股票量化交易软件：神经网络在交易中的实际应用 Python 1

最新推荐文章于 2024-06-18 14:52:32 发布
最新推荐文章于 2024-06-18 14:52:32 发布
阅读量243 收藏 1
点赞数
文章标签： 神经网络 python 人工智能 数据库 深度学习 机器学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Herzqt123/article/details/131675214
版权

1. 准备数据

让我们考虑一些与神经网络训练数据准备有关的问题。

  • 为了决策，我们将使用两个神经网络在一个方向上打开仓位。赫兹股票量化交易软件

  • 根据前一点，训练数据应分为两组-每个方向一组。

  • 与前一个系统一样，将训练第一个神经网络来构建类似于标准技术指标的指标。我们在以前的系统中使用了这个解决方案，因为我们使用了自写的指示符，我们不想让专家顾问的工作负担过重。之所以使用Python，是因为只能从终端接收报价，为了为神经网络准备数据，我们需要在 Python 脚本中构建这些指标。通过教神经网络建立这样的指标，我们消除了在脚本中复制它们的需要。 赫兹股票量化交易软件

  • 第二个神经网络建立信号指标，在此基础上建立交易策略。赫兹股票量化交易软件

  • 神经网络将针对 EURUSD H1 图表进行训练。赫兹股票量化交易软件

  • 因此，为了建立这个系统，我们需要准备两个神经网络用于买入和两个网络用于卖出。因此，系统中将有四个神经网络工作。赫兹股票量化交易软件

两个脚本将用于为网络培训准备数据：PythonPrices.mq5 文件以及 PythonIndicators.mq5 文件。

 

 

//+------------------------------------------------------------------+ //| PythonPrices.mq5 | //| Copyright 2020, Andrey Dibrov. | //| https://www.mql5.com/ru/users/tomcat66 | //+------------------------------------------------------------------+ #property copyright "Copyright 2020, Andrey Dibrov." #property link "https://www.mql5.com/ru/users/tomcat66" #property version "1.00" #property strict #property script_show_inputs input string Date="2004.07.01 00:00"; input string DateOut="2010.12.31 23:00"; input int History=0; double inB[22]; string Date1; int HandleInpuNet1Min; int HandleInpuNet1Max; double DibMin1_1[]; double DibMax1_1 []; int DibMin1_1Handle; int DibMax1_1Handle; //+------------------------------------------------------------------+ //| Script program start function | //+------------------------------------------------------------------+ void OnStart() { //--- int k=iBars(NULL,PERIOD_H1)-1; DibMin1_1Handle=iCustom(NULL,PERIOD_H1,"DibMin1-1",History); CopyBuffer(DibMin1_1Handle,0,0,k,DibMin1_1); ArraySetAsSeries(DibMin1_1,true); DibMax1_1Handle=iCustom(NULL,PERIOD_H1,"DibMax1-1",History); CopyBuffer(DibMax1_1Handle,0,0,k,DibMax1_1); ArraySetAsSeries(DibMax1_1,true); HandleInpuNet1Min=FileOpen(Symbol()+"InputNet1Min.csv",FILE_CSV|FILE_WRITE|FILE_SHARE_READ|FILE_ANSI|FILE_COMMON,";"); HandleInpuNet1Max=FileOpen(Symbol()+"InputNet1Max.csv",FILE_CSV|FILE_WRITE|FILE_SHARE_READ|FILE_ANSI|FILE_COMMON,";"); FileSeek(HandleInpuNet1Min,0,SEEK_END); FileSeek(HandleInpuNet1Max,0,SEEK_END); if(HandleInpuNet1Min>0) { Alert("Writing to the file InputNet1Min"); for(int i=iBars(NULL,PERIOD_H1)-1; i>=0; i--) { Date1=TimeToString(iTime(NULL,PERIOD_H1,i)); if(DateOut>=Date1 && Date<=Date1) { if((DibMin1_1[i]==-1 && DibMin1_1[i+1]==1 && DibMax1_1[i]==1) || (DibMin1_1[i]==1 && DibMax1_1[i]==1)) { for(int m=0; m<=14; m++) { inB[m]=inB[m+5]; } inB[15]=(iOpen(NULL,PERIOD_D1,iBarShift(NULL,PERIOD_D1,iTime(NULL,PERIOD_H1,i)))-iLow(NULL,PERIOD_D1,iBarShift(NULL,PERIOD_D1,iTime(NULL,PERIOD_H1,i))))*100000; inB[16]=(iHigh(NULL,PERIOD_D1,iBarShift(NULL,PERIOD_D1,iTime(NULL,PERIOD_H1,i)))-iOpen(NULL,PERIOD_D1,iBarShift(NULL,PERIOD_D1,iTime(NULL,PERIOD_H1,i))))*100000; inB[17]=(iHigh(NULL,PERIOD_D1,iBarShift(NULL,PERIOD_D1,iTime(NULL,PERIOD_H1,i)))-iLow(NULL,PERIOD_D1,iBarShift(NULL,PERIOD_D1,iTime(NULL,PERIOD_H1,i))))*10000; inB[18]=(iHigh(NULL,PERIOD_D1,iBarShift(NULL,PERIOD_D1,iTime(NULL,PERIOD_H1,i)))-iOpen(NULL,PERIOD_H1,i+1))*10000; inB[19]=(iOpen(NULL,PERIOD_H1,i+1)-iLow(NULL,PERIOD_D1,iBarShift(NULL,PERIOD_D1,iTime(NULL,PERIOD_H1,i))))*10000; inB[20]=(iHigh(NULL,PERIOD_D1,iBarShift(NULL,PERIOD_D1,iTime(NULL,PERIOD_H1,i)))-iOpen(NULL,PERIOD_H1,i))*10000; inB[21]=(iOpen(NULL,PERIOD_H1,i)-iLow(NULL,PERIOD_D1,iBarShift(NULL,PERIOD_D1,iTime(NULL,PERIOD_H1,i))))*10000; FileWrite(HandleInpuNet1Min, inB[0],inB[1],inB[2],inB[3],inB[4],inB[5],inB[6],inB[7],inB[8],inB[9],inB[10],inB[11],inB[12],inB[13],inB[14],inB[15], inB[16],inB[17],inB[18],inB[19],inB[20],inB[21]); } } } FileClose(HandleInpuNet1Min); } //------------------------------------------------------------------------------------------------------------------------------------------------ if(HandleInpuNet1Max>0) { Alert("Writing the file InputNet1Max"); for(int i=iBars(NULL,PERIOD_H1)-1; i>=0; i--) { Date1=TimeToString(iTime(NULL,PERIOD_H1,i)); if(DateOut>=Date1 && Date<=Date1) { if((DibMax1_1[i]==-1 && DibMax1_1[i+1]==1 && DibMin1_1[i]==1)|| (DibMin1_1[i]==1 && DibMax1_1[i]==1)) { for(int m=0; m<=14; m++) { inB[m]=inB[m+5]; } inB[15]=(iOpen(NULL,PERIOD_D1,iBarShift(NULL,PERIOD_D1,iTime(NULL,PERIOD_H1,i)))-iLow(NULL,PERIOD_D1,iBarShift(NULL,PERIOD_D1,iTime(NULL,PERIOD_H1,i))))*100000; inB[16]=(iHigh(NULL,PERIOD_D1,iBarShift(NULL,PERIOD_D1,iTime(NULL,PERIOD_H1,i)))-iOpen(NULL,PERIOD_D1,iBarShift(NULL,PERIOD_D1,iTime(NULL,PERIOD_H1,i))))*100000; inB[17]=(iHigh(NULL,PERIOD_D1,iBarShift(NULL,PERIOD_D1,iTime(NULL,PERIOD_H1,i)))-iLow(NULL,PERIOD_D1,iBarShift(NULL,PERIOD_D1,iTime(NULL,PERIOD_H1,i))))*10000; inB[18]=(iHigh(NULL,PERIOD_D1,iBarShift(NULL,PERIOD_D1,iTime(NULL,PERIOD_H1,i)))-iOpen(NULL,PERIOD_H1,i+1))*10000; inB[19]=(iOpen(NULL,PERIOD_H1,i+1)-iLow(NULL,PERIOD_D1,iBarShift(NULL,PERIOD_D1,iTime(NULL,PERIOD_H1,i))))*10000; inB[20]=(iHigh(NULL,PERIOD_D1,iBarShift(NULL,PERIOD_D1,iTime(NULL,PERIOD_H1,i)))-iOpen(NULL,PERIOD_H1,i))*10000; inB[21]=(iOpen(NULL,PERIOD_H1,i)-iLow(NULL,PERIOD_D1,iBarShift(NULL,PERIOD_D1,iTime(NULL,PERIOD_H1,i))))*10000; FileWrite(HandleInpuNet1Max, inB[0],inB[1],inB[2],inB[3],inB[4],inB[5],inB[6],inB[7],inB[8],inB[9],inB[10],inB[11],inB[12],inB[13],inB[14],inB[15], inB[16],inB[17],inB[18],inB[19],inB[20],inB[21]); } } } FileClose(HandleInpuNet1Max); } Alert("Files written"); } //+------------------------------------------------------------------+
 

 

 

 

//+------------------------------------------------------------------+ //| PythonIndicators.mq5 | //| Copyright 2020, Andrey Dibrov. | //| https://www.mql5.com/ru/users/tomcat66 | //+------------------------------------------------------------------+ #property copyright "Copyright 2020, Andrey Dibrov." #property link "https://www.mql5.com/ru/users/tomcat66" #property version "1.00" #property strict #property script_show_inputs input string Date="2004.07.01 00:00"; input string DateOut="2010.12.31 23:00"; input int History=0; double Stochastic0[]; double Stochastic1[]; double CCI_Open[]; double CCI_Low[]; double CCI_High[]; double Momentum_Open[]; double Momentum_Low[]; double Momentum_High[]; double RSI_Open[]; double RSI_Low[]; double RSI_High[]; double WPR[]; double MACD_Open[]; double MACD_Low[]; double MACD_High[]; double OsMA_Open[]; double OsMA_Low[]; double OsMA_High[]; double TriX_Open[]; double TriX_Low[]; double TriX_High[]; double BearsPower[]; double BullsPower[]; double ADX_MINUSDI[]; double ADX_PLUSDI[]; double StdDev_Open[]; double StdDev_Low[]; double StdDev_High[]; //-------------------------- double DibMin1_1[]; double DibMax1_1 []; int DibMin1_1Handle; int DibMax1_1Handle; //-------------------------- double inB[60]; double inS[60]; string Date1; int HandleInputNet2OutNet1Min; int HandleOutNet2Min; int HandleInputNet2OutNet1Max; int HandleOutNet2Max; //+------------------------------------------------------------------+ //| Script program start function | //+------------------------------------------------------------------+ void OnStart() { //--- int k=iBars(NULL,PERIOD_H1)-1; //------ Daily Low DibMin1_1Handle=iCustom(NULL,PERIOD_H1,"DibMin1-1",History); CopyBuffer(DibMin1_1Handle,0,0,k,DibMin1_1); ArraySetAsSeries(DibMin1_1,true); DibMax1_1Handle=iCustom(NULL,PERIOD_H1,"DibMax1-1",History); CopyBuffer(DibMax1_1Handle,0,0,k,DibMax1_1); ArraySetAsSeries(DibMax1_1,true); int Stochastic_handle=iStochastic(NULL,PERIOD_H1,5,3,3,MODE_SMA,STO_LOWHIGH); CopyBuffer(Stochastic_handle,0,0,k,Stochastic0); CopyBuffer(Stochastic_handle,1,0,k,Stochastic1); ArraySetAsSeries(Stochastic0,true); ArraySetAsSeries(Stochastic1,true); int CCI_Open_handle=iCCI(NULL,PERIOD_H1,14,PRICE_OPEN); CopyBuffer(CCI_Open_handle,0,0,k,CCI_Open); ArraySetAsSeries(CCI_Open,true); int CCI_Low_handle=iCCI(NULL,PERIOD_H1,14,PRICE_LOW); CopyBuffer(CCI_Low_handle,0,0,k,CCI_Low); ArraySetAsSeries(CCI_Low,true); int Momentum_Open_handle=iMomentum(NULL,PERIOD_H1,14,PRICE_OPEN); CopyBuffer(Momentum_Open_handle,0,0,k,Momentum_Open); ArraySetAsSeries(Momentum_Open,true); int Momentum_Low_handle=iMomentum(NULL,PERIOD_H1,14,PRICE_LOW); CopyBuffer(Momentum_Low_handle,0,0,k,Momentum_Low); ArraySetAsSeries(Momentum_Low,true); int RSI_Open_handle=iRSI(NULL,PERIOD_H1,14,PRICE_OPEN); CopyBuffer(RSI_Open_handle,0,0,k,RSI_Open); ArraySetAsSeries(RSI_Open,true); int RSI_Low_handle=iRSI(NULL,PERIOD_H1,14,PRICE_LOW); CopyBuffer(RSI_Low_handle,0,0,k,RSI_Low); ArraySetAsSeries(RSI_Low,true); int WPR_handle=iWPR(NULL,PERIOD_H1,14); CopyBuffer(WPR_handle,0,0,k,WPR); ArraySetAsSeries(WPR,true); int MACD_Open_handle=iMACD(NULL,PERIOD_H1,12,26,9,PRICE_OPEN); CopyBuffer(MACD_Open_handle,0,0,k,MACD_Open); ArraySetAsSeries(MACD_Open,true); int MACD_Low_handle=iMACD(NULL,PERIOD_H1,12,26,9,PRICE_LOW); CopyBuffer(MACD_Low_handle,0,0,k,MACD_Low); ArraySetAsSeries(MACD_Low,true); int OsMA_Open_handle=iOsMA(NULL,PERIOD_H1,12,26,9,PRICE_OPEN); CopyBuffer(OsMA_Open_handle,0,0,k,OsMA_Open); ArraySetAsSeries(OsMA_Open,true); int OsMA_Low_handle=iOsMA(NULL,PERIOD_H1,12,26,9,PRICE_LOW); CopyBuffer(OsMA_Low_handle,0,0,k,OsMA_Low); ArraySetAsSeries(OsMA_Low,true); int TriX_Open_handle=iTriX(NULL,PERIOD_H1,14,PRICE_OPEN); CopyBuffer(TriX_Open_handle,0,0,k,TriX_Open); ArraySetAsSeries(TriX_Open,true); int TriX_Low_handle=iTriX(NULL,PERIOD_H1,14,PRICE_LOW); CopyBuffer(TriX_Low_handle,0,0,k,TriX_Low); ArraySetAsSeries(TriX_Low,true); int BearsPower_handle=iBearsPower(NULL,PERIOD_H1,13); CopyBuffer(BearsPower_handle,0,0,k,BearsPower); ArraySetAsSeries(BearsPower,true); int ADX_MINUSDI_handle=iADX(NULL,PERIOD_H1,14); CopyBuffer(ADX_MINUSDI_handle,2,0,k,ADX_MINUSDI); ArraySetAsSeries(ADX_MINUSDI,true); int StdDev_Open_handle=iStdDev(NULL,PERIOD_H1,20,0,MODE_SMA,PRICE_OPEN); CopyBuffer(StdDev_Open_handle,0,0,k,StdDev_Open); ArraySetAsSeries(StdDev_Open,true); int StdDev_Low_handle=iStdDev(NULL,PERIOD_H1,20,0,MODE_SMA,PRICE_LOW); CopyBuffer(StdDev_Low_handle,0,0,k,StdDev_Low); ArraySetAsSeries(StdDev_Low,true); //--------------------------------------------------------------------------------------------------------------------------- HandleInputNet2OutNet1Min=FileOpen(Symbol()+"InputNet2OutNet1Min.csv",FILE_CSV|FILE_WRITE|FILE_SHARE_READ|FILE_ANSI|FILE_COMMON,";"); HandleOutNet2Min=FileOpen(Symbol()+"OutNet2Min.csv",FILE_CSV|FILE_WRITE|FILE_SHARE_READ|FILE_ANSI|FILE_COMMON,";"); FileSeek(HandleInputNet2OutNet1Min,0,SEEK_END); FileSeek(HandleOutNet2Min,0,SEEK_END); if(HandleInputNet2OutNet1Min>0) { Alert("Writing the files InputNet2OutNet1Min and OutNet2Min"); for(int i=iBars(NULL,PERIOD_H1)-1; i>=0; i--) { Date1=TimeToString(iTime(NULL,PERIOD_H1,i)); if(DateOut>=Date1 && Date<=Date1) { if(((DibMin1_1[i]==-1 && DibMin1_1[i+1]==1 && DibMax1_1[i]==1)) || (DibMin1_1[i]==1 && DibMax1_1[i]==1)) { for(int m=0; m<=35; m++) { inB[m]=inB[m+12]; } inB[36]=Stochastic0[i]; inB[37]=Stochastic1[i]; inB[38]=CCI_Low[i]; inB[39]=Momentum_Low[i]; inB[40]=RSI_Low[i];; inB[41]=WPR[i+1]; inB[42]=MACD_Low[i]*10000; inB[43]=OsMA_Low[i]*100000; inB[44]=TriX_Low[i]*100000;; inB[45]=BearsPower[i+1]*1000; inB[46]=ADX_MINUSDI[i+1]; inB[47]=StdDev_Low[i]*10000; inB[48]=Stochastic0[i]; inB[49]=Stochastic1[i]; inB[50]=CCI_Open[i]; inB[51]=Momentum_Open[i]; inB[52]=RSI_Open[i];; inB[53]=WPR[i]; inB[54]=MACD_Open[i]*10000; inB[55]=OsMA_Open[i]*100000; inB[56]=TriX_Open[i]*100000;; inB[57]=BearsPower[i]*1000; inB[58]=ADX_MINUSDI[i]; inB[59]=StdDev_Open[i]*10000; FileWrite(HandleInputNet2OutNet1Min, inB[0],inB[1],inB[2],inB[3],inB[4],inB[5],inB[6],inB[7],inB[8],inB[9],inB[10],inB[11],inB[12],inB[13], inB[14],inB[15],inB[16],inB[17],inB[18],inB[19],inB[20],inB[21],inB[22],inB[23],inB[24],inB[25],inB[26], inB[27],inB[28],inB[29],inB[30],inB[31],inB[32],inB[33],inB[34],inB[35],inB[36],inB[37],inB[38],inB[39], inB[40],inB[41],inB[42],inB[43],inB[44],inB[45],inB[46],inB[47],inB[48],inB[49],inB[50],inB[51],inB[52], inB[53],inB[54],inB[55],inB[56],inB[57],inB[58],inB[59]); FileWrite(HandleOutNet2Min, (iOpen(NULL,PERIOD_D1,iBarShift(NULL,PERIOD_D1,iTime(NULL,PERIOD_H1,i)))-iOpen(NULL,PERIOD_H1,i))*10000); } } } } //------ Daily High int CCI_High_handle=iCCI(NULL,PERIOD_H1,14,PRICE_HIGH); CopyBuffer(CCI_High_handle,0,0,k,CCI_High); ArraySetAsSeries(CCI_High,true); int Momentum_High_handle=iMomentum(NULL,PERIOD_H1,14,PRICE_HIGH); CopyBuffer(Momentum_High_handle,0,0,k,Momentum_High); ArraySetAsSeries(Momentum_High,true); int RSI_High_handle=iRSI(NULL,PERIOD_H1,14,PRICE_HIGH); CopyBuffer(RSI_High_handle,0,0,k,RSI_High); ArraySetAsSeries(RSI_High,true); int MACD_High_handle=iMACD(NULL,PERIOD_H1,12,26,9,PRICE_HIGH); CopyBuffer(MACD_High_handle,0,0,k,MACD_High); ArraySetAsSeries(MACD_High,true); int OsMA_High_handle=iOsMA(NULL,PERIOD_H1,12,26,9,PRICE_HIGH); CopyBuffer(OsMA_High_handle,0,0,k,OsMA_High); ArraySetAsSeries(OsMA_High,true); int TriX_High_handle=iTriX(NULL,PERIOD_H1,14,PRICE_HIGH); CopyBuffer(TriX_High_handle,0,0,k,TriX_High); ArraySetAsSeries(TriX_High,true); int BullsPower_handle=iBullsPower(NULL,PERIOD_H1,13); CopyBuffer(BullsPower_handle,0,0,k,BullsPower); ArraySetAsSeries(BullsPower,true); int ADX_PLUSDI_handle=iADX(NULL,PERIOD_H1,14); CopyBuffer(ADX_PLUSDI_handle,1,0,k,ADX_PLUSDI); ArraySetAsSeries(ADX_PLUSDI,true); int StdDev_High_handle=iStdDev(NULL,PERIOD_H1,20,0,MODE_SMA,PRICE_HIGH); CopyBuffer(StdDev_High_handle,0,0,k,StdDev_High); ArraySetAsSeries(StdDev_High,true); //--------------------------------------------------------------------------------------------------------------------------- HandleInputNet2OutNet1Max=FileOpen(Symbol()+"InputNet2OutNet1Max.csv",FILE_CSV|FILE_WRITE|FILE_SHARE_READ|FILE_ANSI|FILE_COMMON,";"); HandleOutNet2Max=FileOpen(Symbol()+"OutNet2Max.csv",FILE_CSV|FILE_WRITE|FILE_SHARE_READ|FILE_ANSI|FILE_COMMON,";"); FileSeek(HandleInputNet2OutNet1Max,0,SEEK_END); FileSeek(HandleOutNet2Max,0,SEEK_END); if(HandleInputNet2OutNet1Max>0) { Alert("Writing the files InputNet2OutNet1Max and OutNet2Max"); for(int i=iBars(NULL,PERIOD_H1)-1; i>=0; i--) { Date1=TimeToString(iTime(NULL,PERIOD_H1,i)); if(DateOut>=Date1 && Date<=Date1) { if(((DibMax1_1[i]==-1 && DibMax1_1[i+1]==1 && DibMin1_1[i]==1)) || (DibMin1_1[i]==1 && DibMax1_1[i]==1)) { for(int m=0; m<=35; m++) { inS[m]=inS[m+12]; } inS[36]=Stochastic0[i]; inS[37]=Stochastic1[i]; inS[38]=CCI_High[i]; inS[39]=Momentum_High[i]; inS[40]=RSI_High[i];; inS[41]=WPR[i+1]; inS[42]=MACD_High[i]*10000; inS[43]=OsMA_High[i]*100000; inS[44]=TriX_High[i]*100000;; inS[45]=BullsPower[i+1]*1000; inS[46]=ADX_PLUSDI[i+1]; inS[47]=StdDev_High[i]*10000; inS[48]=Stochastic0[i]; inS[49]=Stochastic1[i]; inS[50]=CCI_Open[i]; inS[51]=Momentum_Open[i]; inS[52]=RSI_Open[i];; inS[53]=WPR[i]; inS[54]=MACD_Open[i]*10000; inS[55]=OsMA_Open[i]*100000; inS[56]=TriX_Open[i]*100000;; inS[57]=BullsPower[i]*1000; inS[58]=ADX_PLUSDI[i]; inS[59]=StdDev_Open[i]*10000; FileWrite(HandleInputNet2OutNet1Max, inS[0],inS[1],inS[2],inS[3],inS[4],inS[5],inS[6],inS[7],inS[8],inS[9],inS[10],inS[11],inS[12],inS[13], inS[14],inS[15],inS[16],inS[17],inS[18],inS[19],inS[20],inS[21],inS[22],inS[23],inS[24],inS[25],inS[26], inS[27],inS[28],inS[29],inS[30],inS[31],inS[32],inS[33],inS[34],inS[35],inS[36],inS[37],inS[38],inS[39], inS[40],inS[41],inS[42],inS[43],inS[44],inS[45],inS[46],inS[47],inS[48],inS[49],inS[50],inS[51],inS[52], inS[53],inS[54],inS[55],inS[56],inS[57],inS[58],inS[59]); FileWrite(HandleOutNet2Max, (iOpen(NULL,PERIOD_H1,i)-iOpen(NULL,PERIOD_D1,iBarShift(NULL,PERIOD_D1,iTime(NULL,PERIOD_H1,i))))*10000); } } } } Alert("Files written"); } //+------------------------------------------------------------------+
 

 

一个样本将从工作日开始直到第一次到达当天的低点。第二个样本将持续到第一次达到当天的最高点。为此，脚本中将使用两个指标：赫兹股票量化交易软件
 

 

 

//+------------------------------------------------------------------+ //| DibMin1-1.mq5 | //| Copyright 2020, Andrey Dibrov. | //| https://www.mql5.com/ru/users/tomcat66 | //+------------------------------------------------------------------+ #property copyright "Copyright 2020, Andrey Dibrov." #property link "https://www.mql5.com/ru/users/tomcat66" #property version "1.00" #property indicator_separate_window #property indicator_buffers 1 #property indicator_plots 1 #property indicator_type1 DRAW_LINE #property indicator_minimum -2 #property indicator_maximum 2 #property indicator_color1 Red #property indicator_label1 "DibMin1-1" //---- input parameters input int History=500; double Buf[]; //+------------------------------------------------------------------+ //| Custom indicator initialization function | //+------------------------------------------------------------------+ int OnInit() { //--- indicator buffers mapping SetIndexBuffer(0,Buf,INDICATOR_DATA); //--- return(INIT_SUCCEEDED); } //+------------------------------------------------------------------+ //| Custom indicator iteration function | //+------------------------------------------------------------------+ int OnCalculate(const int rates_total, const int prev_calculated, const datetime &time[], const double &open[], const double &high[], const double &low[], const double &close[], const long &tick_volume[], const long &volume[], const int &spread[]) { //--- int i,z,Calc; double price; i=iBars(NULL,PERIOD_H1)-1; if(i>History-1) i=History-1; if(History==0) i=iBars(NULL,PERIOD_H1)-1; ArraySetAsSeries(Buf,true); ArraySetAsSeries(time,true); while(i>=0) { int min=0; Calc=(int)time[i]%86400/3600; double min1=iLow(NULL,PERIOD_D1,iBarShift(NULL,PERIOD_D1,iTime(NULL,PERIOD_H1,i))); for(z=0;z<=Calc;z++) { price=iLow(NULL,PERIOD_H1,i+z); if(min1<price) { min=1; }else { min=-1; break; } } Buf[i]=min; i--; } return(rates_total); } //+------------------------------------------------------------------+ //+------------------------------------------------------------------+ //| DibMax1-1.mq5 | //| Copyright 2020, Andrey Dibrov. | //| https://www.mql5.com/ru/users/tomcat66 | //+------------------------------------------------------------------+ #property copyright "Copyright 2020, Andrey Dibrov." #property link "https://www.mql5.com/ru/users/tomcat66" #property version "1.00" #property indicator_separate_window #property indicator_buffers 1 #property indicator_plots 1 #property indicator_type1 DRAW_LINE #property indicator_minimum -2 #property indicator_maximum 2 #property indicator_color1 LightSeaGreen #property indicator_label1 "DibMax1-1" //---- input parameters input int History=500; double Buf[]; //+------------------------------------------------------------------+ //| Custom indicator initialization function | //+------------------------------------------------------------------+ int OnInit() { //--- indicator buffers mapping SetIndexBuffer(0,Buf,INDICATOR_DATA); //--- return(INIT_SUCCEEDED); } //+------------------------------------------------------------------+ //| Custom indicator iteration function | //+------------------------------------------------------------------+ int OnCalculate(const int rates_total, const int prev_calculated, const datetime &time[], const double &open[], const double &high[], const double &low[], const double &close[], const long &tick_volume[], const long &volume[], const int &spread[]) { //--- int i,z,Calc; double price; i=iBars(NULL,PERIOD_H1)-1; if (i>History-1)i=History-1; if (History==0) i=iBars(NULL,PERIOD_H1)-1; ArraySetAsSeries(Buf,true); ArraySetAsSeries(time,true); while(i>=0) { int max=0; Calc=(int)time[i]%86400/3600; double max1=iHigh(NULL,PERIOD_D1,iBarShift(NULL,PERIOD_D1,iTime(NULL,PERIOD_H1,i))); for(z=0;z<=Calc;z++) { price=iHigh(NULL,PERIOD_H1,i+z);//+1-1 if(max1>price) { max=1; }else { max=-1; break; } } Buf[i]=max; i--; } return(rates_total); } //+------------------------------------------------------------------+
 

 

 

​
 

编辑切换为居中
 

添加图片注释，不超过 140 字（可选）
 

 

当价格达到每日极值时，指标值设置为-1。
 

在 EURUSD H1 图表上运行脚本后，将在 \Common\files 文件夹中创建六个 CSV 文件。
 

 

  •  
    EURUSDInputNet1Max 和 EURUSDInputNet1Min 是包含价格数据的文件。我们可以从文件名中看到，例如，EURUSDInputNet1Max 包含 Net1Max 神经网络的输入数据。赫兹股票量化交易软件
     
  •  
    EURUSDInputNet2OutNet1Max 和 EURUSDInputNet2OutNet1Min 是具有指标值的文件。这些值将是 Net2 的输入和 Net1 的输出。请注意，这部分需要一些实验：Net2 可以使用标准技术指标或 Net1 响应进行训练。赫兹股票量化交易软件
     
  •  
    EURUSDOutNet2Max 和 EURUSDOutNet2Min 是用于 Net2 的输出：小时开盘和日开盘之间的价差（或日收盘和小时开盘之间的价差）。赫兹股票量化交易软件
     
 

 

  1.  
    神经网络是通过价格逼近极值来训练的，不是解释价格本身，而是解释指标值。
     
  2.  
    神经网络的目标是小时开盘价和日开盘价之间的差异（日收盘价和小时开盘）价。您也可以在这里尝试其他目标，例如其他价格之间的差异。
     
  3.  
    通过这种方法，我们平滑了神经网络模块中错误响应的概率，因为神经网络没有训练来寻找特定的日高和日低价格，但是它们使用高/低接近的概率，同时考虑到价格幅度到日极值。如果我们决定使用价格幅度，我们可以使用日收盘价和小时开盘价之间的差值。第一种选择似乎更可取，因为在这种情况下，我们使用实现的目标而不是应该发生的事件来训练神经网络。这个选项更符合逻辑，因为评估过去的事件比预测更容易。赫兹股票量化交易软件
     
 

 

2. Python 神经网络训练
 

首先，检查 MQL5 文档的集成部分。安装Python3.8并连接MetaTrader 5集成模块后，以相同的方式连接 TensorFlow、Keras、Numpy 和 Pandas 库。赫兹股票量化交易软件
 

 

 

​
 

编辑
 

添加图片注释，不超过 140 字（可选）
 

 

 

 

 

​
 

编辑切换为居中
 

添加图片注释，不超过 140 字（可选）
 

 

 

神经网络将使用 Python 脚本来训练 EURUSDPyTren.py.
 

 

 

import numpy as np import pandas as pd import tensorflow as tf from tensorflow.keras.models import Sequential from tensorflow.keras.layers import Dense from tensorflow.keras.models import load_model InputNet1=pd.read_csv('EURUSDInputNet1Min.csv', delimiter=';',header=None) InputNet2OutNet1=pd.read_csv('EURUSDInputNet2OutNet1Min.csv', delimiter=';',header=None) OutNet2=pd.read_csv('EURUSDOutNet2Min.csv', delimiter=';',header=None) mean = InputNet1.mean(axis=0) std = InputNet1.std(axis=0) InputNet1 -= mean InputNet1 /= std mean = InputNet2OutNet1.mean(axis=0) std = InputNet2OutNet1.std(axis=0) InputNet2OutNet1 -= mean InputNet2OutNet1 /= std Net1Min = Sequential() Net1Min.add(Dense(22, activation='relu', input_shape=(InputNet1.shape[1],))) Net1Min.add(Dense(60)) Net1Min.compile(optimizer='adam', loss='mse', metrics=['mse']) print(Net1Min.summary()) Net1Min.fit(InputNet1, InputNet2OutNet1, epochs=10, batch_size=10,verbose=2,validation_split=0.3) Net1Min.save('net1Min.h5') mean = OutNet2.mean(axis=0) std = OutNet2.std(axis=0) OutNet2 -= mean OutNet2 /= std Net2Min = Sequential() Net2Min.add(Dense(60, activation='relu', input_shape=(InputNet2OutNet1.shape[1],))) Net2Min.add(Dense(1)) Net2Min.compile(optimizer='adam', loss='mse', metrics=['mae']) print(Net2Min.summary()) Net2Min.fit(InputNet2OutNet1, OutNet2, epochs=100, batch_size=10,verbose=2,validation_split=0.3) Net2Min.save('net2Min.h5') InputNet1=pd.read_csv('EURUSDInputNet1Max.csv', delimiter=';',header=None) InputNet2OutNet1=pd.read_csv('EURUSDInputNet2OutNet1Max.csv', delimiter=';',header=None) OutNet2=pd.read_csv('EURUSDOutNet2Max.csv', delimiter=';',header=None) mean = InputNet1.mean(axis=0) std = InputNet1.std(axis=0) InputNet1 -= mean InputNet1 /= std mean = InputNet2OutNet1.mean(axis=0) std = InputNet2OutNet1.std(axis=0) InputNet2OutNet1 -= mean InputNet2OutNet1 /= std Net1Max = Sequential() Net1Max.add(Dense(22, activation='relu', input_shape=(InputNet1.shape[1],))) Net1Max.add(Dense(60)) Net1Max.compile(optimizer='adam', loss='mse', metrics=['mse']) print(Net1Max.summary()) Net1Max.fit(InputNet1, InputNet2OutNet1, epochs=10, batch_size=10,verbose=2,validation_split=0.3) Net1Max.save('net1Max.h5') mean = OutNet2.mean(axis=0) std = OutNet2.std(axis=0) OutNet2 -= mean OutNet2 /= std Net2Max = Sequential() Net2Max.add(Dense(60, activation='relu', input_shape=(InputNet2OutNet1.shape[1],))) Net2Max.add(Dense(1)) Net2Max.compile(optimizer='adam', loss='mse', metrics=['mae']) print(Net2Max.summary()) Net2Max.fit(InputNet2OutNet1, OutNet2, epochs=100, batch_size=10,verbose=2,validation_split=0.3) Net2Max.save('net2Max.h5') NetTest=pd.read_csv('EURUSDTest.csv', delimiter=';',header=None) Date=pd.read_csv('EURUSDDate.csv', delimiter=';',header=None) Net1Min = load_model('net1Min.h5') Net2Min= load_model('net2Min.h5') Net1Max = load_model('net1Max.h5') Net2Max= load_model('net2Max.h5') Net1Min = Net1Min.predict(NetTest) Net2Min = Net2Min.predict(Net1Min) Net1Max = Net1Max.predict(NetTest) Net2Max = Net2Max.predict(Net1Max) Date=pd.DataFrame(Date) Date['0'] = Net2Min Date.to_csv('IndicatorMin.csv',index=False, header=False,sep=';') Date['0'] = Net2Max Date.to_csv('IndicatorMax.csv',index=False, header=False,sep=';') Date['0'] = Net2Min Date['1'] = Net2Max Date.to_csv('Indicator.csv',index=False, header=False,sep=';') input('Press ENTER to exit')
 

把这个脚本保存到 \Common\Files。
 

让我们仔细看看这个脚本。
 

 

 

import numpy as np import pandas as pd import tensorflow as tf from tensorflow.keras.models import Sequential from tensorflow.keras.layers import Dense from tensorflow.keras.models import load_model
 

用于连接来自Keras的库、包和模块的部分。
 

 

 

InputNet1=pd.read_csv('EURUSDInputNet1Min.csv', delimiter=';',header=None) InputNet2OutNet1=pd.read_csv('EURUSDInputNet2OutNet1Min.csv', delimiter=';',header=None) OutNet2=pd.read_csv('EURUSDOutNet2Min.csv', delimiter=';',header=None)
 

从数据文件构建数据帧。
 

 

 

mean = InputNet1.mean(axis=0) std = InputNet1.std(axis=0) InputNet1 -= mean InputNet1 /= std
 

数据标准化。
 

 

 

Net1Min = Sequential() Net1Min.add(Dense(22, activation='relu', input_shape=(InputNet1.shape[1],))) Net1Min.add(Dense(60))
 

序贯网络模型，输入层有22个神经元，输出层有60个神经元。
 

 

 

Net1Min = Sequential() Net1Min.add(Dense(22, activation='relu', input_shape=(InputNet1.shape[1],))) Net1Min.add(Dense(11)) Net1Min.add(Dense(60))
 

此外，还可以尝试添加隐藏层。
 

 

 

Net1Max.compile(optimizer='adam', loss='mse', metrics=['mse']) print(Net1Max.summary())
 

编译网络并打印其参数。
 

 

 

Net1Min.fit(InputNet1, InputNet2OutNet1, epochs=10, batch_size=10,verbose=2,validation_split=0.3) Net1Min.save('net1Min.h5')
 

神经网络训练：10个 epoch；最小样本量为10；30%的训练数据分配用于验证。这些超参数可能还需要进一步调整。详细-训练 epoch 可视化参数。保存训练好的神经网络。
 

 

 

NetTest=pd.read_csv('EURUSDTest.csv', delimiter=';',header=None) Date=pd.read_csv('EURUSDDate.csv', delimiter=';',header=None)
 


                

        

        

    

  


    

      

        

            

              
                
                  赫兹股票期货量化软件
                
              
            

            

                关注
              
            

        

        

          
      

      









                



	

		

			

				
					
记录一次使用LSTM神经网络进行量化交易预测

				
			

			

				

					machen4700的博客
				

				

					06-03
					
					1335
					
				

			

		

		

			
				
记录一次使用LSTM神经网络进行量化交易的建模与实践

			
		

	



                

              
                



	

		

			

				
					
Python股票交易量化实例

				
			

			

				

					Young的博客
				

				

					03-08
					
					2273
					
				

			

		

		

			
				
以茅台为例，NUMPY+Pandas+MATPLOYLIB
#导入工具包
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import tushare as ts

#获得近六年历史数据
df=ts.get_k_data('600519',start='2015-01-01')
df.to_csv('600519.csv') #保存

#读取数据
df=pd.read_csv('600519.csv',index_

			
		

	



                


  
              

                


	

		

			

				
					
【手把手教你】利用神经网络构建量化交易策略

				
			

			

				

					Python金融量化
				

				

					01-11
					
					4073
					
				

			

		

		

			
				
01引言神经网络一开始是为了研究人脑图并了解人类如何做出决策，而算法试图从交易方面消除人类情绪的影响。我们有时没有意识到的是，人脑很可能是这个世界上最复杂的机器，并且众所周知，它可以非常有...

			
		

	





	

		

			

				
					
量化交易软件——神经网络提高轨迹预测模型的性能

					
最新发布

				
			

			

				

					Sevenii7的博客
				

				

					06-18
					
					639
					
				

			

		

		

			
				
在创建交互机制之前，该方法的作者将临时信息分解为适当的场景。接下来，该方法的作者使用有关地图的最少信息扩展了社交基本模型，从中他们将目标代理的区域P离散化为围绕合理中心线（高级和结构化特征）的r 个随机选择的点 { p 0 , p 1 ...p r } 的子集，同时考虑到目标代理在最后一个观察帧中的速度和加速度。该方法的作者进行的实验表明，考虑到目标代理的真实轨迹端点与过滤后的中心线端点之间的整个验证集的平均和中位距离L2，通过考虑运动状态下的速度和加速度并使用最小二乘法过滤输入，可以获得最佳先验信息。

			
		

	



		

			
		



	

		

			

				
					
论文导读：用 CNN 神经网络进行量化交易

				
			

			

				

					Python中文社区
				

				

					06-02
					
					1068
					
				

			

		

		

			
				
机器学习用来投资一直都是非常热门的学问，近年来深度学习模型开始受到非常多的瞩目，尤其是在计算机视觉方面，所以接下来导读的这篇论文，就是提供了一个全新的方式，将目前最火的 计算机视觉神经网络：Convolutional Neural Network（CNN）用来预测股票的涨跌。实验结果表示效果比一般的神经网络要好。你可能会问，以时间序列（time series）来说，明明神...

			
		

	





	

		

			

				
					
TensorFlow 1.0.0rc1上玩量化神经网络 ——转自  慢慢学TensorFlow  微信公众号

				
			

			

				

					dxmkkk的博客
				

				

					02-07
					
					4062
					
				

			

		

		

			
				
注





这里的量化不是指“量化交易（Quantitative trade）”，而是 Quantization ，即离散化，注意是否走错片场。




前言




开发神经网络时最大的挑战是让它真正起作用，训练时一般希望速度越快越好，准确率越高越好。使用浮点算法是保持结果精确最简单的方式，GPU 拥有加速浮点算法的库，所以很自然地，不需要过多关注其他数值格式。

			
		

	





	

		

			

				
					
股票量化交易软件：神经网络在交易中的实际应用2---计算机视觉

				
			

			

				

					Herzqt123的博客
				

				

					07-06
					
					178
					
				

			

		

		

			
				
赫兹股票期货量化软件

			
		

	





	

		

			

				
					
python做交易软件_我用Python做了个量化交易工具！

				
			

			

				

					weixin_30476083的博客
				

				

					12-29
					
					2073
					
				

			

		

		

			
				
量化交易是指借助现代统计学和数学的方法，利用计算机技术进行投资交易的方式。对于从未接触过量化的人来说，想要了解量化到底是做什么的，关键掌握四部份的内容：Python基础知识、金融知识、技术指标、量化交易框架。Python基础知识：掌握一门编程语言最快速的方法就是多写代码，在了解Python基础语法、数据类型、运算方法、流程控制以及函数设计的基础上多做练习。现在牛客网、leetcode等很多平台都提...

			
		

	





	

		

			

				
					
Python量化交易从小白到大神.pdf

				
			

			

				

					03-07
				

			

		

		

			
				
- **应用场景**：在量化交易中识别因果关系，比如某个事件对股价的影响。 - **实施步骤**：定义假设、估计因果效应、验证结果可靠性等。  #### 7. 技术分析指标 - **Pandas_TA库介绍**：Python库，提供丰富的技术...

			
		

	





	

		

			

				
					
Python股票量化投资课程——00股票量化配套课件.rar

				
			

			

				

					01-08
				

			

		

		

			
				
8. **机器学习与人工智能**：将机器学习方法（如线性回归、随机森林、神经网络等）应用于股票预测，以及深度学习在量化投资中的应用。  9. **实战项目**：通过实际的股票数据，完成一个完整的量化投资策略项目，从...

			
		

	





	

		

			

				
					
python量化交易1.zip

				
			

			

				

					08-23
				

			

		

		

			
				
以下将深入探讨Python在量化交易中的应用及其相关知识点。  一、Python基础知识 Python是高级编程语言，拥有丰富的标准库和第三方库，如NumPy、Pandas和Matplotlib，这些都是量化交易中的核心工具。了解Python的基本...

			
		

	





	

		

			

				
					
python量化交易：海龟交易法则复盘

				
			

			

				

					03-30
				

			

		

		

			
				
在IT行业中，量化交易是一种利用计算机程序来执行交易策略的方法，尤其在金融市场上广泛应用。"Python量化交易：海龟交易法则复盘"是基于著名的海龟交易系统进行的模拟交易分析。海龟交易法则由理查德·丹尼斯和比尔...

			
		

	





	

		

			

				
					
python量化交易股票预测系统

				
			

			

				

					04-21
				

			

		

		

			
				
Python量化交易股票预测系统是一种基于编程技术，特别是Python语言，用于分析股票市场数据并预测未来股价走势的工具。这个系统通常结合了统计学、机器学习和金融知识，以自动化的方式进行交易决策，从而提高投资效率...

			
		

	





	

		

			

				
					
神经网络与赫兹量化在量化交易软件中的应用

				
			

			

				

					herzqt的博客
				

				

					08-07
					
					86
					
				

			

		

		

			
				
神经网络与赫兹量化在量化交易软件中的结合为金融市场带来了前所未有的可能性。这一组合既可以捕捉复杂的市场模式，又能够灵活适应不断变化的环境，为现代金融技术提供了一种新的、强大的工具。未来的发展将进一步验证这种结合在实际交易中的效用和价值，为量化交易打开新的研究和应用领域。高效信号提取：赫允量化对市场数据进行频率分析，神经网络对提取的信号进行深度学习，共同实现高效的交易信号提取。动态适应：神经网络的自适应学习能力与赫兹量化的灵活分析相结合，使得交易策略能够动态适应市场变化。一、神经网络在量化交易中的作用。

			
		

	





	

		

			

				
					
神经网络在量化中的应用

				
			

			

				

					量化交易研究
				

				

					03-20
					
					1552
					
				

			

		

		

			
				
一、神经网络简介
1.什么是神经网络
根据周志华教授在《机器学习》一书中的定义，神经网络是由具有适应性简单单元组成的广泛并行互联的网络，它的组织能够模拟生物神经系统对真实世界物体所作出的交互反应。用一句话概述就是：神经网络能够模拟神经系统对输入作出一定反映。
2.神经元
神经元是神经网络中最基本的成分，有“兴奋”和“抑制”两种状态。神经网络是由一个个神经元按照一定结构组成，每个神经元和其他神经元相连。当某个神经元“兴奋”时，会向相连的下一个神经元传递化学物质，改变下一个神经元的电位，当电位超过一定阈值时，被

			
		

	





	

		

			

				
					
股票量化软件：深度神经网络在量化交易中的应用

				
			

			

				

					herzqthz的博客
				

				

					08-03
					
					219
					
				

			

		

		

			
				
深度神经网络在量化交易应用中扮演着重要角色，其强大的学习能力、模式识别能力和实时决策能力，为量化交易带来了新的发展和突破。然而，深度神经网络的应用也需要谨慎对待，需要充分考虑数据的质量和数量、模型的复杂性、风险控制等因素，确保交易系统的稳健性和效果。未来，随着深度学习技术的不断发展，我们可以期待深度神经网络在量化交易领域发挥更大的作用，为交易者和投资者带来更好的交易体验和回报。而深度神经网络能够处理更加复杂的非线性数据，捕捉到更细微的市场波动和关联关系，从而提高交易模型的精度和稳健性。

			
		

	





	

		

			

				
					
股票量化交易软件：神经网络在交易中的实际应用

				
			

			

				

					herzqthz的博客
				

				

					07-07
					
					151
					
				

			

		

		

			
				
请思考以下情况：如果我们在某个时间点研究指标，并最多回顾过去的若干个周期，那么我们如何才能同时研究这些指标在前几年的表现，然后把信号汇编入一个合成指标，从而可以进一步优化。当研究神经网络在金融市场中应用的可能性时，我得出的结论是，神经网络不仅可用作主要的信号生成器，还可作为智能交易系统软件的部分选择。大概，很多初学者刚开始在外汇市场上进行真实交易时并没有任何特定系统，取一张纸，写满可能合适的指标清单，然后基于终端中的指标图表，在它们旁边标上正号或负号、或箭头、或价格走势概率。因此，可以创建不同的交易策略。

			
		

	





	

		

			

				
					
基于ricequant神经网络量化交易

				
			

			

				

					u013177138的博客
				

				

					12-13
					
					1543
					
				

			

		

		

			
				
ricequant研究平台代码，用于进行训练模型的生成，训练文件保存


import pandas as pd
import numpy as np

# 导入BP模型
from sklearn.neural_network import MLPClassifier
# 导入训练集分割方法
from sklearn.model_selection import train_test_split 

# 确定每月日期 2014-01-01~2016-01-01
dates = get_trading_dat

			
		

	





	

		

			

				
					
Python量化交易教程：神经网络与投资策略

				
			

			

				

					
				

			

		

		

			
				
"神经网络_神经网络交易的训练部分-3gpp-23501-g10(中文版)" 是一篇关于使用神经网络进行交易策略开发的文章，该文章可能详细介绍了神经网络在金融交易中的应用，特别是训练神经网络模型以预测市场走势或优化交易...

			
		

	



              




          




        



    





    



      

      

        
      

      





	

		评论	
	

	
	




  

    

      添加红包
      
    

    

      

        
        

          
          
        

        
请填写红包祝福语或标题

      

      

        
        

          
          个
        

        
红包个数最小为10个

      

      

        
        

          
          元
        

        
红包金额最低5元

      

      

        
        

          当前余额3.43元
          前往充值 >
        

      

      

        

          需支付：10.00元
        

        
        
      

    

  





  

    
    
  

  

    
    
  








  

    

      

        

          

            
            
成就一亿技术人!

          

          

        

        

          

          

            领取后你会自动成为博主和红包主的粉丝
            规则
          

        

      

      

        

          

            
              
            
            

              
hope_wisdom
 发出的红包
            

          

        

        

          

          

          

        

      

    

    

  



      
      

      
实付元

      
使用余额支付

      

        

          

            
            点击重新获取
          

        

        
扫码支付

      

      

        
          
            
          
          
        
      

      

        
        钱包余额
          0
          

            
            

              

                
抵扣说明：

                
 1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
 2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

              

            

          

      

      余额充值