Sap Standard Price And Moving Average Price

Como os materiais serão avaliados, depende do indicador de controle de preço no registro mestre de material. Existem dois tipos de indicadores de controle de preços. 1. Preço padrão 2. Preço médio em movimento Preço padrão: 8226 Quando selecionamos o indicador de controle de preço padrão (S) no registro mestre de material, qualquer publicação feita na conta de estoque é feita a esse preço. Ao postar na conta de estoque, este preço é tomado como um padrão. Essa é a razão pela qual é designado como preço padrão. O preço padrão de um material permanece constante durante pelo menos um período. 8226 Qualquer variação é lançada na conta de diferença de preço. 8226 As variações são atualizadas no preço médio móvel para fins estatísticos. Vantagem do preço padrão: como este preço é constante durante pelo menos um período, ele garante o gerenciamento consistente dos custos do processo de produção e torna transparentes as variações na produção. Desvantagem do preço padrão: como este preço é constante durante pelo menos um período, ele não reflete o custo real incorrido durante o período. Se o preço de aquisição do material mudar muito nesse período, isso pode levar a um preço de avaliação inadequado. Preço médio móvel: quando selecionamos o indicador de controle de preço médio móvel (V) no registro mestre de material, qualquer publicação feita na conta de estoque é feita pelo preço real (conforme ordem de compra, entrada de mercadorias, liquidação, etc.). Com este indicador de controle de preços, um novo preço de material é calculado após cada movimento de mercadorias, fatura e / ou liquidação de pedidos. Este preço do material é um valor médio calculado a partir do valor total do estoque e da quantidade total do material em estoque. É por isso que é denominado como preço médio móvel. Vantagem do preço médio de movimentação: o preço do material é atualizado qualquer variação de preço na produção interna, bem como contratos externos. Desvantagem do preço médio móvel: 1. A principal desvantagem de usar o preço médio móvel é que o preço usado para avaliar o consumo de material depende quase completamente do tempo em que a emissão de mercadorias é lançada no sistema. Suponhamos que fizemos uma questão de mercadorias e, depois disso, uma fatura. Mas, neste caso, o valor da fatura não será refletido no valor do material emitido. Assim, o material não é avaliado com o custo real. 2. O preço médio móvel pode levar a um preço pouco realista. 3. O preço médio móvel não depende do período. Isso pode levar a um valor de avaliação de material incorreto. Por exemplo, o lançamento de movimento de mercadorias que é feito no período anterior não é avaliado no preço do período anterior, de fato, ele é avaliado a preço atual. Quando usar o preço padrão e quando usar o preço médio em movimento: algumas vezes é muito confuso quando usar o preço padrão e quando usar o preço médio móvel. A chave para selecionar o controle de preços para um material específico é a flutuação do preço desse material. Se os preços flutuam freqüentemente, atribua-o ao preço médio móvel e, se não, atribua-o ao preço padrão. A SAP não o restringe para escolher o controle de preços de um material, mas recomenda fortemente o uso do preço padrão para materiais semi-acabados e acabados (para mais detalhes, consulte a nota SAP 81682). Também é recomendado usar o preço médio móvel para os materiais que são adquiridos externamente e preço padrão para esses materiais que são produzidos internamente. Exemplo 1: Postagem no Preço Padrão: 1. Situação inicial: 8226 O material é avaliado a preço padrão. 8226 Preço padrão 10 INR 8226 Valor total de estoque 1010 INR 100 INR 8226 Preço médio em movimento 10 INR 2. GR feito para PO 8226 GR quantidade 10 EA 8226 GR preço por unidade 12 INR 8226 Inicialmente, o valor total do estoque foi de 100. Agora, GR tem sido Feito para 10 materiais ao preço 12 INR. O novo valor total do estoque (100 1010) INR200 INR 8226 Preço padrão 10 INR (permanece constante) 8226 Preço médio móvel (1001012) (1010) 11 INR 8226 À medida que o bom recebimento é feito no preço 12 INR, a conta GRIR será creditada por 1012 INR 120 INR. 8226 Diferença de (120-100) INR 20 INR seria lançado na conta de diferença de preço. 3. IR feito para PO 8226 Quantidade IR 10 EA 8226 Preço IR por unidade 11 INR. 8226 Como o controle de preço do material é Padrão, o valor total do estoque permanece o mesmo. 8226 Preço padrão 10 INR (permanece constante) 8226 Preço médio móvel (1001011) (1010) INR 10.5 INR 8226 No momento da recepção de mercadorias, a conta GRIR foi creditada por 120 INR. Agora, para o saldo no momento da conta GRIR, a conta será debitada por 120 INR. A conta do fornecedor será creditada por 110 INR e a diferença (120-110) INR 10 INR será creditada na conta de diferença de preço. Exemplo 2: Postagem no preço médio móvel: 1. Situação inicial: 8226 O material é avaliado a preço médio móvel. 8226 Valor total de estoque 1010 INR 100 INR 8226 Preço médio em movimento 10 INR 2. GR feito para PO 8226 GR quantidade 10 EA 8226 GR preço por unidade 12 INR Inicialmente, o valor total da ação foi de 100. Agora o GR foi feito para 10 materiais a preço 12 INR. O novo valor total de estoque (100 1012) INR220 INR 8226 Preço padrão 10 INR (permanece constante) 8226 Preço médio móvel (1001012) (1010) 11 INR 8226 À medida que o bom recebimento é feito no preço 12 INR, a conta GRIR será creditada por 1012 INR 120 INR. 8226 Não haverá postagem na conta de diferença de preço, uma vez que a conta de estoque e a conta de compensação GRIR são debitadas e creditadas pelo mesmo valor. 3. IR feito para PO 8226 Quantidade IR 10 EA 8226 Preço IR por unidade 11 INR. 8226 Como o controle de preços do material é o preço médio de mudança e o preço do IR é menor do que o preço do GR, identificação da conta de estoque creditada por quantidade de IR (preço IG preço 8211 IR) 10 (12-10) INR 10 INR. 8226 Preço padrão 10 INR (permanece constante) 8226 Preço médio móvel (1001011) (1010) INR 10.5 INR 8226 No momento da recepção de mercadorias, a conta GRIR foi creditada por 120 INR. Agora, para o saldo no momento da conta GRIR, a conta será debitada por 120 INR. A conta do fornecedor será creditada por 110 INR e o restante (120-110) INR 10 INR será creditado na conta de estoque. Conta de diferença de preço e preço médio móvel: sempre que houver uma variação de preço durante a postagem de mercadorias ou a postagem de fatura, em caso de preço padrão, uma conta de diferença de preço está sendo atingida para anulá-la. Quando o controle de preços está movendo o preço médio, também há alguns casos em que a conta de diferença de preço é atingida. Para entender em que circunstâncias a conta de diferença de preço está sendo atingida apesar do preço médio móvel, pois o indicador de controle de preço passa pelo exemplo abaixo mencionado. Exemplo 3: Situação inicial: Preço médio em movimento: 10 INR Quantidade total de estoque: 10 EA Valor total de estoque: 100 INR Agora uma fatura de 40 materiais com variação de preço de 5 INR (ou seja, o preço da fatura por unidade 10 INR-5 INR 5INR) Tem que ser postado. Portanto, a conta de ações deve ser creditada ny 540 INR 200 INR. Mas o valor total das ações é de 100 INR. Nesse caso, o sistema credita a conta de estoque por 105 INR 50 INR e publica o restante 305 INR 150 INR para a conta de diferença de preço. Preço médio móvel negativo Às vezes, não podemos enviar uma fatura devido a erro como 8220. O preço médio de envio para material é negativo: Mat XXX planta yyy.8221. Mensagem no. M8783. Para entender por que esse tipo de situação acontece, siga o exemplo a seguir. Exemplo 4: Situação inicial: Preço médio em movimento: 10 INR Quantidade total de estoque: 10 EA Valor total de estoque: 100 INR Agora você cria uma fatura para o mesmo material com quantidade de 6 EA e preço 30 INR. Assim, a variação de preço é (30 -10 ) INR 20 INR. Nessa situação, no momento da factura, a conta de ações deve ser creditada por 620 INR 120 INR. Mas o valor total do estoque é de apenas 100. Portanto, o sistema não pode deduzir 120 INR de 100 INR porque isso levará a um valor de estoque negativo, que por sua vez leva a um preço médio móvel negativo. Por este motivo, o sistema lança a mensagem de erro no. M8783 e impede a publicação. Agora, aqui pode surgir uma pergunta, por que o sistema não está publicando o valor restante na conta PRD. A resposta é muito simples. Se o sistema nos permitir postar a fatura ao postar a diferença para a conta PRD, 100 INR serão creditados na conta de estoque e 20 INR serão creditados na conta PRD. Mas, em seguida, estoque total de 10 EA e valor total de estoque 0. Isso leva a um preço médio móvel zero que novamente pode levar a um erro durante as postagens de inventário. Geralmente todas as matérias-primas (ROH), peças sobressalentes (ERSA), bens comercializados (HAWA ) Etc. são atribuídos como preço médio móvel (MAP) por causa da prática contábil de avaliar com precisão o inventário desses materiais. Esses materiais estão sujeitos às flutuações do preço de compra em uma base regular. A empresa geralmente usa média móvel em materiais comprados com pequenas flutuações de custos. É mais apropriado quando o item é facilmente obtido. O impacto nas margens é minimizado, o que reduz a necessidade de análise de variância. Além disso, o esforço administrativo é baixo, pois não há estimativas de custo para manter. O custo reflete variações, que estão mais próximas dos custos reais. Os produtos semi-acabados (HALB) e os produtos acabados (FERT) são avaliados com preço padrão devido ao ângulo de redução do produto. Se estes fossem controlados pelo MAP, a avaliação do produto terminado em produtos acabados flutuaria devido a erros de entrada de dados durante o refluxo de materiais e mão-de-obra, ineficiências de produção (maior custo) ou eficiências (menor custo). Esta não é uma prática padrão de contabilidade e cálculo de custos. Consulte a nota OSS 81682 - Pr. Contr. V para produtos semi-acabados e acabados. A SAP recomenda que o preço padrão seja usado para FERT e HALB. Se o preço real for exigido para a avaliação, faça uso das funções do livro principal de materiais onde um preço real periódico é criado, o que é mais realista. por exemplo. Como SAP calcualte o preço médio móvel Entrada de mercadorias para o pedido Saldo na quantidade de mão Mercadorias Quantidade de recebimento Valor do saldo no valor de mercadorias Valor de recebimento Novo Preço médio de mudança Valor total Quantidade total Fatura Recebimento para ordem de compra Preço da factura mais do que o valor da ordem de compra Valor adicional adicionado a Valor do saldo a partir da mão, em seguida, dividido pela quantidade do saldo na mão. O preço da fatura menor do que a diferença do preço da ordem de compra é deduzido do valor do saldo em mão (até 0). O resto do montante se tornará variação de preço. Isto irá resultar em equilíbrio no valor da mão é zero, enquanto há equilíbrio na quantidade de mão. Se o valor do Saldo na mão for suficiente para deduzir, o valor restante será dividido pela quantidade de Balanço na mão. Quando seu preço de emissão de mercadorias é constantemente maior do que seu preço de entrada de mercadorias. Isso resultará em valor médio móvel de valor zero. Nota NOT 185961 - Cálculo do preço médio móvel. 88320 - Forças fortes ao criar preços médios móveis. Nunca permita estoques negativos para materiais transportados na média móvel. (C) habilidades Todos os materiais neste site são direitos autorais. Todos os esforços são feitos para garantir a integridade do conteúdo. As informações usadas neste site são de sua responsabilidade. Todos os nomes de produtos são marcas registradas de suas respectivas empresas. O site não está de forma alguma afiliado à SAP AG. Qualquer cópia ou espelhamento não autorizado é proibido. Controle de preço com e sem o Roteiro de materiais Como os materiais são avaliados no sistema SAP, depende essencialmente do controle de preços que foi definido para o material no mestre de material. Você pode escolher entre uma avaliação ao preço padrão (preço S) ou ao preço médio móvel (preço V). Ao usar o Roteiro de materiais, você tem a possibilidade de combinar as vantagens do controle de preços padrão e controle de preço médio móvel. Para obter mais informações, consulte Controle de preços e determinação de preço de material. Preço padrão versus preço médio móvel Com o controle de preço médio móvel, um novo preço do material é calculado após cada entrada de mercadorias, recibo da fatura e liquidação da ordem. Este preço do material é um valor médio calculado a partir do valor total do estoque e da quantidade total do material em estoque. Com o controle de preços padrão, os movimentos de mercadorias são avaliados com um preço que permanece constante durante pelo menos um período. O preço padrão atribuído a um material geralmente é o resultado de uma estimativa de custo padrão. A principal diferença entre os dois procedimentos de avaliação é que o preço médio móvel representa um preço atual entregue enquanto o preço padrão é baseado em valores planejados e não em valores reais. As diferenças entre o preço planejado e os preços reais não são atribuídos ao estoque material na Contabilidade financeira, mas sim são atribuídos a uma conta de diferença de preço. Ao usar o preço médio móvel, no entanto, o valor do estoque material na Contabilidade financeira pode refletir os preços realmente incorridos. O preço médio móvel tem suas desvantagens, no entanto, em muitas situações. Essas situações serão discutidas em maior detalhe no texto a seguir. Utilize o Roteiro do Material de custo real do componente para garantir um método de gerenciamento de custos que use os dados mais atuais para calcular seus custos de material reais. Você pode usar este componente para calcular um preço médio no final do período usando os custos reais incorridos nesse período. Você pode então usar esse preço médio para avaliar o estoque de material no período em questão. O preço padrão é usado para a avaliação preliminar do material no componente Razão Real do Razão de Custos (veja também: Roteiro de Material de Custeio Real). No texto a seguir, os problemas que podem resultar da avaliação de materiais com o preço médio móvel são ilustrados em conjunto com uma comparação de vantagens e desvantagens de ambos os métodos de controle de preços. Você pode evitar os problemas que surgem ao usar o preço padrão para a avaliação do material, usando o Roteiro do Material de Custeio Real. Além disso, haverá algumas recomendações da SAP quanto ao controle de preços a ser usado. Vantagens do preço padrão Ao usar o preço padrão, todos os movimentos de mercadorias de um material são avaliados com o mesmo preço em pelo menos um período. Portanto, o preço padrão garante um gerenciamento de custos consistente do processo de produção e torna as variações na produção transparentes. Um preço periódico (preço padrão) é especialmente útil ao trabalhar com gerenciamento de custos por período. O preço padrão também pode ser usado como referência pelo qual você pode medir diferentes métodos de produção ou comparar as margens de contribuição de um material em diferentes segmentos de mercado na Análise de Rentabilidade. Desvantagens do preço padrão Uma vez que o preço padrão é mantido constante por um período inteiro, ele não reflete os custos reais incorridos durante o período. Isso pode levar a preços de avaliação inexatos para materiais cujos preços de compras mudam muito durante um período ou cujo método de produção muda dentro de um período. Esse problema aumenta na produção multinível com cada novo passo de produção. Isso significa que os custos para o produto final podem não refletir os dados mais recentes. O valor do estoque de material não reflete os custos atuais de aquisição, uma vez que as variações do preço padrão são coletadas em uma conta de diferença de preço na Contabilidade financeira e não levam a uma correção da conta de estoque de material. As variações coletadas na conta de diferença de preço não podem mais ser atribuídas ao material individual. Se você usar a avaliação dividida para materiais, note que você só pode liberar o preço do material no nível do cabeçalho de um material (não ao nível do tipo de avaliação) ao calcular um preço de material no Planejamento de custos do produto. Vantagens do preço médio móvel A vantagem de usar o preço médio móvel é que as variações que ocorrem tanto para materiais produzidos internamente quanto para materiais adquiridos externamente causam uma atualização no preço do material e no valor do estoque material. Como o preço do material reflete o custo médio de aquisição de um material, as questões materiais podem, em princípio, ser avaliadas com o preço atual. Somente em casos especiais são desvios atribuídos a uma conta de diferença de preço na Contabilidade financeira e não ao estoque de material. As vantagens do preço médio móvel são vistas apenas se: você estiver analisando os dados de avaliação do material no nível de produção mais baixo, todas as variações ocorrem imediatamente, o preço do material não é distorcido pela seqüência de postagens pelo sistema. Desvantagens do preço médio móvel A principal desvantagem de usar o preço médio móvel é que o preço utilizado para avaliar o consumo de material depende quase completamente do tempo em que a questão das mercadorias é divulgada no sistema. Se, por exemplo, um recibo de fatura é postado no sistema após a entrada de mercadorias, esse valor de fatura não se reflete no valor do material emitido. Portanto, o material não é avaliado com o custo efetivo de aquisição. O preço médio móvel também faz pouco para garantir uma gestão consistente dos custos do seu processo de produção. O efeito das mudanças no processo de produção, por exemplo, não é reconhecível no produto acabado, e a comparação de resultados de diferentes áreas em Análise de Rentabilidade não é realmente significativa devido à falta de um benchmark. O fato de o preço médio móvel não depender do período também pode levar a uma avaliação material incorreta, uma vez que os movimentos de mercadorias que são lançados em um período anterior não são avaliados com o preço desse período, mas sim com o preço médio móvel atual. Outro problema com o preço médio móvel é que qualquer erro ao inserir dados pode causar alterações imediatas e indesejadas no preço do material. Quaisquer questões de produtos postadas após este erro serão avaliadas imediatamente com este preço de material incorreto. Em particular, o preço médio móvel pode levar a preços de material não realistas em casos de produção de vários níveis ou quando há variações que não aparecem imediatamente. Tais preços irrealistas ocorrem, por exemplo, quando, no contexto da cobertura de estoque, um ajuste subsequente ao estoque de material ocorre usando uma quantidade de base incorreta. Para obter mais informações, consulte Avaliação com o preço médio móvel. Controle de preço com o Roteiro de materiais Ao usar o componente do aplicativo, o Razão de Relatórios de Custos reais. Você usa apenas o preço padrão como preço de avaliação preliminar no período atual. No final do período, você pode usar este componente para calcular um preço médio do material usando os custos reais incorridos nesse período. Você pode então usar esse preço médio para avaliar o estoque de material no período em questão. Razão do custo real do material. Portanto, combina as vantagens do controle de preços usando o preço padrão e o preço médio móvel. Se você usa o Razão de cálculo de custo real, você também deve usar o controle de preços padrão de matérias-primas e produtos comerciais para assegurar um gerenciamento de custos consistente do seu processo de produção. Somente dessa maneira são variâncias totalmente transparentes dentro da produção. Você pode encontrar mais informações sobre os objetivos do Roteiro do Risco Real no Roteiro de Material de Custeio Real. Controle de preço sem o Roteiro de materiais O exemplo a seguir representa postagens na Contabilidade financeira resultantes de uma entrada de mercadorias ou de um recibo de fatura, pelo que o preço da fatura varia de acordo com o preço do pedido para o material. No primeiro exemplo, as postagens ocorrem para um material avaliado com o preço padrão no segundo exemplo, o material é avaliado com o preço médio móvel: nestes exemplos, é claro que o valor do estoque material e o preço do material refletem os custos de aquisição de Um material com uma avaliação no preço médio móvel, enquanto esses custos reais não se refletem em uma avaliação a preço padrão. Uma avaliação a preço padrão não explica variações de preços ou mudanças nos métodos de produção durante o período. As variações entre o preço padrão e os custos reais de fabricação de aquisição são coletadas em uma conta de diferença de preço na Contabilidade financeira e não podem ser alocadas aos materiais individuais. O preço médio móvel, portanto, é mais útil se desejar que seus valores de estoque de material e os preços dos materiais reflitam os dados mais atualizados. O preço médio móvel parece vantajoso no exemplo acima, principalmente porque o material é adquirido externamente e o exemplo está preso a uma perspectiva de nível único. Ao lidar com materiais produzidos internamente e ao analisar os dados de avaliação em uma base multinível, o preço médio móvel mostra suas limitações na medida em que pode levar a preços irrealistas para produtos semi-acabados e acabados. No caso de produção multinível, o produto acabado não pode ser avaliado com os preços reais mais atuais, já que o preço real do produto semi-acabado é calculado pela primeira vez no final do período após a liquidação da ordem de fabricação. Assim, todos os erros de avaliação crescem à medida que o processo de produção se prolonga. Nestes exemplos, é claro que o valor do estoque material e o preço do material refletem os custos de aquisição de um material com uma avaliação no preço médio móvel, enquanto esses custos reais não são refletidos em uma avaliação a preço padrão. Uma avaliação a preço padrão não explica variações de preços ou mudanças nos métodos de produção durante o período. As variações entre o preço padrão e os custos reais de fabricação de aquisição são coletadas em uma conta de diferença de preço na Contabilidade financeira e não podem ser alocadas aos materiais individuais. O preço médio móvel, portanto, é mais útil se desejar que seus valores de estoque de material e os preços dos materiais reflitam os dados mais atualizados. O preço médio móvel parece vantajoso no exemplo acima, principalmente porque o material é adquirido externamente e o exemplo está preso a uma perspectiva de nível único. Ao lidar com materiais produzidos internamente e ao analisar os dados de avaliação em uma base multinível, o preço médio móvel mostra suas limitações na medida em que pode levar a preços irrealistas para produtos semi-acabados e acabados. No caso de produção multinível, o produto acabado não pode ser avaliado com os preços reais mais atuais, já que o preço real do produto semi-acabado é calculado pela primeira vez no final do período após a liquidação da ordem de fabricação. Assim, todos os erros de avaliação crescem à medida que o processo de produção se prolonga. Nestes exemplos, é claro que o valor do estoque material e o preço do material refletem os custos de aquisição de um material com uma avaliação no preço médio móvel, enquanto esses custos reais não são refletidos em uma avaliação a preço padrão. Uma avaliação a preço padrão não explica variações de preços ou mudanças nos métodos de produção durante o período. As variações entre o preço padrão e os custos reais de fabricação de aquisição são coletadas em uma conta de diferença de preço na Contabilidade financeira e não podem ser alocadas aos materiais individuais. O preço médio móvel, portanto, é mais útil se desejar que seus valores de estoque de material e os preços dos materiais reflitam os dados mais atualizados. O preço médio móvel parece vantajoso no exemplo acima, principalmente porque o material é adquirido externamente e o exemplo está preso a uma perspectiva de nível único. Ao lidar com materiais produzidos internamente e ao analisar os dados de avaliação em uma base multinível, o preço médio móvel mostra suas limitações na medida em que pode levar a preços irrealistas para produtos semi-acabados e acabados. No caso de produção multinível, o produto acabado não pode ser avaliado com os preços reais mais atuais, já que o preço real do produto semi-acabado é calculado pela primeira vez no final do período após a liquidação da ordem de fabricação. Assim, todos os erros de avaliação crescem à medida que o processo de produção se prolonga. Os problemas descritos acima mostram que o preço médio móvel, apesar de suas vantagens, pode levar a problemas. Em particular, o preço médio móvel pode causar avaliações irrealistas do inventário de materiais quando os materiais são produzidos internamente ou quando as variações não aparecem imediatamente. Por outro lado, o preço padrão não leva em consideração os custos reais de aquisição, o que pode ser um problema, por exemplo, com materiais adquiridos externamente com preços altamente variáveis. Por estes motivos, a SAP recomenda o uso do preço médio móvel apenas para matérias-primas e produtos comerciais. O preço padrão deve ser usado para produtos semi-acabados e acabados.

Neuronale Netze Forex

MetaTrader Expert Advisor Neuronales Netz ist eines der neueren Schlagworten im Handel. Es klingt cool und anspruchsvolle. Nicht zu viele Leute scheinen zu verstehen, foi alles ber neuronale Netze sind. Neuronen in der realen Welt Unsere Gehirne sind phnomenal kompliziert. Foi morrer meisten berraschend, jedoch, ist, dass das Gehirn mehr oder weniger eine riesige Kiste Schaltungen. Neuronen sind Zellen, die wie Schaltungen mit quotelektrischen Leitungenquot, genannte Axone, Das Auslaufen und ber den menschlichen Krper verbinden. Jede Bewegung, Wahrnehmung ou Aktion, die Sie tun, ist die Summe der die Axone, die elektrische Impulse auslsen. Nderung tritt auf, wenn die Frequency des elektrischen Impulso von den Neuronen gesendet variiert. Weitere Impulse zu einer Reaktion fhren. Eine Verringerung der bewirkt, dass eine andere. Neuronale Netze versucht, morre Prozesse des menschlichen Gehirns zu emulieren, indem die Organização de Informationen in den Neuronen. Im Gegensatz zu tatschlichen Neuron Zellen, eine Neuron Netzwerk existiert nur in der Maschine. Es ist ein Maschinengewicht, morreu Informação: darber, foi um estudante. Ein neuronales Netz fr ein Handelssystem mchten gemeinsame Indikatoren wie ein gleitender Durchschnitt studieren, der RSI und Stochastik Oszillator. Der gleitende Durchschnittswert fr die aktuelle Bar zhlt als eigenes neuron. Morre RSI ist anders, então wird es ein separa Neuron sein. Wenn ich zehn Indikatoren em meinem Werkzeugkasten haben, dann habe ich 10 Neuronen in meinem Netzwerk. Computer lsen traditionell linear, einfache Probleme. Wenn Sie das Ergebnis der mathematischen Operationen wie die Kubikwurzel aus wissen wollen 355, Computer sind ideal fr die Aufgabe. Berechnen sie schnell eine przise Antwort. Wie im menschlichen Gehirn, Neuronale Netze Form Synapsen mit anderen Nervenzellen. Wenn geschult, Gruppen von Nervenzellen knnen lernen, Muster zu erkennen. Es ist diese Eigenschaft, die neuronale Netze so ntzlich macht. Dies ermglicht es uns, Program zu erstellen, die mit traditionellen computing unmglich wre. Erstellen eines Softwareprogramms, ein Gesicht zu erkennen, zum Beispiel, extrem schwierig wre. Es ist viel einfacher, ein Netzwerk, ein Gesicht zu erkennen, indem er immer wieder zeigt die Netzwerk-Gesichter zu trainieren. Das Gehirn ist ein faszinierendes Thema aus eigenem Recht. Nebenbei bemerkt, Meine Frau und ich nehmen einen Umfrage-Kurs in der Neurologie ber eine video-Serie The Great Kurse. Wenn Sie Interesse, allen in den Gegenstand haben, Ich empfehle Verstehen des Gehirns von Jeanette Norden. Es umfasst im Detail wie Neuronen Anatomie im gesamten Gehirns und des gesamten Krpers verbinden. Neuronale Netze und Devisenhandel Neuronale Netze kommen ins Spiel, mora Antwort nicht so przise ist. Kleben mit diesem Blog Thema Devisenhandel, Es gibt keine richtige Antwort, foi o sistema de perfeição System fr den Handel. Ein typischer Privatanleger knnte sagen, Das Beste System, Handel ist der, der das meiste Geld macht. Ein anderes knnte sagen, dass das bestias Sistema em linha com base em Sharpe-ratio. Viele wollen etwas in der Mitte. Das Problem der quotBest trading Systemquot ist mehrdeutig, wodurch es einen idealen Kandidat fr Angriffe mit neuronalen Netzen. Die Designer-Konturen-Stze von Vorschriften, die, Laut des Hndlers, Bilden Sie eine numerische Methode zur Messung des besten Systems. Menschliche Gehirn hosten etwa 100 Milliarden Neuronen. Trotz der Bemhungen vieler unserer Kunden, Ich habe noch mit treffen 100 Milliarden Marktindikatoren zur Verfgung. Eine Mglichkeit, verstrken die Wirkung von Neuronen in unserer Toolbox ist auf ausgeblendete Ebenen erstellen. Ein Netzwerk besteht aus mehreren Schichten, jeweils mit mehreren Neuronen gebildet. Jedes Neuron ist mit jedem Neuron in der nchsten Ebene verbunden. Jede Verbindung dann trgt seine eigene einzigartigen gewichteten Wert. Eine Neuron wird den Wert des Neurons multiplicar e durar as Gewicht des die ausgehende Verbindung auf dessen Wert bergeben. Das Neuron am Ende die ausgehende Verbindung wird zusammenfassend alle eingehenden Verbindungen und propagieren dieses Ergebnis auf die nchste Ebene durch alle ausgehenden Verbindungen. As imagens parecem revelar a intuição. Abbildung 1 enthlt ein kleines Beispiel. Die 2 und 3 auf der linken Seite sind die Eingnge ins Netz. Diese Eingnge erhalten durch das Gewicht der Verbindung auf die nchste Ebene multipliziert. Die 2 multipliziert mit dem 0.5 geben uns 1, und 3 von 2 geben uns 6. Die zweite Schicht enthlt einen Node die fasst die Ergebnisse aus der vorherigen Schicht, geben uns 7. Der nchste Schritt wre zu vermehren 7 durch die Gewichte auf die ausgehenden Verbindungen und bergeben Sie sie auf der nchsten Ebene. Abbildung 1: Ein Beispiel fr ein neuronales Netz, morre Weitergabe der Ergebnisse nach vorn. Das kurze Beispiel oben knnen wiederholt und in Form eines greren Netzwerks miteinander verkettet werden. Unter, em Abbildung 2, Wir haben ein Beispiel eines greren Netzwerks. Beispielnetzwerk hat 3 Eingaben, morre verborgene Ebene verbunden sind. Die verborgene Ebene wird dann zu einem einzigen Ausgang angeschlossen. Ausgeblendeten Ebenen werden Schulungen zu erleichtern. Je komplexer das Problem je mehr Schichten und Knoten erforderlich. Abbildung 2: Ein Beispiel fr ein greres neuronales Netz. Das Netz lernt durch die Gewichte viele Verbindungen aktualisieren. Es gibt viele Softwarealgorithmen, die verwendet werden, um lernen in neuronalen Netzen zu erreichen. Sie caído em zwei Kategorien, berwachte und Unberwachtes Lernen. Betreutes lernen geschieht mit dem Benutzer im Netzwerk zu sagen, wenn seine Vorhersagen korrekt sind. Das Netzwerk dann berechnet seine Fehler und einem der Algorithmen verwendet, um den Fehler zu beheben. Ein Beispiel hierfr ist die umgekehrte Vermehrung, morre Fehler der Vorhersage des Netzes berechnet. Das Netzwerk verwendet einen schnellen Algorithmus dann alle Gewichte Verbindung mit diesem Fehler aktualisieren. Umgekehrte Vermehrung ist eine der hufigeren Training Strategien. Unberwachtes Lernen verwendet irgendeine Art von Fitness ou score-Algorithmus, in dem das Netzwerk wird Ergebnis selbst mit und versuchen, bei jedem nachfolgenden Versuch zu verbessern. Ein Beispiel fr unbeaufsichtigt Training ist der genetische Algorithmus. Dieser Algorithmus erstellt eine Bevlkerung von neuronalen Netzen und verwendet ein Bewertungsalgorithmus entwickelt, die vom Benutzer zum Rang der Bevlkerung. Danach, Es ist berleben der strksten. Die Top-Rang-Netze erhalten bleiben und quotreproduzierenquot und unten auf Platz geworfen bekommen. Die Netze reproduzieren, indem mischen und Anpassen der Verbindung Gewichte. Neuronale Netze knnen erheblich Systeme Hndler ihre Algorithmentechnik durch erforschen Milliarden Kombinationen unter eine relativ kleine Toolbox Indikatoren untersttzen. Dies unterscheidet sich vom standard-Optimierung, morre wird Zahlen em verschiedenen Indikatoren, morreu no Suche nach foi Kombination gibt das meiste Geld zurck. Die Tatsache, dass Netzwerke knnen mehrere Manahmen zu prfen (Gleichgewicht, Sharpe-Ratio, etc.) um zu bestimmen, die besten Handelssystem verringern hilft morre Wahrscheinlichkeit, dass es eine bestimmte Manahme insiste demais. Ein gutes Beispiel dafr ist Kontostand. Wenn ein System das geben und nehmen zwischen die Nettorendite und dem Risiko angepasst wiegt zurck, Es beginnt zu Schritt weg von der Zahlenverarbeitung entdecken die besten Zahlen zu nutzen und weiter em Richtung tatschliche Lern - und Muster-Anerkennung. Neuronale Netze erweisen sich als sehr ntzlich em Einer Vielzahl von Anwendungen von Gesichtserkennung nach Whrung Markt Vorhersagen. Sie excel wo gibt is Muster, die schwierig fr uns, zu erkennen sind. Diese Fhigkeit macht Netzwerke von unschtzbarem Wert bei der Lsung schwieriger Probleme com mehreren Variablen. MetaTrader 4 - Beispiele Neuronale Netze Em MetaTrader verwenden Einfhrung Viele von Ihnen haben wahrscheinlich die Mglichkeit der Verwendung von neuronalen Netzen em Ihrem EA betrachtet. Dieses Thema war sehr hei, besonders nach der 2007 Automated Trading Championship und dem spektakulren Gewinn von Melhor com o sistema de relacionamento no Nease neurônio de base Netze. Viele Internet-Foren wurden mit Themen berflutet im Zusammenhang mit neuronalen Netzen und Devisenhandel. Leider ist die native MQL4 Umsetzung von NN nicht einfach. Es erfordert einige Programmierkenntnisse und das Ergebnis wrde nicht sehr effizient sein, besonders, wenn Sie mchten, dass Ihr abschlieendes Ergenis im Tester auf groe Mengen von Daten testen wollen. No entanto, na Internet, você pode usar a Biblioteca de Redes Neurais Artificiais Rápidas (FANN) no Ihrem MQL4 Code seewenden, whrend bestimmte Hindernisse und Einschrnkungen vermieden werden. Auerdem gehe ich davon aus, dass der Leser mit Artificial Neural Networks (ann) und der Terminologie em Zusammenhang mit diesem Thema vertraut ist, então dass ich mich auf praktische Aspekte der Verwendung von bestimmter Implementierung von ann in MQL4 Sprache konzentrieren werde. FANN Eigenschaften Um em volume. Umfang die Mglichkeiten der FANN Implementierung zu verstehen, muss man sich mit ihrer Dokumentation und den am hufigsten verwendeten Funktionen vertraut machen. Die typische Verwendung von FANN ist ein einfaches vorgeschaltetes Netzwerk zu schaffen, is mit einigen Daten trainieren und laufen. Das erstellte und trainierte Netzwerk knnte dann in eine Datei gespeichert werden und spter zur weiteren Verwendung wieder hergestellt werden. Um ein ann zu erstellenmuss man die fanncreatestandard () Funktion verwende. Sehen wir uns die Syntax e: Wo numllers die Gesamtzahl von Schichten darstellt, einschlielich der Eingabe - und der Ausgabeschicht. Das lNnum und folgende Argumente reprsentiert morrer Anzahl von Neuronen in jeder Schicht, beginnend mit der Eingabeschicht, und endend mit der Ausgabeschicht. Um ein Netz mit einer verborgenen Schicht mit 5 Neuronen, 10 Eingaben und 1 Ausgabe zu erzeugen, msste man es nennen, wie folk: Sobald das ann erstellt ist, wre die nchste Operation, is mit einigen Eingabe - und Ausgabedaten zu trainieren. Die einfachste Ausbildungsmethode ist inkrementelles Treinamento, Duração do folheto Funktion erreicht werden kann: Diese Funktion nimmt den Ponteiro zu estrutura fann zuvor zurckgegeben von fanncreatestandard () und beide Eingabedatenvektor und Ausgabedatenvektor. Die Eingabe - und Ausgabevektoren sind Arrays des fanntype Typs. Diese Art ist in Tat ein double - oder ein float - Typ, abhngig von der Art com FANN kompiliert wird. Em dieser Implementierung werden die Eingabe - und Ausgabevektoren duplo Arrays seingt. Sobald das ann aussgebildet ist, wre das nchte gewnscht Feature die Asufhrung des Netzes. Die Funktion morre morre Umsetzt, ist wie folgt definiert: Diese Funktion nimmt den Pointer zu struct fann. Das zuvor erstellte Netzwerk Darstellend e und Einen Eingabevektor des definierten Typs (Double Array). Der Rckgabewert ist ein Ausgabevektor-Array. Diese Tatsache ist wichtig, da wir fr ein Ausgabe-Netzwerk immer ein Element Array mit dem Ausgangswert, anstelle des Ausgangswert selbst erhalten. Leider verwenden die meisten FANN Funktionen einen Ponteiro em direção a uma fadinha das estrelas, foi nicht direkt gehandhabt werden kann von MQL4, das Strukturen als Datentypen nicht untersttzt. Um diese Einschrnkung zu vermeiden mssen wir das unmanteln, und in irgendeiner Art und Weise vor MQL4 verbergen. Die einfachste Methode ist ein Array von struct fann Pointern zu erstellen, das die richtigen Werte hlt und sich auf sie mit einem Índice bezieht, dargestellt von einer int Variável. . Então, Knnen wir den nicht untersttzten Variablentyp mit einem untersttzten ersetzen und eine Wrapper-Bibliothek erstellen, die mit MQL4 Code leicht integriert werden kann. Die FANN rundum Einwickeln Nach bestem Wissen, untersttzt MQL4 keine Funktionen mit variabler Argumente-Liste, então mssen wir auch damit umgehen. Auf der anderen Seite, wenn die C-Funktion (mit varibler Argumente Lnge) mit zu vielen Argumenten aufgerufen wird, passiert nichts falsches, também bernehmen wir eine feste maximale Anzahl von Argumenten em MQL4 Funktion bergeben an C-Bibliothek. Die resulttierende Wickel-Funktion wrde aussehen wie folk: Wir wechselten die fhrende fann mit f2M (die fr FANN TO MQL steht), verwendeten statische Anzahl von Argumenten (4 Schichten) und der zurckgebende Wert ist jetzt ein Índice fr interne Array von anns die struct Fann Daten haltend, erforderlich fr FANN zum Arbeiten. Auf Diese Weise knnen wir leicht eine solche Funktion innerhalb MQL-Code aufrufen. Das gleiche geht fr: Por último, mas não menos importante, é morrer Tatsache, dass Sie zu Ihr einmal erstelltes ann zerstren mssen, durch den Aufruf zu: Um ann Handles freizugeben, mssen Sie die Netze in umgekehrter Reihenfolge zerstren, wie Sie sie erzeugt haben. Alternativ knnen Sie verwenden: Allerdings bin ich ziemlich sicher, dass einige von Ihnen bevorzugen ihre trainierten Netze zu speichern, fr eine sptere Verwendung mit: Natrlich kann das gespeicherte Netz spter neu geladen (oder eer neu erstellt) werden, mit: Sobald wir die Grundfunktionen Kennen, knnten wir versuchen das in unserem EA zu verwenden, aber zuerst mssen das Fann2MQL Paket installieren. Fann2MQL Installieren Um die Verwendung des Pakets zu vereinfachen, habe ich den msi instalador erstellt, der den gesamten Quellcode enthlt, mais vorkompilierte Bibliotheken und Fann2MQL. mqh Header-Datei, die alle Fann2MQL Funktionen deklariert. Der Installationsvorgang ist sehr einfach. Zuerst werden Sie informiert, dass Fann2MQL unter GPL Lizenz ist: Instalação von Fann2MQL, Schritt 1 Dann whlen Sie denn Ordem um das Paket zu installieren. Sie knnen den Standard Verwenden Program FilesFann2MQL ou Diretório de Instalação em Ihr Meta Traderexperts Verzeichnis. Speter werden alle Dateien direkt an ihre Orte platziert, ansonsten werden Sie alle manuell kopieren mssen. Instalação von Fann2MQL, Schritt 2 Der Installer platziert Data em que caduque Ordem: Encontre mais informações sobre Fann2MQL Ordner installieren mchten, kopieren Sie bitte den Inhalt von den incluir e bibliotecas Unterordner Ihr entsprechendes MetaTrader Verzeichnis. O instalador instalador do programa instala o FANN Bibliothek em Ihren Systembibliotheken Ordner (Windowssystem32 in den meisten Fllen). Der src enthlt den gesamten Quellcode von Fann2MQL. Sie knnen den Quellcode lesen, der eine ultimative Dokumentation ist, wenn Sie mehr Informationen ber die Interna bentigen. Sie knnen den Code auch verbessern und zustzliche Recursos hinzufgen, wenn Sie das mchten. Ich ermutige Sie mir Ihre Patches zu schicken, wenn Sie etwas interessantes implementieren. Neuronale Netze em Ihrem EA verwenden Sobald morre Fann2MQL instalador, seja completado, Ihren eigene EA ou Indikator zu schreiben. Es gibt viele mgliche Verwendung von NN. Sie knnen sie verwenden, um zuknftige Kursbewegungen zu prognostizieren aber die Qualitt solcher Prognosen und die Mglichkeit einen echten Vorteil zu erlangen, ist zweifelhaft. Sie knnen versuchen, Ihre eigene Strategie mit Reinforcement Learning Techniken, etwa ein Q-Learning ou outros e hnliches zu schreiben. Sie knnen versuchen NN als einen Signalfolter fr Ihren heuristischen EA zu verwenden oder allez Dik Techniken kombinieren, foi auch immer Sie mchten. Sie sind nur durch Ihre eigene Fantasie gegrenzt. Hier zeige ich Ihnen ein Beispiel der Verwendung eines NN als einfachen Filtro fr Signale, generiert von MACD. Bitte Betrachten Sie es nicht als wertvollen EA, além de Beispielanwendung von Fann2MQL. Whrend der Erklrung ber das Vorgehen, hierstro Beispiel EA: NeuroMACD. mq4 funktioniert. Ich werde ihnen zeigen, wie die Fann2MQL effektiv em MQL verwendet werden kann. Die allererste Sache fr jeden EA, ist die Deklaration der globalen Variablen definiert und Abschnitt umfassen. Hieritation of Beginn des NeuroMACD, der diese Dinge enthlt: Der Include-Befehl gibt an die Fann2MQL. mqh Header-Datei zu laden, welche die Deklaration aller Fann2MQL Funktionen enthlt. Danach sind alle Fann2MQL Paket-Funktionen fr den Einsatz im Skript verfgbar. Die ANNPATH - Konstante definiert den Pfad zum Speichern und laden von Dateien mit ausgebildeten FANN Netzwerken. Sie mssen diesen Ordner erstellen, d. h. C: ANN. Die NAME - Konstante enthlt den Namen dieses EA, der spter fr das Laden e Speichern Netzwerk-Dateien verwendet wird. Eingabeparameter sind ziemlich offensichtlich und die es nicht sind, werden spter erlutert, sowie globale Variablen .. Der Einstiegspunkt fr jeden EA ist seine init () Funktion: Zunchst wird geprft, ob der EA auf den richtigen Zeitrahmen angewendet wird. Die AnnInputs Variable enthlt die Anzahl der neuronalen Netzwerkeingnge. Da wir drei Stze von verschiedenen Argumenten verwenden werden, soll es teilbar durch 3 sein. AnnPath wird berechnet zum Reflektieren de EA NAME und MagicNumber. Die aus den SlowMA. FastMA e SignalMA Eingabeargumenten berechnet wird, die spter fr die MACD-Indikator Signale verwendet werden. Sobald er den AnnPath kennt, versucht der EA neuronale Netze mit der annload () Funktion zu laden, die ich weiter unten beschreiben werde. Die Hlfte der geladenen Netze ist fr die Long-Position Filterung gedacht und die andere Hlfte fr Shorts. Die AnnsLoaded Variável wird verwendet um die Tatsaches anzuzeigen, dass alle Netze korrekt inicialisiert wurden. Wie Sie wahrscheinlich bemerkt haben, dieser Beispiel EA versucht mehrere Netzwerke zu laden. Ich bezweifle, dass es in Dieser Anwendung wirklich notwendig ist, aber ich wollte Ihnen das volle Potenzial von Fann2MQL zeigen, die mehrere Netzwerke gleichzeitig handhabt und kann sie paralelo verarbeiten kann, unter Ausnutzung von mehreren Kernen ou outras CPUs. Um es zu ermglichen nutzt Fann2MQL morre Intel Threading Building Blocks Technologie. Die Funktion f2Mparallelinit () wird verwendet, die eine Schnittstelle zu initialisieren. O que é o que é o que é o que você quer dizer, é o que é o que é o que é o que é o que é o que você quer? Das erstellte Netzwerk 4 Schichten (einschlielich Ein - und Ausgabe) haben sollte, AnnInput21 Neuronen in der zweiten verborgenen Schicht und 1 Neurons in der Ausgabeschicht. In der Eingnge haben sollte, AnnInput Neuronen in der ersten verborgenen Schicht, f2Mestacãofunctionhidden () wird verwendet, um dado Aktivierungsfunktion von verborgenen Schichten auf SIGMOIDSYMMETRICSTEPWISE einzustellen (siehe FANN Dokumentation von fannactivationfuncenum) und das gleiche gilt fr die Ausgabeschicht. Dann gibt es den Aufruf an f2mrandomizeweights (). Morre verwendet wird neuron Verbindungsgewichte innerhalb des Netzes zu initialisieren. Hier habe ich den Bereich von lt-0,4 0,4gt verwendet, Sie knnen aber jede andere verwenden, abhngig von Ihrer Anwendung. Um dieser Stelle haben Sie wahrscheinlich die Funktion debug () bemerkt, die ich ein paar Mal verwendete. Es ist eine der einfachsten Methoden, um morre Verbose Ebene Ihres EA zu ndern. Zusammen mit ihr und und Eingabeparameter DebugLevel knnen Sie die Art und Weise abstimmen, dass Ihr Code die Debug-Ausgabe produz. Wenn das erste Argument der Funktion debug (). Der Debug-level, além de DebugLevel erzeugt die Funktion keine Ausgabe. Wenn es niedriger als gleich ist, wird der text String ausgegeben. Wenn der Debug-Level 0 ist, wird dieser String ERROR: an den Beginn angehangen. Auf Diese Weise knnen Debug von Ihrem Code erzeugt auf mehrere Ebenen aufteilen. Die wichtigsten sind wahrscheinlich, Fehler, então dass sie auf die Ebene 0 zugeordnet sind. Sie werden ausgegeben, até que você seja o Debuglevel unter 0 senken (was nicht geraten wird). Auf Ebene 1 werden einige wichtige Informationen ausgegeben, com Besttigung des erfolgreichen Ladens des Netzes ou Erzeugung. Auf Stufe 2 ou mais do que morrer Bedeutung von gedruckten Informationen allmhlich ab. Vor der ausfhrlichen Erluterung der start () Funktion, die sehr lang ist, muss ich Ihnen einige weitere Funktionen zeigen, die dazu gedacht sind die Netz Eingabe vorzubereiten und die tatschlichen Netze auszufhren: Die Funktion annprepareinput () wird verwendet, um den Eingabenamen fr die Netze vorzubereiten (Daher der Name). Der Zweck ist recht einfach, aber das ist der Punkt an den ich Sie erinnern muss, dass die Eingabedaten richtig normalisiert werden mssen. Es gibt keine ausgefeilte Normalisierung in diesem Fall, ich habe einfach die MACD Haupt - und Signalwerte, die nie den gewnschten Bereich auf den bercksichtigten Daten berschreiten. Em dem realen Beispiel sollten Sie wahrscheinlich mehr Aufmerksamkeit auf dieses Thema legen. Wie Sie wahrscheinlich vermuten, ist die Auswahl der richtigen Eingabeargumente fr Netzeingabe, is Codieren, ist Zersetzung und Normalisierung einer der wichtigsten Faktoren bei der neuronalen Netz-Verarbeitung. Wie ich bereits erwhnte, hat die Fann2MQL die Fhigkeit die normale Funktionalitt des MetaTrader zu erweitern, foi morto paralelo multithread Verarbeitung von neuronalen Netzen ist. Das globale Argument Parallel steuert dieses Verhalten. Die runanns () Funktion ftlet alle initialisierten Netze aus und erhlt morre Ausgabrn von ihnen und speichert in dem AnnOutput Array. Die Annsrunparallel Funktion ist verantwortlich fr die Handhabung des Jobs no Weise multithread. Sie roft die f2mrunparallel () auf, die die Anzahl von zu verarbeitenden Netzen zu verarbeiten als ein erstes Argumento nimmt, das zweite Argumento ist ein Array with Handles fr alle Netze die Sie ausfhren wollen, die Bereitstellung des Eingabevektor ist ein drittes Argument. Alle Netz mssen auf den gleichen Eingabedaten ausgefhrt werden. Der Empfang der Ausgabe aus dem Netz erfolgt durch mehrere Aufrufe von f2mgetoutput (). Betrachten wir nun die start () Funktion: Ich beschreibe es kurz, da es recht gut kommentiert ist. Die tradeallowed () berprft, ob es der Handel erlaubt ist. Im Grunde ist es berprft die AnnsLoaded Variável, die angibt, dass alle anns richtig inicialisiert wurden, dann berprft sie den richtigen Zeitrahmen, Mindestkontostand und erlaubt am Ende nur auf demerser Tick eines neuen Balken zu handeln. Die nchsten zwei Funktion werden verwendet Netzeingabe vorzubereiten und die Netz-Verarbeitung auszufhren, wurden nur wenige Zeilen weiter oben beschrieben. Als nchstes berechnen wir und setzen sie spter em Variablen zur Verarbeitung, morre MACD Werte der Signal - und Haupt-Linie fr den zuletzt aufgebauten Balken und den vorherigen. Die aktuelle Balken wird ausgelassen, da er noch nicht aufgebaut ist und wird wahrscheinlich neu gezeichnet wird. Die SellSignal e BuySignal werden entsprechend der MACD Signal - und Haupt-Linie Kreuzung berechnet. Beide Signale werden fr lange und kurze Positionsverarbeitung verwendet, die simmetrisch sind, também werde ich nur den Fall fr Long-Positionen beschreiben. Die LongTicket Variable ent. t die Ticketnummer der aktuell geffneten Posição. Wenn es gleich zu -1 ist, wird keine Posição geffnet, por isso, com o BuySignal gesetzt ist, knnte das auf eine gute Mglichkeit hinweisen eine Long-Position zu ffnen. Wenn die Variable NeuroFilter nicht gesetzt ist, wird die Long-Position geffnet und das ist der Fall, ohne die neuronale Netz Filterung der Signale - die Order zu kaufen ist gesendet. Um dieser Stelle soll morre LongInput Variable die an von annprepareinput () fr eine sptere Verwendung vorbereiteten InputVector erinnern. Wenn LongTicekt Variable die gltige Ticket-Nummer hlt, prft der EA obteve-se noch offer ist oder durch StopLoss ou TakeProfit geschlossen wurde. Wenn die Ordem nicht nicht geschlossen ist, passiert nichts, wenn die Ordem por meio de tremoutput Vektor geschlossen ist, der nur eine Ausgabe hat, wird berechnet den Wert von -1 zu halten wenn die Pedido wurde mit Verlust geschlossen wurde oder 1, wenn die Order Mit Gewinn abschloss Dieser Wert wird dann zu anntrain () Funktion bergeben und alle verantwortlichen Netze fr den Umgang com Long-Positionen sind mit ihm trainiert. Als Eingabevektor wird die Variable LongInput verwendet, die die InputVector im Moment des ffnens der Position hlt. Auf diese Weise wird das Netz gelehrt, welches Signal Gewinne erbringt und welches ist es nicht. Sobald Sie ein ausgebildetes Netz haben, lsst das Umschalten von NeuroFilter no verdadeiro das Netz filtern. Die annwiselong () verwendet neuronale Netz weise berechnet als ein Mittelwert der von allen Netzen zurckgegebenen Werte mit Bedeutung fr die Behandlung einer Long-Position. Wird unter Verwendung des neuronalen Netzes weise, como Mittelwert der Werte von Allen Netzen gemeint zu handhaben, morre Long-Position zurck berechnet. Der Delta Parameter wird als ein Schwellenwert verwendet, das anzeigt, dass das gefilterte Signal gltig ist oder nicht. Wie viele andere Werte wurde er durch den Prozess der Optimierung erhalten. Nun, wow wer wissen, é o funktioniert, werde ich Ihnen zeigen, wie es verwendet werden kann. Das Testpaar ist natrlich EURUSD. Ich benutzte morre Daten von Alpari. Zu M5 Zeitrahmen konvertiert. Ich nutzte die Zeit von 31.12.2007 bis 01.01.2009 fr die Ausbildung Optimierung und 01.01.2009-22.032009 fr Testzwecke. Bereits im ersten Lauf habe ich versucht, die profitabelsten Werte fr StopLoss, TakeProfit, SlowMA, FastMA und SignalMA Argumento zu erhalten, die ich dano em NeuroMACD. mq4 Datei codiert habe. Der NeuroFIlter wurde ebenfalls ausgeschaltet, sowie SaveAnn. Morre AnnsNumber wurde auf 0 gesetzt um neuronale Verarbeitung zu vermeiden. Ich benutzte den genetischen Algorithmus fr Optimierungsprozess. Sobald die Werte empfangen wurden, sah der resulttierende Bericht wie folgt aus: Bericht ber Trainigsdaten nach grundlegender Parameteroptimierung. Wie Sie sehen knnen, habe ich den EA auf dem Mini-Konto mit einer Lot-Gre de 0,01 und einer Anfangseinzahlung von 200 eingesetzt. Sie knnen diese Parâmetro jedoch Kontoeinstellungen ou Vorlieben anpassen Um Dieser Stelle haben wir genug rentable und verlierende Negociações, então dass wir den SaveAnn anstellen und die AnnsNumber auf 30 setzen. Ist das getan, asse ich den Teaster noch einmal durchlaufen Das Ergebnis war genau das gleiche, auer der Tatsache, dass der Prozess sehr viel langsamer war (como Folge der neuronalen Verarbeitung) und den Ordner C: ANN wurde mit den trainierten Netzwerken besiedelt, wie Unten auf dem Bild gezeigt. Stellen Sie sicher, dass der C: ANN Ordner vor diesem Durchlauf vor dem existiert Der C: ANN Ordner. Sobald wir Netze trainiert haben, ist es Zeit, zu testen wie es sich verhlt. Zuerst versuchen wir es auf den Trainingsdaten. Ndern Sie den NeuroFilter zu true und SaveAnn zu false e starten Sie den Tester. Das Ergebnis, das ich erhalten haben, wird unten gezeigt. O que é o que você está procurando, é o que é o que você quer dizer. O que é o que você está procurando é o que é o que você está procurando. Saiba mais sobre o assunto. Trainingsdaten mit Signal neuronaler Filterung aktiviert. Der Nettogewinn ist etwas grer (20,03 gegenber 16,92), doch der Gewinnfaktor ist viel hher (1,25 gegenber 1,1). Die Anzahl der Trades ist viel weniger (83 vs 1188) Und die durchschnittlich aufeinanderfolgende Verluste Anzahl wird von 7 auf 2 gesenkt. Jedoch zeigt es nur, dass neuronale Signalfilterung funktioniert, aber es sagt nichts darber, wie sie auf Daten arbeitet, die nicht fr verwendet wurden whrend des Trainings. Das Ergebnis, das ich aus Der Testphase erhalten haben (01.01.2009 - 20.03.2009) ist unten dargestellt: Ergebnis erhalten von Testdaten mit neuronaler Filterung aktiviert. Die Anzahl der ausgefhrten Tra O que é o melhor do que o dinheiro é rentável, e o homem neurônio Netze em Ihrem MQL4 Code nutzen knnte. Der wirkliche Effekt der Verwendung von neuronalen Netzen in diesem Fall kann nur dann gesehen werden, wenn die Ergebnisse der EA auf Testdaten im Vergleich zu sehen sind mit NeuroFilter ein - und ausgeschaltet. Im Folgenden ist das erhaltene Ergebnis der Testdatenperiode ohne neuronale Signalfilterung: Ergebnisse von Testdaten ohne neuronale Filterung. Der Unterschied ist sehr offensichtlich. Wie sie sehen, macht die neuronale Filterung aus einem verlierenden EA einen rentablen Ich hoffe, dass Sie aus diesem Artikel gelernt haben, wie man neuronale Netze no MetaTrader verwendet. Mit Hilfe des einfachen, freien und Open-Source-Paket Fann2MQL Knnen Sie einfach die neuronale Netzschicht in praktisch jedem Consultor Especialista em hinzufgen ou em um novo eixo, em um banco de dados e em uma rede de Netzen Basiert. Die einzigartige Multi-Threading-Fhigkeit kann Ihre Verarbeitung viele Male beschleunigen, abhngig von der Anzahl der CPU-Kerne, insbesondere wenn bestimmte Parâmetro optimiert werden. In einem Fall hat is die Optimierung meiner Reforço Aprendizagem base EA Verarbeitung von etwa 4 Tagen auf nur 28 Stunden verkrzt, com einer 4-Kern CPU Intel. Whrend des Schreibens dieses Artikels habe ich mich entschlossen Fann2MQL auf der eigenen Website zu setzen: fann2mql. wordpress. Sie finden dort die neueste Versão de Fann2MQL e mglicherweise alle zuknftigen Versãoen sowie die Dokumentation aller Funktionen. Ich verspreche, diese Software fr alle Versionen unter GPL-Lizenz zu halten, então, wenn Sie mir jegliche Comentários, Destaque-Anfragen oder Patches, die ich interessant finde, Seien Sie sicher, es in nchsten Versãoen zu finden. Bitte beachten Sie, dass dieser Artikel nur die sehr grundlegende Verwendung von Fann2MQL zeigt. Da dieses Paket nicht viel mehr iss als FANN, knnen Sie alle Werkzeuge fr die Verwaltung von FANN Netzen verwenden, wie: Não é gibt viel mehr ber FANN auf der Fast Artificial Neural Network Library Webseite: leenissen. dkfann Post Scriptum Nach dem Schreiben dieses Artikels Habe ich einen unedeutenden Fehler em NeuroMACD. mq4 gefunden. Die OrderClose () Funktion fr Short-Positionen wurde mit der Ticket-Nummer fr Long-Positionen gespeist. Es fhrte zu einer schiefen Estratégia, estava em um filme de Richtung Ging Shorts zu halten und Longs zu schlieen: In der korrekten Versão des Skripts habe ich diesen Fehler behoben und die OrderClose () Strategie insgesamt entfernt. Das hat das Gesamtbild des Einflusses neuronaler Filterung nicht verndert, noch war die Kontostandkurve vllig anders. Versão em Português: Dieses EA an diesen Artikel angehangen. bersetzt aus dem Englischen von MetaQuotes Software Corp. Originalartikel: mql5enarticles1565Trading Software mit Quellcode Kuumlnstliche Neuronale Netze und Regressionsanalyse zur Aktien Forex Prognose Waumlhrend meines Bachelor Reports habe ich eine Software geschrieben, mit der Anhand der Regressionsanlyse der Dax Kurs prognostiziert werden konnte. Als Eingabe Daten wurden verschiedene Waumlhrungen, Indizes aber auch Rohstoffe uumlbergeben. Anhand dieser Daten wurde dann naumlchste Kurs (Tag, Monat, Woche) berechnet. Das ganze lieszlige sich auch auf den Forex Markt abbilden, zum Vorhersagen von Waumlhrungsdaten. Da Forexdaten in Echtzeit relativ einfach und kostenguumlnstig abgefragt werden koumlnnen, eignet sich die Regressionsanalyse wunderbar fuumlr das Daytrading, in dem auch kleine Intervalle analysiert werden. Wenn ich die Zeit haumltte, wuumlrde ich mir eine entsprechende Forex Boumlrsensoftware programmieren und es mal versuchen. Weiterhin wurde eine Software programmiert, die eine Prognose mit Hilfe von kuumlnstlichen neuronalen Netzen durchfuumlhrt. Auch hier wurden die oben genannten Parameter eingegeben. Da die Software zur Analyse nun seit ca. 2 Jahren auf meinen Rechner rumliegt, habe ich mir uumlberlegt diese kostenlos zum Download anzubieten. Vielleicht kann der eine oder andere was damit Anfangen. Den Teil mit den kuumlnstlichen Neuronalen Netzen finde ich nicht so elegant (braucht verdsammt viel Zeit und auch hier muumlsste noch sehr viel probiert werden), aber mit der Regressionsanalyse bin ich schon der Meinung, dass man daraus ein sehr gutes Forex Tool entwerfen koumlnnte. Die Anwendung wurde mit dem C Builder programmiert. Wer Interesse an den Quellcode hat, sollte hiermit schon arbeiten. Download der Trading Software Regressionsanalyse Kuumlnstliche neuronale Netze Teil 1 Kuumlnstliche neuronale Netze Teil 2 Falls jemand diese Software als Basis fuumlr eine neue nutzt, freue ich mich auf Feedback. Bitte habt Verstaumlndnis dafuumlr, dass die Software fuumlr die Uni Abschlussarbeit programmiert worden ist und daher diverse Punkte nicht integriert sind. Auszligerdem ist ein Bachelor Report nur eine halbe Diplomarbeit, so dass ich nicht so viel Zeit investieren konnte. Betrachtet es nicht als fertige Loumlsung, sondern als einen moumlglichen Ansatz. Falls jemand nun eine Boumlrsen Software programmiert und damit das groszlige Geld verdient, freue ich mich uumlber eine Spende :) Ich moumlchte keine Fragen zur Software beantworten. Im Anhang einige Beispiele der Anwendung Der Regressionsanalyse wird ein Input als CSV uumlbergeben. Hier koumlnnen dann die einzelnen Waumlhrungspaare und ggf. weitere Kennzahlen einflieszligen. Nach der Berechnung wird nun der simulierte und der tatsaumlchliche Kurs angezeigt. Wenn diese Software als Forex Software umgebaut wird, koumlnnte man sich z. B. die naumlchste Kurs Prognose berechnen lassen. Im ersten Schritt findet das Training der kuumlnstlichen neuronale Netze statt. Dies benoumltigt einige Stunden Im zweiten Script, kann das Ergebnis einfach berechnet werden. Das Ergebnis muss dann nur entsprechend multipliziert werden. Hinweis: Dieser Artikel und die dazugehrige Software wurden von Philipp von der Born verfasst. Bitte keine Fragen zur SoftwareMetaTrader 4 - Beispiele Neuronale Netze In MetaTrader verwenden Einfhrung Viele von Ihnen haben wahrscheinlich die Mglichkeit der Verwendung von neuronalen Netzen in Ihrem EA betrachtet. Dieses Thema war sehr hei, besonders nach der 2007 Automated Trading Championship und dem spektakulren Gewinn von Better mit seinem System auf Basis neuronaler Netze. Viele Internet-Foren wurden mit Themen berflutet im Zusammenhang mit neuronalen Netzen und Devisenhandel. Leider ist die native MQL4 Umsetzung von NN nicht einfach. Es erfordert einige Programmierkenntnisse und das Ergebnis wrde nicht sehr effizient sein, besonders, wenn Sie mchten, dass Ihr abschlieendes Ergenis im Tester auf groe Mengen von Daten testen wollen. In diesem Artikel werde ich Ihnen zeigen, wie Sie die frei verfgbare (unter LGPL), bekannte Fast Artificial Neural Network Library (FANN) in Ihrem MQL4 Code verwenden, whrend bestimmte Hindernisse und Einschrnkungen vermieden werden. Auerdem gehe ich davon aus, dass der Leser mit Artificial Neural Networks (ann) und der Terminologie in Zusammenhang mit diesem Thema vertraut ist, so dass ich mich auf praktische Aspekte der Verwendung von bestimmter Implementierung von ann in MQL4 Sprache konzentrieren werde. FANN Eigenschaften Um in vollem Umfang die Mglichkeiten der FANN Implementierung zu verstehen, muss man sich mit ihrer Dokumentation und den am hufigsten verwendeten Funktionen vertraut machen. Die typische Verwendung von FANN ist ein einfaches vorgeschaltetes Netzwerk zu schaffen, es mit einigen Daten trainieren und laufen. Das erstellte und trainierte Netzwerk knnte dann in eine Datei gespeichert werden und spter zur weiteren Verwendung wieder hergestellt werden. Um ein ann zu erstellenmuss man die fanncreatestandard() Funktion verwende. Sehen wir uns die Syntax an: Wo numlayers die Gesamtzahl von Schichten darstellt, einschlielich der Eingabe - und der Ausgabeschicht. Das lNnum und folgende Argumente reprsentiert die Anzahl von Neuronen in jeder Schicht, beginnend mit der Eingabeschicht, und endend mit der Ausgabeschicht. Um ein Netz mit einer verborgenen Schicht mit 5 Neuronen, 10 Eingaben und 1 Ausgabe zu erzeugen, msste man es nennen, wie folgt: Sobald das ann erstellt ist, wre die nchste Operation, es mit einigen Eingabe - und Ausgabedaten zu trainieren. Die einfachste Ausbildungsmethode ist inkrementelles Training, das durch die folgende Funktion erreicht werden kann: Diese Funktion nimmt den Pointer zu struct fann zuvor zurckgegeben von fanncreatestandard () und beide Eingabedatenvektor und Ausgabedatenvektor. Die Eingabe - und Ausgabevektoren sind Arrays des fanntype Typs. Diese Art ist in Tat ein double - oder ein float - Typ, abhngig von der Art wie FANN kompiliert wird. In dieser Implementierung werden die Eingabe - und Ausgabevektoren double Arrays seingt. Sobald das ann aussgebildet ist, wre das nchte gewnscht Feature die Asufhrung des Netzes. Die Funktion die dies Umsetzt, ist wie folgt definiert: Diese Funktion nimmt den Pointer zu struct fann . das zuvor erstellte Netzwerk darstellend, und einen Eingabevektor des definierten Typs ( double Array). Der Rckgabewert ist ein Ausgabevektor-Array. Diese Tatsache ist wichtig, da wir fr ein Ausgabe-Netzwerk immer ein Element Array mit dem Ausgangswert, anstelle des Ausgangswert selbst erhalten. Leider verwenden die meisten FANN Funktionen einen Pointer auf ein struct fann das ann darstellend, was nicht direkt gehandhabt werden kann von MQL4, das Strukturen als Datentypen nicht untersttzt. Um diese Einschrnkung zu vermeiden mssen wir das ummanteln, und in irgendeiner Art und Weise vor MQL4 verbergen. Die einfachste Methode ist ein Array von struct fann Pointern zu erstellen, das die richtigen Werte hlt und sich auf sie mit einem Index bezieht, dargestellt von einer int Variable. . So knnen wir den nicht untersttzten Variablentyp mit einem untersttzten ersetzen und eine Wrapper-Bibliothek erstellen, die mit MQL4 Code leicht integriert werden kann. Die FANN rundum Einwickeln Nach bestem Wissen, untersttzt MQL4 keine Funktionen mit variabler Argumente-Liste, so mssen wir auch damit umgehen. Auf der anderen Seite, wenn die C-Funktion (mit variabler Argumente Lnge) mit zu vielen Argumenten aufgerufen wird, passiert nichts falsches, also bernehmen wir eine feste maximale Anzahl von Argumenten in MQL4 Funktion bergeben an C-Bibliothek. Die resultierende Wickel-Funktion wrde aussehen wie folgt: Wir wechselten die fhrende fann mit f2M (die fr FANN TO MQL steht), verwendeten statische Anzahl von Argumenten (4 Schichten) und der zurckgebende Wert ist jetzt ein Index fr interne Array von anns die struct fann Daten haltend, erforderlich fr FANN zum Arbeiten. Auf diese Weise knnen wir leicht eine solche Funktion innerhalb MQL-Code aufrufen. Das gleiche geht fr: Last, but not least ist die Tatsache, dass Sie zu Ihr einmal erstelltes ann zerstren mssen, durch den Aufruf zu: Um ann Handles freizugeben, mssen Sie die Netze in umgekehrter Reihenfolge zerstren, wie Sie sie erzeugt haben. Alternativ knnen Sie verwenden: Allerdings bin ich ziemlich sicher, dass einige von Ihnen bevorzugen ihre trainierten Netze zu speichern, fr eine sptere Verwendung mit: Natrlich kann das gespeicherte Netz spter neu geladen (oder eher neu erstellt) werden, mit: Sobald wir die Grundfunktionen kennen, knnten wir versuchen das in unserem EA zu verwenden, aber zuerst mssen das Fann2MQL Paket installieren. Fann2MQL Installieren Um die Verwendung des Pakets zu vereinfachen, habe ich den msi installer erstellt, der den gesamten Quellcode enthlt, plus vorkompilierte Bibliotheken und Fann2MQL. mqh Header-Datei, die alle Fann2MQL Funktionen deklariert. Der Installationsvorgang ist sehr einfach. Zuerst werden Sie informiert, dass Fann2MQL unter GPL Lizenz ist: Installation von Fann2MQL, Schritt 1 Dann whlen Sie denn Ordner um das Paket zu installieren. Sie knnen den Standard verwenden Program FilesFann2MQL oder installieren direkt in Ihr Meta Traderexperts Verzeichnis. Spter werden alle Dateien direkt an ihre Orte platziert, ansonsten werden Sie alle manuell kopieren mssen. Installation von Fann2MQL, Schritt 2 Der Installer platziert Dateien in die folgenden Ordner: Wenn Sie in einen dedizierten Fann2MQL Ordner installieren mchten, kopieren Sie bitte den Inhalt von den include und libraries Unterordner Ihr entsprechendes MetaTrader Verzeichnis. Der Installer installiert auch die FANN Bibliothek in Ihren Systembibliotheken Ordner (Windowssystem32 in den meisten Fllen). Der src enthlt den gesamten Quellcode von Fann2MQL. Sie knnen den Quellcode lesen, der eine ultimative Dokumentation ist, wenn Sie mehr Informationen ber die Interna bentigen. Sie knnen den Code auch verbessern und zustzliche Features hinzufgen, wenn Sie das mchten. Ich ermutige Sie mir Ihre Patches zu schicken, wenn Sie etwas interessantes implementieren. Neuronale Netze in Ihrem EA verwenden Sobald die Fann2MQL installiert ist, knnen Sie beginnen, Ihren eigene EA oder Indikator zu schreiben. Es gibt viele mgliche Verwendung von NN. Sie knnen sie verwenden, um zuknftige Kursbewegungen zu prognostizieren aber die Qualitt solcher Prognosen und die Mglichkeit einen echten Vorteil zu erlangen, ist zweifelhaft. Sie knnen versuchen, Ihre eigene Strategie mit Reinforcement Learning Techniken, etwa ein Q-Learning oder etwas hnliches zu schreiben. Sie knnen versuchen NN als einen Signalfolter fr Ihren heuristischen EA zu verwenden oder alle diese Techniken kombinieren, was auch immer Sie mchten. Sie sind nur durch Ihre eigene Fantasie gegrenzt. Hier zeige ich Ihnen ein Beispiel der Verwendung eines NN als einfachen Filter fr Signale, generiert von MACD. Bitte betrachten Sie es nicht als wertvollen EA, sondern als Beispielanwendung von Fann2MQL. Whrend der Erklrung ber das Vorgehen, hier der Beispiel EA: NeuroMACD. mq4 funktioniert. Ich werde ihnen zeigen, wie die Fann2MQL effektiv in MQL verwendet werden kann. Die allererste Sache fr jeden EA, ist die Deklaration der globalen Variablen definiert und Abschnitt umfassen. Hier ist der Beginn des NeuroMACD, der diese Dinge enthlt: Der Include-Befehl gibt an die Fann2MQL. mqh Header-Datei zu laden, welche die Deklaration aller Fann2MQL Funktionen enthlt. Danach sind alle Fann2MQL Paket-Funktionen fr den Einsatz im Skript verfgbar. Die ANNPATH - Konstante definiert den Pfad zum Speichern und laden von Dateien mit ausgebildeten FANN Netzwerken. Sie mssen diesen Ordner erstellen, d. h. C:ANN . Die NAME - Konstante enthlt den Namen dieses EA, der spter fr das Laden und Speichern Netzwerk-Dateien verwendet wird. Eingabeparameter sind ziemlich offensichtlich und die es nicht sind, werden spter erlutert, sowie globale Variablen.. Der Einstiegspunkt fr jeden EA ist seine init() Funktion: Zunchst wird geprft, ob der EA auf den richtigen Zeitrahmen angewendet wird. Die AnnInputs Variable enthlt die Anzahl der neuronalen Netzwerkeingnge. Da wir drei Stze von verschiedenen Argumenten verwenden werden, soll es teilbar durch 3 sein. AnnPath wird berechnet zum Reflektieren von EA NAME und MagicNumber . die aus den SlowMA . FastMA and SignalMA Eingabeargumenten berechnet wird, die spter fr die MACD-Indikator Signale verwendet werden. Sobald er den AnnPath kennt, versucht der EA neuronale Netze mit der annload() Funktion zu laden, die ich weiter unten beschreiben werde. Die Hlfte der geladenen Netze ist fr die Long-Position Filterung gedacht und die andere Hlfte fr Shorts. Die AnnsLoaded Variable wird verwendet um die Tatsache anzuzeigen, dass alle Netze korrekt initialisiert wurden. Wie Sie wahrscheinlich bemerkt haben, dieser Beispiel EA versucht mehrere Netzwerke zu laden. Ich bezweifle, dass es in dieser Anwendung wirklich notwendig ist, aber ich wollte Ihnen das volle Potenzial von Fann2MQL zeigen, die mehrere Netzwerke gleichzeitig handhabt und kann sie parallel verarbeiten kann, unter Ausnutzung von mehreren Kernen oder CPUs. Um es zu ermglichen nutzt Fann2MQL die Intel Threading Building Blocks Technologie. Die Funktion f2Mparallelinit() wird verwendet, die eine Schnittstelle zu initialisieren. Hier ist der Weg, den ich zum Initialisieren der Netze verwendet habe: Wie Sie sehen knnen, wenn die f2Mcreatefromfile() versagt, was durch den negativen Rckgabewert angezeigt wird, wird das Netzwerk mit der f2Mcreatestandard() Funktion erstellt mit Argumenten darauf hinweist, dass das erstellte Netzwerk 4 Schichten (einschlielich Ein - und Ausgabe) haben sollte, AnnInput21 Neuronen in der zweiten verborgenen Schicht und 1 Neurons in der Ausgabeschicht. in der Eingnge haben sollte, AnnInput Neuronen in der ersten verborgenen Schicht, f2Msetactfunctionhidden() wird verwendet, um die Aktivierungsfunktion von verborgenen Schichten auf SIGMOIDSYMMETRICSTEPWISE einzustellen (siehe FANN Dokumentation von fannactivationfuncenum ) und das gleiche gilt fr die Ausgabeschicht. Dann gibt es den Aufruf an f2mrandomizeweights() . die verwendet wird neuron Verbindungsgewichte innerhalb des Netzes zu initialisieren. Hier habe ich den Bereich von lt-0,4 0,4gt verwendet, Sie knnen aber jede andere verwenden, abhngig von Ihrer Anwendung. An dieser Stelle haben Sie wahrscheinlich die Funktion debug() bemerkt, die ich ein paar Mal verwendete. Es ist eine der einfachsten Methoden, um die Verbose Ebene Ihres EA zu ndern. Zusammen mit ihr und dem Eingabeparameter DebugLevel knnen Sie die Art und Weise abstimmen, dass Ihr Code die Debug-Ausgabe produziert. Wenn das erste Argument der Funktion debug() . der Debug - level hher als DebugLevel erzeugt die Funktion keine Ausgabe. Wenn es niedriger als gleich ist, wird der text String ausgegeben. Wenn der Debug-Level 0 ist, wird dieser String ERROR: an den Beginn angehangen. Auf diese Weise knnen Debug von Ihrem Code erzeugt auf mehrere Ebenen aufteilen. Die wichtigsten sind wahrscheinlich Fehler, so dass sie auf die Ebene 0 zugeordnet sind. Sie werden ausgegeben, auer wenn Sie Ihre Debuglevel unter 0 senken (was nicht geraten wird). Auf Ebene 1 werden einige wichtige Informationen ausgegeben, wie Besttigung des erfolgreichen Ladens des Netzes oder Erzeugung. Auf Stufe 2 oder hher nimmt die Bedeutung von gedruckten Informationen allmhlich ab. Vor der ausfhrlichen Erluterung der start() Funktion, die sehr lang ist, muss ich Ihnen einige weitere Funktionen zeigen, die dazu gedacht sind die Netz Eingabe vorzubereiten und die tatschlichen Netze auszufhren: Die Funktion annprepareinput() wird verwendet, um den Eingabenamen fr die Netze vorzubereiten (daher der Name). Der Zweck ist recht einfach, aber das ist der Punkt an den ich Sie erinnern muss, dass die Eingabedaten richtig normalisiert werden mssen. Es gibt keine ausgefeilte Normalisierung in diesem Fall, ich habe einfach die MACD Haupt - und Signalwerte, die nie den gewnschten Bereich auf den bercksichtigten Daten berschreiten. In dem realen Beispiel sollten Sie wahrscheinlich mehr Aufmerksamkeit auf dieses Thema legen. Wie Sie wahrscheinlich vermuten, ist die Auswahl der richtigen Eingabeargumente fr Netzeingabe, es Codieren, ist Zersetzung und Normalisierung einer der wichtigsten Faktoren bei der neuronalen Netz-Verarbeitung. Wie ich bereits erwhnte, hat die Fann2MQL die Fhigkeit die normale Funktionalitt des MetaTrader zu erweitern, was die parallel multithreaded Verarbeitung von neuronalen Netzen ist. Das globale Argument Parallel steuert dieses Verhalten. Die runanns() Funktion fhrt alle initialisierten Netze aus und erhlt die Ausgabrn von ihnen und speichert in dem AnnOutput Array. Die annsrunparallel Funktion ist verantwortlich fr die Handhabung des Jobs in der multithreaded Weise. Sie ruft die f2mrunparallel() auf, die die Anzahl von zu verarbeitenden Netzen zu verarbeiten als ein erstes Argument nimmt, das zweite Argument ist ein Array mit Handles fr alle Netze die Sie ausfhren wollen, die Bereitstellung des Eingabevektor ist ein drittes Argument. Alle Netz mssen auf den gleichen Eingabedaten ausgefhrt werden. Der Empfang der Ausgabe aus dem Netz erfolgt durch mehrere Aufrufe von f2mgetoutput (). Betrachten wir nun die start() Funktion: Ich beschreibe es kurz, da es recht gut kommentiert ist. Die tradeallowed() berprft, ob es der Handel erlaubt ist. Im Grunde ist es berprft die AnnsLoaded Variable, die angibt, dass alle anns richtig initialisiert wurden, dann berprft sie den richtigen Zeitrahmen, Mindestkontostand und erlaubt am Ende nur auf dem ersten Tick eines neuen Balken zu handeln. Die nchsten zwei Funktion werden verwendet Netzeingabe vorzubereiten und die Netz-Verarbeitung auszufhren, wurden nur wenige Zeilen weiter oben beschrieben. Als nchstes berechnen wir und setzen sie spter in Variablen zur Verarbeitung, die MACD Werte der Signal - und Haupt-Linie fr den zuletzt aufgebauten Balken und den vorherigen. Die aktuelle Balken wird ausgelassen, da er noch nicht aufgebaut ist und wird wahrscheinlich neu gezeichnet wird. Die SellSignal und BuySignal werden entsprechend der MACD Signal - und Haupt-Linie Kreuzung berechnet. Beide Signale werden fr lange und kurze Positionsverarbeitung verwendet, die symmetrisch sind, also werde ich nur den Fall fr Long-Positionen beschreiben. Die LongTicket Variable enthlt die Ticketnummer der aktuell geffneten Position. Wenn es gleich zu -1 ist, wird keine Position geffnet, so wenn der BuySignal gesetzt ist, knnte das auf eine gute Mglichkeit hinweisen eine Long-Position zu ffnen. Wenn die Variable NeuroFilter nicht gesetzt ist, wird die Long-Position geffnet und das ist der Fall, ohne die neuronale Netz Filterung der Signale - die Order zu kaufen ist gesendet. An dieser Stelle soll die LongInput Variable die an von annprepareinput() fr eine sptere Verwendung vorbereiteten InputVector erinnern. Wenn LongTicekt Variable die gltige Ticket-Nummer hlt, prft der EA ob sie noch offen ist oder durch StopLoss oder TakeProfit geschlossen wurde. Wenn die Order nicht nicht geschlossen ist, passiert nichts, wenn die Order durch den trainoutput Vektor geschlossen ist, der nur eine Ausgabe hat, wird berechnet den Wert von -1 zu halten wenn die Order wurde mit Verlust geschlossen wurde oder 1, wenn die Order mit Gewinn abschloss Dieser Wert wird dann zu anntrain() Funktion bergeben und alle verantwortlichen Netze fr den Umgang mit Long-Positionen sind mit ihm trainiert. Als Eingabevektor wird die Variable LongInput verwendet, die die InputVector im Moment des ffnens der Position hlt. Auf diese Weise wird das Netz gelehrt, welches Signal Gewinne erbringt und welches ist es nicht. Sobald Sie ein ausgebildetes Netz haben, lsst das Umschalten von NeuroFilter auf true das Netz filtern. Die annwiselong() verwendet neuronale Netz weise berechnet als ein Mittelwert der von allen Netzen zurckgegebenen Werte mit Bedeutung fr die Behandlung einer Long-Position. wird unter Verwendung des neuronalen Netzes weise als Mittelwert der Werte von allen Netzen gemeint zu handhaben, die Long-Position zurck berechnet. Der Delta Parameter wird als ein Schwellenwert verwendet, das anzeigt, dass das gefilterte Signal gltig ist oder nicht. Wie viele andere Werte wurde er durch den Prozess der Optimierung erhalten. Nun, sobald wir wissen, wie es funktioniert, werde ich Ihnen zeigen, wie es verwendet werden kann. Das Testpaar ist natrlich EURUSD. Ich benutzte die Daten von Alpari. zu M5 Zeitrahmen konvertiert. Ich nutzte die Zeit von 31.12.2007 bis 01.01.2009 fr die Ausbildung Optimierung und 01.01.2009-22.032009 fr Testzwecke. Bereits im ersten Lauf habe ich versucht, die profitabelsten Werte fr StopLoss, TakeProfit, SlowMA, FastMA und SignalMA Argument zu erhalten, die ich dann in die NeuroMACD. mq4 Datei codiert habe. Der NeuroFIlter wurde ebenfalls ausgeschaltet, sowie SaveAnn . die AnnsNumber wurde auf 0 gesetzt um neuronale Verarbeitung zu vermeiden. Ich benutzte den genetischen Algorithmus fr Optimierungsprozess. Sobald die Werte empfangen wurden, sah der resultierende Bericht wie folgt aus: Bericht ber Trainigsdaten nach grundlegender Parameteroptimierung. Wie Sie sehen knnen, habe ich den EA auf dem Mini-Konto mit einer Lot-Gre von 0.01 und einer Anfangseinzahlung von 200 eingesetzt. Sie knnen diese Parameter jedoch Kontoeinstellungen oder Vorlieben anpassen An dieser Stelle haben wir genug rentable und verlierende Trades, so dass wir den SaveAnn anstellen und die AnnsNumber auf 30 setzen. Ist das getan, lasse ich den Teaster noch einmal durchlaufen Das Ergebnis war genau das gleiche, auer der Tatsache, dass der Prozess sehr viel langsamer war (als Folge der neuronalen Verarbeitung) und den Ordner C:ANN wurde mit den trainierten Netzwerken besiedelt, wie unten auf dem Bild gezeigt. Stellen Sie sicher, dass der C:ANN Ordner vor diesem Durchlauf vor dem existiert Der C:ANN Ordner. Sobald wir Netze trainiert haben, ist es Zeit, zu testen wie es sich verhlt. Zuerst versuchen wir es auf den Trainingsdaten. ndern Sie den NeuroFilter zu true und SaveAnn zu false und starten Sie den Tester. Das Ergebnis, das ich erhalten haben, wird unten gezeigt. Beachten Sie, dass es leicht fr Sie Fall unterschiedlich sein knnte, da es einige Zuflligkeit innerhalb Netzwerke in Verbindung Gewichten Neuron ist bei dem Netzwerk Initialisierung vorgesehen (in diesem Beispiel, das ich expliziten Aufruf f2Mrandomizeweights verwendet() innerhalb annload(). Ergebnis erhalten auf Trainingsdaten mit Signal neuronaler Filterung aktiviert. Der Nettogewinn ist etwas grer (20,03 gegenber 16,92), doch der Gewinnfaktor ist viel hher (1,25 gegenber 1,1). Die Anzahl der Trades ist viel weniger (83 vs 1188) und die durchschnittlich aufeinanderfolgende Verluste Anzahl wird von 7 auf 2 gesenkt. Jedoch zeigt es nur, dass neuronale Signalfilterung funktioniert, aber es sagt nichts darber, wie sie auf Daten arbeitet, die nicht fr verwendet wurden whrend des Trainings. Das Ergebnis, das ich aus der Testphase erhalten haben (01.01.2009 - 20.03.2009) ist unten dargestellt: Ergebnis erhalten von Testdaten mit neuronaler Filterung aktiviert. Die Anzahl der ausgefhrten Tra des ist ziemlich gering, und es ist schwer zu sagen, ob es die Qualitt dieser Strategie ist, aber ich wollte nicht zeigen, wie man die besten rentable nEA zu schreibt, aber erklren, wie man neuronale Netze in Ihrem MQL4 Code nutzen knnte. Der wirkliche Effekt der Verwendung von neuronalen Netzen in diesem Fall kann nur dann gesehen werden, wenn die Ergebnisse der EA auf Testdaten im Vergleich zu sehen sind mit NeuroFilter ein - und ausgeschaltet. Im Folgenden ist das erhaltene Ergebnis der Testdatenperiode ohne neuronale Signalfilterung: Ergebnisse von Testdaten ohne neuronale Filterung. Der Unterschied ist sehr offensichtlich. Wie sie sehen, macht die neuronale Filterung aus einem verlierenden EA einen rentablen Ich hoffe, dass Sie aus diesem Artikel gelernt haben, wie man neuronale Netze in MetaTrader verwendet. Mit Hilfe des einfachen, freien und Open-Source-Paket Fann2MQL knnen Sie einfach die neuronale Netzschicht in praktisch jedem Expert Advisor hinzufgen oder fangen Sie an Ihren eigenen zu schreiben, der vollstndig oder teilweise auf neuronalen Netzen basiert. Die einzigartige Multi-Threading-Fhigkeit kann Ihre Verarbeitung viele Male beschleunigen, abhngig von der Anzahl der CPU-Kerne, insbesondere wenn bestimmte Parameter optimiert werden. In einem Fall hat es die Optimierung meiner Reinforcement Learning basierten EA Verarbeitung von etwa 4 Tagen auf nur 28 Stunden verkrzt, mit einer 4-Kern Intel CPU. Whrend des Schreibens dieses Artikels habe ich mich entschlossen Fann2MQL auf der eigenen Website zu setzen: fann2mql. wordpress. Sie finden dort die neueste Version von Fann2MQL und mglicherweise alle zuknftigen Versionen sowie die Dokumentation aller Funktionen. Ich verspreche, diese Software fr alle Versionen unter GPL-Lizenz zu halten, so, wenn Sie mir jegliche Kommentare senden, Feature-Anfragen oder Patches, die ich interessant finde, seien Sie sicher, es in nchsten Versionen zu finden. Bitte beachten Sie, dass dieser Artikel nur die sehr grundlegende Verwendung von Fann2MQL zeigt. Da dieses Paket nicht viel mehr ist als FANN, knnen Sie alle Werkzeuge fr die Verwaltung von FANN Netzen verwenden, wie: Und es gibt viel mehr ber FANN auf der Fast Artificial Neural Network Library Webseite: leenissen. dkfann Post Scriptum Nach dem Schreiben dieses Artikels habe ich einen unedeutenden Fehler in NeuroMACD. mq4 gefunden. Die OrderClose() Funktion fr Short-Positionen wurde mit der Ticket-Nummer fr Long-Positionen gespeist. Es fhrte zu einer schiefen Strategie, was mehr in die Richtung ging Shorts zu halten und Longs zu schlieen: In der korrekten Version des Skripts habe ich diesen Fehler behoben und die OrderClose() Strategie insgesamt entfernt. Das hat das Gesamtbild des Einflusses neuronaler Filterung nicht verndert, noch war die Kontostandkurve vllig anders. Sie finden beide Versionen dieses EA an diesen Artikel angehangen. bersetzt aus dem Englischen von MetaQuotes Software Corp. Originalartikel: mql5enarticles1565

Oanda Forex Trading Hours (2)

Horário de Mercado Forex Horário de mercado Forex. Quando trocar e quando não o mercado Forex está aberto 24 horas por dia. Isso proporciona uma ótima oportunidade para os comerciantes trocarem a qualquer hora do dia ou da noite. No entanto, quando parece não ser tão importante no início, o momento certo para o comércio é um dos pontos mais importantes para se tornar um comerciante exitoso de Forex. Então, quando se deve considerar a negociação e por que o melhor momento para negociar é quando o mercado é o mais ativo e, portanto, tem o maior volume de negócios. Os mercados ativamente negociados irão criar uma boa chance de conquistar uma boa oportunidade comercial e obter lucros. Enquanto os mercados lentos e tranquilos perderiam literalmente os seus esforços de tempo, desligue o computador e nem se preocupe com o Monitor de Horas de Mercado Forex: Avaliado, melhorado e atualizado em 24 de agosto de 2012. Comentários bem-vindos Horário de negociação Forex, horário de negociação Forex: Nova York abre às 8:00 da manhã a 5:00 da manhã EST (EDT) Tóquio abre às 7:00 da noite a 4:00 da manhã EST (EDT) Sydney abre às 17:00 da manhã às 2:00 da manhã EST (EDT) Londres abre às 3: 00h às 12:00 horas EST (EDT) E, portanto, há horas em que duas sessões se sobrepõem: Nova York e Londres: entre 8:00 da manhã mdash 12:00 horas EST (EDT) Sydney e Tóquio: entre 7:00 da tarde Mdash 2:00 am EST (EDT) Londres e Tóquio: entre as 3:00 da madrugada 4:00 am EST (EDT) Por exemplo, a negociação EURUSD, os pares de moedas GBPUSD darão bons resultados entre as 8:00 da manhã e as 12:00 horas EST Quando dois mercados para essas moedas estão ativos. Nessas horas de negociação sobrepostas, você encontrará o maior volume de negócios e, portanto, mais chances de ganhar no mercado cambial. E o seu corretor Forex Seu corretor oferecerá uma plataforma de negociação com um determinado período de tempo (o prazo dependerá do país onde o corretor opera). Ao se concentrar nas horas de mercado, você deve ignorar o prazo em sua plataforma (na maioria dos casos, será irrelevante) e, em vez disso, use o relógio universal (ESTEDT) ou o Monitor de horários de mercado para identificar as sessões de negociação. Se você ainda não escolheu um corretor Forex, recomendamos comparar Forex Forex para auxiliar sua busca. Nós tornamos mais fácil para todos monitorar as sessões de Forex trading durante o tempo em qualquer lugar do mundo: Baixe o Forex Market Hours Monitor v2.11 (535KB) Última atualização: 5 de outubro de 2006. Este é um programa simples alinhado ao Eastern Standard Time . Download Grátis Mercado Forex Horas monitor v2.12 (814KB) Última atualização: 20 de abril de 2007. opção de fuso horário é adicionado para a maioria dos norte-americanos e countries. OANDA Europeia 1080108910871086108311001079109110771090 10921072108110831099 biscoito, 10951090108610731099 1089107610771083107210901100 1085107210961080 10891072108110901099 10871088108610891090109910841080 1074 1080108910871086108311001079108610741072108510801080 1080 108510721089109010881086108010901100 10801093 10891086107510831072108910851086 108710861090108810771073108510861089109011031084 10851072109610801093 10871086108910771090108010901077108310771081. 10601072108110831099 bolinho 10851077 10841086107510911090 1073109910901100 108010891087108610831100107910861074107210851099 107610831103 109110891090107210851086107410831077108510801103 10741072109610771081 10831080109510851086108910901080. 1055108610891077109710721103 108510721096 1089107210811090, 10741099 108910861075108310721096107210771090107710891100 1089 108010891087108610831 10010791086107410721085108010771084 OANDA8217 109210721081108310861074 biscoito 1074 108910861086109010741077109010891090107410801080 1089 10851072109610771081 105510861083108010901080108210861081 108210861085109210801076107710851094108010721083110010851086108910901080. 1048108510891090108810911082109410801080 10871086 107310831086108210801088108610741072108510801102 1080 10911076107210831077108510801102 109210721081108310861074 biscoito, 1072 10901072108210781077 1091108710881072107410831077108510801102 108010841080 108710881080107410771076107710851099 10851072 10891072108110901077 aboutcookies. org. 1042 108910831091109510721077 10861075108810721085108010951077108510801103 1080108910871086108311001079108610741072108510801103 109210721081108310861074 bolinho 108610871088107710761077108310771085108510991077 1092109110851082109410801080 108510721096107710751086 10891072108110901072 10731091107610911090 1085107710761086108910901091108710851099. 104710721075108810911079108010901100 108410861073108010831100108510991077 1087108810801083108610781077108510801103 10531072 1075108310721074108510911102 10891090108810721085108010941091 1042109310861076 1042109910731088107210901100 1089109510771090: ampltiframe src4489469.fls. doubleclickactivityisrc4489469typenewsi0catoanda0u1fxtradeiddclatdcrdidtagforchilddirectedtreatmentord1num1 mcesrc4489469.fls. doubleclickactivityisrc4489469typenewsi0catoanda0u1fxtradeiddclatdcrdidtagforchilddirectedtreatmentord1num1 width1 height1 frameborder0 styledisplay: nenhum mcestyledisplay: noneampgtampltiframeampgt 10441054104110561054 105510541046104010511054104210401 0581068 1042 OANDA OANDA 8212 1086107610801085 10801079 1083108010761077108810861074 1074 10901086108810751086107410831077 106010861088107710821089 1080 1076108610741077108810771085108510991081 10801089109010861095108510801082 107610721085108510991093 1086 1074107210831102109010721093 8212 1087108810771076108310721075107210771090 10901086108810751086107410991077 10861087107710881072109410801080 1089 108210881077107610801090108510991084 108710831077109510861084, 109110891083109110751080 10871086 10881072108910951077109010721084 1080 10871088107710761086108910901072107410831077108510801102 107610721085108510991093 10961080108810861082108610841091 10821088109110751091 10861088107510721085108010791072109410801081 1080 1080108510741077108910901086108810861074. 1048105310531054104210401062104810541053105310671045 10481053105710581056105910521045105310581067 104410511071 105810561045104910441045105610541042 10581086108810751091108110901077 108010851086108910901088107210851085109910841080 1074 1072108311021090107210841080 1080 10821086108510901088107210821090107210841080 10851072 1088107210791085108010941091 10851072 10851072109610771081 1087108810801079108510721085108510861081 108710831072109010921086108810841077 1080 10871086108311001079109110811090107710891100 10741089107710841080 10871088107710801084109110971077108910901074107210841080 10851072109610801093 1080108510851086107410721094108010861085108510991093 1072108510721083108010901080109510771089108210801093 108010851089109010881091108410771085109010861074. 1056104510641045105310481071 104410511071 1041104810471053104510571040 104010741090108610841072109010801079108010881091108110901077 1074107410861076 107610721085108510991093 1086 1074107210831102109010721093 10791072 1089109510771090 1085107210891090108810721080107410721077108410861081 1080108510901077107510881072109410801080 10741072108311021090108510991093 108210911088108910861074 OANDA. 1058107710931085108610831086107510801080, 1076108610731088108610891086107410771089109010851086108910901100, 10871072108810901085107710881089109010741086 OANDA 108610731077108910871077109510801074107210771090 1087108810861079108810721095108510991081, 10761086108910901086107410771088108510991081 1080 10851072107610771078108510991081 107610861089109010911087 1082 10821088109110871085107710811096107710841091 10921080108510721085108910861074108610841091 10881099108510821091 1084108010881072 10851072 108610891085108610741077 1080108510851086107410721094108010861085108510991093 10941080109210881086107410991093 1080 1092108010851072108510891086107410991093 1090107710931085108610831086107510801081. OANDA 10761086107410771088110311021090 1082108810911087108510771081109610801077 10861088107510721085108010791072109410801080 169 199682112017 OANDA Corporation. 104210891077 10871088107210741072 10791072109710801097107710851099. 10581086107410721088108510991077 10791085107210821080 OANDA, fxTrade 1080 108910771084107710811089109010741086 10901086107410721088108510991093 107910851072108210861074 fx 10871088108010851072107610831077107810721090 OANDA Corporation. 104210891077 108710881086109510801077 10901086107410721088108510991077 10791085107210821080, 10871088107710761089109010721074108310771085108510991077 10851072 1101109010861084 10891072108110901077, 11031074108311031102109010891103 10891086107310891090107410771085108510861089109011001102 108910861086109010741077109010891090107410911102109710801093 1074108310721076107710831100109410771074. 10581086108810751086107410831103 10821086108510901088107210821090107210841080 10851072 10801085108610891090108810721085108510911102 107410721083110210901091 108010831080 10801085109910841080 107410851077107310801088107810771074109910841080 1087108810861076109110821090107210841080 1089 10801089108710861083110010791086107410721085108010771084 10841072108810781080 1080 1082108810771076108010901085108610751086 10871083107710951072 107410831077109510771090 1074109910891086108210801077 10881080108910821080 1080 10871086107610931086107610801090 10851077 1074108910771084 108010851074107710891090108610881072108 4. 10561077108210861084107710851076109110771084 107410721084 109010971072109010771083110010851086 1086109410771085108010901100, 10871086107610931086107611031090 10831080 107410721084 10901072108210801077 10901086108810751086107410991077 10861087107710881072109410801080 1089 109110951077109010861084 10741072109610801093 108310801095108510991093 1086107310891090108611031090107710831100108910901074. 1042107210961080 109110731099109010821080 10841086107510911090 108710881077107410991089108010901100 10861073109810771084 10741072109610801093 1080108510741077108910901080109410801081. 1048108510921086108810841072109410801103, 10871088108010741077107610771085108510721103 10851072 107610721085108510861084 10891072108110901077, 10851086108910801090 10861073109710801081 10931072108810721082109010771088. 10561077108210861084107710851076109110771084 107410721084 10761086 108510721095107210831072 10901086108810751086107410831080 1086107310881072109010801090110010891103 10791072 1087108610841086109711 001102 1082 10851077107910721074108010891080108410991084 1082108610851089109110831100109010721085109010721084 1080 109110731077107610801090110010891103, 109510901086 10741099 108710861083108510861089109011001102 108710861085108010841072107710901077 107410891077 1089108610871091109010891090107410911102109710801077 10881080108910821080. 10581086108810751086107410831103 10871086108910881077107610891090107410861084 108610851083107210811085-108710831072109010921086108810841099 107410831077109510771090 10761086108710861083108510801090107710831100108510991077 10881080108910821080. 10571084. 108810721079107610771083 17110551088107210741086107410991077 1074108610871088108610891099187 10791076107710891100. 1060108010851072108510891086107410991081 10891087108810771076-1073107710901090108010851075 10761086108910901091108710771085 109010861083110010821086 10821083108010771085109010721084 OANDA Europe Ltd, 1103107410831103110210971080108410891103 10881077107910801076107710851090107210841080 105710861077107610801085107710851085108610751086 10501086108810861083107710741089109010741072 108010831080 1056107710891087109110731083108010821080 10481088108310721085107610801103. 105010861085109010881072108210901099 10851072 1088107210791085108010941091, 1092109110851082109410801080 109310771076107810801088108610741072108510801103 105210584 1080 108210881077107610801090108510861077 10871083107710951086 10891074109910961077 50: 1 1085107710761086108910901091108710851099 107610831103 1088107710791080107610771085109010861074 10571086107710761080108510771085108510991093 106410901072109010861074 1040108410771088108010821080. 1048108510921086108810841072109410801103 10851072 1101109010861084 10891072108110901 077 10851077 1087108810771076108510721079108510721095107710851072 107610831103 1078108010901077108310771081 10891090108810721085, 1074 1082108610901086108810991093 10771077 108810721089108710881086108910901088107210851077108510801077 108010831080 1080108910871086108311001079108610741072108510801077 10831102107310991084 10831080109410861084 108710881086109010801074108610881077109510801090 1084107710891090108510991084 1079107210821086108510721084 1080 10871088107210741080108310721084. 10501086108410871072108510801103 1089 108610751088107210851080109510771085108510861081 1086109010741077109010891090107410771085108510861089109011001102 OANDA Europe Limited 1079107210881077107510801089109010881080108810861074107210851072 1074 104010851075108310801080, 108810771075108010891090108810721094108010861085108510991081 10851086108410771088 7.110.087, 11021088108010761080109510771089108210801081 10721076108810771089: Torre 42, Piso 9a, 25 Old Broad St, London EC2N 1HQ. 104410771103109010771083110010851086108910901100 10821086108410871072108510801080 1083108010941077108510791080108810861074107210851072 1080 108810771075109110831080108810911077109010891103 10591087108810721074108310771085108010771084 10921080108510721085108910861074108610751086 1085107210761079108610881072. 10831080109410771085107910801103 8470 542574. OANDA Japan Co. Ltd. 8212 108710771088107410991081 10761080108810771082109010861088 10871086 108610871077108810721094108011031084 1089 10921080108510721085108910861074109910841080 1080108510891090108810911084107710851090107210841080 1090108010871072 Kanto local Bureau Financeiro (Kin-sho), 108810771075. 8470 2137 1095108310771085 1040108910891086109410801072109410801080 1092108010851072108510891086107410991093 109211001102109510771088108910861074, 108810771075. 8470 1571.Trading Desk Quando é apropriado chamar o Trading Desk Todos os clientes da FXCM são encorajados a ligar para a mesa de negociação sob as seguintes condições: Nenhum acesso imediato Para o Internet Trader falha em receber uma confirmação em uma ordem colocada na Internet falha na Internet ou falha na conexão com o servidor FXCM. Para qualquer outra consulta que não esteja relacionada ao comércio, ligue para a equipe de suporte ao cliente da FXCMs, disponível 24 horas por dia, para ajudá-lo Em 1 212 897 7660. Etiqueta de negociação do telefone Para garantir que as encomendas sejam colocadas em tempo hábil, incentivamos todos os clientes que contatam a mesa de negociação a seguir nossa etiqueta de troca de telefone. Leia o seguinte exemplo para garantir que você entenda a etiqueta adequada. Exemplo: comercializar etiqueta de mesa para fazer um comércio ou uma encomenda via telefone: ao chamar a mesa de negociação, o comerciante deve especificar no início o tipo de conta com a qual eles estão negociando. Balcão de Negociação: Posso ter seu número de conta, por favor, comerciante: Meu número de conta é 55555. Balcão de Negociação: Posso ter seu ID de login, por favor, comerciante: Meu ID de login é 55555. Balcão de Negociação: Posso ter a resposta para sua pergunta de segurança , Por favor Trader: A resposta à minha pergunta de segurança é Mulberry Street. Trading Desk: Posso ter o nome nesta conta, por favor (O Trading Desk Agent faz esta pergunta para verificar se o chamador é de fato o titular da conta.) Trader: Eu gostaria de ir muito no mercado, 3 lotes de USDJPY . Balcão de troca: cheio em 106,65. Nota: Com a plataforma No Deal Desk, nossa equipe atua como um agente para colocar o comércio em seu nome e não como um negociante citando um preço. Portanto, depois de expressar o pedido, nossa equipe informará sobre o status do pedido e confirmará o preço do pedido. Execução comercial Se o meu comércio tiver sido executado incorretamente Se você acredita que um comércio foi executado incorretamente, entre em contato com a Área de suporte de vendas e serviços ao cliente imediatamente. O Trading Desk não pode ajudá-lo com essas questões. Serviço de Atendimento às Vendas e ao Cliente: 1 212 897 7660 Importante: Certifique-se de que possui todas as informações relativas ao comércio, incluindo: número do bilhete, hora do comércio e natureza do problema. O comércio será auditado e, quando necessário, um ajuste será feito em tempo hábil. O FXCM utiliza criptografia de última geração, protocolos de autenticação e uma das melhores proteções de firewall para garantir que todas as transações e registros de clientes sejam completamente autenticados e seguros. A FXCM emprega sistemas de backup e planos de contingência para minimizar a possibilidade de falhas no sistema. Se houver um problema com o nosso servidor, todos os negócios abertos, pedidos de parada e histórico de negociação são salvos em nossos arquivos de backup. Todos os pedidos são GTC por padrão. Execução comercial Se o meu comércio tiver sido executado incorretamente Se você acredita que um comércio foi executado incorretamente, entre em contato com a Área de suporte de vendas e serviços ao cliente imediatamente. O Trading Desk não pode ajudá-lo com essas questões. Secretaria de suporte de vendas e serviços ao cliente: Importante: Certifique-se de que possui todas as informações relativas ao comércio, incluindo: número do bilhete, hora do comércio e natureza do problema. O comércio será auditado, e, quando necessário, um ajuste será feito em um manner. OANDA oportuna 1080108910871086108311001079109110771090 10921072108110831099 biscoito, 10951090108610731099 1089107610771083107210901100 1085107210961080 10891072108110901099 10871088108610891090109910841080 1074 1080108910871086108311001079108610741072108510801080 1080 108510721089109010881086108010901100 10801093 10891086107510831072108910851086 108710861090108810771073108510861089109011031084 10851072109610801093 10871086108910771090108010901077108310771081. 10601072108110831099 bolinho 10851077 10841086107510911090 1073109910901100 108010891087108610831100107910861074107210851099 107610831103 109110891090107210851086107410831077108510801103 10741072109610771081 10831080109510851086108910901080. 1055108610891077109710721103 108510721096 1089107210811090, 10741099 108910861075108310721096107210771090107710891100 1089 10801089108710861083110010791086107410721085108010771084 OANDA8217 10921072108110831086 1074 biscoito 1074 108910861086109010741077109010891090107410801080 1089 10851072109610771081 105510861083108010901080108210861081 108210861085109210801076107710851094108010721083110010851086108910901080. 1048108510891090108810911082109410801080 10871086 107310831086108210801088108610741072108510801102 1080 10911076107210831077108510801102 109210721081108310861074 biscoito, 1072 10901072108210781077 1091108710881072107410831077108510801102 108010841080 108710881080107410771076107710851099 10851072 10891072108110901077 aboutcookies. org. 1042 108910831091109510721077 10861075108810721085108010951077108510801103 1080108910871086108311001079108610741072108510801103 109210721081108310861074 bolinho 108610871088107710761077108310771085108510991077 1092109110851082109410801080 108510721096107710751086 10891072108110901072 10731091107610911090 1085107710761086108910901091108710851099. 104710721075108810911079108010901100 108410861073108010831100108510991077 1087108810801083108610781077108510801103 1042109310861076 1042109910731088107210901100 1089109510771090: ampltiframe src4489469.fls. doubleclickactivityisrc4489469typenewsi0catoanda0u1fxtradeiddclatdcrdidtagforchilddirectedtreatmentord1num1 mcesrc4489469.fls. doubleclickactivityisrc4489469typenewsi0catoanda0u1fxtradeiddclatdcrdidtagforchilddirectedtreatmentord1num1 width1 height1 frameborder0 styledisplay: nenhum mcestyledisplay: noneampgtampltiframeampgt 1063107210891099 109010861088107510861074 10851072 10881099108510821077 106010861088107710821089 fxMarketHours: 1087108810861 0891084108610901088 10951072108910861074 109010861088107510861074 1080 108910861089109010861103108510801103 10841080108810861074108610751086 10881099108510821072 106010861088107710821089 105410791085107210821086108411001090107710891100 1089 109510721089107210841080 109010861088107510861074 1080 1090107710821091109710801084 1089108610891090108611031085108010771084 1084108010881086107410991093 10741072108311021090108510991093 108810991085108210861074. 10591095108010901099107410721102109010891103 108510771088107210731086109510801077 107610851080 108510721094108010861085107210831100108510991093 107310721085108210861074 1080 10741099109310861076108510991077. Mostrar Volume Graph histórico por hora Trade Atividade 105010721082 1080108510901077108810871088107710901080108810861074107210901100 107510881072109210801082 1057109110971077108910901074109111021090 108210721082 1084108010851080108410911084 107610741077 1087108810801095108010851099 10861090108910831077107810801074107210901100 10951072108910 99 109010861088107510861074 10851072 1082108810911087108510771081109610801093 1084108010881086107410991093 108810991085108210721093 106010861088107710821089: 108710771088107410991081 109510721089 10871086108910831077 10861090108210881099109010801103 10821088109110871085108610751086 10881099108510821072 108910951080109010721077109010891103 10861095107710851100 107410721078108510991084 1080 10951072108910901086 1086108710881077107610771083110310771090 107410861079108410861078108510991077 109010771085107610771085109410801080 10881072107910741080109010801103 109010861088107510861074 1074 1101109010861090 1076107710851100 1074 1087107710881080108610761099, 10821086107510761072 1711095107210891099 109010861088107510861074187 108810721079108510991093 108810991085108210861074 108710771088107710891077108210721102109010891103, 1089109110971077108910901074109110771090 109010771085107610771085109410801103 1082 1091107410771083108010951077108510801102 10831080108210741080107610851086108910901080, 1 08710861089108210861083110010821091 10851072 10881099108510861082 FX 1074109910931086107610801090 1073108610831100109610771077 1082108610831080109510771089109010741086 109010881077108110761077108810861074. 105510861095107210891086107410861081 107510881072109210801082 10861073109810771084 1087108610821072107910991074107210771090 108010891090108610881080109510771089108210801081 1091108810861074107710851100 10901086108810751086107410861081 1072108210901080107410851086108910901080 10851072 FXTrade 107610831103 1074108910771093 108710721088. 1055108810801084107710951072108510801103 1063107210891099 10861090108210881099109010801103 1080 10791072108210881099109010801103 1076107210851099 10871088108010731083108010791080109010771083110010851086, 108710861089108210861083110010821091 10881099108510861082 106010861088107710821089 8212 10741085107710731080108810781077107410861081. 10571084. 10901072108210781077. 1042 107610721085108510861081 10871088107710791077108510901072109410801080 108710881077 107610861089109010721074108311031077109010891103 109010861083110010821086 10861073109710721103 1080108510921086108810841072109410801103. 1055108810801084107710881099 1087108810801074108610761103109010891103 1080108910821083110210951080109010771083110010851086 1074 10801083108311021089109010881072109010801074108510991093 10941077108311031093 1080 10841086107510911090 10851077 10861090108810721078107210901100 1090107710821091109710801077 1094107710851099 OANDA. 105410851080 10851077 11031074108311031102109010891103 10801085107410771089109010801094108010861085108510861081 1088107710821086108410771085107610721094108010771081 108010831080 10871086107310911078107610771085108010771084 1082 1089108610741077108810961077108510801102 108910761077108310821080. 1056107710791091108311001090107210901099, 10761086108910901080107510851091109010991077 1074 1087108810861096108310861084, 1085107710861073110310791072109010771083110010851086 109110821072107910991074107211021090 10851072 1088107710791091108311001090107210901099 1074 1073109110761091109710771084. 169 199682112017 OANDA Corporation. 104210891077 10871088107210741072 10791072109710801097107710851099. 10581086107410721088108510991077 10791085107210821080 OANDA, fxTrade 1080 108910771084107710811089109010741086 10901086107410721088108510991093 107910851072108210861074 fx 10871088108010851072107610831077107810721090 OANDA Corporation. 104210891077 108710881086109510801077 10901086107410721088108510991077 10791085107210821080, 10871088107710761089109010721074108310771085108510991077 10851072 1101109010861084 10891072108110901077, 11031074108311031102109010891103 10891086107310891090107410771085108510861089109011001102 108910861086109010741077109010891090107410911102109710801093 1074108310721076107710831100109410771074. 10581086108810751086107410831103 10821086108510901088107210821090107210841080 10851072 10801085108610891090108810721085108510911102 107410721083110210901091 108010831080 10801085109910841080 107410851077107310801088107810771074109910841080 1087108810861076109110821090107210841080 1089 10801089108710861083110010791086107410721085108010771084 10841072108810781080 1080 1082108810771076108010901085108610751086 10871083107710951072 107410831077109510771090 1074109910891086108210801077 10881080108910821080 1080 10871086107610931086107610801090 10851077 1074108910771084 108010851074107710891090108610881072108 4. 10561077108210861084107710851076109110771084 107410721084 109010971072109010771083110010851086 1086109410771085108010901100, 10871086107610931086107611031090 10831080 107410721084 10901072108210801077 10901086108810751086107410991077 10861087107710881072109410801080 1089 109110951077109010861084 10741072109610801093 108310801095108510991093 1086107310891090108611031090107710831100108910901074. 1042107210961080 109110731099109010821080 10841086107510911090 108710881077107410991089108010901100 10861073109810771084 10741072109610801093 1080108510741077108910901080109410801081. 1048108510921086108810841072109410801103, 10871088108010741077107610771085108510721103 10851072 107610721085108510861084 10891072108110901077, 10851086108910801090 10861073109710801081 10931072108810721082109010771088. 10561077108210861084107710851076109110771084 107410721084 10761086 108510721095107210831072 10901086108810751086107410831080 1086107310881072109010801090110010891103 10791072 1087108610841086109711 001102 1082 10851077107910721074108010891080108410991084 1082108610851089109110831100109010721085109010721084 1080 109110731077107610801090110010891103, 109510901086 10741099 108710861083108510861089109011001102 108710861085108010841072107710901077 107410891077 1089108610871091109010891090107410911102109710801077 10881080108910821080. 10581086108810751086107410831103 10871086108910881077107610891090107410861084 108610851083107210811085-108710831072109010921086108810841099 107410831077109510771090 10761086108710861083108510801090107710831100108510991077 10881080108910821080. 10571084. 108810721079107610771083 17110551088107210741086107410991077 1074108610871088108610891099187 10791076107710891100. 1060108010851072108510891086107410991081 10891087108810771076-1073107710901090108010851075 10761086108910901091108710771085 109010861083110010821086 10821083108010771085109010721084 OANDA Europe Ltd, 1103107410831103110210971080108410891103 10881077107910801076107710851090107210841080 105710861077107610801085107710851085108610751086 10501086108810861083107710741089109010741072 108010831080 1056107710891087109110731083108010821080 10481088108310721085107610801103. 105010861085109010881072108210901099 10851072 1088107210791085108010941091, 1092109110851082109410801080 109310771076107810801088108610741072108510801103 105210584 1080 108210881077107610801090108510861077 10871083107710951086 10891074109910961077 50: 1 1085107710761086108910901091108710851099 107610831103 1088107710791080107610771085109010861074 10571086107710761080108510771085108510991093 106410901072109010861074 1040108410771088108010821080. 1048108510921086108810841072109410801103 10851072 1101109010861084 10891072108110901 077 10851077 1087108810771076108510721079108510721095107710851072 107610831103 1078108010901077108310771081 10891090108810721085, 1074 1082108610901086108810991093 10771077 108810721089108710881086108910901088107210851077108510801077 108010831080 1080108910871086108311001079108610741072108510801077 10831102107310991084 10831080109410861084 108710881086109010801074108610881077109510801090 1084107710891090108510991084 1079107210821086108510721084 1080 10871088107210741080108310721084. 10501086108410871072108510801103 1089 108610751088107210851080109510771085108510861081 1086109010741077109010891090107410771085108510861089109011001102 OANDA Europe Limited 1079107210881077107510801089109010881080108810861074107210851072 1074 104010851075108310801080, 108810771075108010891090108810721094108010861085108510991081 10851086108410771088 7.110.087, 11021088108010761080109510771089108210801081 10721076108810771089: Torre 42, Piso 9a, 25 Old Broad St, London EC2N 1HQ. 104410771103109010771083110010851086108910901100 10821086108410871072108510801080 1083108010941077108510791080108810861074107210851072 1080 108810771075109110831080108810911077109010891103 10591087108810721074108310771085108010771084 10921080108510721085108910861074108610751086 1085107210761079108610881072. 10831080109410771085107910801103 8470 542574. OANDA Japan Co. Ltd. 8212 108710771088107410991081 10761080108810771082109010861088 10871086 108610871077108810721094108011031084 1089 10921080108510721085108910861074109910841080 1080108510891090108810911084107710851090107210841080 1090108010871072 Kanto local Bureau Financeiro (Kin-sho), 108810771075. 8470 2137 1095108310771085 1040108910891086109410801072109410801080 1092108010851072108510891086107410991093 109211001102109510771088108910861074, 108810771075. 8470 1571.