نظام التداول الآلي الفوركس باستخدام التكيف التعزيز التكيفي

نظام تداول الفوركس الآلي باستخدام التعلم التعزيز التكيفي.
تقدم هذه الورقة التعلم التعزيز التكيفي (أرل) كأساس لتطبيق نظام التداول الآلي بالكامل. تم تصميم هذا النظام لتداول أسواق الصرف الأجنبي ويعتمد على بنية الطبقات تتكون من خوارزمية التعلم الآلي، وتراكب إدارة المخاطر وديناميكية أداة تحسين طبقة. وقد تم اختيار طريقة التعلم الآلي الحالية تسمى التعلم التعزيز المتكرر (رل) كخوارزمية أساسية ل أرل. واحدة من نقاط القوة في نهجنا هو أن طبقة التحسين الديناميكي يجعل اختيار ثابت من المعلمات ضبط نموذج لا لزوم لها. كما أنه يسمح للمفاضلة بين المخاطر والعائد أن يقوم بها المستخدم داخل النظام. نظام التداول قادر على تحقيق مكاسب متسقة خارج العينة مع تجنب السحب الكبير.
اختر خيارا لتحديد موقع / الوصول إلى هذه المقالة:
تحقق مما إذا كان لديك حق الوصول من خلال بيانات اعتماد تسجيل الدخول أو مؤسستك.

نظام تداول آلي فوركس باستخدام تعلم التعزيز التكيفي
لا يزال لديك سؤال؟ اسأل بنفسك!
وأعتقد أن التعلم التعزيز لديه الكثير من الإمكانات في التداول.
كان لدينا ميتوب كبيرة على تعزيز التعلم في مكتب قبلوم الأسبوع الماضي. تحقق من الفيديو هنا:
ما هو التعلم التعزيز؟
"مثل الإنسان، وكلائنا يتعلمون لأنفسهم لتحقيق استراتيجيات ناجحة تؤدي إلى أعظم المكافآت على المدى الطويل. هذا النموذج من التعلم عن طريق التجربة والخطأ، فقط من المكافآت أو العقوبات، والمعروفة باسم التعلم التعزيز (رل). "
ما هو تعلم التمثيل؟
"يعتمد أداء خوارزميات التعلم الآلي بشكل كبير على تمثيل البيانات التي يتم تقديمها".
ما هو التعلم العميق؟
التعلم العميق هو مجموعة فرعية من التعلم الآلي حيث نقضي الكثير من الوقت في تعلم الملامح الأساسية للبيانات قبل أن نبدأ في محاولة لتناسب وظيفة الهدف. وهذا يؤدي إلى الإفراط في العمل.
ما هو التعلم التعزيز العميق؟
التعلم التعزيز العميق هو في الواقع مشابهة جدا لكيفية تعلم البشر. نحن نتعلم التجريدات على مستوى عال من البيانات ورمي الكثير من بقية. على هذا المستوى، ونحن قادرون على تحديد أنماط أسرع بكثير والتعلم من التجربة والخطأ (رل) دون خوف من الإفراط في الإبحار.
ومن الواضح أن الأسواق المالية تتغير فجأة أو يمكن أن تتغير فجأة. حتى فترات صغيرة من المشاركين "غير العقلانيين" يمكن أن تجعل السوق تجد الاتجاهات التي تستمر لفترة أطول بكثير من سوق فعالة. ومن ثم فإن الحاجة إلى فهم نموذج المستوى الأعلى والتعلم منه أمر بالغ الحدة في الأسواق المالية.
في هذا الفيديو نتحدث عن ثلاثة مصادر للعودة. وأعتقد أن التعلم العميق التعزيز (درل) ستكون أكثر أهمية لجزء ستات أرب من التجارة، أو التجارة على المدى المتوسط.
deeplearningbook /. (الحديث عن الإبداع الأساسي في التعلم العميق هو حول تعلم تمثيل البيانات التي تهم) التعزيز العميق التعلم | ديبميند (يتحدث عن التعلم التعزيز وكيفية تعلم عميق التمثيل من البيانات يساعد في التعلم التعزيز أكثر فعالية) كيف عطلت منظمة العفو الدولية التداول الكمي.
في الفيديو من ميتوب في قبلوم غواراف يذكر أعلاه (لينك: أنكيت أواسثهي) هناك مثال على التعلم التعزيز تطبيقها لملء طلبية كبيرة.
يتم تعريف الدولة على أساس الجرد (عدد الأسهم لشراء) والوقت (المتبقية لملء هذا النظام). وسوف يشمل التمديد حجم السوق، وانتشار العطاءات، وما إلى ذلك. العمل هو عدد الأسهم + / - الانحراف المقبول عن سعر السوق الحالي (إذا لم يكن هناك الكثير من الوقت المتبقي، لدينا لتقديم أعلى سعر لملء النظام). المكافأة هي P & أمب؛ L في نقاط الأساس.
وهنا بعض الأوراق ذات الصلة على رل أو عميق رل تطبيقها على التداول:
تعزيز التعلم من أجل تنفيذ التجارة الأمثل cis. upenn. edu/
وهناك بعض الأعمال في هذا المجال. رؤية العمل على التعلم التعزيز المتكررة للتداول الآلي لفوركس. (نظام تداول العملات الأجنبية الآلي باستخدام التعلم التعزيز التكيفي)
ويمكن صياغة مشكلة التداول كبرنامج تطوير متعدد الأطراف يمكن ملاحظته جزئيا يتطلب إجراء مؤشر ستوكاستيك، مع مكافآت فورية.
يستخدم إطار رل سياسة الشبكة العصبية المتكررة الفانيليا لمعالجة قضية بومبد. على عكس أساليب التدرج السياسات العادية، حيث لديك لديك بعض طريقة أخذ العينات مكافأة الخاص بك (مونتي كارلو، تد، أهلية التتبع)، إطار رل يحسب مباشرة مكافأة من قرار التداول، في هذه الحالة حساب نسبة شارب لحظية في كل التجارة خطوة العمل. انظر الورقة والمتصلة لمزيد من التفاصيل.
تطبيق آخر أنا & # 039؛ رأيت، (رأيت في عرض يوتيوب في مكان ما) هو عندما يتم استخدام رل لملء الأمثل أمر تجاري كبير على مدى فترة زمنية محددة. وهذه النقطة هي على النحو الأمثل ملء النظام بأكمله بأفضل سعر ممكن.
وأود أن أتصور رل العميق مع القول لستم تحسين النتائج. ولكن عندما يتعلق الأمر بتداول شيء ما يجب أن تجربه شخصيا.
ويتم تحديث نماذج التعزيز استنادا إلى نتيجة اتخاذ إجراء. مثلا في التجارب الكلاسيكية مع الفئران: في هذه، الفئران تعلم الضغط على رافعة مما يؤدي إلى مكافأة الغذاء وتجنب الضغط على رافعة التي تنتج الصدمات الكهربائية.
في التداول لا تحصل على الغذاء أو الصدمات الكهربائية ولكن كسب المال / لوس ق ردا على اتخاذ إجراء (على سبيل المثال شراء أو إسقاط حصة معينة على أساس بعض ميزة سوق الأسهم) وهكذا، والتعلم التعزيز هو مناسب تماما لتطبيق على التداول. إذا كنت بحاجة للذهاب عميقا لهذا يعتمد على بنية البيانات الخاصة بك تريد أن تتعلم منها.
أعتقد. ولكن التجربة فقط سوف اقول. الشيء العظيم في التداول هو أنه يمكن تبسيطها لبعض الإجراءات الأساسية: شراء أو بيع أو لا تفعل شيئا لأي أمن معين. من الواضح أنك يمكن أن تعقد أكثر من خلال النظر في التحوطات المختلفة. الشيء العظيم الآخر عن التداول هو أن لديها طريقة بسيطة لتقديم المكافآت من البيئة. وهذا يعني أننا نعرف ما إذا كانت استثماراتنا قد زادت أو انخفضت من حيث القيمة. لذلك مجموعة عمل صغيرة ونظام مكافأة واضحة تجعل التداول يبدو وكأنه مشكلة قابلة للحل للتعلم التعزيز العميق. ومع ذلك، هناك ثقوب الأرانب. أسعار الأمن هي مجرد أعراض للعديد من العوامل، والعوامل المحددة في أي نقطة معينة يمكن أن تتغير. لنفترض أنك تستطيع قياس جميع الأشياء التي تؤثر على سعر الأمان، بدءا من قرارات بنك الاحتياطي الفدرالي بشأن أسعار الفائدة إلى العناوين التي تصدر من سوريا إلى تطورات تغير المناخ وتقارير الأرباح الفصلية. هذا هو مساحة الدولة كبيرة جدا للخوارزمية للبحث والتعلم. ومثل التاريخ نفسه، والكثير من هذه الدول لا تكرر نفسها في كثير من الأحيان، على الأقل ليس بالضبط. وأخيرا، بعض المكافآت تأتي فقط بعد العديد من الخطوات الوقت، لذلك لديك التبعيات على المدى الطويل للتعلم.
وقد كتب سكيميند قليلا عن رل ولدينا مكتبة مفتوحة المصدر، RL4J، على جيثب:
التعلم التعزيز العميق هو من الصعب جدا للتدريب. ألفاغو التي استخدمت التعلم التعزيز العميق في مرحلته النهائية اللازمة للعب الملايين مرات ضد نفسها من أجل تحسين.
كنت بحاجة إلى الكثير من البيانات من الضروري من أجل جعل عميق التعزيز نهج التعلم العمل. هذا المبلغ من بيانات التدريب قد لا تكون متاحة بسهولة في البيئات المالية على الرغم من أنني لست متأكدا تماما كم البيانات التدريب مثل هذا النظام قد تستهلك.
هو في الواقع ممكن على الرغم من أنه من الممكن أيضا أن نظام التعلم العميق قد تتعثر في مكان ما على سطح الخطأ.
على سبيل المثال تطبيق هذا على الروبوتات، تبدأ مع إعطاء الروبوت هدف مثل التقاط الأشياء. كيف سوف الرقم الروبوت هذا مع تعزيز التعلم؟ بالطبع سوف تبدأ في تحسين ولكن ربما طريقة بطيئة جدا، والبيانات الحسية التي تحتاج إلى جمعها هي جينورموس لأي شيء ملموس لتحقيقه.

نظام تداول العملات الأجنبية الآلي باستخدام التكيف التكيف التعلم.
المصالح ذات الصلة.
التقييم والإحصاءات.
خيارات المشاركة.
إجراءات المستند.
لا يتم عرض الصفحات من 2 إلى 10 في هذه المعاينة.
المستندات الموصى بها.
وثائق مماثلة لنظام التداول الآلي الآلي باستخدام التعلم التكيف التكيفية.
وثائق حول التداول الخوارزمي.
أكثر من دياجنغ بيرماتا.
تذييل القائمة.
القانونية.
وسائل الاعلام الاجتماعية.
كوبيرايت & كوبي؛ 2017 سكريبد Inc. تصفح الكتب. موقع الجوال . دليل الموقع. لغة الموقع:
هل أنت واثق؟
قد لا يكون من الممكن التراجع عن هذا الإجراء. هل تريد بالتأكيد المتابعة؟
هل تريد بالتأكيد حذف هذه القائمة؟
كما سيتم إزالة كل ما حددته من القوائم.
ستتم إزالة هذا الكتاب أيضا من جميع القوائم.
لقد قمنا بتنسيق العناوين التي نعتقد أنك ستحبها.
بقية هذا العنوان سوف تكون متاحة قريبا.
نظام تداول العملات الأجنبية الآلي باستخدام التعلم التكيف التكيفي ستكون متاحة على.

استخدام خوارزمية جينية لتحسين التعلم المتكرر لتعزيز تداول الأسهم.
جين تشانغ البريد الإلكتروني المؤلف ديتمار مارينجر.
تم العثور على التعلم التعزيز المتكرر (رل) لتكون تقنية التعلم الآلي ناجحة لبناء أنظمة التداول المالي. في هذه الورقة، نستخدم خوارزمية جينية (غا) لتحسين نتائج التداول لنظام تداول الأسهم من نوع رل. ويستفيد نظام التداول المقترح من قدرة الجمعية العامة على اختيار مجموعة مثلى من المؤشرات الفنية والمؤشرات الأساسية ومؤشرات التقلب لتحسين الأداء التجاري خارج العينة. في تجربتنا، ونحن نستخدم البيانات اليومية من 180 S & أمب؛ P الأسهم (من الفترة يناير 2009 إلى أبريل 2017) لفحص ربحية واستقرار النظام التجاري غا-رل المقترح. ونجد أنه بعد تغذية المؤشرات التي اختارتها الجمعية العامة في نظام التداول في رل، يتحسن أداء التداول خارج العينة حيث يزداد عدد الشركات ذات نسبة شارب الإيجابية بشكل ملحوظ.
ملاحظات.
شكر وتقدير.
ويعترف المؤلفون بالدعم المقدم من برنامج منحة مؤسسة العلوم الوطنية السويسرية (سنسف). ويود المؤلفون أن يشكروا ثلاثة مراجعين من مؤتمر التطبيقات والابتكارات الذكاء الاصطناعي (إيي) لعام 2018، وحكامين مجهولين، ومحرري الاقتصاد الحاسوبي على اقتراحاتهم القيمة.
المراجع.
معلومات حقوق التأليف والنشر.
المؤلفين والانتماءات.
جين تشانغ 1 كاتب البريد الإلكتروني ديتمار مارينجر 1 1. كلية الاقتصاد وإدارة الأعمال جامعة بازل بازل سويسرا.
حول هذه المقالة.
توصيات شخصية.
اقتباس المقال.
المراجع المرجعية ريس ريفوركس زوتيرو.
.BIB بيبتكس جابريف منديلي.
مشاركة المقال.
الوصول غير المحدود إلى المقال الكامل التحميل الفوري تشمل ضريبة المبيعات المحلية إن وجدت.
اقتباس المقال.
المراجع المرجعية ريس ريفوركس زوتيرو.
.BIB بيبتكس جابريف منديلي.
مشاركة المقال.
أكثر من 10 مليون وثيقة علمية في متناول يدك.
تبديل الطبعة.
&نسخ؛ 2017 سبرينجر الدولية للنشر أغ. جزء من الطبيعة سبرينجر.

سبيغازيون سو أوفيوني بيناري.
الفوركس mt4 المنطقة الزمنية.
نظام التداول الآلي الفوركس باستخدام التكيف التعزيز التكيفي.
نظام التداول الآلي على أساس المتكررة التسليح التعلم. ليور كوبر بافل ليفشيتس المشرف: مقدمة الإحاطة النظام خوارزمية التعلم أهداف المشروع النتائج.
أثناء التنزيل، إذا لم تتمكن من تنزيل عرض تقديمي لسبب ما، فقد يستخدم الناشر حذف الملف من خادمه. وسيشتري المتداول األمثل األصل قبل ارتفاع األسعار، ويبيع األصل قبل انخفاض قيمته. تم تنفيذ متداول الأصول باستخدام التعلم التعزيزية المتكررة رل اقتراح من قبل مودي واستخدام عن طريق اختيار المعلمة الأمثل للتاجر، ونحن نحاول الاستفادة من التغييرات في أسعار الأصول.
نستخدم التعزيز التعلم رل التعزيز ضبط المعلمات للنظام لتحقيق أقصى قدر من معايير الأداء لدينا من الاختيار. يرى الوكيل حالة التعلم ويختار إجراء في.
وفي هذا النهج، تمثل السياسة مباشرة. وظيفة مكافأة ردود الفعل الفورية هو الآلي لضبط السياسة على الطاير. تساعد هذه القيم في توجيه الوكيل نحو السياسة المثلى. وينقسم النموذج إلى قسمين: سلسلة النظام هي من الدولار الأمريكي مقابل التفاف النظام مع طبقة إدارة المخاطر ه.
وقف الخسارة، وإعادة التدريب الزناد، وإيقاف النظام تحت السلوك الشاذ. نود أن نشكر المشرف على المشروع لدينا أندري بيرنشتاين لتوجيه، البروفسور ناهوم شيمكينفور تقديم المشورة لنا والسماح لنا لمتابعة مشروع بحثي من مصلحتنا وتعزيز تجربته معنا. بالإضافة إلى ذلك نود أن نشكر الأستاذ نيريمرهافور وقتها قضى الاستشارات لنا. شكر خاص خاص لجابرييل مولينا من جامعة ستانفورد وجامعة تيكشرامتوهولفروم في بازل لمساعدتهم التي لا تقدر بثمن.
ليمانز، نظام تداول العملات الأجنبية الآلي باستخدام التعلم التعزيز التكيفي، أنظمة الخبراء تعلم تطبيقات 30، ب. استعراض العروض التقديمية الأخيرة عرض الموضوعات قنوات العرض العروض المميزة. عرض الخالق جديد تحميل تسجيل الدخول. الصفحة الرئيسية المستخدمين الأعمال الموضة الصحة العلوم أخبار المزيد من المواضيع. التداول الآلي نظام التداول على أساس المتكررة تعزيز التعلم عرض بويربوانت. عرض التكيف إلى صديق. إنشاء العرض التقديمي تحميل العرض. بواسطة سورلي اتبع المستخدم.
وصف تقرير الإحصائيات نظام التداول الآلي على أساس التعلم المتكرر التعزيز. كوبيرايت كومبلينت أدولت كونتنت الإبلاغ عن عدم ملاءمة. التداول الآلي الآلي على أساس التعزيز المتكرر تعلم الطلاب: ليور كوبر بافليفشيتس المشرف: مقدمة نظام التعلم آلة طرق التعلم للمتاجرة نهج آلي واحد نسبيا للتداول المالي باستخدام التعزيز التعلم للتنبؤ صعود وهبوط أسعار الأصول قبل حدوثها سيكون التاجر الأمثل شراء نظام قبل ارتفاع الأسعار وبيع الأصول قبل انخفاض قيمتها الخطوط العريضة مقدمة ملاحظات نظام خوارزمية التعلم أهداف المشروع النتائج سلسلة الاصطناعي الحقيقي فوركس البيانات الاستنتاجات عمل المستقبل L.
نحن نتعلم ناقلات المعلمة التي تحدد تماما أعمال التاجر. الخطوط العريضة مقدمة الشروح النظام خوارزمية التعلم أهداف المشروع النتائج سلسلة اصطناعية حقيقية بيانات الفوركس الاستنتاجات التعزيز المستقبلي L. الافتراضات النموذجية استخدام حجم الموقف أمن واحد مخطط تفصيلي مقدمة التكيف النظام خوارزمية التعلم أهداف المشروع التعلم سلسلة الاصطناعي الحقيقي بيانات الفوركس استنتاجات العمل في المستقبل L. ملاحظات التعلم - الكميات التعزيزية للأمن سلسلة الأسعار هي - التغييرات المناظرة في النظام - الموقف في كل خطوة تلقائية - عودة النظام في كل خطوة زمنية الخطوط العريضة مقدمة الشارات النظام خوارزمية التعلم أهداف المشروع النتائج سلسلة اصطناعية حقيقية بيانات الفوركس الاستنتاجات العمل المستقبلي L.
ملاحظات التعلم - الربح الإضافي المتراكمة على مدى فترات زمنية T - معيار الأداء هو الهامش في الأداء تعلم مقدمة ملاحظات نظام خوارزمية التعلم أهداف المشروع النتائج سلسلة الاصطناعي الحقيقي فوركس البيانات الاستنتاجات العمل في المستقبل L. نظامنا هو طبقة واحدة الشبكة العصبية التكيفية: نظام التعلم الخطوط العريضة مقدمة ملاحظات نظام خوارزمية التعلم أهداف المشروع النتائج سلسلة الاصطناعي الحقيقي فوركس البيانات استنتاجات العمل في المستقبل L.
خوارزمية التعلم طرق تعزيز التعلم رل المباشر في هذا باستخدام، يتم تمثيل السياسة مباشرة. تساعد قيم النظام في توجيه الوكيل نحو السياسة المثلى e. الممثل الناقد ينقسم النموذج إلى جزأين: خوارزمية التعلم تعلمنا الآن نطور ملاحظة: النتائج مخطط التعلم مقدمة ملاحظات نظام خوارزمية التعلم أهداف المشروع النتائج سلسلة الاصطناعي الحقيقي فوركس استنتاجات البيانات عمل المستقبل L.
نتائج التعلم استخدام نحن نواجه معلمات نموذج: إذا وكيفية تطبيع الأوزان تعلمت؟ كيفية تعلم المدخلات؟ النتائج - سلسلة اصطناعية التعلم الخطوط العريضة مقدمة ملاحظات نظام خوارزمية التعلم بروجيكتوالس النتائج سلسلة الاصطناعي ريال مدريد بيانات الفوركس استنتاجات العمل في المستقبل L.
النتائج - بيانات ليارنينغفوريكس ريال مدريد سلسلة الأسعار هي من الدولار الأمريكي مقابل مخطط مقدمة ملاحظات نظام نظام خوارزمية التعلمالنتائج النتائج سلسلة الاصطناعي الحقيقي فوركس استنتاجات البيانات العمل في المستقبل استخدام. النتائج - ريال ليارنينغفوريكس البيانات لا عمولات مخطط مقدمة ملاحظات نظام خوارزمية التعلم بروجيكتوالز النتائج سلسلة الاصطناعي الحقيقي فوركس البيانات الاستنتاجات عمل المستقبل L.
النتائج - ريال ليارنينغفوريكس البيانات مع العمولات 0. العمل في المستقبل التعلم التفاف النظام مع طبقة إدارة المخاطر ه. وقف الخسارة، وإعادة التدريب الزناد، وإيقاف النظام تحت السلوك الشاذ التكيف الديناميكي للمعلمات الخارجية التداول كما تعلم معدل العمل مع أكثر من أمن واحد العمل مع مواقف متغيرة الحجم العمل مع التنسيق مع نظام خبير آخر على أساس خوارزميات أخرى مخطط الخطوط العريضة مقدمة و نظام خوارزمية التعلم المشروعالنتائج النتائج سلسلة الاصطناعي الحقيقي فوركس البيانات الاستنتاجات عمل المستقبل L.
شكر وتقدير التعلم نود أن نشكر الآلي مشروعنا التكيف أندري بيرنشتاين للتوجيه، أستاذ مراجع التعلم [1] J مودي، M سافيل، تعلم التكيف عن طريق التعزيز المباشر، إيي المعاملات على الشبكات العصبية، فول التكيف، رقم 4، يوليو [ 2] كارل غولد، تداول الفوركس المتكرر التعليم التعزيز الآلي، هونغ كونغ، [3] M.
العرض السابق تعزيز البيانات: العرض التالي من قطب. نموذج القائم على بايزي التسليح التعلم في مجالات يمكن ملاحظتها جزئيا - القائم على التعلم بايسيان التعزيز التعلم في المجالات التي يمكن ملاحظتها جزئيا. نظام التعلم الإلكتروني التكيفي على أساس أنماط تعلم المستخدم - التداول: نظام التداول الهامشي شركة المقاصة للتعلم في باكستان المحدودة نكبل استنادا إلى أسواق الأوراق المالية المستثمرة - نظام التداول الهامش. التعلم بيهافيورالي أساسيات تمثيل الدولة التجارة تعزيز التعلم وكلاء - الارباح: التداول الآلي في الفوركس - إيجابيات وسلبيات - Http: تعلم كيفية اللعب جاك الأسود من خلال تعزيز التعلم - By: التعلم في الشبكات المتكررة شبكات - Recurrent.
استخدام، القائم على الهاتف وجدول زمني على شبكة الإنترنت جدولة - Http: تعزيز التعلم رل - Jude أوتوماتدترادينغ صفحة التكيف التعزيز التعلم تعلم التعلم ما هو عليه ولماذا هو مهم في تعلم الآلة؟ تعزيز التعلم - ما هو التعلم؟
تنزيل العرض التقديمي للاتصال بالخادم. من نحن أعلن الآلي للاستخدام سياسة الخصوصية اتصل بنا بلوق.
جميع الحقوق محفوظة بويرد بي ديجيتالوسبرو.
4 أفكار على & لدكو؛ نظام تداول الفوركس الآلي باستخدام التكيف التكيف التعلم & رديقو؛
والغرض الرئيسي وراء هذه الأوراق هو دراسة نقاط القوة والضعف الخاصة بك أن ورقة معينة لذلك يصبح كل أكثر أهمية بالنسبة لك ليسجل لطيف في هذا واحد.
ويسرني أن أكون من بين العديد من التوقعات على هذا الموقع الاستثنائي على شبكة الإنترنت (: شكرا لك على وضع.
وكان حق الانتخاب للكنيسة من سندات الكنيس عملا مهما من الوقت وبعض الصعوبة.
دراسات الرئيسيات التي كتبها كالين وآخرون. (1998) أن التجمد عند الرضع، الذي ينبثق عن طريق الاتصال العين، يرتبط مع أقصى اليمين الحق إيغ النشاط ومستويات الكورتيزول القاعدية العالية.