Masjienleer met algoTraderJo Jy lei jou K-NN of SVM met behulp van die afgelope N voorbeelde, waarvan almal X bar rigtings as insette en die teiken bars rigting as uitset. Die gebruik van net die data wat jy gepos het jy die voorbeelde sou bou: 0 0 GT 0 0 0 GT 1 0 1 GT 0 0 1 gt 1 1 0 GT 0 1 0 GT 1 1 1 GT 0 1 1 gt 1 Die gebruik van voorbeelde soos hierdie wat jy lei die model op elke staaf en dan kyk jy na 'n voorspelling gebruik te maak van die laaste beskikbare data. Die laaste voorbeelde gebruik 3 bars as insette vir die SVM en 4 bars as insette vir die K-NN. Ek gebruik die open source haai. Dankie. Daar is 'n oorvloed van libs vir die masjien leer in verskeie tale: daoudclarke. github. io/machine. ing-biblioteke / Ek persoonlik gebruik Java. Weka lyk goed en beskik oor 'n selfstandige GUI vir 'n vinnige en vuil toetse. Daar is geen rede vir 'n volwaardige ML biblioteek in elk geval vir 'n triviale k-NN. A VP-boom doen die werk. Ek het nog nie verstaan. Selfs met die 4 bar rigtings as insette jy net 16 kombinasies. In die afgelope 200 dae almal verskyn in E / O. Enige navraag vektor (die 4 vorige dae rigtings) sal presies ooreenstem met die sentrum van 'n sel van hierdie hiperkubus. Elke sel bevat twee doelwitte met verskillende tel. As jy minder as die aantal elemente in hierdie sel versoek die resultaat hang af van die volgorde waarin hulle sal opgespoor word uit die data struktuur. Dit is nie noodwendig ewekansige genoeg om hulle quotshufflequot en kry 'n goeie resultaat. As jy meer bure as elemente in die sel te vra, is die resultaat hang nog oor die implementering van die datastruktuur. Jy kan elke naburige selle besoek ten einde te hê. Sê jy (Up, Up) as u navraag vektor. (Op, af) en (Down, in) is albei 1 eenheid ver van (Up, Up). 'N rekursiewe algoritme sal die eerste een besoek en kry soveel elemente as wat nodig is voordat hulle na die volgende. Byvoorbeeld byna al die elemente van (op, af) kon teruggestuur terwyl geeneen van (Down, in) sou. Ek sien die KNN en SVM meer nuttig wanneer die opleiding monsters meer versprei in hul gebied van invloed. Geen gierigheid. Geen vrees. Net wiskunde. Dankie. Daar is 'n oorvloed van libs vir die masjien leer in verskeie tale: daoudclarke. github. io/machine. ing-biblioteke / Ek persoonlik gebruik Java. Weka lyk goed en beskik oor 'n selfstandige GUI vir 'n vinnige en vuil toetse. Daar is geen rede vir 'n volwaardige ML biblioteek in elk geval vir 'n triviale k-NN. A VP-boom doen die werk. Ek het nog nie verstaan. Selfs met die 4 bar rigtings as insette jy net 16 kombinasies. In die afgelope 200 dae almal verskyn in E / O. Enige navraag. Ek persoonlik dont like Java baie, in my eie handel dinge oor die algemeen kom neer op in staat is om 'n baie intensiewe rekenaar te doen in 'n kort span van die tyd en daarom verkies ek om C / C gebruik vir die bou van masjienleermodelle. Ek het ook gevind baie verskille tussen die resultate van verskillende biblioteke, rede waarom ek dink dit is belangrik om die presiese dieselfde biblioteke gebruik vir simulasies en ware handel implementering. Jy is seker reg in die sin dat jy begin om 'n afhanklikheid van datastruktuur sien as gevolg van die beperkte verspreiding van die data by die gebruik van modelle soos hierdie gebruik van so 'n eenvoudige reeks binêre insette. Dit beperk beslis die nut van hierdie modelle wanneer iets so eenvoudig soos wat ek in hierdie draad het gewys doen. Jy kan egter sien dat dit lei tot werklik nuttig handel implementering. Dit is ook belangrik om daarop te let dat hierdie modelle het 'n baie lae waarskynlikheid vir die opwekking van hierdie handelsresultate net per toeval. Die gebruik van ewekansige reeks gegenereer met behulp van Opstarten vanaf die oorspronklike tydreekse die waarskynlikheid dat jy kom met 'n resultaat van gelyke Sharpe verhouding (as die laaste K-NN (wat 'n tydreeks dat geen nie-onwaar verlede tot toekomstige verhoudings het genereer) monster gewys) is onder 0.1 (getoets op die 1000-reeks, om seker te maak ek optimaliseer dieselfde vryheidsgrade (aantal bar insette, aantal opleiding voorbeelde, stoploss, ens) op elke reeks). Ek het altyd graag die belangrikheid van die modelle 'n skakel na handel implementering en doen werklike handel stelsel toetse en evaluering van waarskynlikhede stres uit willekeur met behulp gevolg statistieke handel stelsel te kom. Evaluering van die masjien leer modelle in isolasie gee jou 'n beperkte perspektief (as jy dit doen net). Dit is waarskynlik dat deur te kyk net by model resultate (akkuraatheid van binêre voorspelling, datastruktuur afhanklikheid, ens) wat jy sou nooit 'n K-NN gekies met sulke insette, maar dit blyk dat jy eintlik 'n nuttige handel implementering kan skep. Dit is een van die redes waarom ek dink dat akademiese literatuur gereeld versuim in die ontwikkeling van winsgewende stelsels met behulp van masjienleer tegnieke, hulle te veel fokus op veranderlikes wat van beperkte belang vir werklike handel winsgewendheid. Ek bou altyd modelle en te evalueer in samewerking met die handel prestasie wat hulle genereer. Natuurlik is daar baie waarde in die begrip van die modelle (dit is beslis 'n moet vir sukses), maar sedert die handel winsgewend is die uiteindelike doel is dit sinvol (ten minste vir my) om hierdie twee dinge te evalueer in samewerking. Dit is ook belangrik om daarop te let dat hierdie modelle het 'n baie lae waarskynlikheid vir die opwekking van hierdie handelsresultate net per toeval. Die gebruik van ewekansige reeks gegenereer met behulp van Opstarten vanaf die oorspronklike tydreekse die waarskynlikheid dat jy kom met 'n resultaat van gelyke Sharpe verhouding (as die laaste K-NN (wat 'n tydreeks dat geen nie-onwaar verlede tot toekomstige verhoudings het genereer) monster gewys) is onder 0.1 (getoets op die 1000-reeks, om seker te maak ek optimaliseer dieselfde vryheidsgrade (aantal bar insette, aantal opleiding voorbeelde, stoploss Een vraag:. Hoe sal die stelsels (vanaf Post 10) winsgewendheid / DD verandering wanneer die reëls met dieselfde 70 ADR / ATR stoploss sou wees: (a) Neem die handel in die rigting van die vorige dae kers (b) Neem die handel in die teenoorgestelde rigting van die vorige dae kers (c) Neem die.. handel in die rigting bepaal deur 'n muntstuk gooi (50 op of af). Aangesien PipMeUps data van 76 (en die veronderstelling dat hulle tipies), I dont sien 'n sterk statistiese vooroordeel vir enige reëls wat gebaseer is op twee vorige kerse, so regtig nie verstaan hoe hierdie geld kan maak. Ek sou die toets (c) oorweeg om 'n alternatief vir die strategie toets op die ewekansige data wees, basies beteken die strategie uit te voer beter as die muntstuk gooi met 'n stop verlies oor dieselfde datastel. Een vraag: Hoe sou die stelsels (vanaf Post 10) winsgewendheid / DD verander wanneer die reëls met dieselfde 70 ADR / ATR stoploss sou wees: (a) Neem die handel in die rigting van die vorige dae kers. (B) Neem die handel in die teenoorgestelde rigting van die vorige dae kers. (C) Neem die handel in die rigting bepaal deur 'n muntstuk gooi (50 op of af). Aangesien PipMeUps data van 76 (en die veronderstelling dat hulle tipies), I dont sien 'n sterk statistiese vooroordeel vir enige reëls wat gebaseer is op twee vorige kerse, so regtig nie verstaan hoe. Goeie vrae. Voer die eksperiment van die bestuur van 'n ewekansige stelsel wat handel dryf met dieselfde frekwensie (ongeveer 3700 ambagte oor 20 jaar) met dieselfde stoploss en sien die waarskynlikheid dat jy sal kom met 'n beter Sharpe. Die uitvoer van die 20 jaar is noodsaaklik. Jy sal kom met 'n baie lae waarskynlikheid (egter dont neem my woord, hardloop die toets). Hoekom werk die model wat is dan gee ons 'n statistiese rand hier Die model skep 'n voorsprong van die maak van voorspellings, maar hoe Stof tot nadenke het ek altyd te bou modelle en te evalueer in samewerking met die handel prestasie wat hulle genereer. Natuurlik is daar baie waarde in die begrip van die modelle (dit is beslis 'n moet vir sukses), maar sedert die handel winsgewend is die uiteindelike doel is dit sinvol (ten minste vir my) om hierdie twee dinge te evalueer in samewerking. Dit was ook 'n vraag wat ek het vir jou: As dit moontlik is om die gehalte van 'n aanwyser independentely van die handel stelsel wat dit gebruik te meet. Die antwoord is duidelik nie van wat ek lees. Daarom behoort nie die model bevat die handel reëls van die begin af Byvoorbeeld, behoort nie die quot0.5 x ATR20quot wees deel van die parameters en waarom die ATR in teenstelling met byvoorbeeld EMA60 (hoë) - EMA60 (lae) Kan dit wees infered van die data Geen gierigheid. Geen vrees. Net wiskunde. Dit was ook 'n vraag wat ek het vir jou: As dit moontlik is om die gehalte van 'n aanwyser independentely van die handel stelsel wat dit gebruik te meet. Die antwoord is duidelik nie van wat ek lees. Daarom behoort nie die model bevat die handel reëls van die begin af Byvoorbeeld, behoort nie die quot0.5 x ATR20quot wees deel van die parameters en waarom die ATR in teenstelling met byvoorbeeld EMA60 (hoë) - EMA60 (lae) Kan dit wees infered van die data Ja die 0,5 x ATR20 is deel van die strategie parameters (miskien ek nie baie goed wat jy bedoel verstaan). Oor die ATR, ek gebruik dit, want dit is die eenvoudigste beste volmag ek gevind het vir toekomstige volatiliteit. Die ATR20 het 'n baie goeie kans om te voorspel die volgende bars wisselvalligheid behoorlik. Sure, kan jy ander maatstawwe van wisselvalligheid gebruik as jy wil, geen probleem met dit. Vir my werklike handel gebruik ek 'n mate van wisselvalligheid bepaal deur 'n ewekansige bos model wat voorspel die volgende bars wissel. Ek doen kry 'n beter skatting in vergelyking met die ATR, maar nie deur so 'n groot marge. As jou skatting van wisselvalligheid is goed jy sal waarskynlik baie soortgelyke resultate aan die ATR te verkry. Net gebruik van die gemiddelde omvang van die afgelope 20 bars gee jou iets langs dieselfde lyne. Aangesluit Augustus 2011 Status: Lid 81 Posts AlgotraderJo, dankie vir al hierdie wonderlike inligting. Hoe gaan dit met jou drawdown as 'n bykomende insette om jou strategie Dit lyk na 'n redelik stilstaande reeks wees, sodat jy dit kan gebruik om toekomstige onttrekkings voorspel. Jy kan ook rekord van die onttrekking te hou sonder om werklik handel en net handel wanneer dit sekere vlakke bereik. Jy kan ook by tye omkeer jou strategie. Jy kan waarskynlik herhaal hierdie proses meer as een keer om die hoogste waarskynlikheid ambagte vind. Net 'n gedagte. Aangesluit Augustus 2011 Status: Lid 1106 Posts Ja die 0,5 x ATR20 is deel van die strategie parameters (miskien ek nie baie goed wat jy bedoel verstaan) Ek bedoel dat 0,5 en 20 dalk self moet deel wees van die oplossing van die regressie. Ten minste die 0.5. Byvoorbeeld, kan sê die teiken kers is 65 van die ATR (close-oop). Dit nie die geval vertel die intraday DD. As die laer lont is 20 ATR enige kleiner SL sou gewees het getref. Maar 50 SL sou te veel gewees het. Dalk is dit die goeie waarde is 105 ATR of net 25. Geen gierigheid. Geen vrees. Net wiskunde. Ek bedoel dat 0,5 en 20 dalk self moet deel wees van die oplossing van die regressie. Ten minste die 0.5. Byvoorbeeld, kan sê die teiken kers is 65 van die ATR (close-oop). Dit nie die geval vertel die intraday DD. As die laer lont is 20 ATR enige kleiner SL sou gewees het getref. Maar 50 SL sou te veel gewees het. Dalk is dit die goeie waarde is 105 ATR of net 25. Ja Dit is 'n meganisme om resultate te verbeter. Ons sal in daardie met die tyd. Ek dink dit moet wees wanneer die stelsel 'n tendens oor die vorige periode leer (2 lag van die model) bevind, sal die reëls te verander om basies al die kombinasies langs die tendens toon. As die tendens is bevind dat is baie langer as die leer periode, sal die stelsel geld te verdien op die gemiddelde. Ook in die woelig markte kan daar 'n effense voorsprong, waar die volgende bars rigtings is geneig om te wees anticorrelated, wat moet gereflekteer word in die reëls (op, af-gtUP, af, op-gtDOWN) indien die woelig tydperk langer as is nie die leer periode. Afgesien. Alle simulasies bevat 'n verspreiding van 3 pitte per handel. Im nuuskierig, hoekom doen jy toets met data terug te gaan tot 1991 Trading 1991 data met 2014 metodes is nie regverdig nie. Om 'n voorbeeld te gee, as jy sou verspreiding handel te doen op 1990 data aandelemark, sal jy groot hoeveelhede wen. Die probleem is dat verspreiding handel nog nie uitgevind is terug dan, niemand het geweet dat jy kan handel op dié manier. In 1991 forex inligting wat jy kan 30 minute lank driehoekige arbitrage geleenthede, of ander soortgelyke maklike pluk vind vir 'n moderne algo. So in my mening, die toets van die gebruik van data voor die opkoms van HFT in 2007 is betekenisloos. Is op soek na daaglikse data hier. As jy die bar ruil en verskeidenheid verspreiding van 1991-2000 daaglikse data met dié van 2000-2014 daaglikse data te vergelyk sal jy vind dat hulle dit nie verander nie veel nie. Oorweeg ook dat ek nie enige voorkeur is om tot 1991 data, my doel is om iets wat ewe goed werk op 1991 en 2014 data te skep, ek wil 'n model wat is stabiel saam al die marktoestande ek beskikbaar het. Na iets wat stabiel in alle omstandighede lei tot krommepassing vooroordeel en laer data-ontginning vooroordeel laer as wanneer jy slegs gebruik data vir die afgelope 7 jaar. Hierdie manier van werk het my 'n goeie resultate gegee tydens die afgelope paar jaar, natuurlik is ek nie gepleit dat almal doen dinge op hierdie manier, ek net wys die redes waarom ek benader die probleem op hierdie manier. Watter manier jy kies om jou strategieë te ontwikkel is onomwonde jou prerogatief. Ek dink dit moet wees wanneer die stelsel 'n tendens oor die vorige periode leer (2 lag van die model) bevind, sal die reëls te verander om basies al die kombinasies langs die tendens toon. As die tendens is bevind dat is baie langer as die leer periode, sal die stelsel geld te verdien op die gemiddelde. Ook in die woelig markte kan daar 'n effense voorsprong, waar die volgende bars rigtings is geneig om te wees anticorrelated, wat moet gereflekteer word in die reëls (op, af-gtUP, af, op-gtDOWN) indien die woelig tydperk langer as is nie die leer periode. Afgesien. Na aanleiding van die dieselfde idee. Wat sou gebeur as ons gebruik verskillende lags soos 1, 2, 4, 8, 16, 32 bars My idee is dat dit 'n rowwe skatting van die Hurst eksponent kan agteruitgang. Wanneer die mark is in aanhoudende af die waarskynlikheid dat die volgende bar is dieselfde kleur van die huidige een is 'n bietjie hoër. Conversly wanneer die mark is antipersistent. Geen gierigheid. Geen vrees. Net wiskunde. Na aanleiding van die dieselfde idee. Wat sou gebeur as ons gebruik verskillende lags soos 1, 2, 4, 8, 16, 32 bars My idee is dat dit 'n rowwe skatting van die Hurst eksponent kan agteruitgang. Wanneer die mark is in aanhoudende af die waarskynlikheid dat die volgende bar is dieselfde kleur van die huidige een is 'n bietjie hoër. Conversly wanneer die mark is antipersistent. Goeie idee en hoe gaan dit as ons gedeel die fundamentele daarmee en die lag geword verwissel met die Fundamentele geval byvoorbeeld as gebruik daagliks ons kan x1 gebruik, x2, x3, x4, X5, x6, x7, x8 en x9 waar x1, x2 en x3 vir die laaste kers (ook hier kan ons volle week dek di vyf kers) X4, X5, x6 is dieselfde dag kers vir verlede week tot 'n maand x7, x8 en x9 dek is dieselfde dag kers vir die laaste maande te dek 'n kwart jammer vir my taal (hierdie groep sal ongeveer met dieselfde fundamentele gebeurtenis), want dit is nie my moedertaal Ek is nie 'n programmeerder en i dont wil. maar net probeer ek vang my oog geword Desember 2014 Status: Lid 383 Posts Dit is ook interessant om daarop te let dat die normalisering van die data (met behulp van opbrengste in plaas van absolute prys verskille) het min effek by die gebruik van hierdie lineêre regressiemodel hoewel die effek is nie nul. Hier vind u die uitslae vir die stelsel met behulp van beide kan sien. Opbrengste bereken (Open-lastOpen) / lastOpen terwyl absolute prys verskille slegs Open-lastOpen vir die berekening van insette / teiken. Die gebruik van hierdie tipe van normalisering kan belangriker geword later wanneer ons ander model tipes vir regressie, so hou dit in gedagte. Lede moet ten minste 0 geskenkbewyse te plaas in hierdie draad. 0 handelaars lees nou Forex Factoryreg is 'n geregistreerde handelsmerk. Verbind Oor Produkte WebsiteFOREX Daily Trend Voorspelling behulp masjien leertegnieke Syfers quotMost van die wat in die afgelope paar jaar navorsing gebruik voer vorentoe en herhalende Kunsmatige neurale netwerke te danke aan sy vermoë om enige lineêre funksies 5. Byvoorbeeld karteer, 6 gebruik Support Vector Machine aan voorspel die daaglikse tendens van die Forex mark. ANFIS model word ook gebruik om die tendens van die mark 7. quot Wys abstrakte versteek abstrakte OPSOMMING voorspel: buitelandse valuta mark is 'n wêreldwye mark te geldeenhede te ruil met $ 3980000000000 daaglikse omset. Met so 'n massiewe omset, waarskynlikheid van wins is baie hoog egter beurs in so 'n massiewe mark moet 'n hoë kennis, vaardighede en volle verbintenis om 'n hoë wins te behaal. Die doel van hierdie werk is om 'n slim agent wat 1) verkry valutamark pryse, 2) pre-prosesse nie, 3) voorspel toekomstige tendens met behulp van genetiese programmering benadering en Adaptive Neuro-fuzzy Inferensie Stelsel en 4) maak 'n koop te ontwerp / verkoop besluit om winsgewendheid te maksimeer sonder menslike toesig. Full-text artikel April 2013 Mohamed Taher Alrefaie Alaa-Aldine Hamouda Rabie RamadanAlthough my pogings in die bou van masjienleer stelsels vir die Forex mark is aanvanklik gefokus op die bou van stelsels vir die daaglikse tyd raam met behulp van nie-lineêre regressie metodes (hoofsaaklik neurale netwerke) Ek het is op pad na die bou van masjienleer stelsels op die laer tydsraamwerke behulp van 'n meer gevarieerde arsenaal van algoritmes gedurende die afgelope jaar. Dit is beide omdat bou van histories winsgewende stelsels op die daaglikse tydraamwerk vir instrumente behalwe die euro / dollar is nooit suksesvol bereik en omdat ek wou ander klassifikasie en regressietegnieke verken wat dalk my baie meer bestryk goedkoop. Sedert die bou van stelsels wat voortdurend lei op die laer tydsraamwerke algemeen vereis 'n veel groter aantal bars, met behulp van metodes wat bestryk is goedkoper maak meer sin. Maar die afgelope paar maande het ek slaan 'n pad-blok in die bou van hierdie stelsels, hoofsaaklik te wyte aan kwessies wat verband hou met die makelaar afhanklikheid. Deur die res van hierdie pos sal ek aan jou verduidelik wat my probleme gewees en hoe ek probeer het om hulle aan te pak ten einde robuuste masjien leermetodologieë genereer. 'N Paar maande gelede was ek gretig om te skryf oor die bou van histories winsgewende handel stelsels op die laer tydsraamwerke oor verskeie Forex simbole gebruik te maak voortdurend heropgelei masjienleer tegnieke. As 'n saak van die feit Ek het later verfyn hierdie metode genoeg sodat ek nou in staat om histories winsgewende resultate op alle Forex hoofvakke genereer gedurende die afgelope 25 jaar van data, die gebruik van eenvoudige ensembles van klassifiseerders op die 1H tydraamwerk (stelsels met 'n hoë lineariteit en baie ordentlike wins eienskappe drawdown). Die stelsels lei hul modelle op elke nuwe uurlikse kers en maak gebruik van 'n eenvoudige handel bestuur meganismes (soos sleep tot stilstand kom) om verder te versterk hul winsgewendheid. Toe ek 'n portefeulje van stelsels het gegenereer om handel te dryf in alle FX hoofvakke en ek was gereed om dit te skuif om te lewe handel het ek besluit om 'n finale toets wat probeer om voer afhanklikheid evalueer hardloop, so ek gebruik inligting uit 'n aparte makelaar (anders as my 25 jaar databron), om die resultate te sien. Ek was nogal geskok om te sien dat die resultate was nie net heeltemal anders, maar winsgewendheid is uitgewis. In die grafiek hierbo om die tydperk 2002-2012 geëvalueer op beide datastelle kan sien (resultate is ontleed in R na die back-toetse klaar is met die F4 raamwerk). Die rooi stel is waar die stelsel gemaak is en die swart stel is 'n data-stel vir presies dieselfde Forex simbool, afkomstig van 'n heeltemal ander bron. Die korrelasie tussen die maandelikse opbrengs van hierdie stelsels is eintlik net 0,3, wat beteken dat in die praktyk die klassifiseerder hier gebruik optree soos twee heeltemal verskillende stelsels regoor beide datastelle. Wanneer stelsels te bou op die daaglikse tydraamwerk ek nooit werklik hierdie kwessie in die gesig gestaar, want voer verskille oor daaglikse tydraamwerk is nie groot genoeg is om die prestasie van die masjien leer stelsels affekteer, terwyl dit in die laer tydsraamwerke die verskille is groot gemaak (verteenwoordig 'n veel groter persentasie van elke staaf) sodat die resultate is eintlik heel anders vir die masjien leer stelsels opgelei oor twee verskillende makelaar voed. As ons kyk na die verskil tussen die twee voed ons kan eintlik twee belangrike dinge sien. Die eerste is dat die verskil is mees prominente hoe verder teruggaan in die verlede en die tweede is dat die meeste verskille is eintlik klein (gemiddelde verskil is 1,6 pitte). Ons kan ook sien dat die verskille in die handel stelsel prestasie is die grootste hoe verder terug te gaan en word baie minder prominent gedurende die tydperk 2008-2012. Dit beteken dat die probleem is veel minder belangrik op onlangse data en word baie swaarder as die onsekerheid oor die 8220fine grain8221 van die data word groter (verdere verskil tussen die datastelle). As ons kyk na die 1000 bewegende gemiddelde van die data voed verskille blyk ook dat verskille het geleidelik afgeneem as handel ontwikkel het ten spyte van die feit dat 2008-2009 het 'n baie groot wisselvalligheid piek. As die waardes is aangepas om wisselvalligheid sou die verskil selfs meer dramaties verskyn. Maar sedert makelaar voer verskille waarskynlik hoofsaaklik geraak word deur likiditeit (nie net deur die mark beweging wissel) sou ons net verwag dat 'n afname in verskille tussen voedings as die mark raak meer vloeistof (soos verskille tussen likiditeit verskaffers moet glad). Dit is ook opmerklik dat pieke in die voer verskille lyk nie prestasie beïnvloed, aangesien hierdie masjienleer stelsels gebruik data 300-400 leer voorbeelde wat baie goed kan gebruik maak van die laaste 10,000 tot 15,000 uurlikse bars. Dit beteken dat makelaar verskille is slegs relevant as hulle hoog genoeg vir die hele opleiding monster stel (genoeg om groot verskille veroorsaak), maar is nie so belangrik as hulle net 'n paar van hierdie voorbeelde beïnvloed. Van hierdie grafieke kan ons aflei dat die masjien leer stelsel 8211 saam 'n paar ander wat ek bestudeer met 'n baie soortgelyke resultate 8211 hoofsaaklik beïnvloed word wanneer die gemiddelde verskil vir die afgelope 1000 bars bo die 2 pit drumpel, as die gemiddelde onder hierdie punt het neergedaal, dit het redelik genoeg geword vir die stelsels om voldoende resultate gee. So hoe kan ons hierdie probleem Hoe ons te genereer resultate vir laer tyd masjien leerstrategieë wat werk oor bronne wat so anders was histories Daar is hoofsaaklik twee antwoorde op hierdie vraag op te los. Die eerste sou wees om bloot vorige data te ignoreer en stelsels vanaf 2008 ontwikkel tot 2014, sedert die vorige data onbetroubaar beskou kan word ten opsigte van die graad van bypassende wat nodig is vir die masjien leerstrategieë, sou dit 'n goeie idee om bloot te oorweeg hierdie data van lae gehalte wees vir masjienleer en beweeg aan. Ja, jy kan kom-up met strategieë wat 8220less powerful8221 veralgemenings as wanneer jy gebruik 25 jaar van data, maar sedert die data wat jy gebruik is van 'n beter gehalte (onderhewig aan minder variasie) die modelle kan kom met meer nuttig handel metodes. Die tweede opsie is om te probeer om stelsels wat robuuste om die versteurings in die verlede wat kan 8211 is ten spyte van hierdie feit te bou 8211 kom met histories winsgewende masjien leermetodes. Daar is baie metode wat gebruik kan word om hierdie doel te bereik, maar miskien is die mees algemeen gebruik word, is om geraas te voeg tot die data sodanig dat enige gevolgtrekkings op óf datastel dieselfde sal wees, as die masjien leer metode net sou gelaat word met genoeg inligting om die 8220very globale picture8221 sien. As jy 'n gemiddelde kers verskil van X jy kan al kerse verdraai deur 'n ewekansige hoeveelheid 2X en dan kan jy 'n handel besluit wat gebaseer is op die opbrengs van 'n verskeidenheid van voorspellers te maak. As jy die trein 200 modelle met lukraak verwring monsters en die gevolgtrekking is dat almal van hulle sê dat om in 'n lang handel is die beste besluit dan die antwoord is waarskynlik gaan om dieselfde op 'n ander datastel wees waar die ewekansige ondergang is van die dieselfde grootte as geraas die gevolgtrekking doesn8217t verander dan die gevolgtrekking moet wees 8220real8221 (daar moet 'n onderliggende kwaliteit in die data belangriker as die bykomende geraas wees). Dit maak seker dat ons patrone nie eenvoudig vind in die inherente geraas van die tydreeks maar eintlik iets betrokke te kry. Soos jy kan sien die probleem is baie kompleks en dit sal vir my 'n paar blog ten volle met jou 'n paar van my resultate te deel in die bogenoemde area. Wat sou jy doen Wil jy handel 'n masjien leermodel met behulp van data uit net die afgelope paar jaar of sou jy probeer om 'n model te bou meer robuuste om makelaar verskille Laat my weet in die kommentaar hieronder: o) As jy meer wil weet oor leer masjienleermodelle en hoe jy te kan strategieë wat daagliks lei met behulp van ons FX handel raamwerk asseblief oorweeg om by Asirikuy skep. 'n webwerf vol opvoedkundige video's, handel stelsels, ontwikkeling en 'n gesonde, eerlike en deursigtige benadering tot outomatiese handel in die algemeen. Ek hoop dat jy hierdie artikel geniet. o) Gebou masjien leerstrategieë wat ordentlike resultate onder lewendige marktoestande kan verkry was nog altyd 'n belangrike uitdaging in algoritmiese handel nie. Ten spyte van die groot bedrag van die rente en die ongelooflike potensiaal belonings, is daar nog geen akademiese publikasies wat in staat is om 'n goeie masjien leermodelle wat suksesvol die handel probleem in die reële mark (na die beste van my wete kan aanpak wys is, plaas 'n kommentaar as jy het een en I8217ll meer as gelukkig wees om dit te lees). Hoewel baie vraestelle verskyn nie lyk belowend resultate toon, is dit dikwels die geval dat hierdie vraestelle te val in 'n verskeidenheid van verskillende statistiese vooroordeel probleme wat die reële mark sukses van hul masjien leerstrategieë hoogs onwaarskynlik maak. Op today8217s post ek gaan om te praat oor die probleme wat ek sien in akademiese navorsing wat verband hou met die masjien leer in Forex en hoe ek glo hierdie navorsing verbeter kan word om baie meer nuttige inligting vir beide die akademiese en handel gemeenskappe te lewer. Die meeste slaggate in die masjien leerstrategie ontwerp wanneer jy Forex is onvermydelik geërf het uit die wêreld van deterministiese leerprobleme. Wanneer die bou van 'n masjien leer algoritme vir iets soos gesig erkenning of 'n brief erkenning is daar 'n goed gedefinieerde probleem wat nie verander, wat oor die algemeen is aangepak deur die bou van 'n masjien leermodel op 'n subset van die data (a opleiding stel) en dan toets as die model is in staat om die probleem korrek op te los deur gebruik te maak van die herinnering aan die data (a toets stel). Dit is die rede waarom jy moet 'n paar bekende en goed gevestigde data-stelle wat kan gebruik word om die kwaliteit van nuut ontwikkelde masjien leertegnieke te vestig. Die belangrike punt hier is egter dat die probleme aanvanklik aangepak deur masjien leer was meestal deterministiese en tyd onafhanklik. Wanneer beweeg in die handel, die toepassing van hierdie selfde filosofie lewer baie probleme wat verband hou met beide die gedeeltelik nie-deterministiese karakter van die mark en sy tyd afhanklikheid. Die blote daad van 'n poging om opleiding te kies en te toets stelle stel 'n beduidende bedrag van vooroordeel (a data seleksie vooroordeel) dat 'n probleem skep. As die keuse herhaal om resultate te verbeter in die toets stel 8211 wat jy moet neem gebeur in ten minste sommige gevalle 8211 toe die probleem voeg ook 'n groot hoeveelheid data-ontginning vooroordeel. Die hele kwessie van doen 'n enkele opleiding / validering oefening genereer ook 'n probleem met betrekking tot hoe hierdie algoritme is toegepas moet word wanneer lewende handel. Per definisie sal die lewende handel anders wees, aangesien die keuse van opleiding / toets stelle moet weer aansoek gedoen om verskillende data (soos nou die toets stel is werklik onbekend data). Die vooroordeel wat inherent is in die aanvanklike in-monster / buite-monster tydperk seleksie en die gebrek aan enige getoets reëls vir handel onder onbekende data maak sulke tegnieke om algemeen misluk in lewende handel. As 'n algoritme is opgelei met 2000-2012 data en is kruis bekragtig met 2012-2015 data daar is geen rede om te glo dat dieselfde sukses sal gebeur as opgelei in 2003-2015 data en dan lewe verhandel 2015-2017, die datastelle is baie anders in die natuur. Die meting van algoritme sukses is ook 'n baie relevante probleem hier. Dit is onvermydelik dat die masjien leer algoritmes wat gebruik word vir handel in meriete moet gemeet word aan hul vermoë om positiewe opbrengste te genereer, maar sommige literatuur meet die meriete van nuwe algoritmiese tegnieke deur te probeer om 'n benchmark hul vermoë om korrekte voorspellings te kry. Korrekte voorspellings te doen nie noodwendig gelyk winsgewende handel dryf as jy maklik kan sien wanneer die bou van binêre klassifiseerders. As jy probeer om die volgende candle8217s rigting voorspel kan jy nog 'n verlies as jy meestal reg op klein kerse en verkeerd op groter kerse. As 'n saak van die feit die meeste van hierdie tipe van klassifiseerders 8211 die meeste van diegene wat don8217t werk 8211 eindig voorspel rigting met 'n bo 50 akkuraatheid, nog nie bo die vlak wat nodig is om kommissies wat jou sal toelaat winsgewende binêre opsies handel oortref. Om strategieë wat meestal raak van die bogenoemde probleme Ek het nog altyd bepleit vir 'n metode waarop die masjien leer algoritme is heropgelei voordat die maak van enige opleiding besluit bou. Deur die gebruik van 'n bewegende venster vir opleiding en nooit die maak van meer as een besluit sonder heropleiding die hele algoritme kan ons ontslae te raak van die seleksie vooroordeel wat inherent in die keuse van 'n enkele in-monster / buite-monster stel kry. Op hierdie wyse die hele toets is 'n reeks van opleiding / validering oefeninge wat uiteindelik toe te sien dat die masjien leer algoritme werk selfs onder geweldig verskillende opleiding datastelle. Ek bepleit ook vir die meting van werklike back testing prestasie om 'n masjien leer algorithm8217s meriete te meet en verder sou ek so ver gaan as om te sê dat daar geen algoritme sy sout werd kan wees sonder om bewys onder werklike out-of-monster voorwaardes. Die ontwikkeling van algoritmes op hierdie wyse is baie moeiliker en ek haven8217t gevind dat 'n enkele akademiese papier wat hierdie tipe van benadering volg (as ek dit gemis het voel vry om 'n skakel te plaas sodat ek 'n opmerking kan insluit). Dit beteken nie dat hierdie metode is heeltemal sonder probleme maar dit is nog onderhewig aan die klassieke probleme om al strategie gebou oefeninge, insluitend krommepassing vooroordeel en data-ontginning vooroordeel betrokke. Dit is waarom dit is ook belangrik om 'n groot hoeveelheid data (Ek gebruik 25 jaar om te toets, altyd heropleiding na elke masjien leer afgelei besluit) te gebruik en om voldoende data-ontginning vooroordeel evalueringstoetse voer om die vertroue te bepaal waarmee ons kan sê dat die resultate nie kom uit lukraak kans. My vriend AlgoTraderJo 8211 wat ook gebeur met 'n lid van my handel gemeenskap 8211 wees is tans groeiende draad op ForexFactory volgende dieselfde tipe filosofie vir masjienleer ontwikkeling, soos ons werk aan 'n paar nuwe masjien leer algoritmes vir my handel gemeenskap. Jy kan verwys na sy draad of verlede poste op my blog vir 'n paar voorbeelde van die masjien leer algoritmes ontwikkel op hierdie manier. As jy wil graag meer inligting oor ons ontwikkelings in masjienleer en hoe jy kan ook ook jou eie masjien leerstrategieë te ontwikkel met behulp van die F4 raamwerk leer asseblief oorweeg om by Asirikuy. Beste afslag die vermoë om te deponeer om 'n bietjie geld te vind. Seine. Verspreiding handel moet gedoen word in 'n marge-rekening. Volg die tendens binêre opsies strategie nie die geval is 'n bedrag van jou belegging te beperk. Verder vir stelsels administrasie, die opsporing van gebruikspatrone en die oplos van probleme, ons webservers outomaties inteken standaard toegang tot inligting, insluitend tipe leser, toegang timesopen pos, versoek URL, en verwysing URL. Ons behou ook die reg om te verwyder, bewerk, te verskuif of vir een of ander rede naby enige pos. Tog kan selfs beginners leer valuta handel reg in hul eie huise deur net die toekenning van 'n paar uur elke dag. Die e-boeke is gebaseer op 'n) die verskillende voorstelle en wenke geskryfde af vir handelaars, sodat hulle binêre opsies en die verskillende instrumente kan funksioneer. Ryk Ma stelsel werk. Swendelary. Binêre opsies plugin moet jy 'n nuwe doelskieter kantore Meta Trader werke installeer. Kan toerus: Scorpion klou. Stockpair. Versperring opsie op verskeie maniere, afhangende. In 'n ideale situasie die posisies van diegene wat koop en van hulle wat verkoop is gelyk. Opsies aanlyn platform: strategieë. Dit is uiters moeilik vir die meeste mense om in stand te hou oor die verloop van 'n lang tyd. Binêre opsies. Zoom tot sukses Klik binêre opsies makelaars lys. Gelede bomenslike om te wen in sekondes. Binêre. Maar ek is seker dat jy die regte oplossing sal vind. Moenie moed opgee nie. Ons kan daaroor praat. Hier of in PM.
No comments:
Post a Comment