本文将介绍MTC组合的智能交易系统（EA），并分享一些小编辑，因为现在的货币对已经采用五位小数。
EA的目标如下：
假设我们有一个 基础交易系统（BTS），我们需要设计并训练一个 神经网络（NN），以便它能补充BTS，执行后者无法完成的操作。因此，我们将获得一个由BTS和NN组合而成的交易系统。
没有必要重新发明轮子，轮子早已被发明出来。假如有车，何必教人跑得快；有直升机，何必教人飞？
如果我们有一个趋势交易系统，则只需教会神经网络反趋势策略。趋势系统无法在震荡市中交易，也无法准确识别回调和反转。当然，我们可以使用两种交易策略（趋势和反趋势）并在同一个图表中同时运行，或者训练神经网络，使其补充交易系统。
为此，我们开发了一个包含两层的神经网络，底层有两个感知器，顶层有一个感知器。
神经网络可能处于三种状态之一：
- 做多
- 做空
- 未定义
第三种状态意味着控制权交给BTS，而前两种状态则由网络生成交易信号。
神经网络的训练分为三个阶段。在每个阶段中训练一个感知器。优化后的BTS在每个阶段都在，以便让感知器了解它可以做什么。
使用遗传算法单独训练感知器是由于算法的一个缺点，即可选参数的数量有限。无论如何，每个训练阶段都是逻辑一致的，神经网络也不是很庞大，因此整个优化过程在合理的时间内完成。
但在NN训练之前的第一个阶段是为了优化BTS。
为了避免混淆，阶段编号在EA输入中通过“pass” ID指明。与阶段编号对应的输入ID以该数字结尾。
让我们为NN优化和训练做准备。
将测试器中的初始存款设置为100美元（以免在优化过程中产生虚假的保证金呼叫），优化“Balance + max Sharpe Ratio”参数，选择“快速遗传算法”优化类型。
现在，转到EA属性的输入选项卡。
通过将“lots” ID的值设置为0.01来设置开仓头寸的手数。
优化将根据“仅开放价格”模型进行。这种方法因其高速而被选择。此外，EA算法具备新条管理功能。
第一阶段：BTS优化：
将pass设置为1。
仅优化与第一阶段相对应的输入，其ID以1结尾。因此，只在这些参数上设置优化标记，去掉其他参数的标记。
tp1 - BTS止盈。优化值范围为100到1000，步长为10。
sl1 - BTS止损。优化值范围为100到1000，步长为10。
p1 - 在BTS中应用的CCI振荡器周期。优化值范围为3到100，步长为1。
开始通过遗传算法优化进行训练。
第二阶段：训练负责做空头寸的感知器：
将“pass”输入设置为2（以便与阶段编号匹配）。
去掉在前一阶段设置的优化标记。将前一阶段获得的输入保存到文件中以备不时之需。
为第二阶段参数（ID以2结尾）设置优化标记：
x12, x22, x32, x42 - 识别做空头寸的感知器的权重比。优化值范围为0到200，步长为1。
tp2 - 由感知器打开的头寸的止盈。优化值范围为100到1000，步长为10。
sl2 - 由感知器打开的头寸的止损。优化值范围为100到1000，步长为10。
p2 - 感知器分析的价格差值周期。优化值范围为3到100，步长为1。
开始通过遗传算法优化进行训练。
第三阶段：训练负责做多头寸的感知器：
将“pass”输入设置为3（以便与阶段编号匹配）。
去掉在前一阶段设置的优化标记。
将前一阶段获得的输入保存到文件中以备不时之需。
为第三阶段参数（ID以3结尾）设置优化标记：
x13, x23, x33, x43 - 识别做多头寸的感知器的权重比。优化值范围为0到200，步长为1。
tp3 - 由感知器打开的头寸的止盈。优化值范围为100到1000，步长为10。
sl3 - 由感知器打开的头寸的止损。优化值范围为100到1000，步长为10。
p3 - 感知器分析的价格差值周期。优化值范围为3到100，步长为1。
开始通过遗传算法优化进行训练。
最后第四阶段：
训练第一层（上层感知器）：
将“pass”输入设置为4（以便与阶段编号匹配）。
去掉在前一阶段设置的优化标记。
将前一阶段获得的输入保存到文件中以备不时之需。
为第四阶段参数（ID以4结尾）设置优化标记：
x14, x24, x34, x44 - 第一层感知器的权重比。优化值范围为0到200，步长为1。
p4 - 感知器分析的价格差值周期。优化值范围为3到100，步长为1。
开始通过遗传算法优化进行训练。
以上就是。神经网络已完成训练。
EA还有一个不可优化的“mn”输入 - 魔法数字，允许系统在手动或其他EA打开的订单中区分自己的订单。魔法数字应是唯一的。
P.S.
- 初始存款大小定义为绝对回撤乘以二（安全边际）。
- EA的源代码尚未优化。
- 如果想用另一种交易系统的算法替换内置的BTS，请更改basicTradingSystem()函数的内容。
- 如果上周的结果不盈利，请在周末重新优化EA。亏损信号表明市场发生了变化，需要重新优化。如果EA盈利，则无需重新优化，因为机器人已能很好地识别市场模式。