Neuronale Netzwerke Forex Market

MetaTrader 4 - Beispiele Neuronale Netze In MetaTrader sind die Möglichkeiten der Neuronalen Netzen in Ihrem EA betrachtet. Dieses Thema bei YiGG. de Dieses Thema bei YiGG. de speichern Dieses Thema bei YiGG. de speichern Dieses Thema bei Google speichern Dieses Thema bei del. icio. us speichern del. icio. us Viele Internet-Foren wurden mit Themen im Zusammenhang mit Neuronalen Netzen und Devisenhandel. Leider ist die native MQL4 Umsetzung von NN nicht einfach. Es gibt einige Programmierkenntnisse und das Ergebnis nicht sehr effizient sein, besonders, wenn Sie mchten, dass Ihr abschlieendes Ergenis im Tester auf groe Mengen von Daten testen wollen. (FGN), bekannte Fast Artificial Neural Network Library (FANN) in Ihrem MQL4 Code verwenden, whrend bestimmte Hindernisse und Einschrnkungen vermieden werden. Auerdem gehe ich daraus, dass der Leser mit künstlichen neuronalen Netzwerken (ann) und der Terminologie in Zusammenhang mit diesem Thema vertraut ist, so dass ich mich auf praktische Aspekte der Verwendung von bestimmten in MQL4 Sprache konzentrieren werden. FANN (Substantiv, sächlich) FANN (Substantiv, weiblich). Die typische Verwendung von FANN ist ein einfaches schrittweises Netzwerk zu schaffen, es mit einigen Daten trainieren und laufen. Das erstellte und trainierte Netzwerk knnte dann in einer Datei gespeichert werden und Später zur nächsten Verwendung werden. Um ein ann zu erstellenmuss man die fanncreatestandard () Funktion verwende. Sehen wir uns die Syntax an: Wo numlayers die Gesamtzahl von Schichten, einschlielich der Eingabe - und der Ausgabeschicht. Das lnnum und folgende Argumente repräsentiert die Anzahl der 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 anno 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 Struktur fann zuvor zurckgegeben von fanncreatestandard () und beide Eingabedatenvektor und Ausgabedatenvektor. Die Eingabe - und Ausgabeelemente sind Arrays des fanntype Typs. Diese Art ist in der Tat ein Doppel - 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. Diese Funktion setzt den Pointer zu struct fann. Das doppelte Array). Deutsch:. Englisch: v3.espacenet. com/textdoc? DB = EPODOC & ... PN = Der Rckgabewert ist ein Ausgabevektor-Array. Diese Eigenschaft ist wichtig, da wir ein Element-Array mit dem Ausgangswert, anstelle des Ausgangswertes selbst erhalten. Leider benutzt die meisten FANN-Funktionen einen Pointer auf eine Struktur, die nicht direkt gehandhabt werden kann von MQL4, das Strukturen als Datentypen nicht untersttzt. Um diese Einschrnkung zu vermeiden mssen wir das ummanteln, und in etwaser Art und Weise vor MQL4 verbergen. Die einfachste Methode ist ein Array von Struktur fann Pointern zu erstellen, das die richtigen Werte hlt und sich auf sie mit einem Index. . So knnen wir 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, also mssen wir auch damit umgehen. Auf der anderen Seite, wenn die C-Funktion (mit variabler Argumente Lnge) mit einer Vielzahl von Argumenten in MQL4 Funktion bergeben an C-Bibliothek. Die resultierende Wickel-Funktion wie folgt: Wir wechselten die fhrende fann mit f2M, die 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 von FANN zum Arbeiten. MQL-Code aufrufen. Das gleiche geht fr: Das letzte, aber nicht zuletzt ist die Tatsache, dass Sie, Alternativ können Sie auch Folgendes verwenden: Allerdings bin ich ziemlich sicher, dass einige von Ihnen bevorzugen ihre mit einem Netzteil zu speichern, mit einer Sobald wir die Grundfunktionen Wissen, dass es in unserem EA zu verwenden, aber erste 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 Sie knnen den Standard verwenden ProgrammeFann2MQL oder direkt in Ihr Meta Traderexperts Verzeichnis. Spter werden alle Dateien direkt an ihre Orte platziert, ansonsten werden alle manuell kopieren mssen. Installation von Fann2MQL, Schritt 2 Der Installer platziert Dateien in den folgenden Ordnern: Wenn Sie in einem dedizierten Fann2MQL Installationsdatei installiert sind, Der Installer funktioniert auch in der FANN Bibliothek in Ihrem Systembibliotheken Verzeichnis (Windowssystem32 in den meisten Fllen). Der src enthlt den gesamten Quellcode von Fann2MQL. Sie knnen den Quellcode lesen, wenn Sie mehr Informationen über die Interna bentigen. Sie können den Code auch verbessern und zustzliche Merkmale 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 eigenen EA oder Indikator zu schreiben. Es gibt viele müde Verwendung von NN. Sie knnen sie verwenden, um zuknftige Kursbewegungen zu prognostizieren, aber die Qualité. Prognosen und die Mglichkeit einen echten Vorteil zu erlangen, ist zweifelhaft. Sie knnen versuchen, ein gutes Q-Learning oder etwas hnliches zu schreiben. Sie knnen versuchen NN als einen Signalfolter von Ihrem heuristischen EA zu verwenden oder alle diese Techniken kombinieren, war auch immer Sie mchten. Sie sind nur durch Ihre eigene Fantasie gegrenzt. Hier ein Beispiel für die Verwendung eines NN als einfaches Filter für Signale von Generatoren von MACD. EA, aber als Beispielanwendung von Fann2MQL. Wrend der Erklrung ber das Vorgehen, hier der Beispiel EA: NeuroMACD. mq4 funktioniert. Ich werde in MQL verwendet werden können. Deutsch - Übersetzung - Linguee als Übersetzung von "die allererste Sache" vorschlagen Linguee - Wörterbuch Deutsch - Englisch. Hier ist der Anfang des NeuroMACD, der diese Dinge enthlt: Der Include-Befehl gibt eine 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. Sie mssen diesen Ordner erstellen, d. h. C: ANN. Die NAME - Konstante enthlt die Namen dieses EA, der spter aus dem Laden und dem Netzwerk-Dateien verwendet wird. Eingabeparameter sind sehr offensichtlich und die es nicht sind, werden spter erlutert, sowie globale Variablen .. Der Einstiegspunkt für 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. Deutsch - Übersetzung - Linguee als Übersetzung von "es werden" vorschlagen Linguee - Wörterbuch Deutsch - Englisch. AnnPath wird zum Reflektieren von EA NAME und MagicNumber. Die aus dem SlowMA. FastMA und SignalMA Eingabeargumentiert werden, sterben sterben sterben sterben MACD - Sobald er den AnnPath kennt, versucht die EA neuronale Netze mit der annload () Funktion zu beladen, die ich weiter unten beschreiben werde. Die Hlfte der geladenen Netze ist für die Long-Position. Die AnnsLoaded Variable wird auf die Tatsache gebracht, dass alle Netze korrekt initialisiert wurden. Wie Sie wohl bemerkt haben, dieses Beispiel EA versuchen mehrere Netzwerke zu laden. Ich bezweifle, dass es in dieser Anwendung gibt, aber ich wollte Ihnen das volle Potenzial von Fann2MQL zeigen, die mehreren Netzwerke können und können sie parallel verarbeiten, unter Ausnutzung von mehreren Kernen oder CPUs. Deutsch - Übersetzung - Linguee als Übersetzung von "Intel Threading Building Blocks" vorschlagen Linguee - Wörterbuch Deutsch - Englisch Andere Leute übersetzten. Die Funktion f2Mparallelinit () wird verwendet, die eine Schnittstelle zu initialisieren. Hier ist der Weg, den ich zum Initialisieren der Netze verwendet habe, wenn die f2Mcreatefromfile () versagt, wurde durch den negativen Rckgabewert angezeigt wird, wird das Netzwerk mit der f2Mcreatestandard () Funktion erstellt mit Argumenten Das erstellte Netzwerk 4 Schichten (einschlielich Ein und Ausgabe) haben, AnnInput / 21 Neuronen in der zweiten verborgenen Schicht und 1 Neuronen 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 und das gleiche gilt fr die Ausgabeschicht. Dann gibt es den Aufruf und f2mrandomizeweights (). Deutsch - Übersetzung - Linguee als Übersetzung von. Hier haben Sie die Möglichkeit, Ihre persönlichen Daten zu ändern. An dieser Stelle haben Sie die Möglichkeit, einen Fehler zu finden. Es ist eine der einfachsten Methoden. 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 - Ebene hher als DebugLevel erzeugt die Funktion keine Ausgabe. Wenn es als gleich ist, wird der text String ausgegeben. Wenn der Debug-Level 0 ist, wird dieser String FEHLER: an den Beginn angehangen. Auf diese Weise knnen Debug von Ihrem Code auf mehrere Ebenen aufteilen. Die wichtigsten sind so, dass sie auf die Ebene fallen. Sie werden ausgegeben, auer wenn Sie Ihr 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 Information 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 ausführen: die Funktion annprepareinput () wird verwendet, um den eingabenamen fr die Netze vorzubereiten. Der Zweck ist recht einfach, das 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. Wie Sie wahrscheinlich vermuten, ist die Auswahl der richtigen Eingabeargumente von Netzeingabe, es Codieren, ist Zersetzung und Normalisierung einer der wichtigsten Faktoren bei der neuronalen Netz-Verarbeitung. Wie ich schon erwhnte, hat die Fann2MQL die Fhigkeit die normale Funktionalitt des MetaTrader zu erweitern, war die parallele multithreaded Verarbeitung von neuronalen Netzen ist. Das globale Argument Parallel steuert dieses Verhalten. Die runanns () Funktion fhrt alle initialisierten Netze aus und erhlt die Ausgrabn von ihnen und speichert in dem AnnOutput Array. Die annsrunparallel Funktion ist in der multithreaded Weise tätig. Sie ruft die f2mrunparallel () auf, die die Anzahl von zu verarbeitenden Netzen zu verfahren als ein erstes Argument ist ein Array mit Handles fr alle Netze die Sie ausfhren wollen, die Bereitstellung des Eingabevektors 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 die () 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 wird verwendet Netzeingabe vorzubereiten und die Netz-Verarbeitung ausführen, 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 Balken und den vorherigen. Die aktuelle Balken wird ausgelassen, da wird noch nicht aufgebaut 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, auch werde ich nur den Fall für Long-Positionen beschreiben. Deutsch - Übersetzung - Linguee als Übersetzung von. Wenn es gleich zu -1 ist, wird keine Position geffnet, also wenn das KaufSignal gesetzt ist, kann 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 Bestellung zu kaufen ist gesendet. An dieser Stelle möchte ich nochmals anfangen, Wenn LongTicekt Variable die gltige Ticket-Nummer hlt, wird die Stopploss oder TakeProfit geschlossen wurde. Wenn der Orden nicht besiegelt ist, wird der Orden durch den Trainierenden ersetzt Mit Gewinn abschloss Dieser Wert wird dann zu anntrain () Funktion bergeben und alle verantwortlichen Netze für den Umgang mit Long-Positionen sind mit ihm trainiert. Als Eingabevektor wird die Variable LongInput verwendet, die die InputVector im Moment der ffnens der Position hlt. Auf diese Weise wird das Netz gelehrt, welches Signal Gewinne erbringt und ist es nicht. Sobald Sie haben ein Netz, haben das Umschalten von NeuroFilter auf true das Netz filtern. Die Annwiselong () verwendet neuronale Netz (Substantiv, sächlich) 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 benutzt, das anzeigt, dass das gefilterte Signal gltig ist oder nicht. Wie viele andere Werte wurde durch den Prozess der Optimierung erhalten. Nun, sobald wir wissen, wie es funktioniert, kann ich. 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. Ich bin mir nicht sicher, ob ich das machen kann, was ich tun soll. Der NeuroFIlter wird ebenfalls ausgeschaltet, ua SaveAnn. Die AnnsNumber wurde auf 0 gesetzt um neuronale Verarbeitung zu vermeiden. Ich benutzte den genetischen Algorithmus fr Optimierungsprozess. Deutsch - Übersetzung - Linguee als Übersetzung von "trainingsdaten" vorschlagen Linguee - Wörterbuch Deutsch - Englisch Andere Leute übersetzten. 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 können diese Parameter aber nicht ändern. Sie haben keine Berechtigung, dies zu tun. Ist das getan, lasse ich den Teaster noch einmal durchlaufen das Ergebnis, das der Prozess sehr viel langsamer war und der Ordner C: ANN wurde mit dem trainierten Netzwerken besiedelt, wie Auf dem Bild. Stellen Sie sicher, dass der C: ANN Ordner. Sobald wir netze trainiert haben, ist es Zeit, zu testen wie es sich verhlt. Auf den Trainingsdaten. Ndern Sie den NeuroFilter zu true und SaveAnn zu false und starten Sie den Tester. Das Ergebnis, das ich bekommen habe, wird unten gezeigt. Beachten Sie, dass es leicht fr Sie Fall unterschiedlich sein knnte, da es einige Zuflüssigkeit innerhalb Netzwerke in Verbindung Gewichten Neuron ist bei dem Netzwerk Initialisierung (in diesem Beispiel, das ich expliziten Aufruf f2Mrandomizeweights verwendet () innerhalb annload () Ergebnis erhalten auf Der Nettogewinn ist etwas grer (20,03 gegenber 16,92), aber der Gewinnfaktor ist viel hher (1,25 gegenber 1,1). Das Ergebnis, das ich aus. Das Ergebnis, das ich aus. Das Ergebnis, das ich aus Der Testphase erhalten erhalten (01.01.2009 - 20.03.2009) ist unten dargestellt: Ergebnis erhalten von Testdaten mit neuronaler Filter. Aber ich wollte nicht zeigen, wie man die neugierigen Netze in Ihrem MQL4 Code nutzen knnte. Der wirkliche Effekt der 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. Ergebnisse der Testdaten ohne neuronale Filterung. Der Unterschied ist sehr offensichtlich. Wie sie sehen, macht die neuronale Filterung aus einem verlierenden EA ein 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-Pakets Fann2MQL knnen Sie einfach die neuronale Netzschicht in praktisch jedem Experte Advisor hinzufgen oder fangen Sie sich Ihren eigenen zu schreiben, die vollstndig oder teilweise auf neuronalen Netzen basiert. Die einzigartige Multi-Threading-Fhigkeit kann ihre Prozesse vielfältig beschleunigen, abhngig von der Anzahl der CPU-Kerne, optimiert werden. In einem Fall hat es die Optimierung meiner Intelligenz Lernen basierten EA-Prozesses von vier Tagen auf nur 28 Stunden verkrzt, mit einer 4-Kern Intel CPU. Fann2MQL auf der eigenen Website zu setzen: fann2mql. wordpress /. Sie finden dort die neueste Version von Fann2MQL und mglicherweise alle zuknftigen Versionen und die Dokumentation aller Funktionen. Ich verspreche, diese Software fr alle Versionen unter GPL-Lizenz zu halten, also, wenn Sie mir jegliche Kommentare senden, Bitte beachten Sie, dass. FANN auf der Fast künstlichen neuronalen Netzwerk-Bibliothek Webseite: leenissen. dk/fann/ Post Scriptum Nach dem Ich habe einen unedeutenden Fehler in NeuroMACD. mq4 gefunden. Die OrderClose () Funktion fr Short-Positionen wurde mit der Ticket-Nummer für Long-Einträge gespeist. Es fhrte zu einer schiefen Strategie, war mehr in der Richtung 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 ganze Bild des Einflusses neuronaler. Sie finden diese Versionen. Berstet aus dem Englischen von MetaQuotes Software Corp. mql5 / de / articles / 1565MetaTrader 5 - Beispiele Neuronale Netzwerke: Von der Theorie zur Praxis Einleitung Heutzutage hat sicherlich jeder Trader schon einmal etwas von einem neuronalen Netzwerk gehrt - und wei, wie cool es Ist, diese zu benutzen. Die Mehrheit scheint zu glauben, dass es sich bei all jenen, die mit neuronalen Netzwerken operieren, um irgendwelche bermenschen handeln wrde. Mithilfe des Artikels verbinde ich die Absicht, die Architektur eines neuronalen Netzwerks samt seine Applikationen und praktischen Nutzanwendungen nherzubringen. Das Konzept eines neuronalen Netzwerks Knstliche neuronale Netzwerke zu den Bereichen der Knstlichen Intelligenz-Forschung, in denen der Versuch unternommen wird, ein menschliches Nervensystem - samt seiner Befhigung zu lernen und zu adaptieren - zu simulieren. Kurioserweise bestehen knstliche neuronale Netzwerke aus knstlichen Neuronen. Die Struktur eines Neurons kann als eine Komposition zusammengefaßt werden: Neuronale Netzwerke weisen darauf hin, dass es lernfhig ist. Der Lernprozess basiert letztendlich, die Gewichte zu verndern. Der Net Input wird dann durch die Aktivierungsfunktion. Zusammengefasst ist ein neuronales Netzwerk auch eine Art von Blackbox, die Signale als Inputs erhlt und Resultate ausgibt. Hier klicken für mehr Netzwerke neuronales Netzwerk betrachten. Dies betrifft die folgenden Komponenten: Die Input-Schicht dazu, die Daten zum Netzwerk zu verteilen. Sie fhrt sich selbst keine Berechnungen durch. Die Outputs dieser Schicht senden Signale auf die ausgehenden Ausgänge der Output-Schicht, Ausgänge der ausgehenden Neuronalen Netzwerke. Dieses Signal bildet die Grundlage für die Steuererklärung der Expert Advisors Die ausgeblendeten Schichten sind Schichten von Standardneuronen, die Signale von der Input - zur Output-Schicht senden. Der Eingang der nchsten Schicht fungiert. Dieses Beispiel handelte von einem neuronalen Netzwerk mit zwei ausgeblendeten Schichten. Deutsch - Übersetzung - Linguee als Übersetzung von. Normalisierung der Eingabedaten Die Normalisierung der Eingabedaten ist ein Prozess, bei dem alle Eingabedaten normalisiert werden. Falls diese Normalisierung nicht durchgefhrt wird, werden diese Daten einem zustzlichen, zu falschen Entscheidungen fhrenden Effekt auf das Neuron ausben. Mit anderen Worten: Wie wirkt sich das auf, sind die Eingabedaten mit dem Bereich 0,10, so Vergoldet 0 und 10. Nun reduzieren wir die Daten auf den Bereich 0,1, so erhalten wir 0 und 1. Setzen wir nun diese Werte in die Formel ein, so knnen wir normierte Werte von jedem beliebigen x der Eingabedaten n ermitteln. Und so sieht das Ganze aus, wenn es in MQL5 implementiert wird: Zunchst spezifizieren wir das obere und untere Limit des Output-Werts, wobei wir die Werte aus dem Indikator-Minimum und - Maximum erhalten , Aber auch die letzten Werte mglich). Schlielich normalisieren wir ein jedes Input-Element (Indikatorwerte der verschiedenen Balken) und speichern die Ergebnisse in einem Array fr den spteren Gebrauch. Aktivierungsfunktionen Die Aktivierung ist eine Funktion, die den Ausgang eines Neurons berechnet. Der Input, den es erhlt, reprsentiert die Summe aller Input-Produkte und ihre entsprechenden Gewichte. Abb. 3. Das knstliche neuronale Netzwerk mit einer skizzierten Aktivierungsfunktion. Die Aktivierungsformel sieht in ihrer Standardform aus: Ist die Aktivierungsfunktion ist die gewichtete Summe, die in der ersten Phase der Output-Berechnung eines Neurons erhalten wird, ist ein Schwellenwert der Aktivierungsfunktion. Dies ist eine Übersetzung des englischen Originaltextes. Dies ist eine Übersetzung des englischen Originaltextes. Hier können Sie diesen Artikel in den Warenkorb legen. Diese Funktion wird durch die nachfolgende Formel beschrieben: fällt die gewichtete Summe kleiner als der spezifizierte Wert, so gibt die Aktivierungsfunktion 0 zurck. Ist die gewichtete Summe grer, so gibt sie 1 zurck. Die sterben Sigmoidfunktion beschreibt, wie sie sich auseinandersetzen wird. Sie wird oft bei mehrschichtigen neuronalen Netzwerken und anderen Netzwerken mit kontinuierlichen Signalen verwendet. Die Glette auch die Kontinuität der sehr guten Eigenschaften. Der Tangens Hyperbolicus. Eine Funktion, die auch sehr oft in Verbindung mit Netzwerken mit kontinuierlichem Signal verwendet wird. Ihre Eigenheit: Sie können negative Werte ausgeben. Die Form einer Aktivierungsfunktion. Allerdings gibt es noch eine weitere wichtige Sache zu diskutieren - die Steigung einer Funktion (Hard Threshold-unktionen ausgenommen). Sigmoidfunktion noch einmal. Der Funktionsgraph weist darauf hin, dass die Funktion ber dem Wertebereich -5,5 glatt wird. Das Beste aus einem Neuron mit 10 Inputs und einem Output besteht. Deutsch - Übersetzung - Linguee als Übersetzung von. Jeder Eingang wird einen normalisierten Wert - z. B. Im Bereich -1,1 - annehmen (wie bereits in Normalisierung der Eingabedaten erwhnt). - Deutsch - Übersetzung - Linguee als Übersetzung von "differenzierbare funktion" vorschlagen Linguee - Wörterbuch Deutsch - Englisch Andere Leute übersetzten. Die Gewichte werden dabei demgemäß entnommen. Durch alle Input - beziehungsweise Gewichts-Kombinationen erhalten wir die Extremwerte im Bereich von -10,10: In MQL5 wird die Formel folgendermaen aussehen: Nun mssen wir die Aktivierungsfunktion im identifizierten Bereich zeichnen. Die Sigmoidfunktion. Der einfachste Weg ist dabei die Verwendung von Excel. Hieran knnen wir eindeutig erkennen, dass ein Argumentwert auerhalb des Bereichs -5,5 keinerlei Auswirkungen auf die Ergebnisse ausbt. Dies deutet darauf hin, dass der Wertebereich unvollstndig ist. Lassen Sie uns versuchen, dies zu beheben. Wir werden dem Argument einen zustzlichen Koeffizienten hinzufgen, den Wertebereich zu vergrern. Abb. 5. Der Excel-Graph der Sigmoidfunktion mit zustzlichem Koeffizienten Lassen Sie uns noch einmal einen Blick auf die Graphen werfen. Wir haben einen zustzlichen Koeffizienten (d 0.4) beigefügt. Vergleicht man die Tabellenwerte, so ist es auch noch. Die Ergebnisse knnen auch wie folgt ausgedrckt werden: Die hyperbolische Tangensfunktion betrachten. Hier können Sie den ersten Kommentar zu diesem Artikel abgeben. Der einzige Unterschied besteht darin, dass der Ausgang im Bereich -1,1 liegen kann. Ebenso kann die gewichtete Summe Werte im Bereich -10,10 annehmen. Abb. 6. Der Excel-Graph der hyperbolischen Tangensfunktion mit zustzlichen Koeffizienten. Die Ergebnisse knnen auch wie folgt ausgedrckt werden: Auf diese Weise knnen Sie die Form einer jeden Aktivierungsfunktion ndern beziehungsweise verbessern. Lassen Sie uns nicht zur praktischen Anwendung kommen. Zunchst werden wir versuchen, die Berechnungen des Net Inputs des Neurons zu implementieren. Daraufhin fgen wir die Aktivierungsfunktion hinzu. Erinnern wir uns noch einmal an die Formel zur Berechnung des Net Inputs eines Neurons: Sehen wir es uns ein wenig genau an: Wir haben damit begonnen, eine Variable, um den Net Input des Neurons zu speichern, als auch zwei Arrays zu definieren: Eingaben und Gewichte Diese Variablen wurden bereits zu Anfang definiert, unabhngig aller Funktionen, um ihnen eine globale Reichweite zu verleihen (Zugriff innerhalb des gesamten Programms mglich) In der OnInit() - Initialisierungsfunktion (jeder andere Funktion wre ebenso denkbar) haben wir das Input - sowie das Gewicht-Array befllt. Hierauf folgte die Summing Loop, nlt3. da wir nur drei Eingaben und drei entsprechende Gewichte haben. Dann haben wir gewichtete Eingabewerte hinzugefgt und haben diese in der Variable gespeichert. Die erste Aufgabe ist somit beendet - und wir haben eine Summe erhalten. Jetzt ist die Aktivierungsfunktion dran. Unten befindet sich der Code zur Berechnung von Aktivierungsfunktionen (siehe Aktivierungsfunktionen ). Der Graph einer Sprung - oder Hard Threshold-Funktion Die hyperbolische Tangensfunktion Die Endmontage Um die Implementation einfach zu gestalten, werden wir uns ein Netzwerk vornehmen, das nur ein einziges Neuron aufweist. Die Bezeichnung Netzwerk mag bei der Verwendung nur eines einzigen Neurons eventuell ein wenig gewagt erscheinen, allerdings geht es uns an dieser Stelle ums Prinzip. Denn schlielich besteht ein mehrschichtiges neuronales Netzwerk aus den selben Neuronen, wobei der Output der vorherigen Neuronenschicht als Input fr die nachfolgende fungiert. Wir werden eine leicht modifizierte Version des Expert Advisors verwenden (Entwicklung und Einfhrung: Schnelleinstieg oder Kurzanleitung fr Anfnger Wir werden daher beispielsweise den Trendindikator des Gleitenden Durchschnittswerts durch den Relative-Strength-Index - Oszillator ersetzen. Informationen betreffend die Parameter eines Indikators und ihre Sequenz finden sich in der eingebauten Hilfe. Zunchst einmal mssen wir unser Netzwerk trainieren. Lassen Sie uns hierfr die Gewichte optimieren. Abb. 7. Strategietester mit dem erforderlichen Set an Parametern Wir werden die Optimierung anhand folgender Parameter vornehmen: Datum - z. B. seit dem Anfang des Jahres Je lnger der Zeitrahmen, umso geringer das Auftreten einer Kurvenanpassung und umso bessere Ergebnisse. Ausfhrung - normal, nur Erffnungskurse. Es gibt keinen Grund fr einen Test, der alle Modi umfasst, da unser EA lediglich die letzten 10 Indikatorwerte bentigt (Whrungswert ausgenommen). Optimierung kann so eingestellt werden, dass sie den langsamen vollstndigen Algorithmus verwendet. Eine genetische Optimierung verspricht hingegen schnellere Resultate, was besonders bei der Bewertung eines Algorithmus Vorteile bietet. Falls das Ergebnis zufriedenstellend ausfllt, knnen Sie ferner versuchen, den langsamen vollstndigen Algorithmus zu verwenden, um noch genauere Ergebnisse zu erzielen. Vorwrts von 1/2 erlaubt es Ihnen zu beurteilen, wie lange Ihr EA die erhaltenen Resultate generieren kann, bis die nchste Optimierung fllig wird. Zeitrahmen und Whrungspaar knnen nach eigenem Ermessen gewhlt werden. Abb. 8. Optimierung der Parameter und ihrer entsprechenden Bereiche Die Optimierung wird unter Bercksichtigung aller Gewichte und ihrer Bereiche durchgefhrt. Starten Sie die Optimierung, indem Sie in den Einstellungsreiter zurckkehren und den Start-Button drcken. Abb. 9. Infolge der Optimierung erhaltene Daten Nachdem die Optimierung abgeschlossen ist, whlen wir den erfolgreichen Test mit dem maximalen Profitwert im Optimierungsergebnisse-Reiter aus (um nach Parametern zu sortieren, klicken Sie bitte auf den entsprechenden Spaltenkopf). Sie knnen danach auch andere Parameter auswerten und den entsprechenden erfolgreichen Test auswhlen, falls gewnscht. Mit einem Doppelklick auf den bentigten Vorgang initiieren Sie einen Test der Ergebnisse, die im Ergebnis - beziehungsweise Graphen-Reiter angezeigt werden. Abb. 10. Testbericht Abb. 11. Bilanzchart Abb. 12. Trading-Performance des Expert Advisors Nun liegen uns also endlich die finalen Ergebnisse vor - und die sind fr den Anfang gar nicht bel. Bedenken Sie an dieser Stelle bitte, dass wir nur ein Neuron zur Verfgung hatten. Das Beispiel war zweifellos uerst primitiv, dennoch lsst sich nicht leugnen, dass sich selbst damit Profite machen lassen. Vorteile eines neuronalen Netzwerks Lassen Sie uns nun einen EA, der sich einer normalen Logik bedient, und einen, der auf ein neuronales Netzwerk zurckgreifen kann, miteinander vergleichen. Wir werden die Optimierungs - und Testergebnisse eines herkmmlichen, mit dem Terminal ausgelieferten MACD-EAs und eines EAs, der auf einem neuronalen Netzwerk basiert, miteinander vergleichen. Take Profit und Trailing Stop-Werte werden bei der Optimierung nicht bercksichtigt, da sie dem neuronalen Netzwerk-EA nicht zur Verfgung stehen. Beide zu testende Expert Advisors basieren auf dem MACD-Indikator (Moving Average Convergence-Divergence) und den folgenden Parametern: Zeitraum fr den schnellen gleitenden Durchschnittswert: 12 Zeitraum fr den langsamen gleitenden Durchschnittswert: 26 Zeitraum fr die durchschnittliche Differenz . 9 Preistyp . Schlussnotierung. Sie haben ferner die Mglichkeit, das bentigte Whrungspaar und den Zeitraum zu ndern. Wir werden dies im vorliegenden Fall jedoch nicht tun: EURUSD, H1. Die Testperiode ist in beiden Fllen identisch: die Erffnungskurse seit dem Anfang des Jahres. Abb. 13. Vergleich der Schlsseleigenschaften Dieser Artikel hat die wichtigste Punkte abgedeckt, die Sie wissen mssen, wenn Sie einen EA konzipieren wollen, der auf ein neuronales Netzwerk zurckgreift. Wir haben die Struktur eines Neurons als auch eines neuronalen Netzwerks kennengelernt, es wurden Aktivierungsfunktionen und Methoden umrissen, mit denen man ihre Form verndern kann, als auch der Prozess einer Optimierung sowie einer Normalisierung von Eingabedaten skizziert. Auerdem haben wir einen EA, der sich einer normalen Logik bedient, mit einem, der auf einer neuronalen Netzwerk-Logik basiert, vergleichen. bersetzt aus dem Russischen von MetaQuotes Software Corp. Originalartikel: mql5/ru/articles/497Wertpapier Forum: Knstliche neuronale Netzwerke Gruppe: Benutzer Beitrge: 7 Registriert: 15. September 05 Geschrieben 08. Januar 2012 - 01:38 also ich habe verschiedene Netze verwendet, feed-forward und rekursive. Insgesamt habe ich momentan etwa 300 verschiedene Netze dokumentiert und trainiert. Dabei unterscheiden sie sich hinsichtlich ihrer Struktur, d. h. Anzahl der Schichten und Neuronen, und der verwendeten Inputs. Ich bin noch ganz am Anfang und noch sehr viel am probieren, das eine Netze existiert also noch nicht. Die neusten Netze liegen bei 252ber 55 (vereinzelt knapp 60) Trefferquote (also DAX steigt/sinkt am n228chsten Tag), sehe aber hier noch etwas Potential nach oben. Inputs sind verschiedene Indizes (DJ, Nikkei. ), Wechselkurse und andere Konjunkturdaten, insgesamt mehrere Dutzend. Die Schwierigkeit liegt an der Datenvorbereitung, so gelang es mir bisher zum Beispiel noch nicht Roh246lpreise ab 1995 auf t228glicher Basis zu finden und zu integrieren. Dies nur als Beispiel, tats228chlich habe ich noch viele weitere Ideen f252r Inputs, welche ich nach und nach integrieren werde. Als Grundlagenpaper eignet sich vielleicht dieses: Using Neural Networks to Forecast Stock Market Prices Gibt einen guten 220berblick 252ber verschiedene Ans228tze. Vielleicht noch zur Erkl228rung, weswegen ich nach der optimalen Handelsstrategie f252r die Netze suche: Ich m246chte das Ganze gerne direkt anwendungsorientiert gestalten, um Zeit einzusparen. Die Inputs/Outputs sollten daher richtig gew228hlt werden, daher frage ich mich auch, wie es sich mit dem Future-DAX-Kurs und den Real-DAX-Kurs (den ich auf Yahoo finde und ich zum trainieren der Netze verwende) verh228lt. Versuche mich derzeit etwas einzulesen, aber tue ich mich dabei noch etwas schwer. Verstehe zum Beispiel nicht, weswegen sich der Future-Kurs meist oberhalb des reellen Kurses, sich aber auch unterhalb befinden kann. Vielen Dank und Gr252223e, Hoobee Dieser Beitrag wurde von Hoobee bearbeitet: 08. Januar 2012 - 01:41 Geschrieben 08. Januar 2012 - 08:18 Vielleicht noch zur Erklrung, weswegen ich nach der optimalen Handelsstrategie fr die Netze suche: Ich mchte das Ganze gerne direkt anwendungsorientiert gestalten, um Zeit einzusparen. Die Inputs/Outputs sollten daher richtig gewhlt werden, daher frage ich mich auch, wie es sich mit dem Future-DAX-Kurs und den Real-DAX-Kurs (den ich auf Yahoo finde und ich zum trainieren der Netze verwende) verhlt. Versuche mich derzeit etwas einzulesen, aber tue ich mich dabei noch etwas schwer. Verstehe zum Beispiel nicht, weswegen sich der Future-Kurs meist oberhalb des reellen Kurses, sich aber auch unterhalb befinden kann. Wenn du am Ende eh nicht den DAX handelst sondern ein Derivat, dann erschliet sich mir nicht, warum du berhaupt eine Vorhersage fr den DAX treffen willst. Normalerweise will man wissen, wie sich das Papier entwickelt, das man auch handelt. Bei 55 Prozent (wie hast du die denn ermittelt) wrde das heien, dass von 100 Trades 45 in Verlust enden. Das klingt fr mich aber ehrlich gesagt nach der typischen Baseline. Da der DAX seit 1990 einen Aufwrtstrend hat, sind also steigende Kurse sowieso hufiger als Fallende, damit brauchst du aber kein KNN um zu wissen, dass die Kurse am nchsten Tag hher liegen als am Tag zuvor. Mit dieser Prmisse kann dich jeder der Buy and Hold macht zu geringeren Kosten outperfomen, weil er weniger Trades macht und ein geringeres Risiko eingehen muss. Was dein KNN also vorhersagen muss, damit es Sinn macht, ist nicht nur die Richtung der Kurse, sondern auch wie gro die Rendite zum Vortag ist. Dir ntzt es nmlich nichts, wenn der DAX 0,1 Prozent hher schliet, du aber erst mit einem Plus von 0,3 Prozent Geld verdienst. Da hast du nmlich nach Kosten wieder einen Verlust und deine 55 Prozent entwickeln sich ziemlich schnell zu 40 Prozent. Trading ist fr mich keine Strategie sondern Arbeit -- Zeit gegen Geld. Ich investiere in Aktien, um meine finanzielle Unabhngigkeit zu erreichen und von Dividenden Leben zu knnen. Dazu verfolge ich meine Strategie der Auswahl an Assets, die mein Vermgen steigern und mein passives Einkommen verbessern. Mein Anlagehorizont betrgt mindestens 5 bis 10 Jahre. Ich orientiere mich dabei verstrkt an Value-Werten mit starken Wachstumsaussichten, die sich fr Buy and Hold eigenen. Ein wichtiges Kriterium fr die Auswahl ist besonders der positive Cashflow des Unternehmens und die Dividenden-Rendite. 10 Hoobee Gruppe: Benutzer Beitrge: 7 Registriert: 15. September 05 Geschrieben 08. Januar 2012 - 11:05 H. B. Danke f252r die Erkl228rung, glaube das habe ich nun verstanden StockJunky Ich hab den DAX-Kurs von Yahoo gew228hlt, da es sich anfangs nur um eine Spielerei (bei der es auch immer noch bleiben kann) gehandelt hat und ich nur mal prinzipiell testen wollte, ob das funktionieren k246nnte, oder nicht. An Derivate habe ich zu dem Zeitpunkt noch gar nicht gedacht, weswegen ich hier ja auch nachfrage, wie man mit dem System, so wie es ist, erfolgreich handeln k246nnte. Getestet habe ich folgenderma223en: - zu Beginn habe ich Aussagen 252ber den Dow Jones treffen wollen (positiv/negativ am n228chsten Tag), habe dann 252ber mehrere Tausend Tage das Netz trainiert und im Anschluss f252r knapp 1000 Tage getestet. Dabei Habe ich die Outputs in quot0quot f252r negativ und quot1quot f252r positiv ausgewertet und die vorhandenen Werte (wie sich der DJ wirklich entwickelt hat) auch. Ein einfacher Vergleich zeigte dann schon schnell, dass die Netze praktisch immer 252ber 50 treffen, also richtig liegen bei plus oder minus - angespornt durch die positiven Ergebnisse (immerhin 246fters richtig als falsch 252ber einen Zeitraum von knapp 3 Jahren - ohne Re-Training) aus dem DJ habe ich das ganze auf den DAX umgem252nzt, mehr Trainingstage und daf252r weniger Testtage ( 320) genommen, wie oben beschrieben getestet, und erreiche mittlerweile gt55 Das 55 Prozent nur knapp 252ber 50 Prozent sind und vielleicht mit Orderkosten die quotBaselinequot bilden ist mir klar, unter 60 Prozent Ergebnisse aus den Trockentests wird nichts weiter passieren. Jedoch spiele ich seit Jahren Poker und dabei habe ich die Einstellungen gewonnen, dass wenn ich 246fters richtig als falsch liege ich durchaus gewinne (Geplant ist nat252rlich tats228chlich Aussagen 252ber Prozente zu treffen, wie gesagt, mache das Ganze erst seit Dezember und muss noch viel lernen und lesen) Oder so gesagt:8220In this business, if you8217re good, you8217re right six times out of 10. You8217re never going to be right nine times out of 10.8221 (Zitat von Peter Lynch). Dieser Beitrag wurde von Hoobee bearbeitet: 08. Januar 2012 - 11:07 11 etherial Gruppe: Benutzer Beitrge: 3.546 Registriert: 26. Februar 07 Geschrieben 08. Januar 2012 - 19:09 Bei 55 Prozent (wie hast du die denn ermittelt) wrde das heien, dass von 100 Trades 45 in Verlust enden. Das klingt fr mich aber ehrlich gesagt nach der typischen Baseline. Da der DAX seit 1990 einen Aufwrtstrend hat, sind also steigende Kurse sowieso hufiger als Fallende, damit brauchst du aber kein KNN um zu wissen, dass die Kurse am nchsten Tag hher liegen als am Tag zuvor. Ich habs mal mit den Daten seit 1990 ausgerechnet: - 52 steigende Kurse - 48 fallende Kurse Ich hab dann mal zum Spa ein paar simple Strategien angewendet: - Gehe immer von steigender Entwicklung aus - 52 Treffer, 48 Fehler - Nimm stets an, dass die Entwicklung von gestern sich heute fortsetzt - 51 Treffer, 49 Fehler - Nimm stets an, dass eine Entwicklung die zwei Tage andauerte auch einen dritten andauert (in anderen Flle gehe von steigenden Kursen aus) - 51,5 Treffer, 48,5 Fehler Ich wrde dir allerdings beipflichten, dass 55 Treffer zu schlecht sind - insbesondere dann, wenn noch nichtmal klar ist mit welcher Signifikanz das aufgeht. Was dein KNN also vorhersagen muss, damit es Sinn macht, ist nicht nur die Richtung der Kurse, sondern auch wie gro die Rendite zum Vortag ist. Dir ntzt es nmlich nichts, wenn der DAX 0,1 Prozent hher schliet, du aber erst mit einem Plus von 0,3 Prozent Geld verdienst. Da hast du nmlich nach Kosten wieder einen Verlust und deine 55 Prozent entwickeln sich ziemlich schnell zu 40 Prozent. Bei Futures treten die Transaktionskosten in den Hintergrund. Wer sich einen Eindruck von der Mchtigkeit Neuronaler Netze machen mchte kann ja mal das hier ausprobieren phi-t. de/mousegame/. Geschrieben 03. Februar 2012 - 23:42 Ich besch228ftige mich nun seit ein paar Wochen mit k252nstlichen neuronalen Netzwerken, welche ich im Laufe meines (ingenieurwissenschaftliches) Studiums kennengelernt habe, um Vorhersagen auf den DAX zu erzielen. Momentan teste ich nur ob ich ein Plus oder Minus f252r den n228chsten Tag vorhersagen kann. Dabei habe ich das Netzwerk 252ber gt1000 Tage trainiert und teste im Anschluss mit 300 Tagen . welche dem Netz zum ersten Mal gezeigt werden. Dabei erziele ich eine Trefferquote von 55. Das Netz liegt also 246fters richtig, als falsch. also ich habe verschiedene Netze verwendet, feed-forward und rekursive. Insgesamt habe ich momentan etwa 300 verschiedene Netze dokumentiert und trainiert. Je nachdem, wie du das gemacht hast, k246nntest du auch in eine statistische Falle getappt sein. Du hast evtl. quotzu vielequot Netze ausprobiert und die Beschreibung, wie du sie testest, klingt zun228chst mal nach einem wenig geeigneten Testverfahren. Wenn alle Netze jeweils nur einem einzigen Test unterliegen und du massenweise Netze testest, wird da mit hoher Wahrscheinlichkeit irgendwann auch ein Netz dabei sein, das aus den Lerndaten Regeln ableitet, die sehr gut zu diesen speziellen Testdaten passen. Hier w228ren erweiterte Testverfahren angemessen, wie z. B. Cross-validation. Aber auch sie eliminieren die M246glichkeit dieser quotFallequot nicht, sie machen sie nur unwahrscheinlicher. Und wenn du dann weiter viele unterschiedliche Netze damit testest, steigerst du die Wahrscheinlichkeit wieder, blo223 ein Netz gefunden zu haben, das deinen Test besteht, aber nicht in der Realit228t funktioniert. Das ist wie mit statistischen Tests, wo man eine Regelm228223igkeit finden will, die mit 95-iger Wahrscheinlichkeit in den Daten vorhanden ist. Macht man eine Untersuchung und die Regelm228223igkeit best228tigt sich, ist das ok. Macht man aber 100 Untersuchungen und findet dabei 5 best228tigte Regelm228223igkeiten, kann man das Ergebnis getrost in die Tonne kloppen. F252r so viele Untersuchungen muss man die Signifikanzh252rde entsprechend anheben. Eventuell habe ich aber deine Beschreibungen auch falsch aufgefasst - soll jedenfalls nur so ein Hinweis von einem auf kognitive Systeme spezialisierten Informatiker sein. Im 220brigen sind aus meiner Sicht mittlerweile SVMs (mit nicht-linearen Kernels) f252r solche Anwendungen interessanter als neuronale Netze, da sie etwas beherrschbarer als NNs sind und deren Optimierung auf besseren theoretischen Grundlagen fu223t. Ich hatte gerade etwas Zeit und habe mal nachgerechnet, wie gro223 die Wahrscheinlichkeit ist, dass eine zuf228llige bin228re Folge mit einer vorgegebenen anderen Folge der L228nge 300 in mindestens 165 Bits (also 55) 252bereinstimmt. Wenn ich mich nicht t228usche, liegt sie bei ca. 4,695. Das hei223t, man braucht im Schnitt 22 Versuche, um diese 220bereinstimmung zu erreichen. Wenn du 300 Netze (d. h. Versuche) daf252r gebraucht hast, hattest du sogar richtig quotPechquot. Statistisch h228ttest du schon nach 22 Netzen ein Netz bekommen m252ssen, das deinen 300-Tage-Test zuf228llig zu mindestens 55 besteht. Wenn ich deinen Testaufbau also richtig verstanden habe, ist das Ergebnis bisher nicht statistisch signifikant. Dieser Beitrag wurde von ipl bearbeitet: 04. Februar 2012 - 01:21