Ontdek de Kracht van MTC Combo: Jouw Nieuwe Trading Assistent voor MetaTrader 5

In deze blogpost bespreken we de MTC Combo, een krachtige tool voor MetaTrader 5 die jouw trading naar een hoger niveau kan tillen. Hieronder vind je een uitgebreide uitleg, aangevuld met enkele belangrijke tips voor het optimaliseren van jouw trading systeem.

Doel van de MTC Combo

Stel je voor dat we een basis trading systeem (BTS) hebben. Het doel is om een neuraal netwerk (NN) te ontwerpen en te trainen, zodat dit netwerk de BTS kan aanvullen met acties die het systeem zelf niet kan uitvoeren. Het resultaat is een trading systeem dat bestaat uit een combinatie van BTS en NN, die elkaar perfect aanvullen.

Waarom het wiel opnieuw uitvinden? Als er al een auto is, waarom zou je dan leren rennen? En als er een helikopter is, waarom zou je dan willen vliegen? Het is belangrijk om de kracht van bestaande systemen te benutten.

Wanneer we met een trend trading systeem werken, is het cruciaal om het neuraal netwerk te trainen met een tegen-trend strategie. Een systeem dat gericht is op trends kan niet goed presteren tijdens zijwaartse bewegingen en kan ook niet adequaat terugslagen en omkeringen herkennen. Daarom kunnen we overwegen om zowel trend als tegen-trend strategieën te gebruiken, maar we kunnen ook het neuraal netwerk trainen om onze trading strategie te versterken.

Voor dit doel hebben we een twee-laags neuraal netwerk ontwikkeld, bestaande uit twee perceptrons op de onderste laag en één perceptron op de bovenste laag. Het netwerk kan zich in één van de drie toestanden bevinden:

Long positie openen
Short positie openen
Onbepaald

De derde status betekent dat de controle teruggaat naar de BTS, terwijl de trading signalen in de eerste twee toestanden door het netwerk worden gegenereerd.

Training van het Neuraal Netwerk

De training van het neuraal netwerk is verdeeld in drie fasen, waarbij elke perceptron in een andere fase wordt getraind. Het geoptimaliseerde BTS is op elke fase aanwezig, zodat de perceptrons weten wat ze kunnen doen.

Het gescheiden trainen van de perceptrons met behulp van een genetisch algoritme is nodig vanwege een beperking van het algoritme, namelijk het aantal parameters dat geselecteerd kan worden. Toch is elke trainingsfase logisch consistent en is het netwerk niet te groot, waardoor het optimalisatieproces binnen een redelijke tijd kan plaatsvinden.

De eerste fase, voorafgaand aan de training van het NN, is gericht op het optimaliseren van de BTS.

Om verwarring te voorkomen, wordt het fase-nummer gespecificeerd in de EA-instellingen met de ID 'pass'. De input-ID's die overeenkomen met het fase-nummer eindigen op dat exacte nummer.

Voorbereidingen voor de Optimalisatie en Training van het NN

Stel de initiële storting in de tester in op €100 (om een kunstmatige margin call tijdens de optimalisatie te voorkomen), optimaliseer de parameter 'Balance + max Sharpe Ratio' en kies het type optimalisatie 'Snelle genetische algoritme'.

Ga nu naar het tabblad Invoeren van de EA-eigenschappen. Stel de lotgrootte van geopende posities in door de waarde 0,01 toe te wijzen aan de ID 'lots'.

Optimalisatie zal plaatsvinden volgens het model 'Alleen open prijzen'. Deze methode is gekozen vanwege de hoge snelheid en de EA-algoritme heeft nieuwe bar-beheer functies.

Eerste optimalisatiefase: BTS optimalisatie

Stel de pass in op 1. Optimaliseer alleen de invoerparameters die overeenkomen met de eerste fase, waarbij de ID's eindigen op één. Zet de optimalisatie-markeringen alleen op deze parameters en verwijder ze van de rest.

tp1 - BTS take profit. Geoptimaliseerd met waarden van 100 tot 1000 met een stap van 10.
sl1 - BTS stop loss. Geoptimaliseerd met waarden van 100 tot 1000 met een stap van 10.
p1 - periode van de CCI oscillator toegepast in de BTS. Geoptimaliseerd met waarden van 3 tot 100 met een stap van 1.

Begin met trainen via de genetische algoritme optimalisatie.

Tweede fase: Training van de perceptron voor short posities

Stel de 'pass' parameter in op 2. Verwijder de optimalisatie-markeringen die in de vorige fase zijn ingesteld. Sla de invoerparameters van de vorige fase op voor het geval dat.

Stel optimalisatie-markeringen in voor de parameters van de tweede fase (ID's eindigend op twee):

x12, x22, x32, x42 - gewichtsverhoudingen van de perceptron die short posities herkent. Geoptimaliseerd van 0 tot 200 met een stap van 1.
tp2 - take profit van posities geopend door de perceptron. Geoptimaliseerd van 100 tot 1000 met een stap van 10.
sl2 - stop loss van posities geopend door de perceptron. Geoptimaliseerd van 100 tot 1000 met een stap van 10.
p2 - periode van prijsverschilwaarden geanalyseerd door de perceptron. Geoptimaliseerd van 3 tot 100 met een stap van 1.

Begin met trainen via de genetische algoritme optimalisatie.

Derde fase: Training van de perceptron voor long posities

Stel de 'pass' parameter in op 3. Verwijder de optimalisatie-markeringen van de vorige fase en sla de invoerparameters op voor het geval dat.

Stel optimalisatie-markeringen in voor de derde fase parameters (ID's eindigend op drie):

x13, x23, x33, x43 - gewichtsverhoudingen van de perceptron die long posities herkent. Geoptimaliseerd van 0 tot 200 met een stap van 1.
tp3 - take profit van posities geopend door de perceptron. Geoptimaliseerd van 100 tot 1000 met een stap van 10.
sl3 - stop loss van posities geopend door de perceptron. Geoptimaliseerd van 100 tot 1000 met een stap van 10.
p3 - periode van prijsverschilwaarden geanalyseerd door de perceptron. Geoptimaliseerd van 3 tot 100 met een stap van 1.

Begin met trainen via de genetische algoritme optimalisatie.

Vierde fase: Training van de eerste laag (de bovenste perceptron)

Stel de 'pass' parameter in op 4. Verwijder de optimalisatie-markeringen van de vorige fase en sla de invoerparameters op voor het geval dat.

Stel optimalisatie-markeringen in voor de vierde fase parameters (ID's eindigend op vier):

x14, x24, x34, x44 - gewichtsverhoudingen van de eerste-laags perceptron. Geoptimaliseerd van 0 tot 200 met een stap van 1.
p4 - periode van prijsverschilwaarden geanalyseerd door de perceptron. Geoptimaliseerd van 3 tot 100 met een stap van 1.

Begin met trainen via de genetische algoritme optimalisatie.

Conclusie

Dat is alles! Het neuraal netwerk is getraind. De EA heeft nog een niet-optimaliseerbare 'mn' invoer - een magic number dat het systeem in staat stelt om zijn eigen orders te onderscheiden van handmatig geopende orders of orders van andere EAs. Dit magic number moet uniek zijn.

P.S.

De grootte van de initiële storting is gedefinieerd als een absolute drawdown vermenigvuldigd met twee (veilige marge).
De broncode van de EA is niet geoptimaliseerd.
Wijzig de inhoud van de basicTradingSystem() functie als je de ingebouwde BTS wilt vervangen door een ander trading systeem.
Her-optimaliseer de EA tijdens de weekenden als de resultaten van de voorgaande week ongunstig waren. Verliezen zijn een signaal dat de markt verandert en dat her-optimalisatie nodig is. Als de EA winstgevend is, is her-optimalisatie niet nodig, omdat de robot de marktpatronen goed herkent.

Ontdek de Kracht van MTC Combo: Jouw Nieuwe Trading Assistent voor MetaTrader 5

Gerelateerde berichten