2009年mt4编程--神经网络的EA的示例(含源码)

去年年底结束的国际大赛的第一名为Better所夺得，他采用的就是神经网络原理的EA，这使得用神经网络方法做EA成为不少人关注的焦点。这里翻译一篇采用神经网络做EA的不错的示例文章，当然附有源码是吸引人的地方，不过也许作者提出了研究神经网络EA的一些思考更为值得注意。

作者提出了∶
1。“如果有飞机，为什么还要教人类去飞？”
意思是研究是经网络不必从零起步。MT4里已有了不错的“遗传算法”
文中介绍了如何利用MT4已有的“遗传算法”

2。大家都说做单子最重要的是“顺势而为”，但更需要解决的是∶
“一个基于趋势的交易系统是不能成功交易在盘整(sideways trends)，
也不能识别市场的回调(setbacks)和逆转(reversals.,反向走势)！”
这可是抓到不少人心中的“痒处”，有多少人不是到了该逆势时没转向而产生亏损呢？

3。训练神经网络需要用多长的历史数据，提出了并不是用的历史数据越长越好，另外也不是训练的间隔越短越好，文中提出了什么情况下有需再训练它。

等等。。

(ATS)自动的(智能的，采用神经网络的)交易系统的问题表述如下

如果我们有一个(BTS, basic trading system)，同时需要用创建一个神经网络系统并教会它做BTS所不能做的事，按这个思路就是要创建这样一个交易系统∶它由互相补充(配合)的两部分组成，BTS和NN(神经网络)。

呃，英语说，我们不需要再去发现“新大陆”，它们是已经存在的东西！进一步说，如果我们已经有了汽车，那为什么还要教人如何跑得快？如果有飞机，为什么还要教人类去飞？

一旦有一个趋势交易系统的ATS，我们仅需要教会这个神经网络如何逆势(反趋势)交易的策略。这一点是非常必要的，因为一个基于趋势的交易系统是不能成功交易在盘整(sideways trends)，也不能识别市场的回调(setbacks)和逆转(reversals.,反向走势)！当然，你可以采用两个ATS，一个基于“趋势”，一个基于“反趋势”(逆向)，然后把它们挂到同一图表上。另一个办法是，你能教会神经网络如何与你现有的系统“互补地”协调工作！
为实现这个目标，我们设计了一个两层的神经网络，下层有两个感知机(perceptrons)上层有一个感知机。
这个神经网络的能输出下列三种状态之一
进场做多
进场做空

不确定状态

实际上，第三种状态是就把控制权交给BTS，反之前两种状态是交易信号由神经网络给出。

神经网络的“教育”分成三步骤，每一步骤“教育”一个感知机，在任何一步骤，这个优化了的BTS必须存在为的是“感知机们”知道它自己能做什么。

感知机们分别的“教育”由遗传算法来承担，由于这样的算法的缺乏，换句话说，搜索到的这样的算法有限，限制了“输入”(参数变量)的数量(借助这样算法得到的参数变量的值)，然而，每一步骤的“教育”是密切配合补充的。(因此效果还是不错)，这样这个神经网络不会太大，整个的优化也不会耗费太多的时间。

在“教育”NN之前的一步是对BTS进行优化。

为了不使我们自己也被搞糊涂了，我们将已经测试通过的ATS的输入（参数变量）记录上(”通过”("pass")的步骤号(stage number).，输入s（参数变量）的标识符将和stage number(步骤号)一致(等同)。

这样，我们开始对这个NN进行优化和“教育”的准备。设置初始保证金为$100万(以便于在优化期间不产生人为的补充保证金的通知)。Input(参数变量)是按“余额”进行优化，设置EA的Strategy Tester的测试的属性tab为"Testing" 。开始运行遗传算法。

在这个EA的开仓量 "lots".的值设为0.1 lot。

从这个ATS算法明确地有效开始，实施优化，所采用复盘模型是∶“仅用开盘价(以最快速的方法分析刚形成的柱线)”。

优化步骤1，BTS的优化
设置为 1 为这input（参数变量）“为通过”(the input "pass")。我们仅仅优化步骤1相关的那些inputs（参数变量），即，尾标为 1 的参数变量，于是，我们仅仅测试优化有关的inputs而不测试其他的变量参数

tp1，BTS的所取的止盈值（TakeProfit）。在step 1，优化的值的范围在10到100，

sl1，BTS的所取的止损值（StopLoss）。在step 1，优化的值的范围在10到100 。
p1，用于BTS的CCI的周期值。在step 1 ，优化的值的范围在 3到100
下面是BTS优化的结果

登录/注册后可看大图

步骤 2 ，“教育负责“开空仓”(short positions)的感知机

根据步骤的步骤号，设置(input，参数变量) 的"pass"的值为 2。

不测试那些已经测试过的优化了的以前步骤的inputs.（变量参数）。以防万一，保存以前步骤获得的inputs（变量参数值）到一个文件中去
根据我们的规则，必须是测试那些是在尾标为 2的inputs（变量参数）。
x12, x22, x32, x42 是识别并开空仓的感知机的权重，它们的值在step 1时被优化在范围0 to 200
tp2 (TakeProfit) 是感知机所开的仓的止盈值，它们的值在step 1时被优化在范围10 to 100。
sl2 (StopLos) 在 step 1它是感知机所开的仓的止损值，被优化值的范围在 10 to 100
p2 感知机所分析的价格差的周期值 (iiCCI()函数的一个参数∶period - Averaging period for calculation)，在step 1 它的值所优化的范围在3 to 100
现在，开始用遗传算法来优化“教育”NN（让它“学习”市场），获得的结果如下∶

登录/注册后可看大图

步骤 3 “教育”负责开多仓的感知机（“学习”市场）。
设置值 3 (根据步骤的步骤号)说明这些input(变量参数)已经“通过”(the input "pass")
同样，不测试，那些已经测试过的优化了的，以前步骤的inputs.(变量参数值)，以防万一，保存以前步骤获得的inputs.(变量参数值) 到一个文件中去
根据我们的规则，优化测试的inputs(变量参数值)必须是尾标为3的那些变量参数。
x13, x23, x33, x43是识别多仓的感知机的权重，它们的值在step 1时被优化时得到的范围在0 to 200
tp 3 (TakeProfit) 是感知机所开的仓的“止盈值”，它的值在step 1时被优化时的范围是在10 to 100。
sl3 (StopLoss) 是感知机所开的仓的“止盈值”，它们的值在step 1时被优化为范围是10 to 100。
p3 --感知机所分析的价差的周期值。它在步骤 1 优化时得到的值的范围是 3 to 100 。
启动采用遗传算法的优化来“教育”NN，所获得的结果如下∶

登录/注册后可看大图

步骤 4 (最终步骤) “教育”第一层，即“教育”在上层的感知机。
Set the value 4 (according to the stage number) for the input "pass".
根据步骤的步骤号，设置值4 为输入通过(for the input "pass")

不测试那些在之前步骤已经测试过的优化了的“输入” (inputs) （意思是∶已经在之前步骤优化过的变量的参数值就不再优化它们了)。以防万一，将之前步骤获得的这些变量的参数值存到一个文件中去。

根据我们的规则，只测试优化标识符最后位是4的那些inputs(变量的参数值)

x14, x24, x34, x44 是第一层感知机参数的权重值。在步骤 1 时它们被优化的值的范围在0 to 200 。
p4 被感知机分析的价差的值的周期。在步骤 1 它的值的范围被优化在 3 to 100 。
采用遗传算法来优化，启动“教育”来教它“学习”。所获得结果如下∶

登录/注册后可看大图

这就是全部，神经网络已经被“教育”了。

这个ATS有一个不能被优化的input(参数) mn-- Magic Number.(魔法号)它是一个交易系统它所开的仓位的识别符，为的是不和手动开仓或其他ATSes开的仓位混淆。这个Magic Number的值必须是唯一的并且和这个特别的EA尚未开仓的magic numbers不一致。
P.S.

出于保证有一些安全保险的考虑，初始保证金的金额设置是考虑为绝对最大回落的两倍

这个EA的源代码没有优化。
如果你需要置换嵌入另一个交易系统算法的BTS，你必须修改BTS功能的内部。
以便于不输入优化时的初值，终值和步长，你可采用已备好的combo.set文件，把它放置到MT4的 \tester 目录并加载这个EA的属性(properties)到Strategy Tester。
这个EA的再优化可在周末进行，即周六和周日，但仅在前面一周的结果是不盈利的。亏损的出现意味着市场已经改变，于是需要重新优化，若是仍然获利意味着这个ATS不需要重新优化，它对市场目前的模型的识别继续有效！

源码：

//+------------------------------------------------------------------+
//|                                                 Combo_Right.mq4 |
//||                            Copyright 2010,fx68com@gmail.com||
//||                                           http://www.fx68.com ||
//+------------------------------------------------------------------+
#property copyright "Copyright 2010,fx68com@gmail.com"
#property link    "http://www.fx68.com"

//---- input parameters
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 = 0.1;
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++) {
   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, NormalizeDouble(Ask,Digits), 1, NormalizeDouble(Bid - sl * Point,Digits), NormalizeDouble(Bid + tp * Point,Digits), WindowExpertName(), mn, 0, Blue);
   if (ticket < 0) {
      again();
   }
} else {
   ticket = OrderSend(Symbol(), OP_SELL, lots, NormalizeDouble(Bid,Digits), 1, NormalizeDouble(Ask + sl * Point,Digits),NormalizeDouble(Ask - tp * Point,Digits), 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);
}

必胜注：关注神经网络应用的朋友越来越多，我们收集了这篇文章供大家参考。但是这篇文章的做法似乎只是系统测试优化的简化版，分步测试，减少了组合的次数，但几步最优的组合在一起未必结果最优。当然他这个EA是把信号分别发出，1-4的部分之间相对独立，这样测试也是可以的，也就基本等同于全部一次性测试。如果不是这种结构的话，就会失去很多有利的参数组合。真正的神经网络应该是交互式的自动获取有利参数。另外，设置步骤写的不够清楚，似乎这样更明确：

训练方法：
1 打开智能交易测试界面，选择Combo_Right，单击“智能交易属性”按钮，将起始资金设置为1000000（为了避免中途没钱，所以资金设置大一点）。
2 切换到“输入参数”选项卡，单击“加载”按钮，将combo.set里的参数加载到EA中。
3 在参数“tp1”、“sl1”和“p1”前打上勾，将“pass”参数设置为1，单击“确定”按钮退出。
4 在智能交易测试界面，选择“优化”复选项，然后选择一个商品，复盘模型设置为“仅用开盘价”（这个EA只对每根K线的收盘价进行分析，因此选用“每个即时价位”结果是一样的，而花的时间要多得多，所以没有必要），选择起始日期（俺推荐先试试2个月的长度），时间周期任意吧，作者给的图是一小时，因此我测试的时候也是用的一小时。选择好以后，单击“开始”按钮。
5 优化完毕，将最优结果备份，然后单击“智能交易属性”按钮，切换到“输入参数”选项卡，将“tp1”、“sl1”和“p1”前面的勾去掉，并将刚才的最优结果输入到“赋值”一栏。
6 在所有尾号为“2”的参数前打上勾，将“pass”参数设置为2，单击“确定”按钮退出，单击“开始”按钮。
7 优化完毕，将最优结果备份，然后单击“智能交易属性”按钮，切换到“输入参数”选项卡，将所有尾号为“2”的参数前面的勾去掉，并将刚才的最优结果输入到“赋值”一栏。
8 在所有尾号为“3”的参数前打上勾，将“pass”参数设置为3，单击“确定”按钮退出，单击“开始”按钮。
9 优化完毕，将最优结果备份，然后单击“智能交易属性”按钮，切换到“输入参数”选项卡，将所有尾号为“3”的参数前面的勾去掉，并将刚才的最优结果输入到“赋值”一栏。
10 在所有尾号为“4”的参数前打上勾，将“pass”参数设置为4，单击“确定”按钮退出，单击“开始”按钮。
11 优化完毕，将最优结果备份，然后单击“智能交易属性”按钮，切换到“输入参数”选项卡，将所有尾号为“4”的参数前面的勾去掉，并将刚才的最优结果输入到“赋值”一栏。
12 单击“保存”按钮，将最优参数保存为一个文件。

训练完毕，现在你手里有了针对某个特定货币、某个特定时间周期在某个时间段的最优参数，然而，这只是根据历史数据进行的最优化，至于实测的效果，则要挂着观察了。实测时，“pass”参数一定要设置为4！
来源：必胜外汇