفريق بين الحالة الحقيقية والحالة الزائفة ليست كافية بما فيه الكفاية. وهذا سوف يؤدي إلى التدريب سفم سريع جدا، ولكن الحل النهائي يجري سيئة للغاية. وهناك مجموعة تدريب أكثر تنوعا وغالبا ما يؤدي إلى سفم أكثر عاطفية التداول مع دعم ناقلات الآلات المراجع بوسر، B. E. غويون، I. M. أند فابنيك، V. N. (1992): خوارزمية التدريب لمصنفات الهامش المثلى. في: D. هوسلر (إد.): وقائع ورشة العمل السنوية 5 أسم حول نظرية التعلم الحاسوبي. أسم بريس، 144152. بوكس، G. E.P. و جينكينز، G. M. (1976): تحليل السلاسل الزمنية: التنبؤ والتحكم. هولدن-داي، سان فرانسيسكو. D. ماثي براون، M. غروندي، W. لين، D. كريستيانيني، N. سوجنيت، C. فيري، T. أريس، M. أند هوسلر، D. (1999): أناليس-باسد أناليسيس أوف ميكروأري جين إكسبريسيون داتا أوسينغ فيكتور سوبورت الآلات. تقرير تقني . جامعة كاليفورنيا، سانتا كروز. تشانغ، C. C. و لين، C. J. (2001): ليبسفم: مكتبة لدعم آلات المتجهات (النسخة 2.31). تقرير تقني . قسم علوم الحاسوب وهندسة المعلومات، جامعة تايوان الوطنية، تايبيه، تايوان. كورتيس، C. أند فابنيك، V. (1995): سوبورت فيكتور نيتورك. تعلم الآلة . 20، 273297. ماث فرانسوا، D. ويرتز، V. و فيرليسن، M. (2005): حول موقع حبات في مساحات عالية الأبعاد. أسمدا 2005-ندوة دولية حول النماذج العشوائية التطبيقية وتحليل البيانات. بريست، فرنسا، 238245. غرانجر، C. W.J. (1969): دراسة العلاقات السببية حسب نماذج الاقتصاد القياسي والطرق المتداخلة. إكونوميتريكا. 37، 424438. كروسريف جواتشيمز، T. (1998): تصنيف النص مع دعم آلات المتجهات. وقائع المؤتمر الأوروبي للتعلم الآلي (إمل). كامروززامان، J. و ساركر، R. A. (2003a): التنبؤ بسعر صرف العملة: دراسة حالة. وقائع المؤتمر الدولي إيي بشأن الشبكات العصبية أمبير معالجة الإشارات (إنسب). نانجينغ. كامروززامان، J. و ساركر، R. A. (2003b): تطبيق آلة ناقلات الدعم لمراقبة الفوركس. المؤتمر الدولي الثالث حول الأنظمة الذكية الهجينة (هيس). ملبورن. كامروززامان، J. ساركر، R. A. و أحمد، I. (2003): نماذج تستند إلى سفم للتنبؤ بأسعار صرف العملات الأجنبية. وقائع المؤتمر الدولي الثالث المعني بتعدين البيانات (إيدم). كاراتسوغلو، A. هورنيك، K. سمولا، A. و زيليس، A. (2004): كرنلاب - حزمة S4 لطرق النواة في R. مجلة البرامج الإحصائية. 11، 9. كروسرف كوان، C. M. و ليو، T. (1995): التنبؤ بأسعار الصرف باستخدام فيدفوروارد والشبكات العصبية المتكررة. مجلة الاقتصاد القياسي التطبيقي. 10، 347364. كروسرف مولر، K. R. سمولا، A. رتشش، G. سشلكوب، B. كوهلمورجن، J. أند فابنيك، V. (1999): أوسينغ فيكتور ماشينس فور تايم سيريز بريديكتيون. إن: B. سلكوبف، C. J.C. بورجس أند A. J. سمولا (إدس.): التقدم في أساليب كيرنيل. ميت بريس، 242253. بلات، J. C. (1998): متسلسل الحد الأدنى الأمثل: خوارزمية سريعة لدعم التدريب ناقلات الآلات. تقرير تقني . ميكروسوفت ريزارتش. كينلان، M. J. تشالوب، S. K. و ميدليتون، R. H. (2004): تطبيق سفمس لتصنيف اللون والكشف عن الاصطدام مع أيبو الروبوتات. التقدم في نظم معالجة المعلومات العصبية. 16 - 635642. سكلكوب، B. (2001): خدعة النواة للمسافات. تقرير تقني، مسر 2000-51. ميكروسوفت ريزارتش، ريدموند، وا. فابنيك، V. (1998): نظرية التعلم الإحصائي. وايلي، نيويورك. ماثماشين التعلم إذا كان أي شخص مهتما في تطوير استراتيجيات التعلم القائم على آلة، وتحقق من deepththought. co. دعم سهم التوجيه، ماشينس. التدرج معززة الأشجار. غابات عشوائية. أشجار عشوائية للغاية. متعدد الطبقات بيرسيبترون، ويعرف أيضا باسم الشبكة العصبية. فرق: الجمع بين توقعات أي عدد من التنبؤات. إعادة التدريب المستمر، دائما التكيف مع السوق. يرجى ملاحظة، وهذا هو أداة لتطوير الاستراتيجيات والأنظمة الخاصة بك، وليس استراتيجية التداول المعلبة مسبقا. وشملت أيضا اثنين من MT4 إي، مع المصدر، لتداول الإشارات أو الجمع مع أي نظام آخر قد يكون لديك.