Создание нейросетевых торговых роботов на базе MQL5 Wizard и Hlaiman EA Generator
Практически каждый трейдер знает, что существует такой инструмент как нейросеть, но для большинства это черный ящик, о котором им известно только то, что она, подобно человеку, способна к распознаванию образов, ассоциативному поиску решений и обучению, а также то, что она может быть эффективно использована для прогнозирования рынка и автоматической торговли. Однако множество источников информации, посвященных применению нейронных сетей, акцентируют внимание на сложности этого инструмента и утверждают, что необходимо потратить огромное количество времени для его изучения и для того, чтобы научиться им пользоваться.
В данной статье будет предпринята попытка опровергнуть эти утверждения и доказать, что современные методы автоматизации позволяют трейдеру легко начать работать с нейросетями, минуя длительные этапы изучения. Получить свой опыт использования нейросетей — это очень просто, уж точно проще, чем технический анализ.
Для этого будет описан метод автоматической генерации нейросетевых советников-роботов MetaTrader 5 на базе MQL5 Wizard и Hlaiman EA Generator.
Выбор средств для решения поставленной задачи не случаен:
- MQL5 Wizard – это эффективный и наиболее быстрый на сегодняшний день механизм автоматической генерации MQL5 кода, который масштабируется с помощью дополнительных модулей.
- Hlaiman EA Generator — это нейросетевой движок с гибким механизмом объектной интеграции, который программируется непосредственно в MQL5 коде советника.
Дополнение «робот» к названию советника также не случайно, поскольку характерные для настоящего робота антропоморфные признаки по распознаванию и обучению у нейросетевого советника являются основными, в отличие от других случаев применения этого названия, где «торговый робот» часто не соответствует сущности.
Общая характеристика
По причине, обозначенной в цели статьи, вы не найдете в ней описания теоретических основ, классификации и устройства нейронных сетей, а также материалы исследований, относящихся к финансовым рынкам. Для этого существует множество других источников. Здесь же мы умышленно ограничимся представлением о нейронной сети, как о черном ящике, способном к ассоциативному мышлению и прогнозированию входа в рынок на основе распознавания графических ценовых паттернов. По этой же причине остановимся на наиболее простом представлении о паттерне, как о непрерывной последовательности бар на графике торгового инструмента, которая предшествует прибыльному движению цены.
Кратко о средствах решения задачи. В отличие от Hlaiman, MQL5 Wizard — неоднократно освещался в статьях и документации, он, как и MetaTrader 5, в презентации не нуждается. Социально ориентированный проект Hlaiman предназначен для разработки и продвижения многопрофильного модульного программного обеспечения в виде плагинов, одним из которых и является EA Generator. Функционально, как уже указывалось выше, EA Generator представляет из себя нейросетевой движок и средства интеграции.
В состав Hlaiman EA Generator входит оболочка , которая представляет собой Windows GUI приложение с мультидокументным интерфейсом и плагины в виде динамически загружаемых компонентных библиотек. Система предоставляет широкий набор ручных и алгоритмических методов настройки и управления компонентами, как загружаемыми в составе плагинов, так и базовыми. В процессе ее работы можно создавать сложные древовидные структуры объектов и гибко управлять их методами и свойствами, как при помощи ручного диалога (Object Inspector), так и при помощи программных средств автоматизации, например скриптов.
Для интеграции Hlaiman EA Generator в MQL5 используется скриптовый интерпретатор Object Pascal, передача исходного кода осуществляется по именованным каналам Named Pipes, а в качестве главного нейросетевого компонента применяется многослойный персептрон MLP.
Интеграция Hlaiman EA Generator в MQL5 Wizard выполняется посредством модуля библиотеки сигналов SignalHNN.mqh. После автоматической генерации советники могут быть обучены торговле на любом количестве инструментов и таймфреймов. Для этого в терминале МetaТrader 5 можно вручную наносить на график цены графические объекты стрелок, указывающие на сигналы, или использовать скрипт TeachHNN.mq5 для автоматического нанесения, который так же автоматически запускает процесс обучения советника.
На этом теоретическое описание заканчивается и начинается практическая часть, которая состоит из двух разделов, а именно — «Как это работает» и «Как это устроено».
Второй раздел предназначен для программистов и приведен скорее в знак уважения к настоящему ресурсу, поэтому его чтение не является обязательным, особенно для трейдеров, которых интересует не навыки программирования, а практика создания нейросетевых советников-роботов и оценка их эффективности или бесполезности для своей торговли.
Как это работает
В MQL5.community, наверное, излишне напоминать, что для работы необходим терминал MetaТrader 5. Если он у вас не установлен — то скачайте и установите его. Также скачайте и установите демо-версию пакета Hlaiman EA Generator.
Запустите терминал МetaТrader 5 и MetaEditor. Войдите в мастер создания советников MQL5. Мастер MQL5 может быть вызван с помощью команды «Создать» в меню «Файл» или панели инструментов «Стандартная», а также при помощи горячих клавиш «Ctrl+N».
В окне мастера MQL5 выберите пункт «Советник (сгенерировать)» и нажмите «Далее».
Рис. 1. Создание советника в Мастере MQL5
Введите путь и имя советника, например «ExpertsSampleHNN», и нажмите «Далее».
Рис. 2. Общие параметры советника
Нажмите кнопку «Добавить». В появившемся окне «Параметры модуля сигналов» выберите модуль сигналов «Signals of patterns Hlaiman Neural Network EA generator» из выпадающего списка и нажмите «OK».
Рис. 3. Выбор модуля торговых сигналов Hlaiman Neural Network EA generator
В самом простом случае реализации на оставшихся этапах мастера MQL5 можете нажимать «Далее». При необходимости вы также можете выбрать дополнительные опции советника.
По завершению процесса генерации кода нажмите кнопку «Компилировать» и закройте окно «MetaEditor». Созданный советник будет отображен в разделе «Советники» на панели «Навигатор» терминала МetaТrader 5.
Рис. 4. Советник SampleHNN
Прежде чем приступить к обучению созданного советника, необходимо открыть в терминале график с требуемым символом и таймфреймом. Приложение Hlaiman EA Generator обязательно должно быть запущено.
Рис. 5. Подготовка к обучению нейросети
Для обучения советника, на панели терминала «Навигатор» в разделе «Скрипты», выберите «TeachHNN» и активируйте его для выбранного графика.
Скрипт «TeachHNN», перед запуском должен быть соответствующим образом настроен. Для этого у него имеются следующие параметры:
- Document name — наименование советника для обучения;
- Neural layers — количество слоев в нейросети;
- Middle neurons — количество нейронов;
- Teaching epochs — количество эпох обучения;
- Pattern bars — количество баров в паттерне;
- Teaching a net? — запустить обучение нейросети (или просто создание сигналов);
- SignalsCreate — автоматически создать графические изображения сигналов;
- SignalsBarPoints — порог для создания сигнала в количестве пунктов;
- SignalsBarsCount — количество баров для подсчета количества пунктов;
- SignalsStartTime, SignalsEndTime — время начала и конца периода для создания сигналов;
- SignalsClear — автоматически удалять изображения сигналов по завершению обучения.
Рис. 6. Параметры скрипта TeachHNN
Если все готово, жмите «OK» для запуска процесса обучения советника. Начнется автоматическое формирование графических паттернов по каждому из имеющихся на графике сигналов.
Информация об этом отображается в журнале «Эксперты» на панели «Инструменты» терминала, а в окне Hlaiman EA Generator появляются соответствующие объекты.
После завершения формирования паттернов начинается непосредственное обучение нейросети. Об этом сигнализирует появляющаяся на экране панель хода обучения.
Рис. 7. Панель процесса обучения
Дождитесь окончания процесса. Досрочная же остановка обучения доступна из контекстного меню по щелчку правой кнопкой мыши на панели хода обучения.
Сообщение об окончании обучения и работы скрипта будет отражено в журнале на вкладке «Эксперты». Например сообщение «Neural net create success! On 431 patterns» свидетельствует об успешном завершении обучения советника с использованием 431-го сигнала.
По сообщениям можно определить, сколько и какие номера паттернов участвовали в обучении. В частности, BUY и SELL определяются по сообщениям типа «Sell signal detected at pattern #211».
Рис. 8. Сообщения скрипта TeachHNN в процессе обучения
Причины, по которым процесс обучения советника может запускается с ошибкой:
- Предварительно не была запущена программа Hlaiman. В этом случае будет отображено сообщение «CSignalHNN::InitHNN: Error! initializing pipe server (possible reason: HLAIMAN APPLICATION IS NOT RUNNING!)».
- Отсутствие стрелок, обозначающих сигналы на графике, при отключенной автогенерации сигналов (переменная SignalsCreate = false). В этом случае будет отображено сообщение «OnStart: error, orders arrow not found!». При включенной автогенерации сигналов (переменная SignalsCreate = true) ошибку может вызывать наличие на графике других графических объектов, так как в программе предполагается не портить пользовательские разметки. Поэтому для автогенерации сигналов рекомендуется открывать все графики отдельно.
После обучения советника можно просмотреть его результаты. Для этого вам необходимо перейти в GUI Hlaiman и выбрать соответствующие объекты и панели визуализации.
Рис. 9. Вкладка «Text» программы Hlaiman
Рис. 10. Вкладка «Graph» программы Hlaiman
После успешного обучения советника хотя бы на одном из торговых инструментов можно приступать к его тестированию и/или оптимизации.
Для этого выберите в тестере имя обученного советника, символ, таймфрейм, интервал и другие параметры тестирования. При необходимости выполните настройку внешних переменных и запустите тест.
Рис. 11. Настройки тестирования советника SampleHNN на исторических данных
Рис. 12. Внешние переменные советника SampleHNN могут быть модифицированы
Ниже приведен пример отчета по работе советника в тестере стратегий. Советник был обучен по автоматически сгенерированным сигналам, все внешние параметры обучающего скрипта выставлены по умолчанию, период обучения — 01.01.2010-01.07.2013 по инструменту EURUSD H4.
Отчет Тестера стратегий
Советник: | SampleHNN |
---|---|
Символ: | EURUSD |
Период: | H4 (2010.01.01-2013.07.12) |
Валюта: | USD |
Начальный депозит: | 10 000.00 |
Плечо: | 0,111111111 |
Бэктест | |
Качество истории: | 100% |
Бары: | 5497 |
Чистая прибыль: | 9 159.58 |
Общая прибыль: | 29 735.97 |
Общий убыток: | -20 576.39 |
Прибыльность: | 1.45 |
Фактор восстановления: | 12.81 |
AHPR: | 1.0005 (0.05%) |
GHPR: | 1.0005 (0.05%) |
Всего трейдов: | 1417 |
Всего сделок: | 2246 |
Тики: | 60211228 |
Абсолютная просадка по балансу: | 0.00 |
Максимальная просадка по балансу: | 679.98 (3.81%) |
Относительная просадка по балансу: | 4.00% (715.08) |
Матожидание выигрыша: | 6.46 |
Коэффициент Шарпа: | 0.16 |
LR Correlation: | 0.98 |
LR Standard Error: | 595.06 |
Короткие трейды (% выигравших): | 703 (56.61%) |
Прибыльные трейды (% от всех): | 793 (55.96%) |
Самый большой прибыльный трейд: | 53.00 |
Средний прибыльный трейд: | 37.50 |
Максимальное количество непрерывных выигрышей: | 9 (450.38) |
Максимальная непрерывная прибыль: | 450.38 (9) |
Средний непрерывный выигрыш: | 2 |
Символы: | 1 |
Абсолютная просадка по средствам: | 6.60 |
Максимальная просадка по средствам: | 715.08 (4.00%) |
Относительная просадка по средствам: | 4.00% (715.08) |
Уровень маржи: | 6929.24% |
Z-Счет: | -1.24 (78.50%) |
Результат OnTester: | 0 |
Длинные трейды (% выигравших): | 714 (55.32%) |
Убыточные трейды (% от всех): | 624 (44.04%) |
Самый большой убыточный трейд: | -53.30 |
Средний убыточный трейд: | -32.97 |
Максимальное количество непрерывных проигрышей: | 9 (-234.00) |
Максимальный непрерывный убыток: | -276.67 (7) |
Средний непрерывный проигрыш: | 2 |
Рис. 13. Результаты тестирования советника SampleHNN на исторических данных
Рис. 14. Статистика входов советника SampleHNN
Рис. 15. Корреляция прибыли и MFE/MAE советника SampleHNN
Рис. 16. Статистика времени удержания позиции советника SampleHNN
Как это устроено
Главным компонентом программной реализации на MQL5 является класс CSignalHNN, описанный в модуле сигналов SignalHNN.mqh. Класс наследован от базового класса CExpertSignal и включает в себя все необходимые поля данных и методы для работы и интеграции Hlaiman, а также для работы с советниками, создаваемыми с помощью мастера MQL5.
Шаблон класса выглядит следующим образом:
//+------------------------------------------------------------------+ //| Class CSignalHNN. | //| Purpose: Class of generator of trade signals based on | //| the 'Hlaiman EA Generator Neural Net' indicator. | //| Is derived from the CExpertSignal class. | //+------------------------------------------------------------------+ class CSignalHNN :public CExpertSignal < protected: //--- variables int m_hnn; // handle of HNN connect string hnn_path; // MT5 Terminal data path string hnn_fil; // HNN file w neural net string hnn_nam; // Expert name string hnn_sym; // Symbol name string hnn_per; // Period name ENUM_TIMEFRAMES hnn_period; // Period timeframe int hnn_index; // Index ext multinet int hnn_bar; // index of last bar int hnn_in; // input layer int hnn_out; // output layer int hnn_layers; // layers count int hnn_neurons; // neurons count int hnn_epoch; // learn epoch double hnn_signal; // value of last signal double pattern[]; // values of the pattren bool hnn_norm; // normalize pattern public: CSignalHNN(void); // class constructor ~CSignalHNN(void); // class destructor //--- methods of setting adjustable parameters void PatternBarsCount(int value) < hnn_in = value; ArrayResize(pattern, value + 1); > void LayersCount(int value) < hnn_layers = value; > void NeuronsCount(int value) < hnn_neurons = value; > void EpochCount(int value) < hnn_epoch = value; > void Normalize(bool value) < hnn_norm = value; > //--- method of verification of settings virtual bool ValidationSettings(void); //--- method of creating the indicator and timeseries virtual bool InitIndicators(CIndicators *indicators); //--- methods of checking conditions of entering the market virtual double Direction(void); bool FillPattern(datetime tim = 0); // prepare pattern bool AddPattern(string name, int ptype); // add new pattern bool TeachHNN(void); // learn neural net bool SaveFileHNN(void); // neural net file double CalculateHNN(void); // calc neural signal //protected: //--- method of initialization of the Hlaiman Application bool InitHNN(bool openn); // Hlaiman App Init void FreeHNN(void) < // Hlaiman App Deinit if(m_hnn!=0 && m_hnn!=INVALID_HANDLE) < FileClose(m_hnn); m_hnn=0; > >; >;
После создания экземпляра класса с помощью конструктора этот объект может работать в двух основных режимах:
- Режим обучения: в этом режиме происходит сбор рыночных паттернов и обучение нейросети.
- Режим индикатора: в данном режиме по текущему паттерну рассчитывается сигнал нейросети.
Идентификация режима происходит при вызове метода инициализации InitHNN посредством булевского параметра openn. Причем истинное значение этого параметра инициирует поиск и открытие файла данных уже обученной нейросети, его загрузку и работу в режиме индикатора (2). Этот режим является рабочим и используется в советнике для торговли.
В отличие от режима обучения (1), который инициируется при вызове метода InitHNN с параметром openn=false, этот режим индикатора является для советника подготовительным и используется для работы обучающего скрипта.
Реализация метода инициализации выглядит следующим образом:
//+------------------------------------------------------------------+ //| Initialize HNN | //+------------------------------------------------------------------+ bool CSignalHNN::InitHNN(bool openn) < //--- initialize Hlaiman Application int num=0; ulong res=0; if(m_symbol!=NULL) < hnn_sym=m_symbol.Name(); hnn_period=m_period; >else < hnn_sym=_Symbol; hnn_period=_Period; > hnn_per = string(PeriodSeconds(hnn_period) / 60); hnn_fil = hnn_nam + NAME_DELIM + hnn_sym + hnn_per + NAME_DELIM + string(hnn_index) + TYPE_NEURO; if(m_hnn== 0|| m_hnn == INVALID_HANDLE) m_hnn=FileOpen(HLAIMAN_PIPE,FILE_READ|FILE_WRITE|FILE_BIN); if(m_hnn!=0 && m_hnn!=INVALID_HANDLE) < string source,result=""; if(openn==true) < result=CON_OPENN+CON_TRUE; if(!FileIsExist(hnn_fil,FILE_READ)) < if(FileIsExist(hnn_fil,FILE_READ|FILE_COMMON)) hnn_fil=TerminalInfoString(TERMINAL_COMMONDATA_PATH)+PATH_FILES+hnn_fil; else < // hnn_fil = hnn_path + PATH_MQL5 + PATH_FILES + hnn_fil; hnn_fil=TerminalInfoString(TERMINAL_DATA_PATH)+PATH_MQL5+PATH_FILES+hnn_fil; > > else hnn_fil=TerminalInfoString(TERMINAL_DATA_PATH)+PATH_MQL5+PATH_FILES+hnn_fil; > else < result=CON_OPENN+CON_FALSE; hnn_fil=TerminalInfoString(TERMINAL_DATA_PATH)+PATH_MQL5+PATH_FILES+hnn_fil; > source="unit InitHNN; Interface "+result+" var libr, term, exp, sym: TObject;" " Implementation function main: integer;nr" // Line #1 " begin" " Result := 0;" " libr := Open('mt45.dll');nr" // Line #2 " if (libr <> nil) then" " begin" " term := Open('"+hnn_path+"');nr" // Line #3 " if (term <> nil) then" " begin" " exp := term.ObjectOfName('"+hnn_nam+"');" " if (exp = nil) then exp := term.AddObject('TMT45Expert');nr" // Line #5 " if (exp <> nil) then" " begin" " if (exp.Name <> '"+hnn_nam+"') then exp.Name := '"+hnn_nam+"';nr" // Line #6 " sym := exp.ObjectOfName('"+hnn_sym+hnn_per+"');" " if (sym = nil) then sym := exp.AddObject('TMT45Symbol');" " if (sym <> nil) then" " begin" " sym.Log.Add('"+hnn_sym+hnn_per+"');nr" " if (sym.Name <> '"+hnn_sym+hnn_per+"') then sym.Name := '"+hnn_sym+hnn_per+"';" " if (sym.Period <> "+hnn_per+") then sym.Period : string">";" " if (openn = true) then" " begin" // " sym.Log.Add('" + hnn_fil + "');" " if (sym.Open('"+hnn_fil+"')) then Result := sym.TeachInput;nr" // ret input Line #8 " end else" " begin" " sym.TeachInput : functions">IntegerToString(hnn_in)+";" " sym.TeachOutput : functions">IntegerToString(hnn_out)+";" " sym.TeachLayer : functions">IntegerToString(hnn_layers)+";" " sym.TeachNeurons : functions">IntegerToString(hnn_neurons)+";" " sym.TeachEpoch : functions">IntegerToString(hnn_epoch)+";" " sym.FileName := '"+hnn_fil+"';" " Result := sym.TeachInput;nr" // ret input Line #9 " end;" " end;" " end;" " end;" " end;" " end; end."; FileWriteString(m_hnn,source,StringLen(source)); FileFlush(m_hnn); while(res0 && (MQL5InfoInteger(MQL5_TESTER) || numSleep(SLEEP_TIM); res=FileSize(m_hnn); num++; > if(res>0) < result=FileReadString(m_hnn,int(res/2)); res=StringToInteger(result); if(res<=RES_OK) printf(__FUNCTION__+": Error! Initialization data(possible reason: FILE NOT EXIST OR CORRUPTED "+hnn_fil); else < printf(__FUNCTION__+": Initialization successful! NEURAL PATTERN "+string(res)); ArrayResize(pattern,int(res+1)); return(true); > > else printf(__FUNCTION__+": Error! pipe server not responding(possible elimination: RESTART HLAIMAN APPLICATION)"); > else printf(__FUNCTION__+": Error! initializing pipe server (possible reason: HLAIMAN APPLICATION IS NOT RUNNING!)"); //--- ok return(false); >
Как видно из кода, на первом шаге инициализации делается попытка открыть именованный канал для установки связи с приложением Hlaiman. Если это не удается (например, когда не запущен), то осуществляется выход с отрицательным статусом. На втором шаге (при удачном завершении первого и рабочем режиме индикатора) происходит просмотр локальных и общих папок терминала с целью поиска соответствующего имени файла с данными нейросети. На третьем шаге выполняется подготовка текста кода на языке ObjectPascal (Delphi) для инициализации непосредственно в приложении Hlaiman.
Текст кода помещается в строку source. Для удобства форматирования он разбит с помощью перевода каретки «nr» на подстроки и содержит обращения к свойствам и методам объектов Hlaiman (см. комментарии). Объектная среда MetaTrader 5 Hlaiman плагина, как определено в тексте, построена в иерархическую древовидную структуру, в корне которой находится объект самого плагина.
На следующем уровне находится объект терминала МetaТrader 5, затем — объекты советников и символов. При удачной трансляции и выполнении исходного кода, переданного по именованному каналу, в возвращаемом значении Result будет получено количество элементов входного вектора нейросети. Это значение, как видно из кода, используется для инициализации массива паттерна, и выполнение метода завершается с положительным статусом.
Следующими ключевыми методами класса CSignalHNN являются CalculateHNN, AddPattern и TeachHNN, первый из которых возвращает результат расчета нейросети в режиме индикатора. Вторые два используются в режиме обучения для пополнения коллекции при сборе паттернов и запуске процесса обучения нейросети соответственно.
Реализация указанных методов в файле выглядит следующим образом:
//+------------------------------------------------------------------+ //| Calculate HNN signal | //+------------------------------------------------------------------+ double CSignalHNN::CalculateHNN(void) < if(m_hnn==0 || m_hnn==INVALID_HANDLE) return(0.0); int num = 0; ulong siz = 0; double res=0.0; string source,result=""; if(FillPattern(0)==true) < result=CON_START; for(int i=1; i<(ArraySize(pattern)-1); i++) result= result+DoubleToString(pattern[i])+CON_ADD; result = result + DoubleToString(pattern[ArraySize(pattern) - 1]) + CON_END; source = "unit CalcHNN; Interface " + result + " var i: integer; libr, term, exp, sym, lst: TObject;" " Implementation function main: double;nr" // Line #1 " begin" " Result := 0.0;" " libr := Open('mt45.dll');nr" // Line #2 " if (libr <> nil) then" " begin" " term := Open('"+hnn_path+"');nr" // Line #3 " if (term <> nil) then" " begin" " exp := term.ObjectOfName('"+hnn_nam+"');nr" // Line #4 " if (exp <> nil) then" " begin" " sym := exp.ObjectOfName('"+hnn_sym+hnn_per+"');nr" // Line #5 " if (sym <> nil) then" " begin" " lst := TStringList.Create;" " if (lst <> nil) then" " begin" " lst.Text := cons;" " if (lst.Count >= sym.NetInputs.Count) then" " begin" " for i := 0 to sym.NetInputs.Count - 1 do" " begin" " sym.NetInputs.Objects[i].NetValue := StrToFloat(lst[i]);nr" // Line #6 // " sym.Log.Add('Input ' + IntToStr(i) + ' = ' + lst[i]);" " end;" " sym.Computed := true;" " Result := sym.NetOutputs.Objects[0].NetValue;nr" // ret input Line #7 " end;" " lst.Free;" " end;" " end;" " end;" " end;" " end;" " end; end."; FileWriteString(m_hnn,source,StringLen(source)); FileFlush(m_hnn); while(siz0 && (MQL5InfoInteger(MQL5_TESTER) || numSleep(SLEEP_TIM); siz=FileSize(m_hnn); num++; > if(siz>0) < result=FileReadString(m_hnn,int(siz/2)); res=StringToDouble(result); > > //else Print("fill pattern error!"); return(res); > //+------------------------------------------------------------------+ //| AddPattern | //+------------------------------------------------------------------+ bool CSignalHNN::AddPattern(string name,int ptype) < int num=0; long res=0; ulong siz=0; string result,source,nam=name; if(m_hnn!=0 || m_hnn!=INVALID_HANDLE) < pattern[0]=ptype; result=CON_START; for(int i=0; i<(ArraySize(pattern)-1); i++) result= result+DoubleToString(pattern[i])+CON_ADD; result = result + DoubleToString(pattern[ArraySize(pattern) - 1]) + CON_END; source = "unit AddPatternHNN; Interface " + result + " Implementation function main: integer;" " var i: integer; out: double; onam: string;" " libr, term, exp, sym, ord, tck, lst: TObject;nr" // Line #1 " begin" " Result := 0;" " libr := Open('mt45.dll');nr" // Line #2 " if (libr <> nil) then" " begin" " term := Open('"+hnn_path+"');nr" // Line #3 " if (term <> nil) then" " begin" " exp := term.ObjectOfName('"+hnn_nam+"');nr" // Line #4 " if (exp <> nil) then" " begin" " sym := exp.ObjectOfName('"+hnn_sym+hnn_per+"');nr" // Line #5 " if (sym <> nil) then" " begin" " lst := TStringList.Create;" " if (lst <> nil) then" " begin" " lst.Text := cons;" " if (lst.Count >= (sym.TeachInput + sym.TeachOutput)) then" " begin" " out := StrToFloat(lst[0]);" " if(out >= 0) then onam := 'BUY-"+nam+"'" " else onam := 'SELL-"+nam+"';" " ord := sym.ObjectOfName(onam);" " if (ord = nil) then ord := sym.AddObject('TMT45Order');nr" // Line #6 " if (ord <> nil) then" " begin" " if (ord.Name <> onam) then ord.Name := onam;nr" // Line #7 " if (out >= 0) then ord.OrderType := 0 else ord.OrderType := 1;" " if (ord.NetOutput <> out) then ord.NetOutput := out;nr" // Line #8 " for i := 1 to sym.TeachInput do" " begin" " if(i " tck := ord.AddObject('TMT45Tick');nr" // Line #10 " if (tck <> nil) then" " begin" " tck.x := i;" " tck.y := StrToFloat(lst[i]);nr" // Line #11 " end;" " end;" " end;" " Result := sym.Count;nr" // ret input Line #12 " end;" " lst.Free;" " end;" " end;" " end;" " end;" " end;" " end; end."; FileWriteString(m_hnn,source,StringLen(source)); FileFlush(m_hnn); while(siz0 && (MQL5InfoInteger(MQL5_TESTER) || num Sleep(SLEEP_TIM); siz=FileSize(m_hnn); num++; > if(siz>0) < result=FileReadString(m_hnn,int(siz/2)); res=StringToInteger(result); > > return(res>0); > //+------------------------------------------------------------------+ //| TeachHNN | //+------------------------------------------------------------------+ bool CSignalHNN::TeachHNN(void) < int num=0; long res=0; ulong siz=0; string result,source; if(m_hnn!=0 || m_hnn!=INVALID_HANDLE) < source="unit TeachHNN; Interface const WAIT_TIM = 100; WAIT_CNT = 100;" " var i: integer; libr, term, exp, sym: TObject;" " Implementation function main: integer;nr" // Line #1 " begin" " Result := 0;" " libr := Open('mt45.dll');nr" // Line #2 " if (libr <> nil) then" " begin" " term := Open('"+hnn_path+"');nr" // Line #3 " if (term <> nil) then" " begin" " exp := term.ObjectOfName('"+hnn_nam+"');nr" // Line #4 " if (exp <> nil) then" " begin" " sym := exp.ObjectOfName('"+hnn_sym+hnn_per+"');nr" // Line #5 " if (sym <> nil) then" " begin" " if (sym.Teached) then sym.Teached := false;nr" // Line #6 " sym.Teached := true;nr" // Line #7 " Result := sym.Count;nr" // ret input Line #8 " end;" " end;" " end;" " end;" " end; end."; FileWriteString(m_hnn,source,StringLen(source)); FileFlush(m_hnn); while(siz0) // && (MQL5InfoInteger(MQL5_TESTER) || num < WAIT_TIMES)) Sleep(SLEEP_TIM); siz=FileSize(m_hnn); num++; > if(siz>0) < result=FileReadString(m_hnn,int(siz/2)); res=StringToInteger(result); > > return(res>0); >
Как видно из кода, тело методов в основном состоит из строк source, текст которых построен аналогично тем, что рассмотрены выше при описании метода InitHNN. Отличие состоит в том, что в объектной иерархии плагина для олицетворения паттернов добавлены два уровня — ордер и тик. Кроме того, в коде используются дополнительные свойства и методы объектов. Так для запуска расчета нейросети взводится флаг Computed объекта «символ», а для запуска обучения — флаг Teached.
Отличием в CalculateHNN от других методов является также тип возвращаемого функцией main значения — теперь он double. Это значение как раз и является откликом нейросети — сигналом, где в диапазоне 0..1 находится уровень BUY, а в диапазоне 0..-1 — уровень SELL. Контроль этого сигнала, который используется советником для принятия решений об открытии или закрытии соответствующих торговых позиций, осуществляется посредством метода Direction. Он отвечает за пересчет при появлении нового бара и возвращает его значение в процентном выражении.
//+------------------------------------------------------------------+ //| Check conditions for trading signals. | //+------------------------------------------------------------------+ double CSignalHNN::Direction(void) < if( m_hnn == 0 || m_hnn == INVALID_HANDLE) return(EMPTY_VALUE); //--- check new bar condition int cur_bar = Bars(hnn_sym, hnn_period); if (hnn_bar != cur_bar) < //--- condition OK hnn_signal = CalculateHNN() * 100; hnn_bar = cur_bar; > return(hnn_signal); >
Для настройки порога чувствительности советника к сигналам на открытие и закрытие торговых позиций предназначены соответствующие внешние переменные:
- input int Signal_ThresholdOpen =10; // Signal threshold value to open [0. 100]
- input int Signal_ThresholdClose=10; // Signal threshold value to close [0. 100]
Практически уровни сигнала зависят от качества и интенсивности обучения нейросети, которую, как правило, можно визуально оценивать, наблюдая за динамикой уменьшения расчетной ошибки, отображаемой на индикаторе хода обучения.
Выводы
Использование Hlaiman EA Generator предоставляет компоненты и прозрачную контролируемую объектную среду интеграции в MQL5, при этом:
- В интерфейсе MQL5 Wizard появляется дополнительный тип, основанный на распознавании паттернов и сигналов, а также возможность генерации нейросетевых советников-роботов.
- Быстро создаваемые нейросетевые советники так же быстро могут быть адаптированы к изменениям рынка и многократно подвергаться обучению на различных торговых инструментах и таймфреймах.
- Благодаря возможности MQL5 Wizard подключать несколько модулей сигналов, можно создавать сложные мультивалютные нейросетевые советники иили комбинированные индикаторно-нейросетевые советник. Также их можно комбинировать с различными дополнительными фильтрами, например, временными.
- Наконец, сам нейросетевой модуль можно использовать в качестве дополнительного фильтра для повышения эффективности уже готового рабочего советника. Для этого служит возможность обучения нейросети на графиках визуализации результатов теста исходного советника.
Одним из недостатков предложенной реализации можно считать использование скриптового интерпретатора, из-за чего интегрированная вычислительная система может показаться недостаточно быстродействующей. Однако нужно заметить, что во-первых, интерпретация скриптового кода, как и работа Hlaiman плагина, выполняется асинхронно с EX5, то есть выполняется распараллеливание задач. Во-вторых, для повышения быстродействия емких по времени вычислений, например, больших нейросетей, MetaTrader 5 и Hlaiman можно запускать на различных компьютерах со связью через сетевые именованные каналы. Причем запуск торгового терминала на отдельном компьютере в дополнение к увеличению быстродействия может повысить и его безопасность.
В качестве перспективы можно рассматривать разработку советников, самообучающихся в процессе торговли. Для начала, проще всего это сделать на основе объединения кода советника и обучающего скрипта, поскольку в них обоих используется один класс CSignalHNN, предоставляющий необходимую функциональность. Но это уже материал для продолжения или новой статьи, если это будет актуально.
Ознакомительную версию программы Hlaiman EA Generator можно скачать по ссылке.
- SignalHNN.mqh — модуль сигналов «MQL5IncludeExpertSignal».
- TeachHNN.mq5 — обучающий скрипт «MQL5Scripts».
- SampleHNN.mq5 — торговый советник на базе модуля торговых сигналов «Signals of patterns Hlaiman Neural Network EA generator», созданный при помощи MQL5 Wizard.
Нейросети на форекс
Одно из последних событий в мире Forex — нейросети. Нейросети — это машинное самообучение, тесно связанное с технологиями искусственного интеллекта. Такие системы собирают и анализируют данные, используя модель обучения отдаленно повторяющую то, как работает и учится человеческий мозг — методами проб и ошибок, обобщений и обособлений. Каковы текущие возможности и перспективы, которые открывают эти программные разработки перед финансовыми рынками форекс?
Что это вообще такое — «нейросети»?
Нейросети — уникальные системы технического анализа данных. И важно то, что в своей автономной работе очень напоминают людей — в том, как те оценивают какие-то причинно-следственные связи и вероятности. Что несомненно важно для людей в принятии тех или иных решений, то воплощается и в нейросетевых системах — оценка предыдущего опыта. Это как ребенок, который раз за разом собирает пазл и делает все меньше ошибок.
Так работает биологическая нейронная сеть
А так формулируются принципы работы многослойной нейросети. Чем-то похоже, не правда ли?
Сеть совершенствуется за счет двух основных наборов данных: набора для обучения и набора для тестирования, что позволяет улучшать себя за счет проб-ошибок — как у людей. Одна из основных сильных сторон нейросетей состоит в том, что она может продолжать учиться, дополняя свои прогнозы поступающими данными, и переосмыслять на этом фоне некоторые принципы своей работы.
Нейросети на форекс могут очень гармонично анализировать между собой как технические, так и фундаментальные данные, чего не делают не то что другие механические системы, но и некоторые трейдеры.
Само же обучение нейросетей занимает много времени, ресурсов и сил. Но есть надежды на то, что таким образом или похожим — можно еще больше сократить дистанцию между уникальными способностями человеческого мышления и вычислительными возможностями компьютерных систем.
Где-то уже применяются такие системы?
Поисковые системы, такие как Google или Яндекс уже давно используют нейросети для анализа и классификации изображений, звуков, символов текста и других данных. Нейросети гугла могут сортировать изображения — по ходу обучаясь выделять все более общие и частные признаки характерные для тех же картинок. Такие нейросистемы легчайшим образом сортируют черно-белые и цветные изображения и могут почти безошибочно отличать изображения котят от щенят.
Гугл-переводчик также частично перешел на нейросетевой интерфейс и стал переводить гораздо точнее и внимательнее к контексту. Нейрокомпьютеры активно используются американским финансовым конгломератом Citigroup Inc. В Chemical Bank также развита крупная программная система, обслуживаемая фирмой Neural Data. Многие крупные американские компании, такие как LBS Capital Management Inc. покупают небольшие нейропакеты и нейрокомпьютеры (до 50000 $) и значительно улучшают свои торговые показатели на американских индексах — S&P и Nasdaq.
Также расширились отдельные возможности при работе с какими-либо данными. Например, нейросети могут сжимать данные, выделяя наиболее общие взаимосвязи между их частями, и выражать их более компактно — в меньшей размерности. Исходный образ данных можно также восстановить за счет ассоциативной памяти нейросети — если вдруг данные были повреждены или зашумлены.
Но сегодня перед исследователями и разработчиками нейросетей стоят скорее фундаментальные, чем частные задачи и проблемы. Есть куда совершенствовать сами алгоритмы самообучения и анализа, быстродействия и другие, чтобы укрепить саму нишу, расширив потенциал для конкретных возможностей.
Как это можно использовать на рынках форекс?
Нейросети могут прогнозировать, обобщая и обособляя зависимости между входящими и выходящими данными. Обученная сеть может, как и любой технический индикатор, предсказывать будущие значения какой-либо последовательности на основании исторических данных.
Но в отличие от классических индикаторов, нейросеть самостоятельно настраивает принципы оценки данных, их зависимостей друг от друга, корректирует их на основе успехов и ошибок в торговле. Конечно, и тут понадобится немало времени, средств и сил, чтобы обучить сеть и обеспечить необходимую инфраструктуру для своевременного реагирования на поступающие данные.
Все видимые преимущества нейросетевых систем имеют риски очень круто подвести в отношение торговых прогнозов. В конечном счете, выходные решения хороши ровно настолько, насколько хороши входные данные. Нейросети прекрасно обнаруживают корреляции между ними — даже если данных очень много.
Также хорошо извлекаются шаблоны из широко разрозненных типов информации, даже когда эти шаблоны и отношения почти не просматриваются человеческим глазом. Но все же, применение интеллекта без эмоций — в конце концов — скорее слабость, которая может проявить себя при работе с неустойчивым рынком. Когда вводится неизвестный фактор, искусственная нейронная сеть не имеет возможности назначить ему эмоциональный вес.
С наиболее показательными примерами эксплуатации глубинных нейросетей на финансовых рынках вы можете ознакомиться здесь или здесь . В сети появляется все больше индикаторов, так или иначе эксплуатирующих нейронные сети, и вы найдете их без особого труда.
Общие выводы
- Актуально и перспективно, но еще рано — нейросети с их текущим потенциалом могут прогнозировать рынки лучше, чем традиционные алгоритмические советники и индикаторы, однако этот потенциал еще не реализован на полную и сами основы нейросетевого моделирования нуждаются в совершенствовании и доработке.
- Нейросети хорошо классифицируют паттерны и превосходно просматривают внутритрендовую динамику.
- Превосходно работают в рамках текущего тренда и обнаруживают поведенческие циклы. Но как и человек, все еще не могут предугадывать будущее вне взаимосвязи с прошлым, а адаптация к свежепоступающим событиям и данным проходит куда медленней.
- Все те, кто использует нейросети на форексе, как правило, торгуют долгосрочные тренды или Моментум. Скальперы встречаются, но хорошие из них реже.
- Нейросети были популярны и 10 и 5 лет назад, и сегодня новый виток прогресса подобных систем связан с развитием технологий big data и облачных хранилищ, что следует также принять во внимание для полноценной разработки и исследований.
P.S. Понравилась моя статья? Поделись ей в соцсетях, это лучшее спасибо 🙂
Задавайте мне вопросы и комментируйте материал ниже. С удовольствием отвечу и дам необходимые пояснения.
Полезные ссылки:
- Торговлю с проверенным брокером рекомендую попробовать тут. Система позволяет торговать самостоятельно или копировать сделки успешных трейдеров со всего мира.
- Воспользуйтесь моим промокодом BLOG для получения бонуса 50% на депозит от LiteFinance. Промокод нужно просто ввести в соответствующее поле при пополнении счета в платформе LiteFinance и бонус зачислится одновременно с депозитом.
- Чат трейдеров в телеграм: https://t.me/marketanalysischat. Делимся сигналами и опытом.
- Канал в телеграм с отличной аналитикой, форекс обзорами, обучающими статьями и прочими полезностями для трейдеров: https://t.me/forexandcryptoanalysis
Содержание данной статьи является исключительно частным мнением автора и может не совпадать с официальной позицией LiteFinance. Материалы, публикуемые на данной странице, предоставлены исключительно в информационных целях и не могут рассматриваться как инвестиционный совет или консультация для целей Директивы 2004/39 /EC.
Источник https://www.mql5.com/ru/articles/706
Источник https://www.litefinance.org/ru/blog/for-professionals/neiroseti-na-forex/