Algorithmen In Devisen

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