Algorithmen In Devisen




Algorithmen In DevisenAlgorithmic Trading Was ist Algorithmic Trading Der algorithmische Handel, auch bezeichnet als Algotrading und Black-Box-Handel, ist ein Handelssystem, das erweiterte und komplexe mathematische Modelle und Formeln verwendet, um High-Speed-Entscheidungen und Transaktionen auf den Finanzmarkten machen. Algorithmische Handel beinhaltet die Verwendung von schnellen Computer-Programme und komplexe Algorithmen zu schaffen und zu bestimmen, Trading-Strategien fur optimale Renditen. BREAKING DOWN Algorithmischer Handel Einige Anlagestrategien und Handelsstrategien wie Arbitrage. Intermarket-Verbreitung, Marktmachung und Spekulation kann durch algorithmischen Handel verbessert werden. Elektronische Plattformen konnen vollstandig betreiben Investment-und Handelsstrategien durch algorithmischen Handel. Als solche sind Algorithmen in der Lage, Trading-Anweisungen unter bestimmten Bedingungen in Preis, Volumen und Timing auszufuhren. Die Verwendung von algorithmischen Handel wird am haufigsten von gro?en institutionellen Investoren aufgrund der gro?en Menge von Aktien, die sie kaufen jeden Tag verwendet. Komplexe Algorithmen erlauben diese Investoren den bestmoglichen Preis ohne deutlich zu erhalten die Aktie den Preis zu beeinflussen und Beschaffungskosten zu erhohen. Arbitrage Arbitrage ist die Differenz der Marktpreise zwischen zwei verschiedenen Einheiten. Arbitrage wird allgemein in globalen Unternehmen praktiziert. Zum Beispiel sind Unternehmen in der Lage, die Vorteile von billigeren Lieferungen oder Arbeit aus anderen Landern zu nutzen. Diese Unternehmen sind in der Lage, Kosten zu senken und Gewinne zu steigern. Arbitrage kann auch im Handel S P Futures, die eine Chance fur Arbitrage. High-Speed-algorithmischen Handel konnen diese Bewegungen verfolgen und profitieren von den Preisunterschieden. Trading Before Index Fund Rebalancing Altersvorsorge wie Pensionsfonds werden uberwiegend in Investmentfonds investiert. Die Indexfonds der Investmentfonds werden regelma?ig an die neuen Kurse des Fondsvermogens angepasst. Bevor dies geschieht, werden vorprogrammierte Handelsanweisungen durch algorithmische handelsgestutzte Strategien ausgelost, die Gewinne von Investoren zu algorithmischen Handlern ubertragen konnen. Mean-Reversion-Mean-Reversion ist mathematische Methode, die den Durchschnitt einer Sicherheit s vorubergehend hohe und niedrige Preise berechnet. Der algorithmische Handel berechnet diesen Mittelwert und den moglichen Gewinn aus der Bewegung des Preises s Sicherheit als entweder es geht weg von oder geht in Richtung der mittleren Preis. Scalping Scalpers profitieren vom Trading der Bid-Ask-Verbreitung so schnell wie moglich zahlreiche Male am Tag. Preisbewegungen mussen geringer sein als die Sicherheitsspanne. Diese Bewegungen geschehen innerhalb von Minuten oder weniger, also die Notwendigkeit fur schnelle Entscheidungen, die durch algorithmische Handelsformeln optimiert werden konnen. Andere Strategien, die durch den algorithmischen Handel optimiert werden, umfassen Transaktionskostenreduzierung und andere Strategien, die sich auf dunkle Pools beziehen. Die durchschnittliche Anzahl der Jahre, fur die jeder Dollar von unbezahlten Kapital auf ein Darlehen oder Hypothek bleibt ausstehend. Einmal berechnet. Die jahrliche prozentuale Rendite realisiert auf eine Investition, die fur Preisanderungen durch Inflation oder andere angepasst wird. Eine Abkurzung des Bombay Exchange Sensitive Index (Sensex) - der Benchmarkindex der Bombay Stock Exchange (BSE). Eine Anleihe ohne Falligkeitstermin. Perpetual Anleihen sind nicht einlosbar, sondern zahlen einen stetigen Strom von Interesse fur immer. Einige der. Die erste einer Reihe von Jahren in einem Wirtschafts-oder Finanz-Index. Ein Basisjahr ist in der Regel auf einen beliebigen Wert von 1 festgelegt. Eine Anleihe, die zu bestimmten Zeitpunkten wahrend des Lebens in eine bestimmte Menge des Eigenkapitals umgerechnet werden kann. SnowCron SnowCron genetischen Algorithmus in FOREX Trading Systems mit genetischen Algorithmus zu profitable FOREX Trading-Strategie zu schaffen. Genetischer Algorithmus in Cortex Neuronale Netze Software Feedforward Backpropagation Neuronales Netz Anwendung fur genetische Berechnungen basierte Forex Trading. Dieses Beispiel verwendet Konzepte und Ideen des vorherigen Artikels, also lesen Sie bitte Neural Network Genetic Algorithm in Forex Trading Systems zuerst, obwohl es nicht obligatorisch ist. Zu diesem Text Zuerst lesen Sie bitte den Haftungsausschluss. Dies ist ein Beispiel fur die Verwendung von Cortex Neural Networks Software genetischen Algorithmus-Funktionalitat, nicht ein Beispiel, wie man profitabel Handel tun. Ich bin nicht euer Guru, und ich sollte auch nicht fur eure Verluste verantwortlich sein. Cortex Neural Networks Software hat neuronale Netzwerke in ihr, und FFBP wir diskutiert, bevor ist nur eine Moglichkeit der Auswahl eines Forex Trading-Strategien. Es ist eine gute Technik, leistungsstark und wenn richtig angewendet, sehr vielversprechend. Allerdings hat es ein Problem - das Neuronale Netz zu lehren. Mussen wir die gewunschte Ausgabe wissen. Es ist ziemlich einfach zu tun, wenn wir Funktion Naherung tun, nehmen wir nur den realen Wert einer Funktion, weil wir wissen, was es sein sollte. Wenn wir neuronale Netzwerk-Prognose. Verwenden wir die in fruheren Artikeln beschriebene Technik des Neuronalen Netzes uber die Geschichte, wenn wir, wie wir sagen, einen Wechselkurs voraussagt, wissen wir (wahrend des Trainings), was die richtige Vorhersage ist. Allerdings, wenn wir ein Handelssystem zu bauen, haben wir keine Ahnung, was die richtige Handelsentscheidung ist, auch wenn wir wissen, der Wechselkurs Wie die Tatsache, wir haben viele Forex Trading-Strategien konnen wir zu jedem Zeitpunkt verwenden, und Mussen wir eine gute finden - wie Was sollten wir als die gewunschte Leistung des Neuronalen Netzes futtern Wenn Sie unserem vorherigen Artikel gefolgt sind, wissen Sie, dass wir betrogen haben, um mit diesem Problem umzugehen. Wir lehrten das Neuronale Netz zu tun Wechselkurs (oder Wechselkurs-basierte Indikator) Vorhersage, und dann verwendet diese Vorhersage zu tun Handel. Dann, au?erhalb der Neural Network Teil des Programms, haben wir eine Entscheidung, auf die Neural Network ist die beste. Genetische Algorithmen konnen mit diesem Problem direkt umgehen, konnen sie losen das Problem als die besten Trading-Signale finden. In diesem Artikel werden wir Cortex Neural Networks Software verwenden, um ein solches Programm zu erstellen. Mit genetischen Algorithmen genetische Algorithmen sind sehr gut entwickelt und sehr vielfaltig. Wenn Sie alles uber sie lernen wollen, schlage ich vor, Sie verwenden Wikipedia, da dieser Artikel nur daruber, was Cortex Neural Networks Software tun kann. Mit der Cortex Neural Networks Software. Konnen wir ein Neuronales Netz schaffen, das einige Werte, zB Werte eines Indikators, annimmt und einige Outputs erzeugt, zB Handelssignale (Kauf, Verkauf, Halten) und Stop-Loss / Take-Profit fur Positionen, die geoffnet werden sollen. Naturlich, wenn wir diese Neural Network s Gewichte zufallig seed, werden die Handelsergebnisse schrecklich sein. Wir wollen aber sagen, dass wir ein Dutzend solcher NNs geschaffen haben. Dann konnen wir testen Leistung von jedem von ihnen, und wahlen Sie die beste, der Gewinner. Dies war die erste Generation von NNs. Um mit der zweiten Generation fortzufahren, mussen wir unserem Sieger erlauben, sich zu formen, aber um zu vermeiden, identische Kopien zu erhalten, lassen wir s einige zufallige Gerausche zu s s Abkommlinge Gewichte. In der zweiten Generation haben wir unsere erste Generation Gewinner und es ist unvollkommen (mutierte) Kopien. Lassen Sie uns noch einmal testen. Wir haben einen weiteren Sieger, der BESSER ist als jedes andere Neuronale Netzwerk in der Generation. Und so weiter. Wir erlauben es den Gewinnern, zu zuchten und die Verlierer zu eliminieren, genau wie in der wirklichen Evolution, und wir werden unser bestes Trading Neural Network bekommen. Ohne vorheriges Wissen uber das, was das Handelssystem (genetischer Algorithmus) sein sollte. Neuronales Netzwerk Genetischer Algorithmus: Beispiel 0 Dies ist das erste Beispiel eines genetischen Algorithmus. Und eine sehr einfache. Wir werden Schritt fur Schritt durch sie gehen, um alle Tricks zu lernen, die folgende Beispiele nutzen werden. Der Code hat Inline-Kommentare, so lassen s nur auf wichtige Momente konzentrieren. Zuerst haben wir ein neuronales Netzwerk geschaffen. Es ist mit zufalligen Gewichten, und wurde noch nicht unterrichtet. Dann, im Zyklus, machen wir 14 Kopien davon, mit MUTATION NN fumction. Diese Funktion macht eine Kopie eines Quell-Neuronalen Netzes. Zufallswerte von 0 bis (in unserem Fall) 0,1 zu allen Gewichten addieren. Wir halten Griffe zu resultierenden 15 NNs in einem Array, konnen wir es tun, da Handle ist nur eine ganze Zahl. Der Grund, warum wir 15 NNs verwenden, hat nichts mit dem Handel zu tun: Cortex Neural Networks Software kann bis zu 15 Zeilen auf einem Chart gleichzeitig darstellen. Wir konnen verschiedene Ansatze fur die Prufung verwenden. Zuerst konnen wir das Lernset verwenden, alles auf einmal. Zweitens konnen wir auf 12000 Resonanzen (von 100000) testen und durch das Lernset gehen, von Anfang bis Ende. Das wird lernen, verschiedene, wie wir fur Neural Network s, die profitabel sind, auf einem bestimmten Teil der Daten, nicht nur auf den gesamten Satz zu suchen. Der zweite Ansatz kann uns Probleme, wenn Daten andern, von Anfang bis Ende. Dann wird das Netzwerk entwickeln, die Fahigkeit zu erwerben, am Ende des Datensatzes handeln, und verlieren Fahigkeit, den Handel an seinem Anfang. Um dieses Problem zu losen, werden wir zufallige 12000 Datensatze Fragmente aus Daten zu nehmen, und futtern sie an das neuronale Netzwerk. Ist einfach ein endloser Zyklus, da 100000 Zyklen nie bei unserer Geschwindigkeit erreicht werden. Darunter fugen wir ein Kind fur jedes Netzwerk, mit etwas anderen Gewichten. Beachten Sie, dass 0,1 fur Mutation Tange ist nicht die einzige Wahl, wie die Tatsache, auch dieser Parameter kann mit Hilfe von genetischen Algorithmus optimiert werden. Neu erstellte NNs werden nach 15 bestehenden hinzugefugt. Auf diese Weise haben wir 30 NNs in einem Array, 15 alte und 15 neue. Dann werden wir den nachsten Testzyklus durchfuhren und Verlierer von beiden Generationen toten. Um Tests durchzufuhren, wenden wir Neuronales Netz an unsere Daten an, um Ausgange zu erzeugen und dann Testfunktion aufzurufen, die diese Ausgange zur Simulation des Handels verwendet. Die Ergebnisse des Handels werden verwendet, um zu entwerten, welche NNs am besten sind. Wir verwenden ein Intervall von nLearn-Datensatzen, von nStart bis nStart nLearn, wobei nStart ein zufalliger Punkt innerhalb des Lernsatzes ist. Der Code unten ist ein Trick. Der Grund, warum wir es verwenden, ist die Tatsache zu veranschaulichen, dass genetischer Algorithmus einen genetischen Algorithmus erzeugen kann. Aber es wird nicht notwendigerweise die beste sein, und auch, um vorzuschlagen, dass wir das Ergebnis verbessern konnen, wenn wir einige Einschrankungen des Lernprozesses implizieren. Es ist moglich, dass unser Handelssystem sehr gut auf langen Trades funktioniert und sehr schlecht auf kurzem, oder umgekehrt. Wenn, sagen wir, lange Trades SEHR gut sind, kann dieser genetische Algorithmus gewinnen, auch mit gro?en Verlusten auf Short Trades. Um es zu vermeiden, weisen wir den Long-Trades in ungeraden und kurzen Trades in gleichma?igen Zyklen mehr Gewicht zu. Dies ist nur ein Beispiel, es gibt keine Garantie, dass es etwas verbessern wird. Mehr daruber unten, in der Diskussion uber Korrekturen. Technisch, Sie don t haben, es zu tun, oder kann es anders machen. Fugen Sie einem sortierten Array einen Gewinn hinzu. Es gibt eine Einfugeposition zuruck, dann verwenden wir diese Position, um Neural Network Griff hinzuzufugen, Lernen und Testen von Gewinnen in nicht sortierte Arrays. Jetzt haben wir Daten fur das aktuelle Neuronale Netzwerk mit dem gleichen Array-Index wie sein Gewinn. Die Idee ist, zu Array von NNs, sortiert nach Rentabilitat zu gelangen. Da Array nach Gewinn sortiert ist, um 1/2 von Netzwerken zu entfernen, die weniger rentabel sind, mussen wir nur NNs 0 bis 14 entfernen. Entscheidungen fur den Handel basieren auf dem Wert des Neuronalen Netzwerksignals, von diesem Standpunkt aus ist das Programm identisch Beispiele aus dem vorherigen Artikel. FOREX Trading-Strategie: Diskussion Beispiel 0 Zunachst einmal, lassen Sie uns einen Blick auf Charts. Das erste Diagramm fur den Gewinn wahrend der ersten Iteration ist nicht gut, wie zu erwarten ist, verliert das Neuronale Netz Geld (image evolution 00 gen 0.png kopiert nach der ersten Iteration aus dem Bilderordner): Das Bild fur Profit auf Zyklus 15 ist Besser, manchmal genetischen Algorithmus kann wirklich schnell lernen: Allerdings bemerken die Sattigung auf einer Gewinn-Kurve. Interessant ist auch, wie sich einzelne Profite verandern, wobei man bedenkt, dass die Kurvenzahl, sagen wir, 3 nicht immer fur dasselbe Neuronale Netz gilt. Wie sie geboren und beendet werden die ganze Zeit: Beachten Sie auch, dass aus kleinen Forex-automatisierte Handelssystem fuhrt schlechte auf kurze Trades, und viel besser auf longs, die moglicherweise mit der Tatsache, dass der Dollar im Vergleich zu sinken In diesem Zeitraum. Es kann auch etwas mit den Parametern unseres Indikators zu tun haben (vielleicht brauchen wir verschiedene Zeit fur Shorts) oder die Wahl der Indikatoren. Hier ist die Geschichte nach 92 und 248 Zyklen: Zu unserer Uberraschung, genetischen Algorithmus vollig versagt. Lassen Sie uns versuchen, herauszufinden, warum, und wie die Situation zu helfen. Zunachst einmal ist nicht jede Generation besser als die vorherrschende Die Antwort ist nein, zumindest nicht innerhalb des Modells, das wir verwendet haben. Wenn wir ENTIRE Lernen auf einmal gesetzt und es immer wieder verwendet, um unsere NNs zu lehren, dann ja, werden sie auf jede Generation zu verbessern. Stattdessen nahmen wir zufallige Fragmente (12000 Datensatze in der Zeit), und verwendet sie. Zwei Fragen: Warum das System auf zufalligen Fragmenten des Lernsatzes fehlgeschlagen ist und warum haben wir das gesamte Lernset gut genutzt. Um die zweite Frage zu beantworten, habe ich. NNs durchgefuhrt sehr - auf Lern-Set. Und sie fehlgeschlagen beim Testen Set, aus dem gleichen Grund scheitert es, wenn wir FFPB-Lernen verwendet. Um es anders auszudrucken, wurden unsere NNs uberspezialisiert, sie haben gelernt, in der Umgebung zu uberleben, die sie gewohnt sind, aber nicht drau?en. Das geschieht sehr viel in der Natur. Der Ansatz, den wir stattdessen beabsichtigten, war zu kompensieren, dass durch die zwingende NNs, um gut auf jedem zufalligen Fragment des Datensatzes durchzufuhren, so dass hoffentlich konnten sie auch auf einem unbekannten Test-Set. Stattdessen scheiterten sie sowohl beim Testen als auch beim Lernsatz. Stellen Sie sich vor, Tiere, die in einer Wuste leben. Viel Sonne, kein Schnee. Dies ist eine Metafor fur rizing Markt, wie fur unsere NNs Daten spielen die Rolle der Umwelt. Tiere lernten, in einer Wuste zu leben. Stellen Sie sich vor, Tiere, die in einem kalten Klima zu leben. Schnee und keine Sonne. Nun, sie stellten sich. Allerdings haben wir in unserem Experiment zufallig unsere NNs in einer Wuste, im Schnee, im Wasser, an den Baumen platziert. Indem man sie mit verschiedenen Datenfragmenten (zufallig steigend, fallend, flach) prasentiert. Tiere starben. Um es anders auszudrucken, haben wir das beste Neuronale Netzwerk fur den Zufallsdatensatz 1 ausgewahlt, der zum Beispiel fur den steigenden Markt war. Dann stellten wir den Gewinnern und ihren Kindern eine sinkende Marktsituation vor. NNs schlecht durchgefuhrt haben, nahmen wir am besten von schlechten Leistungstragern, vielleicht, einer der mutierten Kinder, die Fahigkeit verloren, auf dem steigenden Markt zu handeln, aber bekam einige Fahigkeit, mit fallender zu bewaltigen. Dann drehten wir den Tisch wieder um, und wieder haben wir den besten Spieler - aber am besten unter schlechten Kunstlern. Wir geben unseren NNs keine Chancen, universal zu werden. Es gibt Techniken, die den genetischen Algorithmus erlauben, neue Informationen zu erlernen, ohne die Leistung auf alten Informationen zu verlieren (schlie?lich konnen die Tiere im Sommer und im Winter leben, richtig, so Evolution ist in der Lage, wiederholende Anderungen zu behandeln). Wir konnen diese Techniken spater zu diskutieren, obwohl dieser Artikel ist mehr uber die Verwendung von Cortex Neural Networks Software. Als uber den Aufbau eines erfolgreichen Forex-automatisierten Handelssystems. Neuronales Netz Genetischer Algorithmus: Beispiel 1 Jetzt ist es Zeit, uber Korrekturen zu sprechen. Ein einfacher genetischer Algorithmus, den wir im vorigen Schritt erstellt haben, hat zwei Hauptfehler. Erstens gelang es nicht, mit Gewinn zu handeln. Es ist ok, wir konnen versuchen, teilweise geschultes System zu benutzen (es war am Anfang rentabel). Der zweite Fehler ist ernster: wir haben keine Kontrolle uber Dinge, die dieses System tut. Zum Beispiel kann es lernen, rentabel zu sein, aber mit riesigen Drawdowns. Es ist eine bekannte Tatsache, dass Evolution im wirklichen Leben mehr als einen Parameter gleichzeitig optimieren kann. Zum Beispiel konnen wir ein Tier bekommen, das schnell laufen kann und resistent gegen Kalte sein kann. Warum nicht zu versuchen, das Gleiche in unserem Forex-automatisierten Handelssystem. Das ist, wenn wir Korrekturen, die nichts anderes als die Menge der zusatzlichen Strafen sind. Sagen wir, unser System handelt mit Drawdown 0.5, wahrend wir es auf 0 - 0.3 Intervall bestatigen wollen. Um dem System zu sagen, dass es einen Fehler gemacht hat, verringern wir seinen Profit (einer verwendet, um zu bestimmen, welcher genetische Algorithmus gewonnen hat) in dem Grad, der proportional zur Gro?e von DD ist. Dann kummert sich der Evolutionsalgorithmus um den Rest. Es gibt nur wenige weitere Faktoren, die wir in Betracht ziehen wollen: Vielleicht mochten wir mehr oder weniger gleich viele Kauf - und Verkaufsgeschafte haben, wir wollen mehr rentable Geschafte haben, dann von Ausfallen, konnen wir die Gewinndiagramm wollen Linear sein und so weiter. In der Evolution 01.tsc implementieren wir einen einfachen Satz von Korrekturen. Zuerst verwenden wir eine gro?e Zahl fur einen anfanglichen Korrekturwert. Wir multiplizieren es mit einem kleinen (in der Regel zwischen 0 und 1) Werte, abhangig von der Strafe, die wir anwenden mochten. Dann multiplizieren wir unseren Gewinn mit dieser Korrektur. Als Ergebnis wird der Gewinn korrigiert, um zu reflektieren, wie viel der genetische Algorithmus unseren anderen Kriterien entspricht. Dann verwenden wir das Ergebnis, um einen Gewinner Neural Network zu finden. FOREX Handelsstrategie: Beispiel 1 Beispiel 1 arbeitet viel besser als Beispiel 0. Wahrend der ersten 100 Zyklen hat es viel gelernt, und Gewinndiagramme sehen beruhigend aus. Allerdings sind, wie in Beispiel 0, lange Trades viel mehr rentabel, was wahrscheinlich bedeutet, dass es ein Problem in unserem Ansatz. Dennoch hat das System eine Balance zwischen zwei widerspruchlichen Anfangsbedingungen gefunden: Es gibt einige positive Dynamiken sowohl beim Lernsatz als auch, noch wichtiger, beim Testen. Wie fur das weitere Lernen, bei Zyklus 278 konnen wir sehen, dass unser System ubertraf. Es bedeutet, dass wir noch Fortschritte beim Lernen haben: Aber Testset zeigt Schwache: Dies ist ein haufiges Problem mit NNs: Wenn wir es lernen, lernen, lernt es, damit umzugehen, und manchmal lernt es zu gut - um die Grad, wenn es verliert Leistung auf Testsatz. Um dieses Problem zu losen, wird eine herkommliche Losung verwendet: Wir suchen das Neuronale Netz. Die am besten auf dem Test-Set durchgefuhrt wird, und speichern Sie es, uberschreiben vorherige beste, jedes Mal, wenn neue Spitze erreicht wird. Dies ist der gleiche Ansatz, den wir im FFBP-Training verwendet haben, au?er, diesmal mussen wir es selbst tun (Code hinzufugen, der nach einem besten Neuronalen Netzwerk auf einem Test-Set sucht und mit SAVE NN aufruft oder die Gewichte von Neural Network exportiert eine Datei). Auf diese Weise, wenn Sie Ihr Training zu stoppen, haben Sie die besten Darsteller auf TESTING SET gespeichert und warten auf Sie. Beachten Sie auch, dass es nicht die max. Profitieren Sie nach, aber optimale Leistung, so betrachten Korrekturen, bei der Suche nach einem besten Darsteller auf einem Test-Set. Genetischer Algorithmus fur FOREX Technische Analyse: Wo jetzt Nachdem Sie Ihre Gewinner erhalten Neuronales Netzwerk. Konnen Sie die im vorherigen Artikel beschriebenen Schritte ausfuhren, um die Gewichte dieses Neuronalen Netzwerks zu exportieren. Und dann nutzen sie in Ihrer Echtzeit-Handelsplattform, wie Meta Trader, Trade Station und so weiter. Alternativ konnen Sie sich auf andere Moglichkeiten der Optimierung des Neuronalen Netzes konzentrieren. Anders als mit FFBP-Algorithmus, hier konnen Sie Avay aus mit Lern-und Test-Sets zu erhalten, und verschieben sequentiellen Lernen. Download Cortex Order Cortex Preisliste ansehen Die Sichtbarkeit ist fur diese Seite sehr wichtig. Wenn Sie es bitte Link zu dieser URL algorithmischen Handel in forex hi guys, brauchte ich einige Informationen uber algorithmischen Handel. Ich habe gelesen, dass fast 60 des Handels in den US-Markten durch solche Algorithmen sone ist. Ist es wahr, wie viel Prozentsatz des Handels durch solche Algorithmen in Forex erfolgt, die Programmiersprachen verwendet werden, um solche Algorithmen zu bauen habe ich Grundkenntnisse der Programmierung. Antworten Sie bitte thnx Handelsmitglied Joined Jun 2010 89 Beitrage Bitte nehmen Sie meinen Rat - don t storen, Ich ma sehr erfahrene Programmierer, habe ich umfangreiche und komplexe EAs geschrieben, wenn Sie sich selbst beweisen wollen, es eine Zeitverschwendung Zeit genug, ich wouldn T haben mir auch zugehort. Kuhler Gehilfe. Fu?ball ist ein Weg zu gehen. Entspannend mit etwas Bier OK. Mein Punkt ist: es gibt so viele Informationen, auf HFT, Quant-Handel. Und viele PPL sind neugierig, nur um herauszufinden, worum es geht. Nur wenige werden tatsachlich eine Zeit verbringen. Zu trennen die richtigen Markt-Timing, wenn der Markt ist. Ich stimme fur PPL, die von der Garage oder Schlafzimmer handeln, ist es eine Raketenwissenschaft, viele MATH, Theorien. Ect. Ect. Australien gegen Serbien ist AN. Im gehend, ein bisschen zu kuhlen Genau, ich bin nicht lookin, um irgendeine heilige Gralart von Ea zu errichten. Ich kenne seine sehr schwierig. Ich habe diesen Thread nur aus Neugier gepostet. Grundsatzlich mochte ich wissen, wie viel von Devisenhandel durch diese Algorithmen getan wird. Mitglied seit: Mar 2010 Status: Mitglied 144 Beitrage Grundsatzlich mochte ich wissen, wie viel von Devisenhandel durch diese Algorithmen getan wird. Ich arbeite eigentlich an einem Preis Action EA. Fast alles kann codiert werden, Especialy Geld-Management, Position Sizing und stoppt / TP s. Kerzenstander Formationen, Pivot Punkte, BRN sind auch einfach. Der schwierigste Teil ist Diagramm-Analysen, es ist sehr schwer zu kodieren die unendlichen Regeln Moglichkeiten fur die Herstellung von S / R, Eliott Wellen, Trendlinien, Doppel-Top unten. Ich arbeite mit einer Besatzung von Coders, um Regeln fur Double Top / Bottom und Elliott Waves erkennen Indikator, basierend auf einem Ton von Bildschirmdiagrammen und zuverlassige Analysen. Ich wei?, es ist eine gro?e Belastung der Arbeit, aber wir fast gefunden Losung fur Divergenzen, elliott ans doppelten top bot und einmal getan, konnen wir einen Chart Trader mit diesen fruheren Diagramm-Tools ersetzen. Das Ergebnis wird nicht so genau wie ein alterer Handler, aber immer noch. Und der gute Teil ist die Fahigkeit von EA, schnelle Berechnungen zu machen und kann mehrere Paare / TF laufen lassen und nie ein Setup verpassen, das EA Strategieregeln respektiert.