Pca التداول استراتيجيات

جمعية الائتمان الإنتاجي - يكا تعريف جمعية الائتمان الإنتاج - يكا أداة الاتحادية التي أنشأها الكونغرس من خلال قانون الائتمان الزراعي لعام 1933 لتوفير الائتمان القصير والمتوسط ​​الأجل للمزارعين ومربي الماشية وسكان الريف. وتم توسيع نطاق الائتمان بحيث يمكن للمستفيدين شراء المساكن، وأداء أنشطة التسويق، وشراء المعدات الزراعية والماشية، وتشغيل الأعمال التجارية المتصلة بالمزارع. وفي ذلك الوقت، كان الائتمان غير متاح أو لم يكن متاحا إلا بمعدلات فائدة مرتفعة بشكل محظوظ بسبب الكساد الكبير. فالأراضي الزراعية والسلع الأساسية تستحق الكثير، والبنوك لديها بالفعل الكثير من القروض الزراعية على كتبها. ويمكن لرابطات االئتمان اإلنتاجية أن تقدم أو تضمن القروض التي ال تتجاوز مدة هذه العقود سبعة أو 10 أو 15 سنة، وذلك حسب سياسات البنوك الممولة. يجب إطفاء القرض على مدى 15 سنة أو أقل، وأية إعادة تمويل قد ال تزيد مدة القرض عن 15 سنة من تاريخ القرض األصلي. جمعية الائتمان للإنتاج الهابط - يكا يوفر نظام الائتمان الزراعي، الذي ترعاه الحكومة في عام 1916، التمويل والخدمات المالية المتعلقة بالزراعة، ويشمل عددا من منظمات الائتمان. وبالإضافة إلى رابطات الائتمان الإنتاجي، تشمل جمعيات الائتمان الزراعي، ومصارف الائتمان الزراعي، ومصارف التعاونيات، ومصارف الائتمان الزراعي، ومصارف الائتمان الاتحادية الاتحادية، ورابطات المصارف العقارية الاتحادية، ورابطات الائتمان العقاري الاتحادية. وتحصل هذه الوكالات على تمويلها من بنوك الائتمان الزراعي وتملك أصول قروضها. نظام الائتمان الزراعي يثير المال عن طريق بيع الأوراق المالية الديون للمستثمرين في الولايات المتحدة والخارج. عن هذه المجلة مجلة استراتيجيات الاستثمار مكرسة للمعالجة الصارمة لاستراتيجيات الاستثمار الحديثة تتجاوز بكثير النهج الكلاسيكية في كل من الصكوك موضوعها والمنهجيات. ومن خلال توفير تمثيل متوازن للأبحاث الأكاديمية والبحثية والبيعية، تشجع المجلة على جمع الأفكار بين الباحثين والممارسين، وتحقيق علاقة فريدة بين الأوساط الأكاديمية والصناعة من جهة، والنماذج النظرية والتطبيقية على آخر. تحتوي المجلة على أبحاث متعمقة وكذلك مقالات للمناقشة حول الموضوعات الفنية والسوقية، وتهدف إلى تزويد مجتمع الاستثمار العالمي ببحوث عملية ومتطورة من أجل فهم وتنفيذ استراتيجيات الاستثمار الحديثة. مع التركيز على استراتيجيات الاستثمار المعاصرة الهامة والتقنيات والإدارة، وتنظر المجلة الأوراق في المجالات التالية: الاستراتيجيات الأساسية. بما في ذلك الأساسية الأساسية، الأسهم الأساسية أو اختيار الائتمان استراتيجيات القيمة النسبية. تقدير والاستثمار في التقييم النسبي للأوراق المالية ذات الصلة، كل من الفانيليا ومشتقات استراتيجيات التكتيكية. استراتيجيات تستند إلى التنبؤ بأنماط سلوك السوق والاستثمار فيها، مثل الزخم أو الانعكاس المتوسط، والاستراتيجيات التكتيكية لتخصيص الأصول. استراتيجيات يحركها الحدث: استراتيجيات تقوم على توقعات احتمال الأحداث تتحرك السوق أو ردود فعل السوق لمثل هذه الأحداث استراتيجيات التداول حسابي. نماذج من المجهرية السوق والسيولة وتأثير السوق وتنفيذ التجارة الخوارزمية واستراتيجيات صنع السوق استراتيجيات الاستثمار الرئيسية. واستراتيجيات الاستثمار للأوراق المالية غير السائلة والملكية الرئيسية أو تمويل الأصول الحقيقية والأعمال التجارية إدارة المحافظ وتخصيص الأصول. نماذج لتحسین المحفظة، مراقبة المخاطر، إسناد الأداء وتخصیص الأصول الطرق الاقتصادیة والإحصائیة. مع تطبيقات لاستراتيجيات الاستثمار وقد تم اختيار مجلة استراتيجيات الاستثمار للتغطية في مؤشر تومسون رويترز المصادر الاستشهاد المصدر. وتدرس هذه الورقة التدابير المركزية (مخاطر الترابط) وقيمتها المضافة في إطار تحسين المحفظة النشطة. في هذه الورقة يبحث المؤلفون كيف تؤثر تكاليف المعاملات الثابتة على إعادة توازن المحفظة. يقترح المؤلفون إطارا تحليليا لقياس فرص الاستثمار وتخصيص المخاطر عبر الزمن على أساس المسافة ماهالانوبيس. في هذه الورقة، المؤلفين تعطي خوارزميات كاملة وشفرة المصدر لبناء نماذج المخاطر الإحصائية. تقترح هذه الورقة استخدام آلية التحسين في عملية بناء محفظة تراكب العملة. مؤلفو هذه الورقة يستمدون استراتيجية التداول المثلى التي تقيس سعر الإغلاق في إطار التحسين مينفاريانس. ويهدف مؤلفو هذه الورقة إلى إزالة الغموض عن المحافظ التي يتم اختيارها من خلال التحسين الأمثل من خلال النظر في الحد من المحافظ في حالات عدم اليقين الكبيرة والصغيرة في العوائد المتوسطة. ويقوم مؤلفو هذه الورقة بتحليل محفظة متساوية الوزن من التعرض العالمي لعوامل الخطر عبر الأصول. المؤلفون من هذه الورقة تعطي خوارزمية كاملة وشفرة المصدر لبناء نماذج المخاطر متعددة العوامل العامة عن طريق أي مزيج من عوامل النمط، المكونات الرئيسية عوامل الصناعة أندور. تستخدم هذه الورقة إطار استراتيجيات كيلي الكسورية لإظهار أن المحافظ المثلى ذات الأسهم المنخفضة بيتا تولد ثروة متوسطة أعلى وخطر نقص في الأفق. ويطبق واضعو هذه الورقة نهجا تطلعي إلى الحد الأدنى لمشكلة تحسين حافظة التباين لاختيار 100 سهم. تبحث هذه الورقة أسباب شذوذ الجودة من خلال استكشاف اثنين من التفسيرات المحتملة - وجهة نظر المخاطر وجهة النظر السلوكية. وتحقق هذه الورقة في التصميم الأمثل للأموال التي توفر حماية رأس المال في مرحلة استحقاق محددة. تدرس هذه الورقة مشكلة التداول الأمثل باستخدام التنبؤات ألفا العامة مع التكاليف الخطية وتأثير مؤقت. وتشكل هذه الورقة حافظة عوامل مثلى غير مقيدة على مجموعة من جميع المحافظ الممكنة باستخدام خطأ التتبع كمقياس عن بعد. وتحلل هذه الورقة البيانات التجريبية ل 4000 محفظة تداول في الواقع الحقيقي مع فترات عقد من حوالي 0.7-19 أيام التداول. تستمد هذه الورقة صيغا صريحة لمنحنى تداول النقص الأمثل في التنفيذ مع تأثير خطي وغير خطي في السوق. يقترح مؤلفو هذه الورقة طريقة اختيار الأسهم استنادا إلى طريقة اختيار متغيرة تستخدم مع يكا في الإحصاءات متعددة المتغيرات. وتقارن هذه الورقة بين ست عشرة استراتيجية متميزة لاختيار البلدان في إطار عينة مكونة من ثمانية وسبعين بلدا بين عامي 1999 و 2015. وتحدد هذه الورقة عددا من أوجه القصور الهيكلية في سوق الأسهم الصغيرة في الولايات المتحدة التي يمكن استغلالها لتوليد ألفا. الاستراتيجيات الأفضل 5: نظام تعلم الآلة على المدى القصير الوقت إيت 8217s للجزء الخامس والأخير من سلسلة بناء استراتيجيات أفضل. في الجزء 3 we8217ve ناقشنا عملية تطوير النظام القائم على نموذج، وبالتالي فإننا 8217ll اختتام سلسلة مع تطوير نظام استخراج البيانات. وكانت مبادئ استخراج البيانات والتعلم الآلي موضوع الجزء 4. بالنسبة لنا على سبيل المثال التداول على المدى القصير we8217ll استخدام خوارزمية التعلم العميق. مكدس تلقائي مكدسة، لكنها ستعمل بنفس الطريقة مع العديد من خوارزميات التعلم الآلي الأخرى. مع أدوات البرمجيات اليوم 8217s، وهناك حاجة فقط حوالي 20 خطوط من التعليمات البرمجية لاستراتيجية التعلم الآلي. I8217ll في محاولة لشرح جميع الخطوات بالتفصيل. سيكون لدينا مثال مشروع بحثي 8211 تجربة التعلم الآلي للإجابة على سؤالين. هل خوارزمية أكثر تعقيدا 8211 مثل المزيد من الخلايا العصبية والتعمق التعلم 8211 تنتج تنبؤ أفضل و هي التحركات السعرية على المدى القصير يمكن التنبؤ بها من قبل تاريخ السعر على المدى القصير جاء السؤال الأخير بسبب شكوكي حول تداول حركة السعر في الجزء السابق من هذه السلسلة. حصلت على العديد من رسائل البريد الإلكتروني يسأل عن 8220trading نظام المولدات 8221 أو أدوات العمل السعر مماثلة التي أشاد على بعض المواقع. ليس هناك دليل قوي على أن هذه الأدوات أي وقت مضى أنتجت أي ربح (باستثناء الباعة) 8211 ولكن هل هذا يعني أنهم جميعا القمامة We8217ll نرى. تجربتنا بسيطة: نقوم بجمع المعلومات من الشموع الأخيرة من منحنى السعر، وإطعامه في شبكة عميقة التعلم العصبي، واستخدامها للتنبؤ الشموع المقبلة. فرضيتي هي أن بضعة الشموع don8217t تحتوي على أي معلومات تنبؤية مفيدة. وبطبيعة الحال، فإن نتيجة نونبريديكتيف من التجربة فاز 8217t يعني أن I8217m الحق، لأنني يمكن أن تستخدم المعلمات الخطأ أو أعدت البيانات سيئة. ولكن النتيجة التنبؤية سيكون تلميحا بأن I8217m الخطأ والعمل سعر التداول يمكن أن تكون في الواقع مربحة. تطوير استراتيجية التعلم الآلي الخطوة 1: المتغير المستهدف لخلاصة الجزء السابق. يتم تدريب خوارزمية التعلم تحت إشراف مع مجموعة من الميزات من أجل التنبؤ متغير الهدف. لذا فإن أول شيء يجب تحديده هو ما يجب أن يكون عليه هذا المتغير المستهدف. وهناك هدف شعبي، يستخدم في معظم الأوراق، هو علامة على عودة السعر في الشريط التالي. والأفضل ملاءمة للتنبؤ، حيث أنه أقل عرضة للعشوائية، هو فرق السعر إلى أفق التنبؤ البعيد. مثل 3 أشرطة من الآن، أو نفس اليوم الأسبوع المقبل. مثل أي شيء تقريبا في أنظمة التداول، أفق التنبؤ هو حل وسط بين آثار العشوائية (أقل القضبان أسوأ) والقدرة على التنبؤ (أقل أشرطة أفضل). في بعض الأحيان كنت 8217re لا ترغب في التنبؤ مباشرة الأسعار، ولكن في التنبؤ بعض المعلمة الأخرى 8211 مثل الساق الحالية من مؤشر متعرج 8211 التي يمكن إلا أن تحدد إلا في وقت متأخر. أو كنت تريد أن تعرف إذا كان عدم كفاءة السوق معينة سوف تكون موجودة في المرة القادمة، وخصوصا عندما كنت 8217re استخدام آلة التعلم ليس مباشرة للتداول، ولكن لتصفية الصفقات في نظام قائم على نموذج. أو كنت تريد التنبؤ بشيء مختلف تماما، على سبيل المثال احتمال حدوث انهيار في السوق غدا. كل هذا في كثير من الأحيان أسهل للتنبؤ من العودة الغد شعبية 8217s. في سعرنا تجربة العمل we8217ll استخدام عودة العمل على المدى القصير حركة السعر كمتغير الهدف. بمجرد تحديد الهدف، الخطوة التالية هي تحديد الميزات. الخطوة 2: السمات منحنى السعر هو أسوأ حالة لأي خوارزمية تعلم الآلة. ليس فقط أنها لا تحمل إشارة و معظمها الضوضاء. بل هو أيضا غير مستقرة وتغير نسبة سيغنالنويس في كل وقت. تعتمد النسبة الدقيقة للإشارة والضوضاء على ما يقصد به 8220signal 8221، ولكنها عادة منخفضة جدا لأي خوارزمية تعلم آلي معروفة لإنتاج أي شيء مفيد. لذلك يجب علينا استخلاص الميزات من منحنى السعر التي تحتوي على مزيد من إشارة وأقل ضوضاء. الإشارة، في هذا السياق، هي أي معلومات يمكن استخدامها للتنبؤ الهدف، أيا كان. كل ما تبقى هو الضوضاء. وهكذا، واختيار الميزات أمر بالغ الأهمية للنجاح 8211 أكثر أهمية بكثير من اتخاذ قرار الذي خوارزمية تعلم الآلة you8217re الذهاب للاستخدام. هناك نهجان لاختيار الميزات. الأول والأكثر شيوعا هو استخراج أكبر قدر ممكن من المعلومات من منحنى السعر. منذ كنت لا تعرف أين يتم إخفاء المعلومات، يمكنك فقط توليد مجموعة البرية من المؤشرات مع مجموعة واسعة من المعلمات، ونأمل أن على الأقل عدد قليل منهم سوف تحتوي على المعلومات التي يحتاجها الخوارزمية. هذا هو النهج الذي عادة ما تجد في الأدب. مشكلة هذا الأسلوب: أي خوارزمية التعلم الآلي هو الخلط بسهولة من قبل التنبؤات نونبريديكتيف. لذلك فاز win8217t لمجرد رمي 150 المؤشرات في ذلك. تحتاج إلى بعض خوارزمية الاختيار المسبق الذي يحدد أي منهم يحمل معلومات مفيدة والتي يمكن حذفها. دون الحد من الميزات بهذه الطريقة ربما ثمانية أو عشرة، حتى أعمق خوارزمية التعلم فاز 8217t إنتاج أي شيء مفيد. النهج الآخر، عادة للتجارب والبحوث، يستخدم فقط معلومات محدودة من منحنى السعر. هذا هو الحال هنا: بما أننا نريد أن ندرس تداول حركة السعر، ونحن فقط استخدام الأسعار القليلة الماضية كمدخلات، ويجب تجاهل كل ما تبقى من منحنى. هذا لديه ميزة أننا don8217t بحاجة إلى أي خوارزمية الاختيار المسبق منذ عدد من الميزات محدودة على أي حال. وهنا هي اثنين من وظائف التنبؤ بسيطة التي نستخدمها في تجربتنا (في C): من المفترض أن تحمل الدالتين المعلومات اللازمة للعمل السعر: الحركة في شريط وتقلب. وظيفة التغيير هي الفرق بين السعر الحالي وسعر n من القضبان من قبل، فيما يتعلق بالسعر الحالي. دالة المدى هي إجمالي المسافة العالية المنخفضة من الشموع n الأخيرة، وأيضا فيما يتعلق بالسعر الحالي. ومراكز وظيفة مقياس وضغط القيم إلى مجموعة -100، لذلك نحن تقسيمها بنسبة 100 للحصول على تطبيعها إلى -1. ونحن نتذكر أن هناك حاجة إلى تطبيع لخوارزميات التعلم الآلي. الخطوة 3: التنبؤ المسبق بتنبؤ التنبؤات عندما قمت بتحديد عدد كبير من المؤشرات أو إشارات أخرى كميزات لخوارزمية الخاص بك، يجب عليك تحديد أي منها هو مفيد والتي لا. هناك العديد من الطرق للحد من عدد من الميزات، على سبيل المثال: تحديد الارتباطات بين الإشارات. إزالة تلك التي لها علاقة قوية مع إشارات أخرى، لأنها لا تسهم في المعلومات. قارن محتوى المعلومات من الإشارات مباشرة، مع خوارزميات مثل الكون المعلومات أو أشجار القرار. تحديد محتوى المعلومات بشكل غير مباشر عن طريق مقارنة الإشارات مع إشارات عشوائية هناك بعض مكتبات البرمجيات لهذا، مثل حزمة R بوروتا. استخدام خوارزمية مثل تحليل المكونات الرئيسية (يكا) لتوليد مجموعة إشارة جديدة مع انخفاض الأبعاد. استخدام التحسين الجيني لتحديد أهم الإشارات فقط من خلال النتائج الأكثر ربحية من عملية التنبؤ. كبيرة لمنحنى المناسب إذا كنت ترغب في نشر نتائج مثيرة للإعجاب في ورقة بحثية. بالنسبة إلى تجربتنا، لن نحتاج إلى تحديد مسبق للميزات أو معالجتها مسبقا، ولكن يمكنك العثور على معلومات مفيدة حول هذا الموضوع في المواد (1) و (2) و (3) المدرجة في نهاية الصفحة. الخطوة 4: حدد خوارزمية التعلم الآلي R يقدم العديد من حزم مل مختلفة، وأي منهم يقدم العديد من الخوارزميات المختلفة مع العديد من المعلمات المختلفة. حتى لو كنت قد قررت بالفعل عن طريقة 8211 هنا، التعلم العميق 8211 لديك لا يزال الاختيار بين مختلف النهج ومختلف حزم R. معظمها جديدة تماما، ويمكنك أن تجد العديد من المعلومات التجريبية التي تساعد قرارك. لديك لمحاولة كل منهم واكتساب الخبرة مع أساليب مختلفة. لتجربتنا we8217ve اختار حزمة ديبنيت، والتي هي على الارجح أبسط وأسهل لاستخدام مكتبة التعلم العميق. هذا يحافظ على رمزنا قصيرة. W8217re باستخدام خوارزمية مكدسة أوتوكودر (ساي) لتدريب ما قبل الشبكة. كما يوفر ديبنيت آلة بولتزمان مقيدة (ربم) للتدريب قبل، ولكن لم أستطع الحصول على نتائج جيدة منه. هناك حزم التعلم العميق الأخرى وأكثر تعقيدا ل R، حتى تتمكن من قضاء الكثير من الوقت التحقق من كل منهم. كيف يتم شرح أعمال ما قبل التدريب بسهولة، ولكن لماذا يعمل هو مسألة مختلفة. على حد علمي، لا أحد حتى الآن يأتي مع دليل رياضي قوي أنه يعمل على الإطلاق. على أي حال، تخيل شبكة عصبية كبيرة مع العديد من الطبقات المخفية: تدريب صافي يعني اقامة الأوزان اتصال بين الخلايا العصبية. الطريقة المعتادة هي باكبروباغاتيون الخطأ. ولكن اتضح أن الطبقات أكثر خفية لديك، والأسوأ أنه يعمل. مصطلحات الخطأ باكبروباغاتد الحصول على أصغر وأصغر من طبقة إلى طبقة، مما تسبب في طبقات الأولى من الشبكة لتعلم شيئا تقريبا. وهو ما يعني أن النتيجة المتوقعة تصبح أكثر وأكثر اعتمادا على الحالة الأولية العشوائية للأوزان. هذا الحد بشدة من تعقيد الشبكات العصبية القائمة على طبقة، وبالتالي المهام التي يمكن حلها. على الأقل حتى 10 سنوات مضت. في عام 2006 العلماء في تورونتو نشر لأول مرة فكرة ما قبل تدريب الأوزان مع خوارزمية التعلم غير خاضعة للرقابة، وهي آلة بولتزمان مقيدة. وقد اتضح ذلك مفهوما ثوريا. وعززت تطوير الذكاء الاصطناعي وسمحت لجميع أنواع التطبيقات الجديدة من آلات الذهاب اللعب إلى السيارات ذاتية القيادة. في حالة أوتوينكودر مكدسة، فإنه يعمل بهذه الطريقة: حدد الطبقة المخفية لتدريب تبدأ مع الطبقة المخفية الأولى. قم بتوصيل مخرجاتها بطبقة مخرجات مؤقتة لها نفس بنية طبقة الإدخال network8217s. تغذية الشبكة مع عينات التدريب، ولكن من دون أهداف. تدريب عليه بحيث الطبقة المخفية الأولى يستنسخ إشارة المدخلات 8211 الميزات 8211 في مخرجاتها في أقرب وقت ممكن. يتم تجاهل بقية الشبكة. خلال التدريب، وتطبيق عقوبة 8216 الوزن عقوبة 8217 بحيث يتم استخدام عدد قليل من الأوزان اتصال ممكن لاستنساخ إشارة. الآن تغذية مخرجات طبقة خفية المدربين على المدخلات من الطبقة الخفية غير المدربة المقبل، وكرر عملية التدريب بحيث يتم استنساخ إشارة الدخل الآن في مخرجات الطبقة التالية. كرر هذه العملية حتى يتم تدريب جميع الطبقات المخفية. لدينا الآن شبكة 8216sparse 8217 مع وصلات طبقة قليلة جدا التي يمكن أن تتكاثر إشارات الإدخال. الآن تدريب الشبكة مع باكبروباغاتيون لتعلم المتغير الهدف، وذلك باستخدام الأوزان المدربة مسبقا من الطبقات المخفية كنقطة انطلاق. والأمل هو أن عملية ما قبل التدريب غير الخاضعة للإشراف تنتج الضوضاء الداخلية خفض التجريد من إشارات المدخلات التي يمكن استخدامها بعد ذلك لتسهيل تعلم الهدف. ويبدو أن هذا العمل في الواقع. لا أحد يعرف السبب حقا، ولكن العديد من النظريات 8211 انظر ورقة (4) أدناه 8211 في محاولة لشرح تلك الظاهرة. الخطوة 5: إنشاء مجموعة بيانات الاختبار نحن بحاجة أولا إلى إنتاج مجموعة بيانات مع الميزات والأهداف حتى نتمكن من اختبار عملية التنبؤ لدينا ومحاولة الخروج من المعلمات. يجب أن تستند الميزات على نفس بيانات الأسعار كما في التداول المباشر، ولتحقيق الهدف يجب محاكاة تجارة قصيرة الأجل. لذلك فمن المنطقي لتوليد البيانات لا مع R، ولكن مع منصة التداول لدينا، والتي هي على أي حال أسرع كثيرا. Here8217s النصي زورو صغير لهذا، DeepSignals. c: WE8217re توليد 2 سنوات من البيانات مع الميزات المحسوبة لدينا وظائف التغيير والمدى المحددة أعلاه. هدفنا هو عودة التجارة مع 3 الحانات الوقت الحياة. يتم تعيين تكاليف التداول إلى الصفر، لذلك في هذه الحالة العائد يعادل فارق السعر في 3 بارات في المستقبل. ووصف وظيفة أدفيسيلونغ في دليل زورو هو وظيفة الأقوياء الذي يعالج تلقائيا التدريب والتنبؤ ويسمح لاستخدام أي خوارزمية تعلم آلة القائم على R كما لو كان مؤشر بسيط. في التعليمات البرمجية لدينا، وظيفة يستخدم العائد التجاري المقبل كهدف، وتغيرات الأسعار ونطاقات من 4 أشرطة الماضية كميزات. العلم سيغنالس يقول أنه لا لتدريب البيانات، ولكن لتصديره إلى ملف كسف. العلم بالانسد يتأكد من أن نحصل على العديد من الإيجابية كما عوائد سلبية هذا مهم بالنسبة لمعظم خوارزميات التعلم الآلي. تشغيل البرنامج النصي في وضع القطار مع لدينا الأصول اختبار المعتاد يوروس المحدد. أنه ينشئ ملف جدول بيانات يسمى DeepSignalsEURUSDL. csv الذي يحتوي على الميزات في الأعمدة 8 الأولى، والعائد التجاري في العمود الأخير. الخطوة 6: معايرة خوارزمية معقدة خوارزميات التعلم الآلي لديها العديد من المعلمات لضبط. بعض منها توفر فرصا كبيرة للمنحنى تناسب خوارزمية للمنشورات. ومع ذلك، يجب علينا معايرة المعلمات لأن الخوارزمية نادرا ما تعمل بشكل جيد مع إعداداتها الافتراضية. لهذا، هنا 8217s R النصي الذي يقرأ مجموعة البيانات التي تم إنشاؤها مسبقا ومعالجتها مع خوارزمية التعلم العميق (DeepSignal. r): يعرف W8217ve ثلاث وظائف neural. train. neural. predict. و neural. init للتدريب، والتنبؤ، وتهيئة الشبكة العصبية. أسماء الوظائف ليست تعسفية، ولكن اتبع الاتفاقية المستخدمة من قبل Zorro8217s المشورة (نيورال.) وظيفة. انها المسألة فاز 8217t الآن، ولكن سوف يهم في وقت لاحق عندما نستخدم نفس البرنامج النصي R للتدريب وتداول استراتيجية التعلم العميق. وظيفة رابعة، تيستوس. يستخدم للخروج من عينة اختبار الإعداد لدينا. وظيفة neural. init البذور مولد عشوائي R مع قيمة ثابتة (365 هو بلدي رقم الحظ الشخصي). وإلا فإننا سوف تحصل على نتيجة مختلفة قليلا في أي وقت، منذ يتم تهيئة الشبكة العصبية مع الأوزان العشوائية. كما أنه يخلق قائمة R العالمية اسمه 8220Models8221. معظم أنواع R المتغيرة دون 8217t تحتاج إلى أن تنشأ مسبقا، وبعض تفعل (don8217t تسألني لماذا). عامل 8216ltlt-8216 هو للوصول إلى متغير عالمي من داخل دالة. وظيفة neural. train يأخذ كمدخل رقم نموذج ومجموعة البيانات التي سيتم تدريبها. يحدد رقم الطراز النموذج المدرب في قائمة 8220 موديلز 8221. ليست هناك حاجة حقا قائمة لهذا الاختبار، ولكن we8217ll في حاجة إليها لاستراتيجيات أكثر تعقيدا التي تدرب أكثر من نموذج واحد. يتم تمرير المصفوفة التي تحتوي على الميزات والهدف إلى وظيفة كمعلمة الثانية. إذا كانت البيانات زي ليست مصفوفة المناسبة، والذي يحدث في كثير من الأحيان في R اعتمادا على كيفية إنشاء ذلك، يتم تحويلها إلى واحد. ثم يتم تقسيمها إلى الميزات (X) والهدف (Y)، وأخيرا يتم تحويل الهدف إلى 1 لنتيجة التجارة الإيجابية و 0 لنتيجة سلبية. ثم يتم إعداد معلمات الشبكة. بعضها واضح، والبعض الآخر حر في اللعب حولها مع: وتعطى بنية الشبكة من قبل ناقلات خفية: ج (50،100،50) يحدد 3 طبقات خفية، الأول مع 50، والثانية مع 100، والثالث مع 50 الخلايا العصبية. أن 8217s المعلمة التي we8217ll تعديل في وقت لاحق لتحديد ما إذا كان أعمق هو أفضل. وظيفة تفعيل تحويل مجموع قيم إدخال الخلايا العصبية إلى الناتج الخلايا العصبية الأكثر استخداما هي السيني الذي يشبع إلى 0 أو 1، أو تان الذي يشبع إلى -1 أو 1. نستخدم تانه هنا منذ إشارات لدينا هي أيضا في -1 المدى . خرج الشبكة هو وظيفة السيني لأننا نريد التنبؤ في نطاق 0..1. ولكن يجب أن يكون الناتج ساي 8220 لينير 8221 بحيث مكدس تلقائي مكدسة يمكن إعادة إنتاج إشارات المدخلات التناظرية على المخرجات. معدل التعلم يتحكم في حجم الخطوة لانحدار التدرج في تدريب معدل أقل يعني خطوات أدق وربما التنبؤ أكثر دقة، ولكن وقتا أطول للتدريب. يضيف الزخم جزء من الخطوة السابقة إلى الخطوة الحالية. أنه يمنع الانحدار الانحدار من التعلق في الحد الأدنى المحلي أو نقطة السرج صغيرة. مقياس معدل التعلم هو عامل الضرب لتغيير معدل التعلم بعد كل تكرار (لست متأكدا من ما هو جيد، ولكن قد تكون هناك مهام حيث معدل التعلم أقل على عهدا أعلى يحسن التدريب). عصر هو تكرار التدريب على مجموعة البيانات بأكملها. وسيتوقف التدريب بمجرد بلوغ عدد العهود. المزيد من العصور يعني التنبؤ بشكل أفضل، ولكن التدريب أطول. حجم الدفعة هو عدد من عينات عشوائية 8211 دفعة صغيرة 8211 مأخوذة من مجموعة البيانات لتشغيل واحد التدريب. تقسيم البيانات إلى دفعات صغيرة يسرع التدريب منذ يتم احتساب التدرج الوزن ثم من عينات أقل. وكلما زاد حجم الدفعة، كان التدريب أفضل، ولكن كلما زاد الوقت الذي تستغرقه. التسرب هو عدد من الخلايا العصبية التي تم اختيارها عشوائيا التي يتم تعطيلها خلال دفعة صغيرة. بهذه الطريقة الشبكة يتعلم فقط مع جزء من الخلايا العصبية. هذا يبدو فكرة غريبة، ولكن يمكن أن تقلل بشكل فعال الإفراط. كل هذه المعلمات هي شائعة للشبكات العصبية. اللعب حولها ومعرفة تأثيرها على النتيجة والوقت التدريب. المعايرة المناسبة للشبكة العصبية ليست تافهة وقد يكون موضوع مقال آخر. يتم تخزين المعلمات في النموذج جنبا إلى جنب مع مصفوفة الأوزان اتصال مدربة. لذلك فإنها لا تحتاج إلى أن تعطى مرة أخرى في وظيفة التنبؤ، neural. predict. فإنه يأخذ النموذج وناقل X من الميزات، ويدير من خلال الطبقات، ويعود إخراج الشبكة، والهدف المتوقع Y. مقارنة مع التدريب، والتنبؤ سريع جدا لأنه يحتاج فقط بضعة آلاف المضاعفات. إذا كان X متجه صف، يتم نقله وبهذه الطريقة تحويلها إلى متجه العمود، وإلا فإن وظيفة nn. predict win8217t قبول ذلك. استخدام رستوديو أو بعض بيئة مماثلة للعمل مريح مع R. تحرير المسار إلى البيانات. كسف في الملف أعلاه، مصدر ذلك، تثبيت حزم R المطلوبة (ديبنيت، e1071، كاريت)، ثم استدعاء الدالة تستوس من الأمر خط. إذا كان كل شيء يعمل، فإنه يجب طباعة شيء من هذا القبيل: تستوس يقرأ أولا مجموعة البيانات لدينا من مجلد البيانات Zorro8217s. أنه يقسم البيانات في 80 للتدريب (XY. tr) و 20 للخروج من عينة الاختبار (XY. ts). يتم تدريب مجموعة التدريب والنتيجة المخزنة في قائمة النماذج في الفهرس 1. يتم تقسيم مجموعة الاختبار أيضا في الميزات (X) والأهداف (Y). يتم تحويل Y إلى ثنائي 0 أو 1 وتخزينها في Y. ob. ناقلاتنا من الأهداف الملحوظة. ثم نتوقع الأهداف من مجموعة الاختبار، وتحويلها مرة أخرى إلى ثنائي 0 أو 1 وتخزينها في Y. pr. لمقارنة الملاحظة مع التنبؤ، ونحن نستخدم وظيفة كونفوسيونماتريكس من حزمة كاريت. مصفوفة الارتباك من المصنف ثنائي هو مجرد مصفوفة 22152 الذي يقول كم عدد 08217s وكم 18217s قد تم التنبؤ بشكل خاطئ وبشكل صحيح. يتم اشتقاق الكثير من المقاييس من المصفوفة وطباعتها في الأسطر أعلاه. والأكثر أهمية في الوقت الراهن هو دقة التنبؤ 62. هذا قد يشير إلى أنني قصفت حركة سعر التداول قليلا قبل الأوان. ولكن بالطبع 62 قد يكون مجرد الحظ. W8217ll نرى أن في وقت لاحق عندما نقوم بتشغيل اختبار وفو. نصيحة نهائية: يتم تحديث حزم R أحيانا، مع النتيجة المحتملة أن رمز R السابق فجأة قد تعمل بشكل مختلف، أو لا على الإطلاق. يحدث هذا حقا، لذلك اختبار بعناية بعد أي تحديث. الخطوة 7: الاستراتيجية الآن أن we1217ve اختبارنا خوارزمية لدينا وحصلت على بعض دقة التنبؤ فوق 50 مع مجموعة بيانات الاختبار، يمكننا أخيرا التعليمات البرمجية لدينا استراتيجية التعلم الآلي. في الواقع we8217ve بالفعل مشفرة أكثر من ذلك، ونحن فقط يجب إضافة بضعة أسطر إلى النصي زورو أعلاه التي صدرت مجموعة البيانات. هذا هو النص النهائي للتدريب والاختبار، و (نظريا) تداول النظام (DeepLearn. c): WE8217re باستخدام دورة وفو من سنة واحدة، انقسمت في التدريب 90 و 10 خارج عينة الاختبار الفترة. قد تسأل لماذا كنت قد استخدمت في وقت سابق بيانات سنتين 8217s وتقسيم مختلفة، 8020، لمعايرة الشبكة في الخطوة 5. هذا هو لاستخدام بيانات تتألف بشكل مختلف للمعايرة وللمشي قدما الاختبار. إذا استخدمنا نفس البيانات بالضبط، فإن المعايرة قد تغلب عليها وتضر الاختبار. وتعني معلمات وفو المختارة أن النظام مدرب مع بيانات حوالي 225 يوما، يليه اختبار لمدة 25 يوما أو فترة تجارة بدون تدريب. في الأدب you8217ll تجد أحيانا توصيات لإعادة تدريب نظام التعلم الآلي بعد أي تجارة، أو على الأقل في أي يوم. ولكن هذا لا معنى له بالنسبة لي. عندما كنت تستخدم ما يقرب من 1 year8217s البيانات لتدريب النظام، فإنه من الواضح أن لا تتدهور بعد يوم واحد. أو إذا فعل ذلك، وأنتجت فقط نتائج الاختبار الإيجابية مع إعادة التدريب اليومي، وأود أن يشك بقوة أن النتائج هي التحف التي كتبها بعض خطأ الترميز. تدريب شبكة عميقة يأخذ حقا وقتا طويلا، في حالتنا حوالي 10 دقيقة لشبكة مع 3 طبقات خفية و 200 الخلايا العصبية. وبما أن هذا يتكرر في أي دورة وفو، باستخدام النوى متعددة ويوصى لتدريب العديد من الدورات في موازاة ذلك. المتغير نومكوريس في -1 ينشط جميع النوى وحدة المعالجة المركزية ولكن واحد. النوى متعددة متوفرة فقط في زورو S، لذلك كامل المشي إلى الأمام اختبار مع جميع دورات وفو يمكن أن يستغرق عدة ساعات مع نسخة مجانية. في البرنامج النصي نقوم الآن بتدريب كل من الصفقات الطويلة والقصيرة. لهذا علينا أن نسمح التحوط في وضع التدريب، منذ مواقف طويلة وقصيرة مفتوحة في نفس الوقت. دخول موقف الآن يعتمد على قيمة العودة من وظيفة المشورة، والذي بدوره يستدعي إما neural. train أو وظيفة neural. predict من R النصي. لذلك we8217re هنا دخول المواقف عندما نتوقع الشبكة العصبية نتيجة فوق 0.5. يتم التحكم في النصي R الآن من قبل النصي زورو (لهذا يجب أن يكون نفس الاسم، NeuralLearn. r فقط مع تمديد مختلفة). وهو مطابق لدينا R النصي أعلاه منذ we8217re باستخدام المعلمات الشبكة نفسها. هناك حاجة إلى وظيفة إضافية واحدة فقط لدعم اختبار وفو: وظيفة neural. save بتخزين قائمة النماذج 8211 أنه يحتوي الآن على 2 نماذج لفترة طويلة وللمهن قصيرة 8211 بعد كل تدريب في مجلد البيانات Zorro8217s. منذ يتم تخزين النماذج لاستخدامها لاحقا، ونحن لسنا في حاجة لتدريبهم مرة أخرى لإجراء اختبارات الاختبار المتكررة. هذا هو منحنى الأسهم وفو ولدت مع السيناريو أعلاه (اليورو مقابل الدولار الأميركي، دون تكاليف التداول): على الرغم من أن ليس كل دورات وفو الحصول على نتيجة إيجابية، يبدو أن هناك بعض التأثير التنبئي. المنحنى يعادل العائد السنوي من 89، يتحقق مع 50-100-50 بنية طبقة خفية. W8217ll تحقق في الخطوة التالية كيف تؤثر هياكل الشبكة المختلفة على النتيجة. منذ neural. init. العصبية. neural. predict. ويتم استدعاء وظائف neural. save تلقائيا من قبل وظائف Zorro8217s أدفيسيلونغادفيسشورت، لا توجد وظائف R يسمى مباشرة في البرنامج النصي زورو. وبالتالي فإن البرنامج النصي يمكن أن تبقى دون تغيير عند استخدام طريقة التعلم الآلي مختلفة. فقط يجب تعديل النص البرمجي DeepLearn. r والشبكة العصبية، على سبيل المثال، تحل محلها آلة ناقلات الدعم. لتداول مثل هذا الجهاز تعلم نظام يعيش على فس، تأكد من أن يتم تثبيت R أيضا على فس، يتم تثبيت حزم R المطلوبة، والمسار إلى محطة R المنصوص عليها في ملف إيني Zorro8217s. وإلا فإنك 8217ll الحصول على رسالة خطأ عند بدء تشغيل الاستراتيجية. الخطوة 8: التجربة إذا كان هدفنا هو وضع استراتيجية، فإن الخطوات التالية ستكون التحقق من الواقع، وإدارة المخاطر والمال، والاستعداد للتداول المباشر كما هو موضح في إطار تطوير الاستراتيجية القائمة على نموذج. ولكن لدينا تجربة we8217ll الآن تشغيل سلسلة من الاختبارات، مع زيادة عدد الخلايا العصبية لكل طبقة من 10 إلى 100 في 3 خطوات، و 1، 2، أو 3 طبقات مخفية (ديبنيت لا يدعم أكثر من 3). لذلك نحن 8217re النظر في 9 هياكل الشبكة التالية: ج (10)، ج (10،10)، ج (10،10،10)، ج (30)، ج (30،30)، ج (30،30،30 )، c (100)، c (100،100)، c (100،100،100). لهذه التجربة تحتاج إلى فترة ما بعد الظهر حتى مع جهاز كمبيوتر سريع وفي وضع الأساسية متعددة. وفيما يلي النتائج (نسبة شارب سر، R2 المنحدر الخطي): ونحن نرى أن شبكة بسيطة مع 10 الخلايا العصبية فقط في طبقة خفية واحدة فاز 8217t تعمل بشكل جيد للتنبؤ على المدى القصير. تعقيد الشبكة يحسن بوضوح الأداء، ولكن فقط حتى نقطة معينة. يتم تحقيق نتيجة جيدة لنظامنا بالفعل مع 3 طبقات × 30 الخلايا العصبية. حتى أكثر الخلايا العصبية win8217t مساعدة كثيرا وأحيانا حتى تنتج نتيجة أسوأ. هذا ليس مفاجأة حقيقية، لأنه لمعالجة 8 المدخلات فقط، 300 الخلايا العصبية من المرجح أن لا تقوم بعمل أفضل من 100. الخاتمة كان هدفنا تحديد ما إذا كان عدد قليل من الشموع يمكن أن يكون القدرة التنبؤية وكيف تتأثر النتائج من تعقيد الخوارزمية . ويبدو أن النتائج تشير إلى أن تحركات الأسعار على المدى القصير يمكن التنبؤ بها في بعض الأحيان من خلال تحليل التغيرات ونطاقات الشموع الأربعة الأخيرة. التنبؤ ليست دقيقة جدا 8211 it8217s في نطاق 58..60، ومعظم أنظمة سلسلة الاختبار تصبح غير مربحة عند تضمين تكاليف التداول. ومع ذلك، لا بد لي من إعادة النظر في رأيي بشأن تداول حركة السعر. وحقيقة أن التنبؤ يتحسن مع تعقيد الشبكة هو حجة مقنعة بشكل خاص للتنبؤ السعر على المدى القصير. سيكون من المثير للاهتمام أن ننظر في الاستقرار على المدى الطويل من أنماط الأسعار التنبؤية. لهذا كان لدينا لتشغيل سلسلة أخرى من التجارب وتعديل فترة التدريب (وفوبيريود في السيناريو أعلاه) و 90 إيسوس الانقسام. يستغرق هذا وقتا أطول حيث يجب علينا استخدام المزيد من البيانات التاريخية. لقد فعلت عدد قليل من الاختبارات وجدت حتى الآن أن سنة ويبدو أن في الواقع فترة تدريب جيدة. ويتدهور النظام بفترات أطول من بضع سنوات. أنماط الأسعار التنبؤية، على الأقل من يوروس، لها عمر محدود. أين يمكن أن نذهب من هنا هناك 8217s عدد كبير من الاحتمالات، على سبيل المثال: استخدام المدخلات من المزيد من الشموع ومعالجتها مع شبكات أكبر بكثير مع الآلاف من الخلايا العصبية. استخدام الإفراط في توسيع نطاق بيانات التدريب. التنبؤ يحسن دائما مع المزيد من عينات التدريب. ضغط سلسلة زمنية f. i. مع التحليل الطيفي وتحليل ليس الشموع، ولكن تمثيل ترددهم مع أساليب التعلم الآلي. استخدام المدخلات من العديد من الشموع 8211 مثل، 100 8211 وما قبل العملية الشموع المجاورة مع طبقات شبكة تلافيفية أحادية البعد. استخدام الشبكات المتكررة. خاصة لستم يمكن أن تكون مثيرة جدا للاهتمام لتحليل سلسلة زمنية 8211 وعلى حد علمي، ونادرا ما تستخدم للتنبؤ المالي حتى الآن. استخدام مجموعة من الشبكات العصبية للتنبؤ، مثل Aronson8217s 8220oracles8221 و 8220comitees8221. أوراق مقالات أضافت I8217ve C و R مخطوطات إلى 2016 سكريبت مستودع. تحتاج كلاهما في مجلد استراتيجية Zorro8217s. تم استخدام زورو الإصدار 1.474، و R الإصدار 3.2.5 (64 بت) للتجربة، ولكن يجب أن تعمل أيضا مع الإصدارات الأخرى. النتائج التالية تم إنشاؤها من قبل نسخة منقحة من DeepSignals. r 8211 فقط تغيير استخدام شبكة لستم من حزمة رن على كران. المؤلفين من حزمة تعتبر تنفيذ لستم كما 8220experimental8221 ولا يشعر أنه حتى الآن التعلم بشكل صحيح، لذلك نأمل المزيد من التحسن أن تأتي هناك. (سنوات من العمر تحاول تحقيق عنصر لستم باستخدام حزمة مكسنيت ولكن تخلى كما cann8217t معرفة تنسيق الإدخال الصحيح عند استخدام ميزات التدريب متعددة.) سيتم نشر نتائج وفو كامل عند الانتهاء من نسخة لستم من ديبLearn. r الارتباك مصفوفة و الإحصاء المرجعي التنبؤ 0 1 0 1641 1167 1 1225 1701 الدقة. 0.5828 95 سي. (0.5699، 0.5956) لا يوجد معدل معلومات. 0.5002 P-فالو أسك غ نير. lt2e-16 كابا. 0.1657 Mcnemar039s اختبار P - القيمة. 0.2438 الحساسية. 0.5726 خصوصية. 0.5931 بوس قيمة بريد. 0.5844 نيج بريد القيمة. 0.5813 انتشار. 0.4998 معدل الكشف. 0.2862 انتشار الكشف. 0.4897 الدقة المتوازنة. 0.5828 039Positive039 الفئة. 0 نتائج اختبار وفو أدناه. مرة أخرى، كان التغيير فقط إلى الملفات الأصلية استخدام لستم في R، بدلا من دنزي. (أوسد 87 مين) فترة المحاكاة 15.05.2014-07.06.2016 (12486 بار) فترة الاختبار 04.05.2015-07.06.2016 (6649 بارات) فترة الاستعادة 100 بار (4 بار) أيام) دورات اختبار وفو 11 × 604 قضبان (5 أسابيع) دورات تدريبية 12 × 5439 قضبان (46 أسبوعا) دورات مونت كارلو 200 انقطاع مفاجئ 0.0 ثانية انتشار 0.0 نقطة (لفة 0.000.00) عقود لكل لوط 1000.0 إجمالي وينلوس 3628 -3235 5199p) متوسط ​​الربح 360 سنة، 30 شهر، 1.38day ماكس دراودون -134 34 (مي -134 34) مجموع الوقت أسفل 95 (تاي 95) ماكس أسفل الوقت 5 أسابيع من أغسطس 2015 ماكس فتح هامش 40 ماكس مفتوحة خطر 35 حجم التجارة 5710964 (5212652 سنة ) تكاليف المعاملة 0.00 سبر 0.00 سلب 0.00 0.00 رأس المال المطلوب 262 عدد الصفقات 6787 (6195 سنة، 120 أسبوع، 25 يوم) النسبة المئوية للفوز 57.6 ماكس وينلوس 16 -14 متوسط ​​الربح التجاري 0.06 0.8p (12.3p -14.8p) متوسط ​​انزلاق التجارة 0.00 0.0p (0.0p -0.0p) متوسط ​​القضبان التجارية 1 (1 -2) الحد الأقصى لقضبان التداول 3 (3 ساعات) الوقت في السوق 177 الحد الأقصى للتداولات المفتوحة 3 ما (17) عامل الربح 1.12 (بر 1.08) نسبة شارب 1.79 معيار كيلي 2.34 معامل R2 0.435 مؤشر قرحة 13.3 خطأ في التنبؤ 152 مستوى الثقة أر دماكس كابيتال 10 143 128 252 20 129 144 278 30 117 161 306 40 107 179 336 50 101 190 355 60 92 213 392 70 85 232 425 80 77 257 466 90 64 314 559 95 53 383 675 100 42 495 859 تحليل المحفظة أوبتف بروف وينلوس دورات ورت يوروس .219 1.12 39072880 100.0 زس يوروس: L. 302 1.17 18301658 65.0 EURUSD:S .145 1.08 20771222 35.0 Interesting For a still experimental LSTM implementation that result looks not bad. Could you help me answering some questions I have few question below: 1.I want to test Commission mode. If I use interactive broker, I should set Commission . in normal case. 2.If I press the 8220trade8221 button, I see the log the script will use DeepLearnEURUSD. ml. So real trade it will use DeepLearnEURUSD. ml to get the model to trade And use neural. predict function to trade 3.If I use the slow computer to train the data , I should move DeepLearnEURUSD. ml to the trade computer I test the real trade on my interactive brokers and press the result button. Can I use Commission0.60 to train the neural and get the real result Thank you. Result button will show the message below: Trade Trend EURUSD Bar period 2 min (avg 2 min) Trade period 02.11.2016-02.11.2016 Spread 0.5 pips (roll -0.020.01) Commission 0.60 Contracts per lot 1000.0 Commission should be normally not set up in the script, but entered in the broker specific asset list. Otherwise you had to change the script every time when you want to test it with a different broker or account. IB has different lot sizes and commissions, so you need to add the command to the script when you want to test it for an IB account. Yes, DeepLearnEURUSD. ml is the model for live trading, and you need to copy it to the trade computer. Dear jcl Do I write assetList(AssetsIB. csv) in the right place So below code8217s result includes Commission I test the result with Commission that seems pretty good. Annual 93 3177p function run() StartDate 20140601 BarPeriod 60 1 hour LookBack 100 WFOPeriod 25224 1 year DataSplit 90 NumCores -1 use all CPU cores but one assetList(8220AssetsIB. csv8221) set(RULES) Spread RollLong RollShort Commission Slippage 0 LifeTime 3 if(Train) Hedge 2 if(adviseLong(NEURALBALANCED,0, change(1),change(2),change(3),change(4), range(1),range(2),range(3),range(4)) gt 0.5) enterLong() if(adviseShort() gt 0.5) enterShort() Problem 1: I run the DeepLearn. c in the IB paper trade. The code 8220LifeTime 3 prediction horizon8221 seems to close the position that you open after 3 bars(3 hours). But I can8217t see it close the position on third bar close. I see the logs below: Closing prohibited 8211 check NFA flag EURUSD::L4202 Can8217t close 11.10995 at 09:10:51 Problem 2: In my IB paper trade, it the default order size is 1k on EURUSD. How to change the order size in paper trade Thank you very much. IB is an NFA compliant broker. You can not close trades on NFA accounts. You must set the NFA flag for opening a reverse position instead. And you must enable trading costs, otherwise including the commission has no effect. I don8217t think that you get a positive result with trading costs. Those account issues are not related to machine learning, and are better asked on the Zorro forum. Or even better, read the Zorro manual where all this is explained. Just search for 8220NFA8221. I do some experiment to change the neural8217s parameter with commission. The code is below: function run() StartDate 20140601 BarPeriod 60 1 hour LookBack 100 WFOPeriod 25224 1 year DataSplit 90 NumCores -1 use all CPU cores but one assetList(8220AssetsIB. csv8221) set(RULES) Spread RollLong RollShort Slippage 0 LifeTime 3 if(Train) Hedge 2 if(adviseLong(NEURALBALANCED,0, change(1),change(3),change(5),change(7),change(9), range(1),range(3),range(5),range(7),range(9)) gt 0.7) enterLong() if(adviseShort() gt 0.7) enterShort() I get the result with commission that Annual Return is about 23. But I don8217t complete understand the zorro8217s setting and zorro8217s report. شكرا لكم. The result: Annual 23 661p Walk-Forward Test DeepLearn EURUSD Simulated account AssetsIB. csv Bar period 1 hour (avg 86 min) Simulation period 15.05.2014-09.09.2016 (14075 bars) Test period 23.04.2015-09.09.2016 (8404 bars) Lookback period 100 bars (4 days) WFO test cycles 14 x 600 bars (5 weeks) Training cycles 15 x 5401 bars (46 weeks) Monte Carlo cycles 200 Simulation mode Realistic (slippage 0.0 sec) Spread 0.0 pips (roll 0.000.00) Commission 0.50 Contracts per lot 20000.0 Gross winloss 24331 -22685 (914p) Average profit 1190year, 99month, 4.58day Max drawdown -1871 114 (MAE -1912 116) Total down time 92 (TAE 41) Max down time 18 weeks from Dec 2015 Max open margin 2483 Max open risk 836 Trade volume 26162350 (18916130year) Transaction costs 0.00 spr, 0.00 slp, 0.00 rol, -1306 com Capital required 5239 Number of trades 1306 (945year, 19week, 4day) Percent winning 52.5 Max winloss 375 -535 Avg trade profit 1.26 0.7p (19.7p -20.3p) Avg trade slippage 0.00 0.0p (0.0p -0.0p) Avg tra de bars 2 (2 -3) Max trade bars 3 (3 hours) Time in market 46 Max open trades 3 Max loss streak 19 (uncorrelated 10) Annual return 23 Profit factor 1.07 (PRR 0.99) Sharpe ratio 0.56 Kelly criterion 1.39 R2 coefficient 0.000 Ulcer index 20.8 Confidence level AR DDMax Capital 10 29 1134 4153 20 27 1320 4427 30 26 1476 4656 40 24 1649 4911 50 23 1767 5085 60 22 1914 5301 70 21 2245 5789 80 19 2535 6216 90 16 3341 7403 95 15 3690 7917 100 12 4850 9625 Portfolio analysis OptF ProF WinLoss Wgt Cycles EURUSD .256 1.07 685621 100.0 XXXXXXXXXXXX EURUSD:L .476 1.16 294278 94.5 EURUSD:S .026 1.01 391343 5.5