书籍-MQL5算法交易的神经网络
定义属性 构建LSTM的四个门控单元：m_cForgetGate、m_cInputGate、m_cNewContent、m_cOutputGate，分别负责遗忘门、输入门、新内容和输出门的计算。 m_cMemorys和m_cHiddenStates，存储LSTM单元的记忆状态和隐藏状态。 m_cInputs，输入数据的缓冲区。 m_cForgetGateOuts、m_cInputGateOuts、m_cNewContentOuts、m_cOutputGateOuts，保存各个门控单元的输出结果。 m_cInputGradient，存储输入梯度，用于反向传播。 m_iDepth，网络的深度，表示层数。 初始化 创建CLayerDescription 指针temp 利用temp初始化 ForgetGate 利用temp初始化 InputGate 利用temp初始化 OutputGate 利用temp初始化 NewContent 初始化 InputGradient
交易日记
说来也奇怪，我不断做空BTC和XAU，二者又不断创出新高，然而我的账户资金却不减反增。 经过总结，我认为盈利的原因有以下几个： 1. 能够感受到市场的最小阻力线方向。我能够明显感受到价格的最小阻力线方向是向上的，这样促使我在做空时非常谨慎，也能够很好的踩住回调的节奏。 2. 能够感受到压力和支撑位。趋势的特征之一就是压力和支撑位都比较明显，有了明显的点位，进出场时也能够得心应手。 3. 交易方向明确。这可能是最重要的一点，因为方向明确，所以我有更多的时间和精力去观察市场最小阻力线方向。 4. 仓位控制的较稳。这是慢慢培养的一种交易习惯。 5. 市场给机会。交易员的所有盈利都是市场的馈赠。
交易日记
一个有趣的现象，交易员有时会在明知是错的情况下去犯错。 原因很简单，当你数次陷入假突破陷阱之后，你还会相信真的突破来临嘛？如果恰好你通过抄底摸顶获得了大幅盈利，当真的突破来临时，你就会不假思索地再次抄底摸顶，从而使自己身处险境。 有人会说，如果不确定是否真突破，那我不去做不就可以了么？你或许可以抵挡住一次两次诱惑，但是当你多次“准确”预测行情，而又没有参与的时候，你就会后悔，懊恼，甚至是痛恨自己“胆小如鼠”。 这就是交易中的诱惑与陷阱，也就是人们常说的贪婪与恐惧。 成功的主观交易员与其说是战胜了市场，不如说是战胜了自己。人性的弱点无法克服，如果犯错不可避免，那该怎么办呢？ BTC交易 今天BTC终于突破了，在持续横盘震荡了数个交易日之后，在价格跌跌宕宕突破93000和94000之后，今天一举突破95000点并直接突破到97000点。 今天的交易就是非常典型的明知故犯错。 之前提到过BTC一直横盘，经常出现价格突破后立刻回调，也就是非常典型的假突破。我注意到BTC价格的低点和高点一次比一次高，因此理性观点是偏向多头的。但是自特朗普当选以来，BTC价格在不到15个交易日内
交易日记
挣钱并不会让交易者感到更舒心，因为不管是盈利还是亏损，他都会犯错，而只要犯错，就不会感到舒心。——《股票作手回忆录》 我发现自己每隔一段时间就会出现一段低潮期，低潮期的感觉就是：内心十分抗拒交易，又忍不住查看行情，一旦看到行情波动又忍不住交易。 主要原因我认为是自己看不清楚市场方向。XAU从底部已经大幅反弹超过80美金，BTC不断冲击新高，USTEC也从底部有所反弹。没有明确的大方向导致在交易时总是惴惴不安。 与此同时，我的账户资金却大幅增长，为什么呢？ 在账户本金只有500美元的情况下，我给自己定的目标是每天盈利20美元。由于我看不清楚大方向，因此当我达到这个目标之后总跟自己强调不要继续交易。尽管我内心十分抗拒，但是行情总是会走出一些极端价格，一些让我无法抗拒入场的价格。 由于黄金短期大幅反弹，所以我比较看空。 BTC低点不断抬升，不断创出新高后回落。我看多但从来不做多，并且总是在前高附近做空。 USTEC的趋势性比较强，V型反转也很多。 所以最近几笔交易比较有意思：当我看到XAU和BTC同时出现在前高附近时，我就会同时做空二者；当我看到XAU在前高附近而USTEC大
书籍-MQL5算法交易的神经网络
与全连接的感知器相比，卷积网络有两种新型层：卷积（滤波器）和池化（子采样）。指定的层旨在突出主要组件并过滤掉原始数据中的噪声，同时降低数据的维度（体积），然后将其馈送到全连接的感知器中进行决策。根据要解决的任务，可以一致地使用几组交替的卷积层和子采样层。 卷积层负责识别源数据集中的对象。在这一层中，使用一个过滤器对原始数据进行数学卷积的顺序操作，充当卷积核。 池化层CNeuronProof 初始化，不需要激活函数，权重和优化器等内容。 前向传播，如果采用最大池化，使用 array.Max(1) 计算每行的最大值，并将其保存到 m_cOutputs 中；如果采用平均池化，使用 array.Mean(1) 计算每行的平均值，并将其保存到 m_cOutputs 中。 计算隐藏层梯度，如果采用最大池化，遍历窗口中的每个元素，如果元素值等于输出值 out，则将梯度 gradient 加到 inputs_
书籍-MQL5算法交易的神经网络
输入参数 指定包含训练数据集的文件StudyFileName。 指定用于保存训练误差的文件OutputFileName。 每个样本包含多少根K线BarsToLine。 每根K线对应的神经元/特征数量NeuronsToBar。 是否启用OpenCL加速计算UseOpenCL。 指定每次更新权重矩阵时使用的批量大小BatchSize。 指定学习率LearningRate。 指定隐藏层数量HiddenLayers。 指定每个隐藏层的神经元数量HiddenLayer。 指定权重矩阵更新的迭代次数Epochs。 创建神经网络 创建输入层，先创建CLayerDescription指针，然后初始化参数。由于每根K线有NeuronsToBar个特征，每个样本包含BarsToLine根K线，因此输入层神经元数量是NeuronsToBar * BarsToLine，其他参数为空或0。 创建隐藏层，隐藏层神经元数量HiddenLayer根据经验定义，并定义激活函数和优化器。 创建输出层，输出层神经元数量为2。 加载训练数据 创建CBufferType类型指针pattern
书籍-MQL5算法交易的神经网络
创建神经网络 创建layers指针，是CArrayObj类型。 创建输入层，先创建CLayerDescription指针，然后填充属性，输入层的神经元数量是BarsToLine，其他参数为空或0。 创建输入层，先创建CLayerDescription指针，然后填充属性，输入层的神经元数量是BarsToLine，其他参数为空或0。最后将输入层指针添加到layers中。 创建隐藏层，神经元数量是输入层10倍，然后填充属性，最后将隐藏层指针添加到layers中。 创建输出层，神经元数量是1，然后填充属性，最后将隐藏层指针添加到layers中。 所有网络层创建好之后创建神经网络：net.Create 数据验证 创建CBufferType 对象 pattern，其大小为1 x BarsToLine，然后填充随机数据。 经过前向传播，并获取结果etalon_result。 将etalon_result的第一个元素进行微小变化（+delta），然后进行反向传播。 获取计算结果：梯度，权重和权重梯度。 验证输入数据梯度。 验证权重梯度。 清理内存。 验证：误差值在小于1
交易日记
只要你经不住手痒做出愚蠢的操作，就总会有一些错误萦绕在你的周围。—《票作手回忆录》 我对黄金一直是看多的，以至于之前一波下跌几乎没有参与。近两日，黄金止住跌势，开始大幅反弹，我的账户也出现了大幅盈利。 错误的操作，自然也是有的。有那么一种行情，当你看到时会忍不住重仓入场。除了仓位有些重，我在黄金上的操作还是比较顺利的。 与此相对，在其他品种上的操作就不那么顺利。 交易USTEC指数 连续两天，我在USTEC指数上都被套住了，这说明白天似乎不是交易美指的一个合适时间点。 交易BTC 今天在BTC上又遇到了假突破，上一次BTC上的假突破导致我爆仓的经历仍旧历历在目。 今天当价格到达阻力位时，一开始我就有防备心里的，然而还是被市场的波动教育了一番。 我非常耐心的等待确认突破失败，然后入场。 接着价格高位横盘，当价格从高位回落我更加确信是假突破，然后加仓了。 然后价格继续高位横盘，慢慢就突破了，我立刻反手，结果不到1分钟的时间价格就回落了。 我再次确认是假突破，然后加仓反手，当账户由亏转盈的时候立刻止盈离场了。 可能是脑子比较清醒，更重要的是市场给机会，没有重蹈覆
交易日记
每个人都有自己的路要走。 阅读过一些交易大师的经典书籍，比如《股票做手回忆录》，《海龟交易法则》，也看过其他一些零碎的交易经验。在止盈这方面有很多前辈告诫：平掉亏损，让利润奔跑。 我也曾告诫自己给盈利多一点耐心，结果往往适得其反。因为在短线交易中，行情经常会有回调。尽管长期趋势非常明显，走势图看起来相当丝滑，但是在短期走势图中可能存在很大的回调，这些回调往往难以承受甚至足以致命。 作为交易领域的小白，自然需要向大师汲取经验，但是每个人的交易市场，交易品种，持仓规模，交易频率，资金杠杆等都不一样。一些基本原则自然不能违背，比如：“因亏损而增加保证金”，但是很多操作手法还是需要自己细细打磨。 我曾无数次因为想过“让利润奔跑”，结果换来的却是“浮盈变浮亏”，一旦出现亏损，便要面临抉择：止损，加仓或等待趋势恢复。 止损就是慢性死亡，一个成熟的交易者必不会轻易设置止损，无数经验表明，止损是造成账户资金缩水最重要的原因。如果你设置了一个止损单，往往发现价格还是那个价格，钱却没了。很多交易者爆仓的原因是重仓而不是止损。 加仓虽然可以帮助自己在短期内快速脱离浮亏，但是也容易爆仓。无数交易前
书籍-MQL5算法交易的神经网络
创建指标 ZigZag指标：参数48, 1, 47。 RSI指标：参数12。 MACD指标：参数12, 48, 12。 ZigZag指标作为参考值需要多获取500条数据。 数据处理 倒序遍历ZigZag指标，将ZigZag指标极值与Close的差值作为target2表示预测的幅度，将target2符号作为target1，表示预测的方向。将MACD的main和signal差值作为指标macd_delta。 归一化 计算main_norm：macd_main绝对值的最大值 计算sign_norm：macd_signal绝对值的最大值 计算delt_norm：macd_delta绝对值的最大值 遍历数据并将macd数据归一化，RSI指标处理：rsi = （rsi - 50）/50 生成样本 每个样本包含BarsToLine=40根K线数据。 随机生成测试集索引，占比0.2。 将Target，指标等数据分别保存到测试集和训练集文件中，每行包含40根K线数据。
书籍-MQL5算法交易的神经网络
创建opencl_program.cl文件保存OpenCL常用操作，创建CMyOpenCL对象处理OpenCL函数。创建SetOpenCL方法设置CMyOpenCL指针。 创建CActivation类处理激活函数。 创建CBufferType类作为动态数据缓冲区的管理接口，支持与OpenCL的交互，并提供各类矩阵操作功能。所有数组都采用CBufferType类型。 创建SetActivation方法设置激活函数。 创建SGDUpdate和AdamUpdate等方法更新权重。 创建FeedForward方法实现前向传播，创建GetOutputs 获取上一层神经元的输出状态。 创建CalcOutputGradient方法计算神经网络的误差梯度。创建GetGradients方法访问上一层的误差梯度。 创建CalcDeltaWeights 方法计算需要迭代的权重变化。 创建UpdateWeights更新权重。 创建Save、Load 和 Type方法保存加载和标识模型。 定义属性 m_cOpenCL：指向用于 OpenCL 技术的类实例的指针 m_cActivation
书籍-MQL5算法交易的神经网络
定义神经层描述 1. 考虑我们的网络有多少层神经元：至少包含输入层，输出层和隐藏层。 2. 考虑不同类型神经网络，并确定每层神经元数量。 3. 选择不同类型激活函数，同一层神经元使用相同的激活函数。 4. 选择不同类型优化器。 5. 确定Normalization样本大小和Dropout神经元的概率。 最终一个神经层描述定义如下 class CLayerDescription : public CObject { public: CLayerDescription(void); ~CLayerDescription(void) {}; //--- int type; // Type of neural layer int count; // Number of neurons in a layer int window; // S