آلة التعلم الفوركس 2012

تعلم الآلة تطبق على الفوركس تعلم الآلة يمكن أن يساعدنا على تحسين استراتيجيات التداول التلقائي. من خلال دراسة كمية هائلة من المعلومات الماضية، يمكننا تحديد الأنماط التي تساعدنا على التنبؤ بتطور السوق إلى حد كاف. وهذا بالطبع ما يفعله بعض المتداولين منذ فترة طويلة، لكن أتمتة العملية تسمح لنا بإيجاد استراتيجيات أفضل بكثير وأسرع بكثير مما يتطلبه الإنسان. هنا نقترح استراتيجية المضاربة التي تم اختبارها بنجاح ويوضح الاحتمالات التي جلبتها التعلم الآلي في النقد الاجنبى. العثور تلقائيا على استراتيجية المضاربة الفوز على اليورو يوروس هو زوج مربح جدا لاستراتيجية المضاربة بنيت من خوارزميات التعلم الآلي، على الرغم من أن لدينا طريقة قادرة على العثور على استراتيجيات الفوز على غيرها من الصكوك وبعض التي تعمل عبر العديد من الصكوك، واستراتيجيات وضعت ل يوروس إعطاء أفضل العوائد. هذه هي الطريقة التي بنيت الاستراتيجيات. لا يمكننا إطعام السعر الفعلي للخوارزمية لأننا نريد أن يتعرف على الأنماط بشكل مستقل عن ارتفاعها على الرسم البياني. لذلك نحن تغذية ذلك تحركات الأسعار، من عالية إلى عالية ومنخفضة إلى منخفضة (أفضل من فتح لإغلاق). هذا هو نوع بسيط من المؤشرات مع قوة تمييزية مثيرة للدهشة بين أنماط الفوركس. ولكن ما هي الفواصل الزمنية التي يجب أن نختارها لمؤشراتنا وباستخدام المرتفعات والمنخفضة على مدى الفترة التي تجيب فيها الخوارزمية على هذا السؤال بالنسبة لنا عن طريق تحسين مجموعة من المؤشرات وتسجيلها من خلال مدى إستراتيجية جيدة يمكننا الاعتماد عليها. الطريقة المستخدمة للتحسين هي خوارزمية وراثية. نبني بضع مجموعات من المؤشرات أقوى منها (درجة أعلى) لديهم فرصة أفضل ل لدكوريبرودوسينغردكو و لدكوموتاتردكو بينما يتم استبدال تلك الأضعف. هذا الأسلوب يميل إلى تحسين مجموعات المؤشرات وأنه هو آلاف المرات أسرع من مجرد محاولة الخروج من كل إمكانية واحدة. نحن نسجل مجموعة من المؤشرات من خلال مدى استراتيجية جيدة يمكننا بناء معها. يتم بناء الاستراتيجيات تلقائيا باستخدام خطوة التحسين الثانية وهيكل البيانات، الشبكة العصبية الاصطناعية. الشبكة العصبية يأخذ كمدخلات قيم المؤشر لفترة معينة ويخرج بعض المعلومات حول مستقبل الصك. ماذا يتنبأ الشباك العصبي الاصطناعي تحاول الشباك العصبية التنبؤ بعامل ربح عادي (الربح الإجمالي مقسوما على الخسارة الإجمالية) على صفقة واحدة خلال فترة معينة في المستقبل. الفترة المعنية يمكن أن تتراوح بين 3 و 10 أيام، بل هو المعلمة الأمثل للاستراتيجية. ولذلك، فإن إستراتيجيتنا لا تستخدم بالضرورة وقف الخسائر وتحقق الأرباح، وبدلا من ذلك، نفتح موقعا لمقدار محدد سلفا من الوقت ونغلق الموقف في نهاية تلك الفترة، مهما حدث. يتم تصنيف صافي من قبل نسبة من التوقعات الصحيحة وزنه من قبل إترسكوس الدقة. وبدلا من ذلك، يمكن لشبكاتنا العصبية التنبؤ بما ينبغي أن تستثمره حصة رصيد الحساب، ثم يتم تصنيف الشباك عن طريق الرصيد النهائي للحساب أو عامل الربح الإجمالي. الفخاخ الشائعة في استراتيجيات أوتوماتيكترادينغ هناك بعض المزالق المشتركة لتكون على بينة في مثل هذه الاستراتيجيات حيث يبدو أن استراتيجية لتقديم أرباح مذهلة ولكن لا قيمة لها في الحياة الحقيقية. وأهم الاحتياطات هو أن الفترة التي يتم فيها اختبار الاستراتيجية ينبغي ألا تكون هي نفس الفترة التي بنيت فيها. وإلا يمكننا ببساطة توليد الآلاف من الاستراتيجيات العشوائية المعقدة واختيار واحد الذي يعمل بشكل أفضل على فترة معينة واحدة، ولكن إترسكوس فقط عندما يكون لدينا نتيجة إيجابية على مجموعة مستقلة من البيانات التي يمكننا أن نبدأ الثقة استراتيجيتنا. في الواقع نستخدم ثلاث مجموعات مستقلة من الوقت، يتم استخدام مجموعة التدريب لبناء النظام، يتم استخدام مجموعة التحقق من الصحة لتجنب الإفراط في التعلم ويتم استخدام مجموعة الاختبار للنتائج المبلغ عنها. في حالتنا، نصل إلى 60 الرهانات الصحيحة على مجموعة الاختبار الذي يمتد على مدى العام الماضي. بل هو أيضا ممارسة سيئة لتحسين الربحية ووقف الخسارة من البداية. عند تحسين استراتيجية على فترة قصيرة جدا، يمكن للمرء بسهولة الحصول على ربح شامل مدهش عن طريق وضع الربحية قريبة جدا ووقف الخسارة بعيدا جدا. وعندما يتم التوصل إلى وقف الخسارة في نهاية المطاف على مدى فترة أطول، فإن العواقب مدمرة. وبمجرد التوصل إلى استراتيجية مربحة، يمكن أن يكون الأمثل للربح ووقف الخسارة ولكن يجب أن لا تكون أبدا بعيدة جدا عن بعضها البعض. إن وضع الربحية ووقف الخسارة ليست استراتيجية بحد ذاتها، بل هي وسيلة للسيطرة على المخاطر. استراتيجية الأمثل اختبار مع محاكاة معترف بها استراتيجيتنا يحصل على النظري 62.5 الرهانات الصحيحة على اليورو مقابل الدولار الأميركي. ولكن يمكننا الحصول على تقييم أفضل للاستراتيجية مع محاكاة جيدة وتطبيق الحياة الحقيقية للاستراتيجية. لهذا السبب قمنا بتنفيذ الاستراتيجية باستخدام أبي جفوريكس واختبارها على منصة جفوريكس. مرة أخرى، كنا حريصين على عدم خلط الفترة التي استخدمناها لتحسين استراتيجيتنا والفترة التي كنا نختبرها. نحن أيضا صقل استراتيجيتنا بعض أكثر ضبط المبلغ المستثمر في كل موقف لتعكس التنبؤات ستراتيغيسترسكوس. هذا تحسن كثيرا من عامل الربح (الربح الإجمالي مقسوما على الخسارة الإجمالية) من استراتيجيتنا. نحن نستخدم رافعة مالية لزيادة أو تقليل المخاطر والعائد المتوقع. أكثر من 161 الصفقات، عامل الربح لدينا ستراتيجيونيون فترة الاختبار هو 2.87 وهذا يعني أننا نحصل على 2.87 مرات أكثر ربح من تراجع في الصفقات. على الرغم من أننا فقط الحصول على 60.24 الصفقات مربحة، فهي أكثر ربحية من الصفقات الخاسرة هي غير مربحة. الإحصاءات النهائية نجد قول جدا هو الحد الأقصى للتراجع التوالي، 5، والأرباح القصوى على التوالي، 18 من الأسهم. لدينا حساب حقيقي تشغيل الاستراتيجية ولكن تم القيام بذلك لفترة زمنية صغيرة جدا جدا لتقييم ذلك بهذه الطريقة. نحن أيضا الأمثل أخذ الربح ووقف الخسارة. منذ نحن نرفض أن نرى تلك العوامل كعوامل استراتيجية ولكن يفضل رؤيتها كمعلمات السيطرة على المخاطر، ونحن دائما الاحتفاظ بها مساوية لبعضها البعض. والعكس يخلق اختلالا يجعل من الصعب تقييم الاستراتيجية. مرة أخرى، تم تحسين هذه المعايير على فترة مختلفة من فترة الاختبار. وأظهرت النتائج أن وقف الخسارة والربح ينبغي أن تستخدم بالفعل وأنه ينبغي أن توضع قريبة جدا، في حوالي 18 نقطة. وضع تلك أقرب إلى سعر الافتتاح لا يحسن عامل الربح الإجمالي ولكن على تلك المستويات، واللجان والرسوم تصبح مزعجة. وقف الخسارة والربح تحسين عامل الربح والاستقرار العام للاستراتيجية في حين أنها لا تعيق على الربح الإجمالي ولكن الرافعة المالية يمكن أن يعالج الوضع. عيوب استراتيجية التداول التلقائي نقد مشترك بشأن استراتيجيات الصندوق الأسود مثل استراتيجياتنا هو أن السوق يمكن أن تتغير فجأة دائما والاستراتيجيات التي عملت قبل وونرسكوت العمل إلى أجل غير مسمى. وعلينا أن نعترف بأن هذا الأمر قائم تماما، ونعتقد أنه لا يمكن القيام بأي شيء لتجنب ذلك بدون كرة بلورية للتنبؤ بالمستقبل. ومع ذلك، فإنه أيضا شعورنا بأن هذه هي الحقيقة مع أي استراتيجية المضاربة، من صنع الإنسان أو غير ذلك. ومن الواضح أن النقد الأجنبي قد عانى من تغييرات كبيرة في الماضي. حجم هو مؤشر كبير لهذه المسألة أنه يعطي لنا حقا نظرة ثاقبة لحظة عندما يتم تداول طريقة الصك التغييرات. على الرسم البياني أدناه يمكنك مراقبة تطور حجم اليورو مقابل الدولار الأميركي في السنوات ال 16 الماضية. استراتيجية بنيت باستخدام البيانات التي بعيدة جدا دونسنرسكوت العمل بعد الآن. ومع ذلك، عملت استراتيجيتنا بشكل جيد على قدم المساواة على اليورو مقابل الدولار الأميركي على مدى السنوات القليلة الماضية ولا شيء يشير إلى أنه سيتغير في أي وقت قريب. هناك أمران يمكننا القيام به للحماية من التغيير المفاجئ في الطريقة التي يتم تداولها أدوات الفوركس. أولا، يمكننا مراقبة السوق والانتظار لتلك اللحظة عندما عملنا دوزنرسكوت العمل بعد الآن باستخدام الإحصاءات التي ينبغي أن تتبع استراتيجية مثل الحد الأقصى التراجع التوالي وعن طريق رصد حجم. ثانيا، يمكننا أن نفعل واترسكوس دعا على الخط التعلم حيث يتم باستمرار تحسين استراتيجيتنا على البيانات الجديدة. هذا الخيار الثاني هو ممارسة جيدة ولكن دسنرسكوت الحرس ضد التغيرات المفاجئة التي هي نموذجية في النقد الاجنبى كل بضع سنوات. الحل الأمثل هو تنفيذ كل من تلك الأساليب عن طريق تحسين استراتيجياتنا بانتظام مع إدراك أن تغيير أعمق في الاستراتيجية سيكون في نهاية المطاف ضروريا. والنقد الآخر هو أننا لا نفهم أبدا ما يفعله نموذج الصندوق الأسود. ليس هذا هو الحال بالنسبة لنا كما نموذجنا هو بسيط جدا في الواقع، ولكن نحن سوف تأخذ سر قبرنا أو على الأقل حتى استراتيجية غير مربحة بعد الآن. شكرا للقراءة، ترجمة إلى الروسيةالماكينات التعلم هو مجال الذكاء الاصطناعي حيث تتعلم برامج الكمبيوتر بدلا من عمياء اتباع السيناريو. مع ما يكفي من البيانات التدريب يمكنك تعليم تلك الخوارزميات لقيادة سيارة، طيار طائرة هليكوبتر أو بناء أفضل محرك بحث في العالم. وفيما يلي النتائج التي حصلت عليها مع نهجي الأولي في تطبيق التعلم الآلي لتداول العملات الأجنبية. يتم وضع مجموعة متنوعة من الخوارزميات في محاولة للتنبؤ تطور أداة مع بيانات من 8 الحانات اليومية فقط في الماضي. لكل يوم، يتم تسجيل أربعة قيم، أول ثلاثة معلومات قياسية عن حركة من يوم سابق على مقربة من ديرسكوس عالية، منخفضة وقريبة، في بيرسن t بينما الرابع يسجل حجم لهذا اليوم. وهذا يجعل ل 32 متغيرات مستقلة الكلي. يتم الحصول على البيانات من ثلاثة أدوات في قاعدة بيانات دوكاسكوبي، اليورو مقابل الدولار الأميركي، أودجبي و غبشف يوميا الحانات الطلب من 1 يناير 2008 إلى 31 ديسمبر 2011، مع عطلة نهاية الأسبوع المخلوطة في يوم الاثنين التالي. لكل من الخوارزميات التي تم اختبارها، تم استخدام السنتين الأوليين لتدريب النماذج في حين تم استخدام 2012 لاختبارها. مكتبة جافا المفتوحة لخوارزميات التعلم الآلي المستخدمة تأتي من ويكا: برامج التعدين البيانات في جافا ط. يمكنك تحميل المكتبة أو برنامج سهل الاستعمال بحرية في cs. waikato. ac. nzmlweka. توقع اتجاه السوق تقيس هذه الاختبارات إلى أي مدى، إن وجدت، من الممكن التنبؤ بالحركة الشاملة للغد (من قرب الإغلاق) استنادا إلى بيانات من ثمانية أيام سابقة باستخدام مجموعة متنوعة من خوارزميات التعلم الآلي. ويعني الارتباط المرتفع أن النموذج يتنبأ بالحركة الشاملة اليومية التالية جيدا. في هذه الحالة، فإن الارتباطات قريبة جدا من الصفر حتى النماذج كانرسكوت التنبؤ الحركة الشاملة للسوق على الإطلاق. توقع نطاق السوق بالنسبة لفوركس، يتم تعريف النطاق هنا على أنه الفرق بين ارتفاع درسكوس و دايرسكوس منخفض كنسبة مئوية من الإغلاق السابق (من أجل أدوات مختلفة لتكون قابلة للمقارنة). واحدة من أبسط وأفضل الطرق، أقرب الجيران، أداء أفضل في هذه المهمة. هذا الأسلوب، لكل حالة، ببساطة ينظر في الحالات n في مجموعة التدريب التي تبدو أكثر مثل ذلك ويتوقع المتوسط ​​المرجح من نطاقها. التنبؤ بالحركة المطلقة لأداة إن الحركة المطلقة لأداة ما هي الحركة الشاملة ليوم واحد ولكنها إيجابية دائما. وهذا يشبه إلى حد ما النطاق. فمن المستحيل التنبؤ اتجاه السوق لليوم التالي استنادا فقط على ثمانية أشرطة السابقة وأحجام، على الأقل باستخدام هذه الخوارزميات. ومع ذلك فإن أول عيب في هذا النهج هو ربما أنه يحاول التنبؤ كل يوم واحد. ولعل بعض عمليات القضاء يمكن أن تزيل كمية كبيرة من البيانات التي لا يمكن التنبؤ بها في الغالب. من ناحية أخرى هناك خوارزميات أخرى مثل الشبكات العصبية المتكررة التي هي أكثر ملاءمة للمهمة في متناول اليد. فمن الممكن التنبؤ، إلى حد ما، مجموعة من اليوم التالي ومنطقيا تماما الحركة المطلقة (من وثيقة إلى وثيقة). هذا النوع من المعلومات قد لا تكون ذات صلة للتجار الذين يتبعون الاتجاهات ولكن يمكن أن تكون ذات صلة للمتزلجين الذين يحتاجون إلى التنبؤ بنطاق زوج العملات. وأعتقد أن هذه الخوارزميات تتجاوز مؤشرات المدى مثل أتر بمعنى أنها تنبؤية بدلا من دلالة. (1) مارك هول، إيبي فرانك، جيفري هولمز، برنارد بفهرينجر، بيتر ريوتمان، إيان ه. ويتن (2009) برنامج ويكا لتعدين البيانات: تحديث سيغكد إكسبلوراتيونس، المجلد 11، العدد 1.MetaTrader إكسيرت أدفيسور تقدم آلة التعلم العديد من فريدة ومقنعة مزايا للتجار تبحث عن حافة في السوق. فقط في العام الماضي رأينا قدرا هائلا من الموارد من صناديق التحوط في العالم، مثل بريدج ووتر شركاه، مكرسة لاستكشاف هذه التقنيات. في حين أن استخدام التعلم الآلي أو الذكاء الاصطناعي يبدو معقدا للغاية وصعبة التنفيذ، لا تزال هناك وسائل للاستفادة من قدراتهم دون الحاجة إلى درجة الدكتوراه في الرياضيات أو العلوم. في هذا المنصب، تذهب جيدا من خلال 3 طرق مختلفة يمكنك استخدام تقنيات من التعلم الآلي لتحسين التداول الخاصة بك. اختيار المؤشر واحد من أهم القرارات هو اتخاذ قرار بشأن المؤشرات لاستخدامها في التجارة. سواء كنت متداولا تقنيا أو أساسيا، أو كنت مجرد استخدام حركة السعر للتداول، نجاحك سوف تعتمد إلى حد كبير على المؤشرات التي تستخدمها وكيفية تفسيرها. لحسن الحظ، هناك العديد من الطرق المختلفة لاختيار المؤشرات الخاصة بك وهذا يعرف باسم اختيار ميزة في عالم التعلم الآلي. استخدام شجرة القرار لتحديد المؤشرات الخاصة بك أشجار القرار هي خوارزميات متعددة الاستخدامات التي لديها فائدة من سهولة تفسيرها. وبالنظر إلى مجموعة كبيرة من المؤشرات وحركة سعر األصل، ستجد شجرة القرارات المؤشرات وقيم المؤشرات التي تقسم البيانات بين الزيادات في األسعار وانخفاض األسعار على أفضل وجه. وتعتبر المؤشرات الأقرب إلى قمة الشجرة منبئات أفضل من تلك التي تقترب من الجزء السفلي من الشجرة، وبعد فرع معين سوف يسمح لك بسهولة العثور على الترابط والعلاقات بين المؤشرات. سوف شجرة القرار أيضا تعطيك مجموعة من القواعد التي يمكنك استخدامها للتداول على أساس تلك المؤشرات، ولكن يجب التأكد من تقليم شجرة بشكل صحيح واختبار للالبث الزائد. شجرة القرار هي أداة قوية، البصرية التي يمكن أن تساعدك على أن تقرر أي مجموعات من المؤشرات للتجارة وما هي القيم لتداولها. يمكنك العثور على البرنامج التعليمي حول كيفية بناء استراتيجية مع شجرة القرار هنا أو للحصول على دليل أكثر عمومية، في R هنا هو مورد جيد. التحسين بمجرد أن يكون لديك أساس لاستراتيجيتك، فإن الخطوة التالية هي التحسين، أو اختيار قيم المعلمة الصحيحة لتحقيق أقصى قدر من فرص نجاحك. العديد من الاستراتيجيات لديها مجموعة واسعة من المعلمات، مثل إعدادات المؤشر، وظروف الدخول والخروج، ووقف الخسارة ومستويات الربح، وموقف التحجيم، التي تجعل أساليب القوة الغاشمة لمحاولة كل مجموعة واحدة صعبة للغاية وتستغرق وقتا طويلا، إذا كان على الإطلاق حتى ممكن. حل هذه الأنواع من المشاكل هو مجال آخر حيث يتفوق تعلم الآلة. تحسين الاستراتيجية باستخدام الخوارزميات الجينية تحاكي الخوارزميات الوراثية عملية الانتقاء الطبيعي من خلال إنشاء مجموعة فريدة من الاستراتيجيات الطفلية التي تحتوي على خليط من أفضل الاستراتيجيات الأم، مع احتمال حدوث طفرة عشوائية. تبدأ العملية بترميز استراتيجيتك في مصفوفة. على سبيل المثال يمكن أن تقرأ على أنها شيء مثل: المؤشر 1 الفترة سوف ثم إنشاء عدد كبير من الاستراتيجيات مع الاختلافات العشوائية لهذه المعلمات. ولكل هذه الاستراتيجيات مجموعات مختلفة من الفترات المتوسطة المتحركة، وظروف الدخول والخروج، ونسب المخاطر إلى المكافأة. بعد ذلك، ستختبر هذه المجموعة السكانية عن طريق تشغيل كل إستراتيجية على مجموعة اختبار وتحديد أفضل الاستراتيجيات استنادا إلى مقياس الأداء الذي تختاره. وأخيرا، يمكنك الجمع بشكل عشوائي سمات الاستراتيجيات العليا، مع فرصة صغيرة لتحوير بعض المعلمات، لخلق جيل جديد من الاستراتيجيات الطفل. ثم كرر إجراء التقييم ومرة ​​أخرى تزاوج الاستراتيجيات أعلى أداء من هذا الجيل الجديد. وهذا يؤدي إلى البقاء للأصلح السيناريو حيث فقط الاستراتيجيات العليا البقاء على قيد الحياة لتمرير الجينات إلى الجيل القادم كرر هذه العملية عدد كبير من المرات أو حتى يتم التوصل إلى معايير أداء معينة وتترك لك مع استراتيجية قوية جدا بنيت من أجيال من أفضل الاستراتيجيات أداء لديك للتأكد من أن قمت بتحديد مقياس الأداء المناسب (مثل العائد المعدلة المخاطر) ودائما اختبار الاستراتيجية النهائية على البيانات التي لم تكن تستخدم لبناء استراتيجية للتأكد من أنك أرينت أوفيرفيتينغ إلى مجموعة بيانات معينة. هذه هي طريقة قوية جدا وقوية التي كانت ناجحة في مجموعة واسعة من التطبيقات، بما في ذلك عالم التداول. يمكنك العثور على وصف أكثر تفصيلا هنا وبرنامج تعليمي حول كيفية تنفيذها في R هنا. التداول المباشر واحدة من الجوانب الأكثر جاذبية للتعلم الآلي هو وجود خوارزمية قادرة على التعلم والتكيف مع ظروف السوق المتغيرة. ومع ذلك، فإن هذا يخلق استراتيجية بلاكبوكس، إذا كنت لا تفهم تماما كيف تعمل الخوارزميات واختبارها بدقة بنفسك، من الصعب جدا أن تثق في حساب حقيقي. إن معرفة متى أو لماذا تدخل إستراتيجية ما في التجارة يمكن أن يكون اقتراح مخيف. ومع ذلك، هناك طرق للحصول على فوائد نهج ذكي، خوارزمية مع الحفاظ على الشفافية والفهم في الاستراتيجية الخاصة بك. جمعية التعلم القاعدة القاعدة التعلم القاعدة هو عملية اشتقاق مجموعة من قواعد واضحة ومفهومة من الأنماط التي كشفتها خوارزمية التعلم الآلي. الخوارزميات، مثل خوارزمية أبريوري، البحث في مجموعة من المؤشرات، وقيم المؤشر، وحركة السعر الناتجة لإنتاج مجموعة من الشروط أساسا إذا - ثم البيانات، التي تؤدي إلى أعلى النتائج أداء. ومع ذلك، فإنه لا يزال من الصعب معرفة بالضبط أين تأتي هذه القواعد من، خوارزمية أبريوري يتطلب عدد كبير نسبيا من المعلمات إلى ضبطها وهذه العملية لا تتناسب بشكل جيد لظروف السوق المتغيرة. مع ترايد. أخذنا العملية خطوة أخرى إلى الأمام، وتسمح لك أن ترى أنماط وجدت من قبل مجموعة من خوارزميات التعلم الآلي، والتي يمكنك من خلالها إنشاء قواعد التداول الخاصة بك. هذه القواعد هي ثم سهلة التنفيذ وتعديلها مع ظروف السوق المتغيرة، كل ذلك دون الحاجة إلى أي برمجة أو تجربة رياضية. كنت قادرا على الحصول على فوائد استخدام خوارزميات التعلم الآلي للتداول مع الحفاظ على الشفافية الكاملة، وفهم الاستراتيجية الخاصة بك، بما في ذلك الخبرة الخاصة بك المجال الخاص بك في التداول الخاص بك. استخدام آلة التعلم والذكاء الاصطناعي للعثور على حافة في السوق لا تحتاج إلى أن تكون مملوكة حصرا من قبل أكبر المؤسسات المالية فقط. كما تصبح هذه التكنولوجيا أكثر سهولة وهذه التقنيات أكثر شيوعا، يمكنك أيضا استخدام آلة التعلم لتحسين التداول الخاص بك.