Prediksi Forex Contoh ini sangat mirip dengan yang sebelumnya. Satu-satunya perbedaan adalah bahwa hal itu menunjukkan data untuk pasangan mata uang valuta asing (forex). Cara kerja dengan applet Jika belum melihat contoh pertama. Silahkan jelajahi dulu - deskripsi dasar tersedia disana. Dalam applet ini, data berikut tersedia. Semuanya nilai akhir hari tutup sepanjang tahun 2007, yaitu 313 nilai. Seperti pada applet sebelumnya, masing-masing deret waktu ini memiliki nilai berikut: nol untuk interval di bawah 0, nilai close pada interval 0-jumlah nilai, dan sekali lagi nol setelah nilai terakhir diketahui. EURUSD - EUR USD data pasangan mata uang forex USDJPY - data pasangan mata uang EUR USD currency USDCHF - EUR USD data pasangan mata uang EURJPY - data pasangan mata uang EUR USD currency Sekali lagi perhatikan bahwa contoh ini hanya diberikan untuk ilustrasi. Trading menggunakan pengaturan sederhana ini biasanya tidak jauh dari menggunakan prediksi dengan nilai terakhir yang tersedia. Perhatikan juga bahwa untuk perdagangan kita perlu mengembangkan peraturan masuk dan keluar, dan itu lebih penting daripada prediksi yang tepat. Tunggu sampai applet dimuat. Applet dan deskripsi (c) Marek Obitko, 2008 jaringan syaraf di applet menggunakan kelas Java BPNeuron dan BPNet dari NeuralWebspace, (c) Tom Vehovsk, 1998, yang dimodifikasi untuk keperluan applet ini. Prediksi Prediksi membuat klaim tentang sesuatu Itu akan terjadi, sering berdasarkan informasi dari masa lalu dan dari keadaan saat ini. Semua orang memecahkan masalah prediksi setiap hari dengan berbagai tingkat kesuksesan. Misalnya cuaca, panen, konsumsi energi, pergerakan mata uang forex (valas) pasangan mata uang atau saham, gempa bumi, dan banyak hal lainnya perlu diprediksi. Dalam domain teknis parameter yang dapat diprediksi dari suatu sistem dapat sering dinyatakan dan dievaluasi menggunakan persamaan - prediksi kemudian hanya evaluasi atau solusi dari persamaan tersebut. Namun, praktis kita menghadapi masalah dimana deskripsi semacam itu akan terlalu rumit atau tidak mungkin sama sekali. Selain itu, solusi dengan metode ini bisa jadi sangat rumit secara komputasi, dan terkadang kita akan mendapatkan solusinya setelah kejadian yang diprediksi terjadi. Ada kemungkinan untuk menggunakan berbagai perkiraan, misalnya regresi ketergantungan variabel yang diprediksi pada kejadian lain yang kemudian diekstrapolasi ke masa depan. Menemukan aproksimasi semacam itu bisa juga sulit. Pendekatan ini umumnya berarti menciptakan model acara yang diprediksi. Jaringan syaraf tiruan dapat digunakan untuk prediksi dengan berbagai tingkat keberhasilan. Keuntungan dari itu termasuk pembelajaran otomatis dependensi hanya dari data terukur tanpa perlu menambahkan informasi lebih lanjut (seperti tipe dependensi seperti dengan regresi). Jaringan saraf dilatih dari data historis dengan harapan dapat menemukan dependensi tersembunyi dan dapat menggunakannya untuk memprediksi ke masa depan. Dengan kata lain, jaringan syaraf tiruan tidak diwakili oleh model yang diberikan secara eksplisit. Ini lebih merupakan kotak hitam yang bisa belajar sesuatu. Hal ini dimungkinkan untuk memprediksi berbagai jenis data, namun dalam sisa teks ini kita akan fokus pada prediksi deret waktu (lihat gambar 1). Seri waktu menunjukkan perkembangan nilai pada waktunya. Tentu saja, nilainya bisa dipengaruhi oleh faktor lain selain sekedar waktu. Seri waktu mewakili sejarah nilai diskrit dan dari fungsi kontinyu dapat diperoleh dengan menggunakan sampling. Gambar 1 - Contoh rangkaian waktu Jaringan khusus: Keuntungan Peramalan Jaringan syaraf tiruan adalah algoritma mutakhir yang dapat ditiru yang meniru beberapa aspek utama dalam fungsi otak manusia. Ini memberi mereka kemampuan melatih diri yang unik, kemampuan untuk memformalkan informasi yang tidak terklasifikasi dan, yang terpenting, kemampuan untuk membuat perkiraan berdasarkan informasi historis yang mereka miliki. Jaringan saraf telah banyak digunakan dalam berbagai aplikasi bisnis, termasuk peramalan dan solusi riset pemasaran. Di beberapa daerah, seperti deteksi kecurangan atau penilaian risiko. Mereka adalah pemimpin yang tak terbantahkan. Bidang utama di mana jaringan syaraf tiruan menemukan aplikasi adalah operasi keuangan, perencanaan perusahaan, perdagangan, analisis bisnis dan perawatan produk. Jaringan syaraf tiruan dapat diaplikasikan dengan menguntungkan oleh semua jenis pedagang, jadi jika Anda seorang trader dan Anda belum diperkenalkan ke jaringan syaraf tiruan, mintalah Anda melalui metode analisis teknis ini dan tunjukkan cara menerapkannya ke gaya trading Anda. Delusi Umum Kebanyakan orang tidak pernah mendengar tentang jaringan syaraf tiruan dan, jika mereka tidak menyukai pedagang, mereka mungkin tidak perlu tahu apa adanya. Yang benar-benar mengejutkan, bagaimanapun, adalah kenyataan bahwa sejumlah besar dari mereka yang bisa mendapatkan keuntungan dari teknologi jaringan syaraf tiruan bahkan tidak pernah mendengarnya, menerapkannya untuk gagasan ilmiah yang tinggi atau menganggapnya sebagai tipuan pemasaran yang apik. Ada juga mereka yang menaruh semua harapan mereka pada jaringan saraf, memberi tahu jaring setelah mengalami pengalaman positif dengan mereka dan menganggapnya sebagai solusi peluru perak untuk masalah apa pun. Namun, seperti strategi trading apapun. Jaringan saraf tidak ada perbaikan cepat yang memungkinkan Anda menyerangnya dengan mengklik satu atau dua tombol. Sebenarnya, pemahaman yang benar tentang jaringan syaraf tiruan dan tujuannya sangat penting untuk keberhasilan penerapannya. Sejauh menyangkut perdagangan, jaringan syaraf tiruan adalah metode analisis teknis baru yang unik, yang ditujukan bagi mereka yang mengambil pendekatan berpikir terhadap bisnis mereka dan bersedia menyumbangkan waktu dan usaha untuk membuat metode ini sesuai untuk mereka. Yang terbaik, bila diaplikasikan dengan benar, jaringan syaraf tiruan bisa mendatangkan keuntungan secara reguler. Gunakan Jaringan Syaraf Tiruan untuk Mengungkap Peluang Kesalahpahaman besar adalah bahwa banyak pedagang menyalahgunakan jaringan syaraf tiruan untuk peramalan yang dapat menawarkan saran tentang bagaimana bertindak dalam situasi pasar tertentu. Jaringan syaraf tiruan tidak membuat prakiraan apapun. Sebagai gantinya, mereka menganalisis data harga dan menemukan peluang. Dengan menggunakan jaringan syaraf tiruan, Anda bisa membuat keputusan perdagangan berdasarkan data yang dianalisis secara menyeluruh, yang tidak harus terjadi jika menggunakan metode analisis teknis tradisional. Bagi seorang trader berpikiran serius, jaringan syaraf tiruan adalah alat generasi berikutnya dengan potensi besar yang dapat mendeteksi interdependensi dan pola non linier yang tidak dapat ditemukan metode analisis teknis lainnya. The Best Nets Sama seperti jenis produk atau teknologi hebat lainnya, jaringan syaraf tiruan mulai menarik semua orang yang mencari pasar baru. Torrents iklan tentang perangkat lunak generasi mendatang telah membanjiri pasar - iklan yang merayakan algoritma jaringan syaraf tiruan yang paling kuat yang pernah dibuat. Bahkan dalam kasus-kasus yang jarang terjadi ketika klaim iklan menyerupai kebenaran, ingatlah bahwa peningkatan efisiensi 10 mungkin adalah yang paling Anda dapatkan dari jaringan syaraf tiruan. Dengan kata lain, itu tidak menghasilkan hasil yang menakjubkan dan terlepas dari seberapa baik kerjanya dalam situasi tertentu, akan ada beberapa rangkaian data dan kelas tugas yang algoritma yang digunakan sebelumnya tetap unggul. Ingat ini: bukan algoritma yang melakukan triknya. Informasi masukan yang disiapkan dengan baik pada indikator yang ditargetkan adalah komponen terpenting kesuksesan Anda dengan jaringan saraf. Apakah Konvergensi Lebih Cepat Lebih Baik Banyak dari mereka yang sudah menggunakan jaringan syaraf secara keliru percaya bahwa semakin cepat jaring mereka memberikan hasil, semakin baik itu. Ini, bagaimanapun, adalah khayalan belaka. Jaringan yang baik tidak ditentukan oleh tingkat di mana ia menghasilkan hasil dan pengguna harus belajar untuk menemukan keseimbangan terbaik antara kecepatan di mana jaringan kereta api dan kualitas hasil yang dihasilkannya. Penerapan Neural Nets yang Benar Banyak pedagang menerapkan jaring saraf secara tidak benar karena mereka terlalu memercayai perangkat lunak yang mereka gunakan semuanya tanpa memberikan instruksi yang tepat tentang cara menggunakannya dengan benar. Untuk menggunakan jaringan syaraf dengan cara yang benar dan, dengan demikian, dengan menguntungkan, seorang pedagang harus memperhatikan semua tahap siklus persiapan jaringan. Pedagang dan bukan jaringnya yang bertanggung jawab untuk menemukan ide, memformalkan ide ini, menguji dan memperbaikinya, dan akhirnya memilih momen yang tepat untuk membuangnya saat tidak lagi berguna. Mari kita pertimbangkan tahapan proses krusial ini secara lebih rinci: 1. Menemukan dan Merumuskan Ide Perdagangan Seorang pedagang harus sepenuhnya memahami bahwa jaringan syaraf tiruannya tidak dimaksudkan untuk menemukan ide dan konsep perdagangan yang menang. Hal ini dimaksudkan untuk memberikan informasi yang paling dapat dipercaya dan tepat tentang seberapa efektif ide atau konsep trading Anda. Oleh karena itu, Anda harus mengemukakan gagasan perdagangan asli dan secara jelas menentukan tujuan gagasan ini dan apa yang Anda harapkan dapat dicapai dengan menggunakannya. Ini adalah tahap terpenting dalam siklus persiapan jaringan. (Untuk bacaan terkait, lihat Pelajaran Dari Buku Harian Pedagang.) 2. Memperbaiki Parameter Model Anda Selanjutnya, Anda harus mencoba untuk meningkatkan kualitas keseluruhan model dengan memodifikasi kumpulan data yang digunakan dan menyesuaikan berbagai parameter. Gambar 1: Menentukan algoritma optimasi dan propertinya 3. Membuang Model Saat Menjadi Usang Setiap model berbasis jaringan syaraf tiruan memiliki rentang hidup dan tidak dapat digunakan tanpa batas waktu. Panjang umur model hidup bergantung pada situasi pasar dan seberapa lama interdependensi pasar tercermin di dalamnya tetap topikal. Namun, cepat atau lambat model apapun menjadi usang. Bila ini terjadi, Anda dapat melatih kembali model menggunakan data yang benar-benar baru (yaitu mengganti semua data yang telah digunakan), menambahkan beberapa data baru ke kumpulan data yang ada dan melatih model lagi, atau hanya menunda model sama sekali. Banyak pedagang membuat kesalahan dengan mengikuti jalur yang paling sederhana - mereka sangat bergantung dan menggunakan pendekatan yang memungkinkan perangkat lunak mereka menyediakan fungsionalitas yang paling mudah digunakan dan otomatis. Pendekatan paling sederhana ini meramalkan harga beberapa bar di depan dan mendasarkan sistem trading Anda pada perkiraan ini. Pedagang lain meramalkan perubahan harga atau persentase dari perubahan harga. Pendekatan ini jarang menghasilkan hasil yang lebih baik daripada meramalkan harganya secara langsung. Kedua pendekatan sederhana tersebut gagal mengungkap dan memanfaatkan sebagian besar interdependensi jangka panjang yang penting dan, akibatnya, model tersebut dengan cepat menjadi usang karena kekuatan pendorong global berubah. Pendekatan Keseluruhan yang Paling Optimal untuk Menggunakan Jaringan Syaraf Tiruan Seorang trader yang sukses akan fokus dan menghabiskan cukup banyak waktu untuk memilih item input yang mengatur untuk jaringan syaraf tiruannya dan menyesuaikan parameter mereka. Dia akan menghabiskan (setidaknya) beberapa minggu - dan terkadang sampai beberapa bulan - menggelar jaringan. Seorang trader yang sukses juga akan menyesuaikan jaringnya dengan kondisi yang berubah sepanjang masa hidupnya. Karena masing-masing jaringan syaraf hanya bisa mencakup aspek pasar yang relatif kecil, jaringan syaraf tiruan juga harus digunakan dalam sebuah komite. Gunakan sebanyak mungkin jaringan syaraf yang sesuai - kemampuan untuk mempekerjakan beberapa sekaligus merupakan keuntungan lain dari strategi ini. Dengan cara ini, masing-masing jaring ganda ini dapat bertanggung jawab untuk beberapa aspek spesifik pasar, memberi Anda keuntungan besar di seluruh papan. Namun, disarankan agar Anda menyimpan jumlah jaring yang Anda gunakan dalam kisaran lima sampai 10. Akhirnya, jaringan syaraf tiruan harus dikombinasikan dengan salah satu pendekatan klasik. Ini akan memungkinkan Anda untuk lebih memanfaatkan hasil yang dicapai sesuai dengan preferensi trading Anda. Kesimpulan Anda akan mengalami kesuksesan nyata dengan jaring saraf hanya saat Anda berhenti mencari jaring terbaik. Bagaimanapun, kunci kesuksesan Anda dengan jaringan syaraf tidak terletak pada jaringan itu sendiri, namun dalam strategi trading Anda. Oleh karena itu, untuk menemukan strategi menguntungkan yang sesuai untuk Anda, Anda harus mengembangkan gagasan kuat tentang bagaimana membuat panitia jaringan saraf dan menggunakannya dalam kombinasi dengan saringan klasik dan peraturan pengelolaan uang. Untuk bacaan terkait, lihat Neural Trading: Kunci Biologis Untuk Menguntungkan dan Trading Systems Coding Tutorial.
Comments
Post a Comment