MQL4課程-學習一款神經網絡EA

火象趣交易｜2021-10-21 15:35

隨著計算能力的增強以及深度學習的出現，人們採用神經網絡技術解決了很多實際問題，同時對神經網絡也越來越重視。那麼，神經網絡如何用於外彙的交易？

第十八節學習一款神經網絡EA

隨著計算能力的增強以及深度學習的出現，人們採用神經網絡技術解決了很多實際問題，同時對神經網絡也越來越重視。那麼，神經網絡如何用於外彙的交易？其實早在2008年就已經出現了神經網絡EA，並在那一年的交易大賽中拿了第一名，所以在十年以前就已經有人把這項技術用來交易了。

鑑於大家對神經網絡沒有一個大致的概念和了解，這裡貼上一個網址供大家學習和參考：

https://www. cnblogs.com/subconsciou s/p/5058741.html?utm_source=wechat_timeline&utm_medium=social&utm_oi=1150034682165952512&from=timeline

這篇文章比較通俗易懂，建議大家細讀，有一定數學基礎的可以去看看神經網絡的教材，認真研究研究。

本節課拿一款神經網絡的EA給大家做一個講解，看看神經網絡類的EA是如何工作的，然後教大家使用MQL4裡面自帶的遺傳算法來尋找優化的參數。

1 策略代碼

這個策略的代碼是2008年那款得第一名的源碼，在網上已經有公佈，有興趣的可以自己搜一下，完整的代碼如下：

 extern double tp1 = 50; extern double sl1 = 50; extern int p1 = 10; extern int x12 = 100; extern int x22 = 100; extern int x32 = 100; extern int x42 = 100; extern double tp2 = 50; extern double sl2 = 50; extern int p2 = 20; extern int x13 = 100; extern int x23 = 100; extern int x33 = 100; extern int x43 = 100; extern double tp3 = 50; extern double sl3 = 50; extern int p3 = 20; extern int x14 = 100; extern int x24 = 100; extern int x34 = 100; extern int x44 = 100; extern int p4 = 20; extern int pass = 1; extern double lots = 0.01; extern int mn = 888; static int prevtime = 0; static double sl = 10; static double tp = 10; //+------------------------------------------------------------------+ //| expert start function | //+------------------------------------------------------------------+ int start() { if (Time[0] == prevtime) { return(0); } prevtime = Time[0]; if (! IsTradeAllowed()) { again(); return(0); } int total = OrdersTotal(); for (int i = 0; i < total; i++) { if(OrderSelect(i, SELECT_BY_POS, MODE_TRADES)) { if (OrderSymbol() == Symbol() && OrderMagicNumber() == mn) { return(0); } } } sl = sl1; tp = tp1; int ticket = -1; RefreshRates(); if (Supervisor() > 0) { ticket = OrderSend(Symbol(), OP_BUY, lots, Ask, 1, Bid - sl * Point, Bid + tp * Point, WindowExpertName(), mn, 0, Blue); if (ticket < 0) { again(); } } else { ticket = OrderSend(Symbol(), OP_SELL, lots, Bid, 1, Ask + sl * Point, Ask – tp * Point, WindowExpertName(), mn, 0, Red); if (ticket < 0) { again(); } } //-- Exit -- return(0); } //+--------------------------- getLots ----------------------------------+ double Supervisor() { if (pass == 4) { if (perceptron3() > 0) { if (perceptron2() > 0) { sl = sl3; tp = tp3; return(1); } } else { if (perceptron1() < 0) { sl = sl2; tp = tp2; return(-1); } } return(basicTradingSystem()); } if (pass == 3) { if (perceptron2() > 0) { sl = sl3; tp = tp3; return(1); } else { return(basicTradingSystem()); } } if (pass == 2) { if (perceptron1() < 0) { sl = sl2; tp = tp2; return(-1); } else { return(basicTradingSystem()); } } return(basicTradingSystem()); } double perceptron1() { double w1 = x12 - 100; double w2 = x22 - 100; double w3 = x32 - 100; double w4 = x42 - 100; double a1 = Close[0] - Open[p2]; double a2 = Open[p2] - Open[p2 * 2]; double a3 = Open[p2 * 2] - Open[p2 * 3]; double a4 = Open[p2 * 3] - Open[p2 * 4]; return(w1 * a1 + w2 * a2 + w3 * a3 + w4 * a4); } double perceptron2() { double w1 = x13 - 100; double w2 = x23 - 100; double w3 = x33 - 100; double w4 = x43 - 100; double a1 = Close[0] - Open[p3]; double a2 = Open[p3] - Open[p3 * 2]; double a3 = Open[p3 * 2] - Open[p3 * 3]; double a4 = Open[p3 * 3] - Open[p3 * 4]; return(w1 * a1 + w2 * a2 + w3 * a3 + w4 * a4); } double perceptron3() { double w1 = x14 - 100; double w2 = x24 - 100; double w3 = x34 - 100; double w4 = x44 - 100; double a1 = Close[0] - Open[p4]; double a2 = Open[p4] - Open[p4 * 2]; double a3 = Open[p4 * 2] - Open[p4 * 3]; double a4 = Open[p4 * 3] - Open[p4 * 4]; return(w1 * a1 + w2 * a2 + w3 * a3 + w4 * a4); } double basicTradingSystem() { return(iCCI(Symbol(), 0, p1, PRICE_OPEN, 0)); } void again() { prevtime = Time[1]; Sleep(30000); }

2 主函數原理

首先從START()函數看起，start()函數的第一部分的意思如果當前k線的開盤時間等於之前保存的時間prevtime，那麼就結束，否則的話把該k線的開盤時間賦給prevtime，所以第一部分的內容和我們之前寫的Barjudge()模塊類似，只有在開盤的時候才做交易。

第二部分是意思是，只有允許交易的情況下才做交易，若服務器繁忙或者市場關閉那麼就不做。

第三部分是一個遍歷訂單的操作，相信大家都能看懂，意思是如果當前持有訂單，那麼就不做處理。

第四部分，刷新數據為交易做準備，若判斷交易的函數Supervisor()大於0，則說明是多方走勢，開一個多單，如果Supervisor()小於0，則說明是空方走勢，開一個空單，如果開單不成功，那麼就執行again()函數，把pretime重新賦值回上一根K線的開盤時間，於是下一個tick來的時候程序會重新開單。

這裡註意止損止盈分別為sl1和tp1，要說明一下sl1和tp1是主策略開的單子的止盈止損，sl2、tp2是神經網絡開的空單的止盈止損，sl3、tp3是神經網絡開的多單的止盈止損。

以上就是start函數，很簡單，從這裡面我們知道其實整個策略最核心的其實就是判斷交易的函數Supervisor()。

3 交易判斷函數原理

Supervisor()可以看到有4部分，每一個部分對應了一個通道pass，而pass是一個需要輸入的變量，也就是說根據輸入的參數，EA會運行不同的部分。裡面的perceptron是感知機的意思，關於感知機是什麼，可以看一下之前發的神經網絡介紹的鏈接。

編號5的程序塊的意思是，如果當前pass值設定為4，那麼當3號感知機和2號感知機輸出均大於0時，市場處於多頭方向，supervisor()輸出1，開多單，並採用sl3和tp3作為止損止盈，當3號感知機和1號感知機輸出均小於0時，supervisor()輸出-1，市場處於空頭方向，開空單並採用sl2和tp2作為止損止盈，如果都不滿足則市場處於混沌狀態，這時採用主策略做單，止損止盈保持之前的賦值sl1和tp1不變。

編號6的程序塊的的意思是，當pass值為3時，若感知機2的輸出大於0則返回1，採用sl3和tp3作為止損止盈開多單，否則採用主策略做單，止損止盈保持之前的賦值sl1和tp1不變。

編號7的程序塊的意思是，當pass值為2時，若感知機1的輸出小於0則返回-1，採用sl2和tp2作為止損止盈開空單，否則採用主策略做單，止損止盈保持之前的賦值sl1和tp1不變。

編號8的程序塊，如果pass不等於2、3、4裡面的任意一個數，那麼直接採用主策略做單。

這裡解釋以下為什麼pass有1（其他值）、2、3、4這四個值，當我們剛開始用這款EA的時候，需要把pass設置為1，此時感知器不工作，只有主策略工作，我們可以採用遺傳算法對主策略的參數進行優化；當pass為2時，感知機1和主策略同時工作，此時可以優化感知機1的參數（主策略已經被優化了，對感知機的優化相當於教育感知機如何感受當前的市場）；當pass為3時，感知機2和主策略工作，此時可以優化感知機2的參數；最後當pass為4時，感知機1、2 、3和主策略都工作，此時可以優化感知機3的參數，當所有優化做完後，保留pass為4，將參數都調整為最佳參數即可開始交易。

4 主策略函數與感知機函數

主策略函數就是編號9的代碼塊，意思很簡單，返回p1週期的CCI的值，如果該值大於0，配合start()函數那就是做多，反之如果p1週期的CCI的值小於0，那麼就空。

感知機函數有三個，原理上都是一樣的，我們拿感知機1的代碼來看一下它是如何運行的。 1號感知機以P2為間距，從當前K線開始向前挑出了5根K線（包括當前K線），將其前後的開盤價作差（由於是開盤的時候才會激活，而開盤時的close與open相近，所以可以認為是當前K線的開盤價），得出了四個數據，作為感知機的輸入，然後感知機將四個數據乘以對應的參數返回給了Supervisor()函數，如果這個返回值大於0，那麼Supervisor()函數返回1，主函數就會做多。

這裡需要注意的是對於1號感知機，其返回值只有在大於0的時候才會被Supervisor()函數當做有效信號，而在返回值小於0的時候Supervisor()函數會忽視，而對於2號感知機則僅識別小於0的信號。所以實際上，單獨的感知機函數並不是一個完整的感知機，感知機函數和Supervisor()函數聯合起來才是完整的感知機，單一感知機的原理如下圖：

對於1號感知機，它的神經元激活函數為：

對於2號感知機，它的神經元激活函數為：

3號感知機的神經元激活函數為：

當所有參數都優化完畢，即當pass為4時，三個感知機會聯合工作，此時要開多單需要3號感知機與1號感知機返回的參數都大於0，開空單需要3號感知機與2號感知機返回的參數都小於0，也就是說這三個感知機是一個並列的關係，1號與3號是邏輯與的關係，2號和3號也是邏輯與的關係，那麼我們可以畫出當三個感知機一起運作時的原理圖：

其中f4和f5兩個神經元是有程序裡面的與邏輯實現的，f4的激活函數和f1（1號感知機）相同，f5的激活函數和f2相同。

從上圖可以很明顯地看出這是一個雙層的神經網絡系統。

5 策略使用

說了這麼多這款EA的原理，下面說一下如何優化參數（教育感知機）。

首先看一下沒有優化的時候的淨值曲線，採用EURUSD1H級別的數據，點差為當前，直接回測EA得到的結果如下：

可以看到主策略是穩定虧損的策略。

接下來我們對主策略的tp1、sl1、p1三個參數優化，點擊右邊的EA屬性界面，在輸入參數中把tp1、sl1的初始值設置為10，,終止值設置為100，,每次增加值為1，p1的初始值設置為3，終止值設置為100，每次增加1，然後勾選tp1、sl1、p1，將pass值賦值為1，在優化中勾選最大利潤，如圖：