Индикатор предсказатель Vanga

Рейтинг самых лучших брокеров бинарных опционов 2020:
  • Бинариум
    Бинариум

    1 место в рейтинге! Самый честный и надежный брокер бинарных опционов!
    Идеально подходит для новичков и средне-опытных трейдеров.
    Бесплатное обучение и демо-счет!
    Дают бонус за регистрацию:

Индикатор Предсказатель Fourier Extrapolator

Как правило, самую высокую прибыль на Форекс приносят сделки, в рамках которых удаётся предвидеть разворот тренда ещё до его фактического перелома. К сожалению, подобным мастерством обладают далеко не все спекулянты, поэтому сегодня мы поговорим про один индикатор предсказатель, генерирующий проекции будущих тенденций, называется он Fourier Extrapolator.

Прежде чем переходить к описанию настроек и сигналов экстраполятора, следует уделить внимание самой идее построения прогнозов для FOREX. Скажу честно, мне ещё не встречались алгоритмы, способные хотя бы с 60% вероятностью «угадывать» будущие движения, так как динамика валютных курсов сильно зависит от непрерывно меняющегося фундаментального фона. Иначе говоря, если бы тренды были легко предсказуемыми, на рынке зарабатывали бы все трейдеры, что, как мы прекрасно знаем, невозможно.

Учитывая данное обстоятельство, я решил сразу отложить в сторону все индикаторы-предсказатели, строящие свои модели путём зеркального отображения исторической разметки, и вместо этого сконцентрировал усилия на изучении математических алгоритмов.

Описание и настройка индикатора предсказателя на Форекс

Из названия эксперта уже можно догадаться о том, что его разработчик использовал некоторые положения теории Фурье, которая нашла применение во многих областях человеческой деятельности, начиная от теоретической физики и заканчивая созданием музыкальных инструментов.

Если говорить кратко, то в рамках рынка Форекс данная теория используется следующим образом – индикатор предсказатель автоматически исследует амплитуды ценовых колебаний сразу на нескольких периодах, после чего отбирает из них модели, параметры которых наиболее точно соответствуют третьей гармонике.

Скачать Fourier Extrapolator для MetaTrader 4 Вы можете вот здесь:

Звучит всё немного запутанно, особенно если впервые слышишь про теорию Фурье, поэтому алгоритм работы эксперта лучше описать поэтапно:

  1. Сначала алгоритм виртуально (мы этого на графике не видим) размечает несколько отрезков [T;0], [T-1;0], [T-2;0], [T-3;0] и т.д., где T – это период расчёта, а 0 – текущая котировка (цена фиксируется в момент установки Fourier Extrapolator на график);
  2. На каждом из отрезков рассчитывается амплитуда колебаний;
  3. Если среди полученных величин встречается показатель, соответствующий третьей гармонике (T/3), волна этого отрезка продлевается в будущее;
  4. В том случае, если гармоники были найдены сразу на нескольких отрезках, все полученные проекции усредняются, после чего на график выводится итоговый результат.

Что касается настроек, то здесь следует сказать автору спасибо, поскольку нам потребуется задать лишь базовые величины, в которых невозможно запутаться:

Рейтинг брокеров бинарных опционов полностью на русском языке:
  • Бинариум
    Бинариум

    1 место в рейтинге! Самый честный и надежный брокер бинарных опционов!
    Идеально подходит для новичков и средне-опытных трейдеров.
    Бесплатное обучение и демо-счет!
    Дают бонус за регистрацию:

  • T – это базовый период, т.е. через него задаётся продолжительность самого большого отрезка для поиска гармоник;
  • shift – смещение начальной точки построения проекции по оси времени (используется для оценки качества моделирования в прошлом);
  • showprofit – включить/выключить виртуальную линию эквити;
  • alert – при значении «true» индикатор предсказатель будет выводить на экран специальное окно, в котором перечисляются отрезки, гармоники которых участвовали в построении усреднённого прогноза.

Между прочим, последняя функция достаточно интересная, так как с её помощью можно оценить качество усреднённого прогноза. Так, наблюдения показывают, что самые точные проекции получаются в том случае, если разброс между периодами отрезков оказался минимальным.

С другой стороны, если одна гармоника была найдена для отрезка с T = 700, вторая для интервала T = 80, а третью удалось распознать на периоде с T = 15, то рассчитывать на точную отработку среднего прогноза не следует. В лучшем случае, он исполнится лишь в общих чертах, т.е. по мере движения цены котировки будут значительно отклоняться от оранжевой линии.

Применение Fourier Extrapolator

Как я уже отмечал выше, индикаторы предсказатели – это субъекты весьма ненадёжные, поэтому всецело доверять их разметкам не следует. Не является исключением из этого правила и экстраполятор Фурье, поэтому его лучше использовать как вспомогательный инструмент.

В частности, он неплохо фильтрует сигналы классических трендовых инструментов, например, если Аллигатор раскрыл пасть и буквально кричит о том, что тренд продолжится, Fourier Extrapolator может опровергнуть подобный сигнал.

На графике выше представлен один из таких примеров – Аллигатор указывал на рост цены, а индикатор предсказатель разметил проекцию, в рамках которой потенциал дальнейшего роста актива был ограничен. В результате так и произошло – курс пары вскоре начал падать.

Кроме этого, алгоритм Фурье иногда применяется для расчёта «плавающего» тейк-профита, после достижения, которого разумно включить трейлинг-стоп. Разумеется, в этом случае оценки носят лишь приблизительный характер, но на современном рынке даже такая помощь будет весьма кстати.

Обратите внимание еще на эти два индикатора:

И последняя стратегия используется крайне редко, поскольку она ориентирована на комплексный анализ валютного рынка, т.е. в её рамках индикатор предсказатель выступает в роли одного из модулей, сигналы которого подтверждаются результатами фундаментальных исследований, динамикой объёмов и т.д.

Таким образом, из сегодняшнего обзора можно сделать несколько важных выводов:

  1. Индикаторы предсказатели действительно существуют;
  2. Лучшие представители данной группы построены на математических и физических законах;
  3. Подобные сигналы обязательно следует фильтровать при помощи других инструментов технического или фундаментального анализа.

Ванга о проклятии пяти двоек: «Придет такая жуткая болезнь, что погибнут сотни миллионов»

Пугающие предсказания ясновидящей о коронавирусе уже сбываются

Весь мир замер по причине смертельной угрозы: в Китае один за другим продолжают фиксировать смертельные случаи от вспыхнувшего коронавируса. И то, что происходит на улицах, всемирно известная провидица баба Ванга в деталях описала как минимум еще 25 лет назад. Она, в частности, говорила, что люди будут падать и умирать прямо на улицах без видимой причины. Правда, она, как считают многие ее биографы и исследователи, могла предупреждать об этом еще в 60−70-х годах прошлого столетия и говорила, что болезнь эта начнет распространяться из Африки, а не из Китая.

Баба Ванга даже указывала примерные сроки, утверждая, что эпидемия начнется в первой четверти ХХI века. Именно в это время человечество столкнется, по ее словам, с неким новым вирусным заболеванием: «Заболевание стремительно распространится по всему миру и унесет множество жизней».

Но главное — болгарская ясновидящая еще в прошлом веке утверждала, что на создание вакцины против нового заболевания уйдет не менее года. И вот довольно интересный факт: многие эксперты подтверждают это, говоря, что для выведения в лабораторных условиях подобной вакцины действительно понадобиться примерно год.

На Первом канале прошел эфир телепередачи «На самом деле» с Дмитрием Шепелевым. В студию были приглашены близкие к бабе Ванге люди и эксперты. Например, личный переводчик ясновидящей Стоян Петров передавал ее слова о том, что будет вспышка старой болезни, которая принесет очень большую опасность для всего человечества. И будет это где-то на юге.

О том, что это действительно уже известная человечеству болезнь, отчасти подтвердили в прямом эфире некоторые эксперты. «Коронавирус — это семейство, включающее в себя порядка 40 видов, — рассказала Сабина Пантус. — Выделен он впервые был в 1965-м году. Если помните, в 2002—2003 годах произошла вспышка атипичной пневмонии. А это один из видов коронавируса».

«Да, этот вирус действительно был открыт в 1965-м году. Но до этого века он никак не будоражил людей, — подтверждила эту информация иммунолог, кандидат биологических наук Марина Зуева. — Это были обыкновенные респираторные инфекции. И вдруг в 2002 и в 2020 годах были зафиксированы очень крупные вспышки с вирусом, так называемым SARS. Вот это действительно один из самых опасных вирусов, который передается от человека к человеку.

Причем, есть несколько путей распространения: респираторный, разные риниты, а также фекально-оральный, когда можно заразится от фекалий больных животных. Кроме того, контактный способ, когда ты с кем-то контактируешь и на тебя чихнули, плюнули, извините за выражение. Но что самое страшное, у него очень большой инкубационный период — до 14 дней. Этот вирус очень похож на вирус, который вызывал атипичную пневмонию. Он мутировал из разных животных и попал к человеку. На сегодняшний день от него вакцины нет, как нет и лекарства. Коронавирус — это не грипп, то есть не гриппозный вирус. Это вирус с другим строением. Но он, несомненно, несет опасность.

Что же это: предсказания ясновидящей Ванги, похоже, не просто начинают сбываться, но уже вошли в полную силу, принеся человечеству страшную и неведомую доселе болезнь. И об этом говорит журналист и друг провидицы Сергей Косторной.

«Когда в 1995 году я, будучи еще молодым парнишкой, беседовал с Вангой, она сказала, что в год пяти двоек произойдет эпохальное событие для всего человечества. Планета получит такой страшный вирус, что могут погибнуть сотни миллионов людей. Я сейчас в шоке! — признается он. — Мы 26 декабря во время эфира беседовали, а через месяц имеем сбывшееся предсказание. И даже дело не в том, что оно сбылось, а в том, что сбылось действительно ужасное предсказание. Ванга всегда пыталась сглаживать углы. Но тут она сказала, что это произойдет именно в год пяти двоек! Так что 22 февраля к этому времени ждите больших проблем или к 22 декабря 2020 года».

«Она сказала, что, когда будет год-зеркало (2020-й), весь мир перевернется наоборот, и вся проблема придет от желтой, — вспоминает друг и переводчик Ванги Тодор Тодоров. — Я подумал, что речь идет о желтухе». От какой «желтой»? На самом же деле, как оказалось, опасность, как мы уже сейчас понимаем, пришла со стороны так называемой «желтой расы» — от жителей Китая. Но действительно ли коронавирус — это старая болезнь? С этим не согласен доктор медицинских наук, профессор Дмитрий Еделев.

«Здесь я, наоборот, не соглашусь. Предсказание неправильное, потому что вирус этот не древний, не старый, а абсолютно новый, — считает Дмитрий Аркадьевич. — Именно поэтому сегодня и нет лекарства. Сегодня только расшифровывается геном. Поэтому — что это на самом деле, мы не понимаем до конца. Но это вирус, впервые встреченный человечеством, во всяком случае, описанный. Второе: мы пока тоже не до конца понимаем, как он будет мутировать. Если говорить об аналогах, то там смертность, я соглашусь, достигала 50%. Пока официально китайцы дают 2,7−3%. Но, если вирус все-таки вернется к той первоначальной патогенности, которая была, то смертность примерно может достигать до 40%.

Конечно, можно не верить в предсказания Ванги. Но ведь профессор, оперирующий научными знаниями, так и не сказал, откуда взялся коронавирус? Об этом никто из ученых ничего не знает. А вот не имеющая образования Ванга знала об этом еще в прошлом веке. Как такое может быть? Но ведь было же! И тут уж ничего не поделаешь.

Короновирус онлайн: данные о количестве заболевших и умерших в мире смотрите на карте распространения коронавируса

| Коронавирус, борьба с пандемией, последние новости:

Предсказатель на основе самообучающейся нейронной сети — индикатор для MetaTrader 4

Автор:

История версий:

16/06/2009 — в индикаторы BPNN Predictor.mq4 и Buy-Sell Classificator.mq4 добавлены проверки на появление нового бара чтобы тиковое обновление on-line графиков не перезапускало вычисления. Добавлен новый BPNN.zip файл содержащий недостающие системные DLL файлы.

17/06/2009 — добавлена проверка на скорость уменьшения ошибки в BPNN.cpp существенно увиличивающаяся скорость вычислений. Приложены новые файлы BPNN.zip и BPNN.dll.

  • файл BPNN.dll скомпилирован таким образом что он теперь включает все необходимые системные функции
  • добавлены две новые функции активации нейронов: tanh и рациональная
  • удалена проверка на скорость уменьшения ошибки в BPNN.cpp
  • встроен новый, более надёжный алгоритм обучения iRProp+
  • Старые файлы индикаторов не будут работать с новым BPNN.dll
  • удалён Buy-Sell Classificator.mq4 так как он пока не работает. Он может появиться снова здесь как только я доведу его до ума.

24/06/2009

— добавлен новый индикатор BPNN Predictor with Smoothing.mq, который до предсказания цен сглаживает их скользящей средней

20/08/2009 — исправлен код вычисления функции активации нейрона чтобы предотвратить зашкаливание. Обновлены файлы BPNN.dll и BPNN.cpp.

21/08/2009 — добавлена очистка памяти. Обновлены файлы BPNN.dll и BPNN.cpp.

Предлагается индикатор использующий нейронную сеть прямого распространения (feedforward neural network), которая самообучается методом Обратного Распространения Ошибки (backpropagation). Сеть загружается через DLL файл, исходный C++ код которого прилагается.

Нейронная сеть это ничто иное как нелинейная модель выходов как функция входов. На входы подаются данные задаваемые пользователем, например выборки временного ряда. Смысл выходных данных также задаётся пользователем, например сигналы 1=buy/0=sell. Структура сети опять же задаётся пользователем. Сеть прямого распространения состоит из

входного слоя (input layer), элементами которого являются входные данные,

скрытых слоёв (hidden layers), состоящих из вычислительных узлов называемых нейронами (neurons) и

выходного слоя (output layer), который состоит из одного или нескольких нейронов, выходы которых являются выходами всей сети.

Все узлы соседних слоёв связаны между собой. Эти связи называются синапсами (synapses). Каждый синапс имеет вес (weight w[i,j,k]), на которой умножаются данные передаваемые по синапсу. Данные передвигается слева направа т.е. от входов сети к её выходам. Отсюда и название, «сеть прямого распространения». Общий пример этой сети изображён на рисунке внизу

Данные перерабатываются нейронами за два шага:

1. Все входы, помноженные на соответствующие веса, сначала суммируются

2. Затем получившиеся суммы обрабатываются функцией активации нейрона (activation or firing function) и посылаются на единственный выход.

Смысл функции активации нейрона заключается в моделировании работы нейрона мозга: нейрон срабатывает только после того как информация достигла определённого порога. В математическом аспекте, эта функция как раз и придаёт нелинейность сети. Без неё, нейронная сеть была бы линейной авторегрессионной моделью (linear prediction model). В прилагаемых библиотечных функциях возможен выбор трёх функций активации нейрона

  • сигмоидальная функция sigm(x)=1/(1+exp(-x)) (#0)
  • гиперболический тангенс tanh(x)=(1-exp(-2x))/(1+exp(-2x)) (#1)
  • рациональная функция x/(1+|x|) (#2)

Порог активации этих функций равен 0. Этот порог может быть сдвинут по горизонтальной оси за счёт дополнительного входа нейрона называемом входом смещения (bias input), которому приписан определённый вес таким же образом как и к другим входам нейрона.

Таким образом, количество входов, слоев, нейронов в каждом слою и веса входов нейронов полностью определяют нейронную сеть, т.е. нелинейную модель, которую она создаёт. Чтобы пользоваться этой моделью необходимо знать веса. Веса вычисляются путём обучения сети на прошлых данных: на входы сети подаются нескольков наборов входных и соответствующих выходных данных и рассчитывается среднеквадратичная ошибка отклонения выхода сети от тестируемого. Цель обучения сети заключается в уменьшении этой ошибки путём оптимизации весов. Существуют несколько методов оптимизации, среди которых основными эвляются метод Обратного Распространения Ошибки (ОРО) и метод генетической оптимизации. Метод ОРО является пу существу методом градиентного спуска и вкратце опиан здесь

В прилагаемой функции Train() используется разновидонсть метода ОРО называемая «Улучшенный Эластичный метод ОРО» (Improved Resilient back-Propagation, IRProp). Этот алгоритм описан здесь

Прилагаемые файлы:

  • BPNN.dll — библиотечный файл
  • BPNN.zip — архив всех файлов необходимых для создания ДЛЛ файла
  • BPNN Predictor.mq4 — индикатор предсказывающий будущее значение цены
  • BPNN Predictor with Smoothing.mq4 — индикатор предсказывающий будущее значение цены, сглаженной ЕМА

Библиотечный файл BPNN.cpp содержит две функции: Train() и Test(). Train() предназначен для обучения сети для предоставленных входных и выходных данных. Test() предназначен для вычисления выходных данных на основе весов полученных после прогона Train().

Входными (зелёный цвет) и выходными (синий цвет) параметрами функции Train() являются:

double inpTrain[] — обучивающие входные данные (старый первый)
double outTarget[] — обучивающие выходные данные (старый первый)
double outTrain[] — выходы сети после обучения
int ntr — количество обучающих наборов входы-выходы
int UEW — ключ управляющий использованием внешних значений для инициализации весов (1=используем extInitWt[], 0=используем случайные числа)
double extInitWt[] — исходные значения весов
double trainedWt[] — значения весов после обучения
int numLayers — количество слоев в сети включая входной, скрытые и выходной
int lSz[] — одомерный массив размера numLayers, в котором хранятся количества нейронов в каждом слою. lSz[0] задаёт количество входов сети
int AFT — тип функции активации (0-сигмоидальная, 1-гиперболический тангенс, 2-рациональная)
int OAF — ключ использования функции активации в выходны нейронах (1=используем функцию активации, 0=нет)
int nep — максимальное количество обучающих шагов (эпох). Эпоха состоит из проверки всех обучающих наборов.
double maxMSE — среднеквадратичная ошибка, при которой обучения останавливается.

Входными (зелёный цвет) и выходными (синий цвет) параметрами функции Test() являются:

double inpTest[] — входные данные (старый первый)
double outTest[] — выходные данные
int ntt — колчиство наборов в входных и выходных данных
double extInitWt[] — исходные значения весов
int numLayers — количество слоев в сети включая входной, скрытые и выходной
int lSz[] — одомерный массив размера numLayers, в котором хранятся количества нейронов в каждом слою. lSz[0] задаёт количество входов сети
int AFT — тип функции активации (0-сигмоидальная, 1-гиперболический тангенс, 2-рациональная)
int OAF — ключ использования функции активации в выходны нейронах (1=используем функцию активации, 0=нет)

Использование функции активации в выходных нейронах зависит от характера выходны данных. Если выходами сети являются биноминальные сигналы (0/1 или -1/1), то нужно использовать функцию активации (OAF=1). Причём учтите что для функции №0, уровни сигнала 0 и 1, а для функций №1 и 2 уровни -1 и 1. Если выходом сети является предсказание цены, то функция активации в выходном слое не нужна (OAF=0).

Примеры индикаторов использующих нейронную сеть:

BPNN Predictor.mq4 — предсказывает будущие цены. Входными параметрами сети являются относительные приращения цен:

где delay[i] берётся из ряда Фибоначи. Выходом сети является предсказываемое относительное приращение будущей цены. Фунцкия активации в выходном слое отключена.

Входными параметрами индикатора являются

extern int lastBar — номер последнего бара
extern int futBars — количество будущих предсказываемых баров
extern int numLayers — количество слоев в сети включая входной, скрытые и выходной
extern int numInputs — количество входов сети
extern int numNeurons1 — количество нейронов в слое №1
extern int numNeurons2 — количество нейронов в слое №2
extern int numNeurons3
extern int numNeurons4
extern int numNeurons5
extern int ntr — количество обучающих наборов входы-выходы
extern int nep — максимальное количество обучающих шагов (эпох)
extern int maxMSEpwr — экспонента используемая для расчёта максимальной допустимой среднеквадратической ошибки обучения maxMSE=10^maxMSEpwr
extern int AFT — тип функции активации (0-сигмоидальная, 1-гиперболический тангенс, 2-рациональная)

Индикатор выдаёт такую картинку, где

  • красный цвет — предсказания от последней цены Open
  • чёрный цвет — прошлые тренировочные цены Open, по котором (как ожидаемым выходным данным) проводилось обучение сети
  • синий цвет — выходы обученной сети на тренировочных данных

BPNN Predictor with Smoothing.mq4 — тоже предсказывает цены, но с предварительным сглаживанием цен экспоненциальной скользящей средней (EMA) с периодом smoothPer.

Установка файлов:

  1. Копируйте приложенный BPNN.DLL файл в C:\Program Files\MetaTrader 4\experts\libraries
  2. Включайте использование DLL в метатрейдере: Tools — Options — Expert Advisors — Allow DLL imports

Если приложенный DLL файл не работает, то компилируйте сами. Все необходимые файлы содержатся в BPNN.zip.

Советы:

  • Сеть с 3-ми слоями (numLayers=3: один входной, один скрытый и один выходной) достаточна для подавляющего большинства применений. По теоремe Cybenko (1989) сеть с одним скрытым слоем может моделировать любую непрерывную нелинейную фунцкию и сеть с двумя скрытыми слоями способна описать функцию с разрывами (http://en.wikipedia.org/wiki/Cybenko_theorem):
  • Количество нейронов в скрытом слую определяйте экспериментально. В литературе встречаются такие рекомендации: кол-во скрытых нейронов = (кол-во входов + кол-во выходов)/2, либо SQRT(кол-во входов * кол-во выходов). Следите за сообщениями о среднеквадратичной ошибки обучения в окне experts метатрейдера.
  • Для получения хорошего обобщения, количество обучающих выборок должно в 2-3 раза превышать количество оптимизируемых весов. Например, в опубликованных примерах, количество весов равно (12+1)*5 на входах скрытого слоя плюс (5+1) на входах выходоного слоя, т.е. 71. Поэтому количество обучающих выборок должно быть по крайней мере 142. Концепт обобщения объяснён на рисунке внизу для одномерного случая y(x).
  • Увеличения количества обучающих эпох может не повысить точность предсказаний на тестируемых данных даже если ошибка обучения (MSE) уменьшилась. При большом количестве весов сеть становится переученной (см объяснения внизу).
  • Входные данные должны преобразоваться в стационарный ряд. Цены сами по себе таковым рядом не являются. Рекомендуется также нормализовывать входные данные к диапазону -1..1.

На этом графике показана линейная функция y=b*x (x-вход, y-выход) с добавленным шумом к выходам. Из-за этого шума, измерения функции (чёрные точки) не лежат на прямой. Функция y=f(x) может быть смоделирована нейронной сетью. Сеть с большим количеством весов (степеней свободы) способна уменьшить ошибку обучения по всем имеюшимся измерениям до нуля и описать тренировочные выходные данные плавной кривой. Но эта кривая (показана красным цветом) не имеет ничего общего с нашей линейной фунцкией y=b*x (показана зелёным цветом). Использование такой сети для предсказания будущих значений функции y при новых входных значениях x приведёт к большим ошибкам так как шум не предсказуем.

ТОП площадок для торговли бинарными опционами:
  • Бинариум
    Бинариум

    1 место в рейтинге! Самый честный и надежный брокер бинарных опционов!
    Идеально подходит для новичков и средне-опытных трейдеров.
    Бесплатное обучение и демо-счет!
    Дают бонус за регистрацию:

Добавить комментарий