Секреты заработка на Форексе
04.08.2020

Индикатор кайман форекс

Admiral Markets использует многочисленные системы и процедуры резервного копирования, чтобы минимизировать такие риски и сократить продолжительность и серьезность любых сбоев.

Admiral Markets не несет ответственности за какие-либо убытки или ущерб, включая возможную потерю прибыли, которые могут быть прямым или косвенным следствием сбоев, неисправностей или задержек. Admiral Markets Pty Ltd в Австралии имеет лицензию на предоставление финансовых услуг № 410681 Австралийской комиссии по ценным бумагам и инвестициям (ASIC).

Головной офис Admiral Markets Pty Ltd: Level 10,17 Castlereagh Street Sydney NSW 2000 ГЕНЕТИЧЕСКИЕ АЛГОРИТМЫ ФОРЕКС Получите до 40% ежемесячно! Генетические алгоритмы, искусственные нейронные сети и проблемы виртуальной реальности. Что такое Форекс — Книги по Форекс 10.11.11 12:24 Название: Генетические алгоритмы, искусственные нейронные сети и проблемы виртуальной реальности. В монографии рассмотрены вопросы применения эволюционных методов математического моделирования, генетических алгоритмов и искусственных нейронных сетей, для решения комплекса задач управления динамическими объектами, построения адаптивных и интеллектуальных систем управления. Алгоритмы и приемы техники программирования сопровождены результатами синтеза нейро-эмуляторов и нейроконтроллеров тестового динамического объекта, полученными авторами.Для научных работников, аспирантов и студентов старших курсов, специализирующихся в области адаптивного управления и математического моделирования. Настоящая брошюра подводит итоги выполнения первого этапа научного проекта «Применение эволюционных методов математического моделирования в управлении объектами энергетики», выполняемого совместно Харьковским государственным политехническим университетом и Харьковской ТЭЦ-5 при поддержке Российско-Американского Консорциума по Генетическим Алгоритмам. Проект нацелен на поиск новых концептуальных решений интеллектуальной системы управления современным энергогенерирующим предприятием, первый же его этап был направлен на разработку на базе генетических алгоритмов программного обеспечения для синтеза нейросетевых компонент будущей системы.Приняв решение опубликовать полученные на протяжении 1995 — 96 гг. результаты, мы поставили перед собой цель донести до широкого читателя ключевые идеи и эвристические приемы, используемые в эволюционном моделировании, продемонстрировать эффективность новых вычислительных технологий для решения задач искусственного интеллекта. Стремление к предельной простоте и лаконичности изложения побудило нас структурировать брошюру на две части — основной раздел, излагающий методические основы подходов, и Приложения, имеющие скорее справочный характер. Чтобы упростить читателю первые шаги в самостоятельном моделировании искусственных нейронных сетей, мы снабдили брошюру результатами синтеза нейроэмуляторов и нейроконтроллсров для тестового динамического объекта, описав подробно в Приложениях структуру и параметры сетей.

Генетические алгоритмы: в поисках священного грааля Каждый трейдер мечтает получить механическую торговую систему, которая работала бы стабильно, надежно и не требовала много внимания. Технологии не стоят на месте и предлагают все новые и новые решения проблемы. Генетические алгоритмы – это новое и еще далеко не изученное направление, на которое трейдерам стоит обратить внимание.

Подсмотрено у матушки-природы Генетические алгоритмы (ГА) – по сути, это методы эффективной оптимизации и поиска решений, подсмотренные у матушки-природы. Обычно они применяются для решения задач, имеющих большое количество параметров и не имеющих четко формализованного метода решения. Перебирать все варианты – нереально долго, а с помощью ГА можно справиться удивительно быстро и с необходимой степенью точности. Каждый параметр решаемой задачи становится геном, а полный набор параметров системы – это набор генов, одна хромосома, одна особь.

Например, в системе пять параметров, каждый из которых может меняться в пределах от 0 до 255. Тогда наша особь (или хромосома) – это набор из пяти байтов, идущих друг за другом, представленных в двоичной форме и выглядящих как двоичная цепочка длиной 40 бит. На начальном этапе ГА создается популяция из большого количества особей, значения генов (параметров) которых берутся случайным образом. Далее для каждой особи производится расчет системы и вычисляется фитнесс – функция некоторых результирующих значений системы.

Собственно, фитнесс и является признаком приспособленности особи – показателем ее соответствия решению, которое ищется. Далее популяция сортируется по значению фитнесса, и из нее берется половина особей, имеющих наилучший фитнесс.

После чего в ход идут собственно механизмы ГА – скрещивание, мутация и инверсия.

Для скрещивания из популяции выбираются две особи, которые индикатор доходности форекс будут родителями, определяется (случайным образом) точка разрыва, после чего создается потомок – как соединение части первого и второго родителя. Таким образом, потомок получает частично признаки обоих родителей.

Это важнейшая часть ГА – собственно, здесь и происходит создание новой особи, несущей признаки обоих родителей и, возможно, более приспособленной, чем каждый из них. После того как все особи прошли скрещивание и их количество стало совпадать с начальной популяцией, производят мутацию.

Для этого случайным образом выбирается несколько особей, в которых каждый бит меняется на противоположный. Также используется еще и метод инверсии, который заключается в том, что хромосома с определенной долей вероятности делится на две части, которые затем меняются местами. Эти два метода ГА служат для привнесения как бы извне новых признаков, не содержащихся в исходной популяции. После проведения всех вышеуказанных действий мы получаем популяцию, равную по численности исходной, но более приспособленную к решению задачи. Далее процесс повторяется заново: расчет фитнесса, скрещивание, мутации и инверсия. Пройдя большое количество итераций (поколений), мы получим особи, содержащие гены с наиболее удачными параметрами оптимизируемой системы.

Для оптимизации существующих стратегий Рассмотрим простейшую механическую торговую систему (МТС). Пересечение двух других (МА3 и МА4) дает точку выхода. У каждой МА есть два параметра – длина и сдвиг (в будущее на n баров).

То индикатор кайман форекс общее количество параметров системы равно 8. Для упрощения будем считать, что значения каждого параметра лежат в промежутке от 0 до 255 (один байт). Длина каждой хромосомы, таким образом, составляет 8 байтов, или 64 бита.

Количество особей в популяции выбирается в зависимости от числа генов в хромосоме – эмпирически. Для рассматриваемого случая популяции в 300 особей будет достаточно. Фитнессом системы для простоты будем считать общую полученную прибыль. На фазе расчета фитнесса прогоняем по историческим данным каждую особь – то есть нашу систему (MA1MA2-MA3MA4) с параметрами текущей особи. И получаем прибыль – она, напомню, у нас является фитнессом (или приспособленностью) данной особи. После прохождения некоторого количества итераций значения генов у особей с наибольшим фитнессом практически перестают изменяться. В этот момент можно считать, что итерационный процесс сошелся. Особь из получившейся популяции с наибольшим фитнессом – и будет тем набором параметров, который наилучшим образом подходит для нашей системы.

Я протестировал подобную МТС для 5-минутных графиков EUR/USD. Скорость схождения процесса зависит от параметров ГА – вероятностей скрещивания, мутации и инверсии. Уменьшая вероятности мутации и инверсии, мы убыстряем схождение процесса, однако появляется опасность, что процесс сойдется на одном из локальных максимумов. После тестирования стало ясно, что данная система нежизнеспособна (что, в общем-то, и не вызывало сомнений), хотя ГА и порождали наборы параметров, при которых такая система дает большую прибыль. Однако данная система приведена здесь лишь из-за своей простоты и для демонстрации принципа функционирования генетического алгоритма. Выбор фитнесса Одна из важнейших задач, которые необходимо решить при тестировании систем с помощью ГА, – выбор фитнесса. Как я уже говорил, фитнесс – это некоторая функция результирующих значений системы. Выше рассматривался вариант, когда фитнесс (Fit) равен прибыли (Profit).

Однако оптимизация по такому фитнессу приводит к тому, что ГА порождает параметры, при которых система может выдавать, например, только одну (на периоде тестирования) сделку – прибыльную, конечно, но для устойчивости системы этого явно не достаточно. Хорошим решением будет ввести в расчет фитнесса количество сделок, совершаемых системой (CountTrade): Fit = Profit * CountTrade. Но тогда у нас появляются сделки с очень большой просадкой, и общая устойчивость системы уменьшается.

Введем в формулу максимальную просадку (Prosadka) по одной сделке: Fit = (Profit * CountTrade) / (Prosadka/10). Так как просадка для нас все же менее важна, чем прибыль и количество сделок, мы уменьшили ее вес, разделив на 10. Эта формула уже довольна хороша, и системы, оптимизированные по ней, дают довольно неплохие результаты. Однако можно добавить в нее, например, количество минусовых сделок (KolvoMinus) или размер стопа (Stop), а также поэкспериментировать с различными весами параметров. Я использую также следующие формулы для определения фитнесса: Fit = Profit/(1+Prosadka/10)* (CountTrade/20);Fit = Profit/(1+Prosadka/10 + Stop / 10 ) * (CountTrade/10);Fit = (Profit+KolvoPlus/5) / (1 + Prosadka / 10 + KolvoMinus/5). Вообще, выбор функции индикатор кайман форекс фитнесса – процесс творческий.

В зависимости от того, что вы хотите от системы получить, и следует выстраивать формулу расчета. Однако хочу предупредить, что очень большое количество параметров в формуле расчета фитнесса, даже при достаточной простоте оптимизируемой системы, может значительно удлинить процесс оптимизации. Если формула построена некорректно, вы не придете ни к какому конечному результату: процесс как бы застрянет между несколькими максимумами. Новый взгляд Давайте немного отвлечемся от ГА и подумаем вот над чем. График движения валютной пары, который мы видим на экране, – это случайный процесс или он содержит какие-то законы, скрытые от нас? Иначе существование технического анализа, да и вообще какого-либо анализа рынка, можно было бы поставить под вопрос. Из высшей математики нам известны некоторые методы, позволяющие с достаточной точностью определить формулу, по которой построен произвольный график какой-то неизвестной нам функции. Не будем останавливаться на методах и обсуждать, насколько они хороши, нам это сейчас не важно. А важно то, что рынок – система, которая меняется, и меняется достаточно плавно. Найдя закономерности в движении рынка, мы можем экстраполировать их на некоторое расстояние в будущее, где они еще будут работать (хотя, возможно, несколько хуже). Почему ни одна система, придуманная полвека назад, сейчас нормально не работает? Да потому, что условия изменились, а системы – нет.

А нам необходимо создать систему, непрерывно подстраивающуюся под рынок. Этого можно добиться, применяя ГА и непрерывно оптимизируя существующую систему на новых поступающих данных.

Выше мы рассмотрели, как применять генетические алгоритмы для оптимизации параметров уже существующей механической торговой системы. А что нам мешает заставить ГА самим придумывать систему, наилучшим образом подходящую под данный рынок? В таблице 1 сведены некоторые возможные сигналы и их параметры, которые можно использовать для входа или выхода из рынка. Далее – 4 параметра (у каких-то сигналов их меньше, но это не суть важно), их мы кодируем еще четырьмя генами.

У нас получается цепочка из 5 генов, описывающая сигнал на вход в рынок. Давайте добавим фильтрующие сигналы или индикаторы. В таблице 2 представлен краткий перечень таких фильтров. Их мы кодируем аналогичным образом: номер фильтра – один ген, параметры – еще четыре.

Таким образом, мы получаем сигнал на вход, который должен быть подтвержден фильтрующим индикатором. Полный сигнал на вход в рынок у нас состоит из 10 генов: 5 – сам сигнал и 5 – фильтр. Для такого количества генов размер популяции должен составить не менее 1000 особей. В результате работы ГА через 340 поколений получаем результаты, приведенные в таблице 3. Итак, ГА для нас создали механическую торговую систему и оптимизировали ее параметры для данного исторического промежутка. При прогонке по более свежим данным (по которым оптимизация не проводилась) МТС показывает некоторую неустойчивость. На протяжении более недели она достаточно прибыльна. Далее МТС перестает приносить прибыль и становится убыточной.

Это и не удивительно, если учесть простоту системы. Для улучшения работы системы будем использовать при фильтрации сигналов на вход и на выход не один фильтр, а, например, по четыре – построенных аналогичным образом. Также можно добавить временной период для возможного входа (например, вход только с 3 до 17 часов – кодируется двумя генами) и временной период для возможного выхода. Возможны также стоп и лимитпределы (в этой статье не рассматриваются). Итого у нас получается 27 генов, описывающих вход, и 27 – выход из рынка. Так как хромосома значительно удлинилась, стоит увеличить и количество особей в популяции. После того как ГА отработал и процесс сошелся, получаем результаты. Получившаяся система имеет достаточно неплохие показатели и на свежих исторических данных хорошо ведет себя в течение месяца после оптимизации (9 индикатор кайман форекс, 2 убыточные, общая прибыль 400 пунктов). Примечание: не пытайтесь использовать приведенные в таблицах механические торговые системы, так как расхождение потока котировок, на которых проводилась оптимизация, и потока, на котором будет работать МТС, не допускается. Иначе система не будет давать правильные сигналы в нужных местах.

Некоторые пояснения и выводы Интересный вопрос – выбор временного интервала графиков для поиска МТС. В принципе, механическую торговую систему таким образом можно построить на любых графиках. Но если использовать графики размерностью более 4 часов, то на их форму влияют в основном фундаментальные факторы.

А факторы такого типа могут со временем круто поменяться на противоположные (например, преобладающий тренд сменится на горизонтальный коридор). Это не лучшим образом скажется на стабильности работы индикатор кайман форекс. Чем ниже мы спускаемся к тиковым графикам, тем больше психологичности в их форме. Однако тиковые графики слишком зашумлены и мало поддаются вообще какому-либо анализу.

Для тестирования я использовал 5-минутные графики EUR/USD с сентября 2003 г. Принцип тестирования комплекса, построенного описанным выше образом, следующий. Задаются всевозможные сигналы и описываются их параметры.2.

На достаточно длительном историческом промежутке проводится оптимизация.4. Систему, полученную в результате оптимизации, прогоняют на данных, идущих непосредственно за промежутком оптимизации.5. Если система показывает хорошие результаты, промежуток оптимизации сдвигается в будущее на индикатор форекс camarilla размер свежих данных.6. После этого процесс повторяют с пункта 3 до тех пор, пока не наступит уверенность в стабильности полученного комплекса. Работа с полученным комплексом проходит аналогичным образом. Находится оптимальная МТС, по которой торгуют, например, в течение недели. После чего период оптимизации сдвигается на неделю вперед, и все повторяется заново. Таким образом, мы всегда имеем МТС, оптимально подстроенную индикатор форекс скачки под рынок.

Стоит отметить некоторые трудности, с которыми приходится сталкиваться при разработке таких систем.

Во-первых, существуют вполне понятные проблемы с механизмом определения таких инструментов технического анализа, как, например, уровни поддержки и сопротивления, линии тренда, индикатор кайман форекс и растяжений. Во-вторых, программы, построенные с использованием ГА, очень требовательны к производительности компьютеров. Так, например, при расчете варианта 54 гена в хромосоме, 2000 особей в популяции, на истории в 18000 свечей одно поколение считается на ИнтелПентиуме-4 с частотой 2400 герц примерно 40 минут, а весь расчет занимает больше недели. Предоставить в распоряжение ГА все инструменты технического анализа, используемые человеком.2.

Значительно усложнить структуру МТС, добавив в нее большое количество сигналов, которые могут одновременно присутствовать в системе, а не только на этапе оптимизации.3. Привнести в логику МТС элементы искусственного интеллекта – например, нечеткую логику. Это, а также многое другое, позволит создать, пока только теоретически, квинтэссенцию технического анализа – идеальную механическую торговую систему.

Введение Генетический алгоритм (ГА) относится к эвристическим алгоритмам (ЭА), который даёт приемлемое решение задачи в большинстве практически значимых случаев, однако при этом правильность решения математически не доказана и применяют чаще всего для задач, аналитическое решение которых весьма затруднительно или вовсе невозможно. Классическим примером задач этого индикатор форекс стрелкой класса (класс NP) является “Задача коммивояжера” (является одной из самых известных задач комбинаторной оптимизации.

Задача заключается в отыскании самого выгодного маршрута, проходящего через указанные города хотя бы по одному разу с последующим возвратом в исходный город.). Но ничто не мешает использовать их и для задач, поддающихся формализации. ЭА широко применяются для решения задач высокой вычислительной сложности, то есть вместо полного перебора вариантов, занимающего существенное время. Применяются в областях искусственного интеллекта, таких, как распознавание образов, в антивирусных программах, инженерии, компьютерных играх и других областях. Стоит отдельно упомянуть о том, что MetaQuotes Software Corp.

использует ГА в своих программных продуктах MetaTrader 4/5. Все мы знаем о тестере стратегий и о том, сколько времени и усилий позволяет сэкономить встроенный оптимизатор стратегий, в котором на ряду с прямым перебором имеется возможность оптимизации с применением ГА. Кроме того, тестер MetaTrader 5 позволяет использовать пользовательские критерии оптимизации. Возможно, читателю будет интересно прочитать статьи на тему ГА и о преимуществах, которые дают ЭА по сравнению с прямым перебором.

Немного истории Чуть больше года назад мне понадобился алгоритм оптимизации для обучения нейронных сетей. Бегло ознакомившись с различными алгоритмами, остановил свой выбор на ГА.

В результате поиска готовых реализаций обнаружил, что имеющиеся в открытом доступе либо имеют функциональные ограничения, например на количество оптимизируемых параметров, либо слишком "узко заточены". Мне же нужен был универсальный гибкий инструмент не только для обучения любых видов нейронных сетей, но и вообще для решения любых задач оптимизации. После длительного изучения чужих "генетических творений" я так и не смог понять, как они работают. Всему виной были либо замысловатый стиль кода, либо недостаток опыта в программировании у меня, а возможно, и то и другое. Основные трудности вызывало кодирование генов в двоичный код и последующая работа с ними в таком виде. Так или иначе, было индикатор кайман форекс написать свой генетический алгоритм с нуля, с ориентацией на масштабируемость и легкую модификацию в будущем. Я не захотел связываться с двоичными преобразованиями, и решил работать с генами напрямую, т.е. представлять хромосому набором генов в виде вещественных чисел.

Так появился на свет код моего генетического алгоритма с представлением хромосом вещественными числами. Позднее я узнал, что ничего нового не открыл, и подобные генетические алгоритмы (их называют real-coded GA) существуют уже более 15-и лет с момента первых публикаций о них. Представленное на суд читателя моё видение подходов к реализации и принципах функционирования ГА основано на личном опыте использования их в практических задачах. Описание ГА В ГА заложены принципы, заимствованные у самой природы. Наследственность - способность организмов передавать свои признаки и особенности развития потомству. Благодаря этой способности все живые существа сохраняют в своих потомках характерные черты вида.

Изменчивость генов у живых организмов обеспечивает генетическое разнообразие популяции и имеет случайный характер, так как природа заранее "не знает", какие именно признаки особей будут наиболее предпочтительны в будущем (изменение климата, уменьшение/увеличение кормовой базы, появление конкурирующих видов и т.д.). Именно изменчивость позволяет появиться особям с новыми признаками, способным выжить и оставить потомство в новых, изменившихся условиях среды обитания. В биологии изменчивость, обусловленную возникновением мутаций, называют мутационной, а обусловленную дальнейшим перекомбинированием генов в результате скрещивания - комбинационной. Кроме того, реализован мутагенез, имитирующий природный механизм мутаций(внесение изменений в нуклеотидную последовательность ДНК) – естественный (спонтанный) и искусственный (индуцированный). Простейшей единицей передачи информации о признаке в алгоритме является ген - структурная и функциональная единица наследственности, контролирующая развитие определенного признака или свойства.

Геном называем одну переменную исследуемой функции. Совокупность генов-переменных исследуемой функции, характеризующая особь - хромосома. Тогда хромосома для функции f(x)=x^2 , будет выглядеть так: Рисунок 1. Хромосома для функции f(x)=x^2 где 0-й индекс — значение функции f(x), называют приспособленностью особи (функцию будем называть фитнес функцией - FF, а значение функции — VFF). Все особи одной эпохи развития объединены в популяцию. Причем, популяция условно разделена на две равные колонии — родительскую и колонию потомков.

В результате скрещивания родительских особей, которые отбираются из всей популяции, и других операторов ГА, появляется колония новых потомков, равная по численности половине популяции, которая замещает колонию потомков в популяции. Полная популяция особей при поиске минимума функции f(x)=x^2 может выглядеть, например, так: Рисунок 2. Полная популяция особей Популяция отсортирована по VFF. Здесь 0-й индекс хромосомы занимает особь с наименьшим VFF.

Новые потомки полностью замещают только особей в колонии потомков, родительская колония остаётся неприкосновенной.

Однако, колония родителей может не всегда быть полной, так как дубликаты особей уничтожаются, тогда новые потомки заполняют свободные места в колонии родителей, оставшиеся помещаются в колонию потомков. Другими словами, размер популяции редко бывает постоянным и меняется от эпохи к эпохе, почти также как и в живой природе. Например, популяция до размножения и популяция после размножения могут выглядеть так: Рисунок 3.

Популяция после индикатор кайман форекс Описанный механизм "половинного" заселения потомками популяции, а также уничтожение дубликатов и запрет на скрещивание особей самим с собой, имеют одну цель — избегать "эффекта бутылочного горлышка" (термин из биологии, означает сокращение генофонда популяции в результате критического уменьшения численности по различным причинам, что может привести к полному вымиранию вида, в ГА это грозит прекращением появления уникальных хромосом и “застреванием” в одном из локальных экстремумов.) 3.

Описание функций UGAlib Продолжать с п.5 до тех пор, пока перестанут появляться хромосомы лучше эталонной заданное количество эпох.

Глобальные переменные Объявим на глобальном уровне следующие переменные: 3.2. Основная функция ГА Собственно, основная функция ГА, вызываемая из тела программы - выполнять описанные выше шаги, поэтому, подробно на ней останавливаться не будем. По завершении алгоритма в лог записывается следующая индикатор кайман форекс: Сколько всего прошло эпох (поколений). Процентное отношение дубликатов к общему кол-ву хромосом в истории.

"Количество уникальных хромосом" и "Общее кол-во запусков FF" – одни и те же величины, но рассчитываются по-разному. Поскольку в большинстве задач оптимизации заранее неизвестно, где на числовой прямой расположены аргументы функции, то наиболее оптимальным вариантом является случайная генерация в заданном диапазоне. Получение приспособленности Выполняет по очереди для всех хромосом оптимизируемую функцию. Проверка хромосомы по базе хромосом Хромосома каждой особи проверяется по базе - рассчитывалась ли для неё FF, и если рассчитывалась, то готовое VFF берется из базы, если нет, то для неё вызывается FF. Таким образом, исключаются повторные ресурсоемкие вычисления FF. Цикл операторов UGA Здесь, в прямом смысле, вершится судьба целой эпохи искусственной жизни - рождается и умирает целое поколение. Происходит это следующим образом: отбираются два родителя для скрещивания или один для совершения над ним акта мутации. Доля каждого оператора ГА определена соответствующим параметром. Всё повторяется снова и снова, пока полностью не заполнится колония потомков. Потом колония потомков выпускается в среду обитания, что бы каждый проявил себя, как может, т.е. Испытанная "огнем, водой и медными трубами" колония потомков заселяется в популяцию. Следующим шагом искусственной эволюции будет священное убиение клонов, чтобы не допустить обеднения "крови" у будущих поколений, и последующее ранжирование уже обновленной популяции, по степени приспособленности. Репликация Оператор наиболее близок к природному явлению, которое в биологии имеет название - Репликация ДНК, хотя и не является одним и тем же по сути. Но поскольку более близкого природного эквивалента я не нашел, решил остановиться на этом названии. Репликация является важнейшим генетическим оператором генерирующий новые гены, при этом передающий признаки родительских хромосом. Основной оператор, обеспечивающий сходимость алгоритма. ГА может функционировать только с ним без использования других операторов, однако при этом количество запусков FF окажется намного большим. Новый ген потомка случайное число из интервала где С1 и С2 родительские гены, ReplicationOffset — коэффициент смещения границ интервала [C1,C2]. К примеру, от отцовской особи (синий цвет) и материнской (розовый цвет) может получиться такой потомок (зеленый цвет): Рисунок 5. Принцип работы оператора Replication Графически вероятность гена потомка можно представить так: Рисунок 6. Вероятность появления гена потомка на числовой прямой Аналогично генерируются остальные гены потомка. Естественная мутация Мутации появляются постоянно в ходе процессов, происходящих в живой клетке, и являются материалом для естественного индикатор кайман форекс.

Возникают самопроизвольно на протяжении всей жизни организма в нормальных для него условиях окружающей среды с частотой одного раза на 10^10 клеточных генераций. Нам - любознательным исследователям, не обязательно придерживаться естественного порядка и ждать так долго очередной мутации гена.

В этом поможет параметр NMutationProbability, выраженный в процентах, который определяет вероятность мутации каждого гена в хромосоме. В операторе NaturalMutation мутация заключается в генерации случайного гена в интервале [RangeMinimum,RangeMaximum].



Начальное обучение форекс
Минимальный депозит на форексе
Восходящий треугольник форекс


Главная
Японские свечи: комбинации и модели японских свечей на форекс
Японская иена снова выросла против доллара
Японская иена: основные принципы торговли
Энергетические компании продолжают рост
Энергетика готовится к коррекции

Карта сайта

Рубрики

Максимальный депозит форекс
Государственный контроль форекс
Индикатор sessions форекс
Libertex платформа форекс
Денежный оборот форекс
Лицензия форекс украина
Необходимые индикаторы форекс
Готовые советники Сообщение varvar » 02 окт 2009, 08:38 Re: Готовые советники ценовой стабильности раза отрезок. Поведение цены писал на тему: почему тормозит МТ4, то заметил выучить, но дальше только ваш труд и собственные.


catalogfactory.ru