Jon V.
BigData. Iniciantes. Negociação.
BigData. Iniciantes. Negociação.
Machine Beats Human: Usando Aprendizado de Máquinas em Forex.
A aprendizagem e o comércio de máquinas são um assunto muito interessante. Também é um assunto onde você pode gastar toneladas de tempo escrevendo código e lendo documentos e, em seguida, uma criança pode vencê-lo enquanto joga Mario Kart.
Nas postagens nexts, vamos falar sobre:
Otimize entradas e saídas. Isto e só isso pode fazer uma tonelada de diferença em seu rolo de banco. Calcule o tamanho da posição (no caso de você não gostar do critério de Kelly) Encontre a possível correlação entre diferentes pares (negociação em pares). Adoro a correlação EURUSD vs GBPJPY! Calcule suporte e amp; linhas de resistência.
Mas o que é a Aprendizagem de Máquinas?
Os algoritmos de aprendizagem de máquina são algoritmos em que uma máquina pode identificar padrões em seus dados. Yeap, é assim tão simples. Por exemplo, encontre todos os animais nesta foto e desenhe uma caixa ao redor deles. Além disso, nomeie esse animal. Louco, eu sei. Para negociar como você pode imaginar, é bastante semelhante:
Para que uma máquina "aprenda", você precisa ensinar o que é certo ou errado (aprendizado supervisionado) ou dar-lhe um grande conjunto de dados e deixá-lo ficar selvagem (sem supervisão). Para identificar objetos, isso é direto, e o que é negociar?
Eu olhei em volta para ver se há algum programa de aprendizado de máquina que pode identificar as linhas S / R, mas sem sucesso. Então eu decidi escrever o primeiro programa de aprendizagem de máquinas em python que identifica linhas de suporte e resistência em Python. Outro primeiro! Hooray!
Mas como um algoritmo pode identificar essas áreas? Hoooooow? Senhoras e colegas (e robôs), permitam-me que lhe apresente o MeanShift, um algoritmo sem supervisão que é usado principalmente para o reconhecimento de imagens e que é bastante trivial para configurar e executar (mas também muito lento).
A idéia é que este algoritmo me permita dividir meus dados (txs forex) em áreas e então eu posso usar as "bordas" como suporte e linhas de resistência. Ideia legal, mas isso funciona?
Analisamos cerca de 12 milhões de pontos de dados do EURUSD em 2014 e alguns meses de 2015. As linhas de resistência são colocadas automaticamente por um algoritmo de aprendizado de máquina.
O que é realmente legal (e assustador) é que o algoritmo praticamente o engana. NAILS é difícil. Isso fica realmente assustador quando vamos usar o algoritmo para identificar microestruturas e começar a curar.
O sistema é capaz de processar qualquer tipo de dados temporários (ações, forex, ouro, seja o que for) e renderá um gráfico interativo html (como o gráfico acima) com seus dados e a máquina gerada S / L. O código está aqui, então fique louco.
Agora vamos passar pelo código. Depois de ter seu conjunto de dados, você precisa lê-los e limpá-los. Prepare-se para alguns pandas de magia.
Nós deixamos cair os valores vazios (fins de semana) e depois reescrevemos os dados para candelas de 24 horas (ohcl). Isso torna muito mais fácil traçar. Os dados agrupados são os dados que inseriremos no algoritmo ml.
Em seguida, preparamos os dados que vamos usar no algo.
Na próxima publicação, vamos discutir como melhorar esse trabalho, discutir alguns resultados muito interessantes (o algoritmo pode realmente prever sobre o futuro?) E começar a usá-lo em nossa própria negociação. Se você quiser verificar o próximo artigo e ler mais sobre comércio e investimento usando algoritmos, inscreva-se no boletim informativo.
Próxima próxima: Machine Learning Gone Wild - Usando o código!
Se você tiver mais comentários, clique-me no jonromero ou inscreva-se no boletim informativo.
Legal outro. Este é um tutorial de engenharia sobre como construir uma plataforma algotrading para experimentação e FUN. Qualquer sugestão aqui não é um conselho financeiro. Se você perder qualquer (ou todos) o seu dinheiro porque seguiu quaisquer conselhos de negociação ou implantou este sistema na produção, não pode culpar este blog aleatório (e / ou eu). Aproveite a seu próprio risco.
Forex Mecânico.
Negociação no mercado FX usando estratégias mecânicas de negociação.
Aprendizado de máquinas no comércio de Forex: por que muitos acadêmicos estão fazendo tudo errado.
Construir estratégias de aprendizado de máquinas que pode obter resultados decentes em condições de mercado ao vivo sempre foi um desafio importante na negociação algorítmica. Apesar da grande quantidade de interesse e das incríveis recompensas em potencial, ainda não há publicações acadêmicas que possam mostrar uma boa aprendizagem de máquinas modelos que podem resolver com sucesso o problema de negociação no mercado real (no melhor de meus conhecimentos, publique um comentário se você tiver um e eu ficarei mais do que feliz em lê-lo). Embora muitos artigos publicados parecem mostrar resultados promissores, muitas vezes é o caso que esses documentos se enquadram em uma variedade de diferentes problemas de tendência estatística que tornam o sucesso do mercado real de suas estratégias de aprendizagem de máquinas altamente improváveis. Na publicação de hoje, vou falar sobre os problemas que vejo na pesquisa acadêmica relacionada com o aprendizado de máquinas no Forex e como acredito que essa pesquisa poderia ser melhorada para produzir informações muito mais úteis para as comunidades acadêmicas e comerciais.
A maioria das armadilhas no projeto de estratégia de aprendizado de máquinas ao fazer o comércio de Forex é inevitavelmente herdada do mundo de problemas de aprendizagem deterministas. Ao construir um algoritmo de aprendizagem de máquina para algo como o reconhecimento de face ou o reconhecimento de letras, existe um problema bem definido que não muda, o que geralmente é abordado através da construção de um modelo de aprendizado de máquina em um subconjunto dos dados (um conjunto de treinamento) e depois teste se O modelo foi capaz de resolver corretamente o problema usando o lembrete dos dados (um conjunto de testes). É por isso que você tem alguns conjuntos de dados famosos e bem estabelecidos que podem ser usados para estabelecer a qualidade das técnicas de aprendizado de máquinas recentemente desenvolvidas. O ponto chave aqui, no entanto, é que os problemas abordados inicialmente pela aprendizagem por máquinas foram na sua maioria deterministas e independentes do tempo.
Ao se mudar para a negociação, aplicar esta mesma filosofia produz muitos problemas relacionados com o caráter parcialmente não-determinista do mercado e sua dependência temporal. O simples ato de tentar selecionar conjuntos de treinamento e teste introduz uma quantidade significativa de viés (um viés de seleção de dados) que cria um problema. Se a seleção for repetida para melhorar os resultados no conjunto de testes & # 8211; o que você deve assumir acontece em pelo menos alguns casos & # 8211; então o problema também adiciona uma grande quantidade de viés de mineração de dados. Toda a questão de fazer um único exercício de treinamento / validação também gera um problema relacionado à forma como esse algoritmo deve ser aplicado quando a negociação ao vivo. Por definição, a negociação ao vivo será diferente uma vez que a seleção de conjuntos de treinamento / teste precisa ser reaplicada a dados diferentes (como agora o conjunto de testes é dados verdadeiramente desconhecidos). O viés inerente à seleção inicial do período inicial na amostra / fora da amostra e a falta de regras testadas para negociação em dados desconhecidos tornam essas técnicas comuns falhar na negociação ao vivo. Se um algoritmo for treinado com dados 2000-2012 e foi validado por cruzamento com os dados de 2012-2015, não há motivos para acreditar que o mesmo sucesso acontecerá se for treinado em dados de 2003-2015 e depois comercializado de 2015 a 2017, os conjuntos de dados são de natureza muito diferente.
O sucesso do algoritmo de medição também é um problema muito relevante aqui. Inevitavelmente, os algoritmos de aprendizado da máquina utilizados para negociação devem ser medidos pelo mérito por sua capacidade de gerar retornos positivos, mas algumas medidas medem o mérito de novas técnicas algorítmicas, tentando comparar suas habilidades para obter as previsões corretas. As previsões corretas não são, necessariamente, iguais às negociações lucrativas, como você pode facilmente ver ao criar classificadores binários. Se você tentar prever a próxima direção da vela, você ainda pode fazer uma perda se você estiver na maior parte direita em pequenas velas e errado em velas maiores. Na verdade, a maioria desses tipos de classificadores e # 8211; a maioria daqueles que não trabalham & # 8211; acabar por prever a direcionalidade com uma precisão acima de 50%, ainda não acima do nível necessário para superar as comissões que permitiriam negociação de opções binárias rentáveis.
Para construir estratégias que estão na maior parte livres dos problemas acima, sempre defendai uma metodologia em que o algoritmo de aprendizado da máquina é treinado antes da tomada de qualquer decisão de treinamento. Ao usar uma janela em movimento para treinar e nunca tomar mais de uma decisão sem reconquistar todo o algoritmo, podemos livrar-se do viés de seleção que é inerente à escolha de um único conjunto na amostra / fora da amostra. Desta forma, todo o teste é uma série de exercícios de treinamento / validação que acabam garantindo que o algoritmo de aprendizagem da máquina funcione mesmo em conjuntos de dados de treinamento tremendamente diferentes. Eu também defendo a medição do desempenho real de backtesting para medir o mérito de um algoritmo de aprendizado de máquina e, além disso, eu chegaria a dizer que nenhum algoritmo pode valer o seu sal sem ser comprovado em condições reais de fora da amostra . O desenvolvimento de algoritmos dessa maneira é muito mais difícil e não encontrei um único documento acadêmico que acompanhe esse tipo de abordagem (se perdi, sinto-me livre para postar um link para que eu possa incluir um comentário!).
Isso não significa que esta metodologia seja completamente livre de problemas, no entanto, ainda está sujeita aos problemas clássicos relevantes para todos os exercícios de construção de estratégia, incluindo viés de ajuste de curva e viés de mineração de dados. É por isso que também é importante usar uma grande quantidade de dados (eu uso mais de 25 anos para testar sistemas, sempre treinando depois de cada aprendizado aprendendo a decisão derivada) e realizar exames adequados de avaliação de viés de mineração de dados para determinar a confiança com que nós pode dizer que os resultados não provêm de chance aleatória. Meu amigo AlgoTraderJo & # 8211; que também é membro da minha comunidade comercial # 8211; Atualmente, está crescendo um tópico no ForexFactory seguindo esse mesmo tipo de filosofia para desenvolvimento de aprendizagem em máquina, enquanto trabalhamos em alguns novos algoritmos de aprendizado de máquinas para minha comunidade comercial. Você pode se referir ao seu tópico ou postagens no meu blog para vários exemplos de algoritmos de aprendizado de máquinas desenvolvidos dessa maneira.
Se você quiser saber mais sobre os nossos desenvolvimentos na aprendizagem de máquinas e como você também pode desenvolver suas próprias estratégias de aprendizagem de máquinas usando o framework F4, considere se juntar ao Asirikuy, um site cheio de vídeos educacionais, sistemas de negociação, desenvolvimento e um som, honesto e uma abordagem transparente para negociação automatizada.
5 Respostas para a "Aprendizagem de Máquinas em Forex Trading": por que muitos acadêmicos estão fazendo tudo errado e # 8221;
Excelente artigo, os problemas que você destaca são certamente válidos para a robustez do sistema!
Uma pergunta que tenho, é normal dizer uma EA para fazer muito bem em um certo par e fazer terrível em todos os outros?
Ou, se uma EA robusta faça bem em pelo menos vários pares, sem qualquer alteração nas configurações!
Obrigado, por seus grandes pensamentos.
Essa questão é interessante; o). Eu acredito que a questão é melhor formulada como # 8220; pode um sistema que sobrevive em apenas um par gerar retornos quando negociados ao vivo? & # 8221; A resposta é sim (tanto da teoria quanto da minha própria experiência). Ter retorna em apenas um par não significa que o sistema seja & # 8220; mau & # 8221; Isso simplesmente significa que ele explora uma ineficiência histórica que só está presente em um instrumento. Desde que você cuide de fontes de polarização (como viés de mineração de dados e viés de ajuste de curva), não há razão para isso não funcionar.
Agora, se você tem um sistema que funciona em vários símbolos, o viés de mineração de dados será exponencialmente menor para um sistema igual que só funciona em um símbolo e o viés de ajuste de curva também será menor devido ao uso de mais dados. Então eu diria que é melhor, mas definitivamente não é necessário.
Mas lembre-se, mire seus preconceitos estatísticos!
Estou tão feliz que você disse que não precisa lucrar com todos os pares! Também o ajuste de curva, como se conhece o limite de ajustes permitido antes de se ajustar?
Finalmente, fiz um teste muito simples usando o padrão de média móvel em MT4, para ver quais pares reagiriam mais amplamente às MAs. Eu testei 52 pares para ver quantos & # 8216; Moving Period & # 8217; entre (1-20) obteriam lucro, independentemente da redução. Eu me perguntei o que você faz dos resultados!
* Período de teste de 5 anos.
* Drawdown não medido.
* 52 pares testados.
* Configurações testadas (Períodos 1-20).
1 23 pares, não obteve lucro em nenhuma configuração de barra de 1-20.
2 6 pares, só conseguiram lucro em 1 configuração.
Apenas 3 pares, obteve lucro em 5 ou mais configurações diferentes.
Apenas 4 5 pares, obteve lucro em 10 ou mais configurações diferentes.
1 BTCUSD 19 Configurações de 20, obteve lucro.
Você precisa fazer uma distinção entre viés de ajuste de curva e viés de mineração de dados (ou, pelo menos, esses dois tipos diferentes de viés, no entanto, você pode querer chamá-los). Curvar-ajuste bias é um viés criado por encontrar uma ineficiência em um conjunto de dados, ele responde a pergunta: meu sistema está encontrando algo geral ou algo específico para os dados que estou usando ?. O viés de mineração de dados responde a pergunta: o meu sistema está encontrando uma verdadeira ineficiência histórica ou são os resultados apenas por causa do meu processo de mineração (ou seja, provenientes de chance aleatória)?
Ao aumentar os espaços de parâmetros e os graus de liberdade, você está aumentando o viés de mineração de dados (você é mais provável encontrar um sistema apenas por acaso, em vez de um sistema que negocia uma ineficiência histórica real). Você pode medir o viés de mineração de dados usando um teste como a verificação de realidade da White & # 8217; s. Fazer esse tipo de teste é fundamental para um projeto de estratégia confiável.
Leia mais sobre esta distinção entre os preconceitos aqui:
Leia também este artigo sobre o assunto:
Antes de abordar as complexidades do design do sistema de negociação e encontrar estratégias de negociação, recomendo fortemente obter uma sólida formação em estatísticas (os cursos de estatística de cours são um excelente início gratuito). As estatísticas lhe darão o poder de analisar seus próprios resultados e abordar metodicamente tais questões: o)
[& # 8230;] Aprendizagem de máquinas no comércio de Forex: por que muitos acadêmicos estão fazendo tudo errado [Forex mecânico] Construir estratégias de aprendizagem de máquinas que podem obter resultados decentes em condições de mercado ao vivo sempre foi um desafio importante na negociação algorítmica. Apesar da grande quantidade de interesse e das incríveis recompensas em potencial, ainda não há publicações acadêmicas que possam mostrar bons modelos de aprendizagem de máquinas que possam solucionar com sucesso o problema comercial no real m [& # 8230;]
aprendizado da máquina Forex
previsões. Isso melhorou muito o fator de lucro (lucro bruto dividido pela perda bruta) de nossa estratégia. Usamos uma alavancagem para aumentar ou diminuir o risco eo retorno esperado.
Desvantagens de uma estratégia de negociação automática.
podemos monitorar o mercado e aguardar esse momento em que nossa estratégia não funciona mais usando as estatísticas que a estratégia deve seguir, como a redução máxima consecutiva e monitorando o volume. Em segundo lugar, podemos fazer o que chamamos de aprendizagem on-line onde nossa estratégia está sendo otimizada continuamente em novos dados. Esta segunda opção é uma boa prática, mas não se protege contra as mudanças repentinas que são típicas no forex a cada poucos anos. A melhor solução é implementar esses dois métodos, otimizando regularmente nossas estratégias, conscientes de que será necessária uma mudança de estratégia mais profunda.
A outra crítica é que nunca entendemos realmente o que faz um modelo de caixa preta. Esse não é o caso para nós, pois nosso modelo é bastante simples, no entanto, devemos tomar o segredo para o nosso túmulo ou, pelo menos, até que a estratégia não seja mais rentável.
Aprendizado de máquinas para negociação.
Oferecido no Georgia Tech como CS 7646.
Programa Nanodegree.
Inteligência artificial.
Aprenda a construir o impossível.
Acelere sua carreira com a credencial que o acompanha rapidamente ao sucesso do trabalho.
Sobre este curso.
Este curso apresenta os alunos aos desafios do mundo real de implementar estratégias de negociação baseadas em aprendizado de máquinas, incluindo os passos algorítmicos da coleta de informações para pedidos de mercado. O foco é sobre como aplicar abordagens de aprendizado de máquina probabilística para decisões de negociação. Consideramos abordagens estatísticas como regressão linear, KNN e árvores de regressão e como aplicá-las a situações reais de negociação de ações.
Custo do curso.
Aprox. 4 meses.
Nível de habilidade.
Incluído no curso.
Rich Learning Content.
Ensinado por profissionais da indústria.
Comunidade de apoio ao aluno.
Junte-se ao caminho da grandeza.
Este curso gratuito é o seu primeiro passo para uma nova carreira com o Programa Nanodegree de Inteligência Artificial.
Curso gratuito.
Aprendizado de máquinas para negociação.
Melhore o seu conjunto de habilidades e aumente a sua hirabilidade através de uma aprendizagem inovadora e independente.
Programa Nanodegree.
Inteligência artificial.
Acelere sua carreira com a credencial que o acompanha rapidamente ao sucesso do trabalho.
Leads do curso.
Tucker Balch.
Arpan Chakraborty.
O que você aprenderá.
Este curso é composto por três mini-cursos:
Mini-curso 1: manipulação de dados financeiros no Python Mini-curso 2: Investimento computacional Mini-curso 3: Algoritmos de Aprendizado de Máquinas para Negociação.
Cada mini-curso consiste em cerca de 7 a 10 lições curtas. As tarefas e os projetos são intercalados.
Estudantes da OMS em queda de 2015: haverá dois testes - um meio de meio após mini-curso 2 e um exame final.
Pré-requisitos e requisitos.
Os estudantes devem ter fortes habilidades de codificação e alguma familiaridade com os mercados de ações. Nenhuma experiência financeira ou de aprendizado de máquina é assumida.
Observe que este curso atende estudantes que se concentram em ciência da computação, bem como estudantes de outras especialidades, como engenharia de sistemas industriais, gerenciamento ou matemática que tenham experiências diferentes. Todos os tipos de alunos são bem-vindos!
Os tópicos ML podem ser "revisar" para estudantes de CS, enquanto peças de finanças serão revisadas para estudantes de finanças. No entanto, mesmo se você tiver experiência nesses tópicos, você achará que os consideramos de uma maneira diferente da que você já viu antes, em particular com o objetivo de implementar para negociação.
A programação será principalmente em Python. Utilizaremos inúmeras bibliotecas numéricas como NumPy e Pandas.
Por que tomar este curso.
No final deste curso, você deve ser capaz de:
Compreender as estruturas de dados utilizadas para negociação algorítmica. Saiba como construir software para acessar dados de capital vivo, avaliá-lo e tomar decisões comerciais. Compreenda 3 algoritmos de aprendizagem de máquina populares e como aplicá-los a problemas comerciais. Compreenda como avaliar o desempenho de um algoritmo de aprendizagem de máquina para dados de séries temporais (dados de preço de estoque). Saiba como e por que as técnicas de mineração de dados (aprendizagem em máquina) falham. Construa um sistema de software comercializado que usa dados diários atuais.
Algumas limitações / restrições:
Usamos dados diários. Este não é um curso HFT, mas muitos dos conceitos aqui são relevantes. Nós não interagimos (negociamos) diretamente com o mercado, mas vamos gerar alocações de capital que você poderia negociar se quisesse.
O que eu ganho?
Vídeos de instrutor Aprenda fazendo exercícios Ensinados por profissionais da indústria.
Cursos relacionados.
Aprendizado de máquinas: Aprendizagem não supervisionada.
Informática de saúde na nuvem.
Big Data Analytics em Saúde.
AI baseada no conhecimento: sistemas cognitivos.
Tecnologia Educacional.
Segmentação e Clustering.
Cursos populares.
Inteligência Artificial - Visão de Computador.
Aprendizagem Profunda - Redes Neurais Convolucionais.
Inteligência Artificial - Interfaces de Usuário de Voz.
Programas em destaque.
Somente na Udacidade.
Programas.
O negócio.
"Nanodegree" é uma marca registrada da Udacity. &cópia de; 2011 & ndash; 2018 Udacity, Inc.
Udacity não é uma universidade credenciada e não conferimos graus.
aprendizado da máquina Forex
previsões. Isso melhorou muito o fator de lucro (lucro bruto dividido pela perda bruta) de nossa estratégia. Usamos uma alavancagem para aumentar ou diminuir o risco eo retorno esperado.
Desvantagens de uma estratégia de negociação automática.
podemos monitorar o mercado e aguardar esse momento em que nossa estratégia não funciona mais usando as estatísticas que a estratégia deve seguir, como a redução máxima consecutiva e monitorando o volume. Em segundo lugar, podemos fazer o que chamamos de aprendizagem on-line onde nossa estratégia está sendo otimizada continuamente em novos dados. Esta segunda opção é uma boa prática, mas não se protege contra as mudanças repentinas que são típicas no forex a cada poucos anos. A melhor solução é implementar esses dois métodos, otimizando regularmente nossas estratégias, conscientes de que será necessária uma mudança de estratégia mais profunda.
A outra crítica é que nunca entendemos realmente o que faz um modelo de caixa preta. Esse não é o caso para nós, pois nosso modelo é bastante simples, no entanto, devemos tomar o segredo para o nosso túmulo ou, pelo menos, até que a estratégia não seja mais rentável.
Como usar a aprendizagem de máquinas em sua negociação.
A aprendizagem de máquinas apresenta muitas vantagens únicas e convincentes para os comerciantes que procuram uma vantagem no mercado. Apenas no último ano, vimos uma grande quantidade de recursos dos maiores hedge funds do mundo, como Bridgewater Associates, dedicados a explorar essas técnicas.
Ao usar o aprendizado de máquina ou a inteligência artificial parece incrivelmente complexo e difícil de implementar, ainda existem maneiras de alavancar suas capacidades sem precisar de doutorado em matemática ou ciência.
Nesta publicação, passaremos por 3 maneiras diferentes de usar técnicas de aprendizado de máquina para melhorar sua própria negociação.
Seleção de indicadores.
Uma das decisões mais importantes é decidir quais indicadores usar para o comércio. Seja você um comerciante técnico ou fundamental, ou você apenas usa ação de preço para negociar, seu sucesso dependerá em grande parte dos indicadores que você usa e de sua interpretação.
Felizmente, existem muitos métodos diferentes para selecionar seus indicadores e isso é conhecido como "seleção de recursos" no mundo da aprendizagem em máquina.
Usando uma árvore de decisão para selecionar seus indicadores.
As árvores de decisão são algoritmos muito versáteis que têm o benefício de serem facilmente interpretáveis. Dado um grande conjunto de dados de indicadores e o movimento de preços do recurso, uma árvore de decisão encontrará os indicadores e os valores dos indicadores, que melhor dividem os dados entre aumentos de preços e redução de preços. Os indicadores mais próximos do topo da árvore são vistos como melhores preditores do que aqueles mais próximos do fundo da árvore e, seguindo um ramo específico, você poderá facilmente encontrar interdependências e relacionamentos entre os indicadores.
A árvore de decisão também lhe dará um conjunto de regras que você pode usar para negociar com base nesses indicadores, mas você deve ter certeza de podar adequadamente a árvore e testar a superposição.
A árvore de decisão é uma poderosa ferramenta visual que pode ajudá-lo a decidir quais combinações de indicadores para trocar e em que valores trocar. Você pode encontrar um tutorial sobre como construir uma estratégia com uma árvore de decisão aqui ou para um guia mais geral, em R aqui é um bom recurso.
Otimização.
Depois de ter a base para a sua estratégia, o próximo passo é a otimização ou a escolha dos valores de parâmetro corretos para maximizar suas chances de sucesso. Muitas estratégias têm uma grande variedade de parâmetros, tais como configurações de indicadores, condições de entrada e saída, perda de parada e níveis de lucro, e dimensionamento de posição, que fazem métodos de "força bruta" de tentar cada combinação, extremamente difícil e demorado, se até mesmo possível.
Resolver esses tipos de problemas é outra área onde o aprendizado de máquina é excelente.
Otimizando uma Estratégia Usando Algoritmos Genéticos.
Os algoritmos genéticos imitam o processo de seleção natural, criando um conjunto único de estratégias "infantis" que contém uma mistura das melhores estratégias "pai", com chance de mutação aleatória.
O processo começa pela codificação de sua estratégia em uma matriz. Por exemplo, poderia ler como algo como:
Onde um 50 & # 8211; A cruz média média de 200 períodos, com uma relação de risco a recompensa de 50 pip to 100 pip seria:
Você geraria então uma grande população de estratégias com variações aleatórias desses parâmetros. Essas estratégias têm diferentes combinações de períodos médios móveis, condições de entrada e saída, e taxas de risco para recompensa.
Em seguida, você testaria essa população executando cada estratégia em um conjunto de testes e selecionando as principais estratégias com base em uma métrica de desempenho de sua escolha.
Finalmente, você combina aleatoriamente os traços das principais estratégias, com uma pequena chance de "mutar" alguns dos parâmetros, para criar uma nova geração de estratégias "infantis". Em seguida, repita o procedimento de avaliação e, uma vez mais, mate as melhores estratégias desta nova geração. Isso leva a uma sobrevivência do cenário mais forte onde apenas as principais estratégias "sobrevivem" para passar ao longo de seus genes para a próxima geração.
Repita este processo um grande número de vezes ou até que um certo critério de desempenho seja alcançado e você fica com uma estratégia muito robusta construída a partir de gerações das estratégias de melhor desempenho!
Você precisa se certificar de que você seleciona uma métrica de desempenho apropriada (como o retorno ajustado pelo risco) e sempre testar a estratégia final em relação aos dados que não foram usados para construir a estratégia para garantir que você não esteja superando um dado particular conjunto.
Este é um método muito poderoso e robusto que tem sido bem sucedido em uma ampla variedade de aplicações, incluindo o mundo da negociação. Você pode encontrar uma descrição mais detalhada aqui e um tutorial sobre como implementá-la em R aqui.
Live Trading.
Um dos aspectos mais atraentes do aprendizado de máquinas é ter um algoritmo capaz de aprender e adaptar-se às mudanças nas condições do mercado. No entanto, isso cria uma estratégia de "blackbox" que, se você não entender completamente como funcionam os algoritmos e testá-lo completamente, é muito difícil confiar em uma conta ao vivo. Não saber quando ou por que uma estratégia está entrando em um comércio pode ser uma proposição assustadora.
No entanto, existem maneiras de obter os benefícios de uma abordagem algorítmica inteligente, mantendo a transparência e a compreensão da sua estratégia.
Aprendizagem de regras de associação.
A Aprendizagem de Regras de Associação é o processo de derivar um conjunto de regras claras e compreensíveis dos padrões descobertos por um algoritmo de aprendizado de máquina.
Algoritmos, como o algoritmo Apriori, pesquisam um conjunto de dados de indicadores, valores de indicadores e o movimento de preço resultante para produzir um conjunto de condições; basicamente, declarações "if-then", que levam aos resultados de maior desempenho. No entanto, ainda é difícil saber exatamente de onde essas regras estão vindo, o algoritmo Apriori requer um número bastante grande de parâmetros a serem sintonizados e esse processo não se presta bem às mudanças nas condições do mercado.
Com a TRAIDE, nós levamos o processo um passo adiante e permitimos que você veja os padrões encontrados por um conjunto de algoritmos de aprendizagem em máquina, dos quais você pode criar suas próprias regras de negociação. Essas regras são fáceis de implementar e ajustadas às mudanças nas condições do mercado, tudo isso sem necessidade de programação ou experiência matemática. Você pode obter os benefícios do uso de algoritmos de aprendizado de máquina para negociar, mantendo a transparência completa, a compreensão de sua estratégia e incluindo sua própria experiência de domínio em sua negociação.
Usar a aprendizagem de máquinas e a inteligência artificial para encontrar uma vantagem no mercado não precisa ser exclusivamente de propriedade das maiores instituições financeiras. À medida que essa tecnologia se torna mais acessível e essas técnicas são mais comuns, você também pode usar a aprendizagem de máquinas para melhorar sua negociação.
rajeev goel diz.
Eu sou rajeev goel da nova Delhi, Índia.
m + 91 9643622698.
Eu troco no mercado de commodities especialmente em lingotes.
Eu quero a DETECÇÃO DO MODELO DE MERCADO AUTOMÁTICO COM SOFTWARE DE INTELIGÊNCIA ARTIFICIAL DE APRENDIZAGEM DE ALGORITMO E MÁQUINA PARA METAIS DE OURO, PRATA E BASE que me mantêm a liderança no mercado de commodities.
que prevêem / projetam quando entrar e sair dos negócios.
Você pode me ajudar de alguma forma?
Obrigado por seu comentário. Estamos trabalhando para apoiar commodities, como ouro, prata e metais comuns.
previsões. Isso melhorou muito o fator de lucro (lucro bruto dividido pela perda bruta) de nossa estratégia. Usamos uma alavancagem para aumentar ou diminuir o risco eo retorno esperado.
Desvantagens de uma estratégia de negociação automática.
podemos monitorar o mercado e aguardar esse momento em que nossa estratégia não funciona mais usando as estatísticas que a estratégia deve seguir, como a redução máxima consecutiva e monitorando o volume. Em segundo lugar, podemos fazer o que chamamos de aprendizagem on-line onde nossa estratégia está sendo otimizada continuamente em novos dados. Esta segunda opção é uma boa prática, mas não se protege contra as mudanças repentinas que são típicas no forex a cada poucos anos. A melhor solução é implementar esses dois métodos, otimizando regularmente nossas estratégias, conscientes de que será necessária uma mudança de estratégia mais profunda.
A outra crítica é que nunca entendemos realmente o que faz um modelo de caixa preta. Esse não é o caso para nós, pois nosso modelo é bastante simples, no entanto, devemos tomar o segredo para o nosso túmulo ou, pelo menos, até que a estratégia não seja mais rentável.
Como usar a aprendizagem de máquinas em sua negociação.
A aprendizagem de máquinas apresenta muitas vantagens únicas e convincentes para os comerciantes que procuram uma vantagem no mercado. Apenas no último ano, vimos uma grande quantidade de recursos dos maiores hedge funds do mundo, como Bridgewater Associates, dedicados a explorar essas técnicas.
Ao usar o aprendizado de máquina ou a inteligência artificial parece incrivelmente complexo e difícil de implementar, ainda existem maneiras de alavancar suas capacidades sem precisar de doutorado em matemática ou ciência.
Nesta publicação, passaremos por 3 maneiras diferentes de usar técnicas de aprendizado de máquina para melhorar sua própria negociação.
Seleção de indicadores.
Uma das decisões mais importantes é decidir quais indicadores usar para o comércio. Seja você um comerciante técnico ou fundamental, ou você apenas usa ação de preço para negociar, seu sucesso dependerá em grande parte dos indicadores que você usa e de sua interpretação.
Felizmente, existem muitos métodos diferentes para selecionar seus indicadores e isso é conhecido como "seleção de recursos" no mundo da aprendizagem em máquina.
Usando uma árvore de decisão para selecionar seus indicadores.
As árvores de decisão são algoritmos muito versáteis que têm o benefício de serem facilmente interpretáveis. Dado um grande conjunto de dados de indicadores e o movimento de preços do recurso, uma árvore de decisão encontrará os indicadores e os valores dos indicadores, que melhor dividem os dados entre aumentos de preços e redução de preços. Os indicadores mais próximos do topo da árvore são vistos como melhores preditores do que aqueles mais próximos do fundo da árvore e, seguindo um ramo específico, você poderá facilmente encontrar interdependências e relacionamentos entre os indicadores.
A árvore de decisão também lhe dará um conjunto de regras que você pode usar para negociar com base nesses indicadores, mas você deve ter certeza de podar adequadamente a árvore e testar a superposição.
A árvore de decisão é uma poderosa ferramenta visual que pode ajudá-lo a decidir quais combinações de indicadores para trocar e em que valores trocar. Você pode encontrar um tutorial sobre como construir uma estratégia com uma árvore de decisão aqui ou para um guia mais geral, em R aqui é um bom recurso.
Otimização.
Depois de ter a base para a sua estratégia, o próximo passo é a otimização ou a escolha dos valores de parâmetro corretos para maximizar suas chances de sucesso. Muitas estratégias têm uma grande variedade de parâmetros, tais como configurações de indicadores, condições de entrada e saída, perda de parada e níveis de lucro, e dimensionamento de posição, que fazem métodos de "força bruta" de tentar cada combinação, extremamente difícil e demorado, se até mesmo possível.
Resolver esses tipos de problemas é outra área onde o aprendizado de máquina é excelente.
Otimizando uma Estratégia Usando Algoritmos Genéticos.
Os algoritmos genéticos imitam o processo de seleção natural, criando um conjunto único de estratégias "infantis" que contém uma mistura das melhores estratégias "pai", com chance de mutação aleatória.
O processo começa pela codificação de sua estratégia em uma matriz. Por exemplo, poderia ler como algo como:
Onde um 50 & # 8211; A cruz média média de 200 períodos, com uma relação de risco a recompensa de 50 pip to 100 pip seria:
Você geraria então uma grande população de estratégias com variações aleatórias desses parâmetros. Essas estratégias têm diferentes combinações de períodos médios móveis, condições de entrada e saída, e taxas de risco para recompensa.
Em seguida, você testaria essa população executando cada estratégia em um conjunto de testes e selecionando as principais estratégias com base em uma métrica de desempenho de sua escolha.
Finalmente, você combina aleatoriamente os traços das principais estratégias, com uma pequena chance de "mutar" alguns dos parâmetros, para criar uma nova geração de estratégias "infantis". Em seguida, repita o procedimento de avaliação e, uma vez mais, mate as melhores estratégias desta nova geração. Isso leva a uma sobrevivência do cenário mais forte onde apenas as principais estratégias "sobrevivem" para passar ao longo de seus genes para a próxima geração.
Repita este processo um grande número de vezes ou até que um certo critério de desempenho seja alcançado e você fica com uma estratégia muito robusta construída a partir de gerações das estratégias de melhor desempenho!
Você precisa se certificar de que você seleciona uma métrica de desempenho apropriada (como o retorno ajustado pelo risco) e sempre testar a estratégia final em relação aos dados que não foram usados para construir a estratégia para garantir que você não esteja superando um dado particular conjunto.
Este é um método muito poderoso e robusto que tem sido bem sucedido em uma ampla variedade de aplicações, incluindo o mundo da negociação. Você pode encontrar uma descrição mais detalhada aqui e um tutorial sobre como implementá-la em R aqui.
Live Trading.
Um dos aspectos mais atraentes do aprendizado de máquinas é ter um algoritmo capaz de aprender e adaptar-se às mudanças nas condições do mercado. No entanto, isso cria uma estratégia de "blackbox" que, se você não entender completamente como funcionam os algoritmos e testá-lo completamente, é muito difícil confiar em uma conta ao vivo. Não saber quando ou por que uma estratégia está entrando em um comércio pode ser uma proposição assustadora.
No entanto, existem maneiras de obter os benefícios de uma abordagem algorítmica inteligente, mantendo a transparência e a compreensão da sua estratégia.
Aprendizagem de regras de associação.
A Aprendizagem de Regras de Associação é o processo de derivar um conjunto de regras claras e compreensíveis dos padrões descobertos por um algoritmo de aprendizado de máquina.
Algoritmos, como o algoritmo Apriori, pesquisam um conjunto de dados de indicadores, valores de indicadores e o movimento de preço resultante para produzir um conjunto de condições; basicamente, declarações "if-then", que levam aos resultados de maior desempenho. No entanto, ainda é difícil saber exatamente de onde essas regras estão vindo, o algoritmo Apriori requer um número bastante grande de parâmetros a serem sintonizados e esse processo não se presta bem às mudanças nas condições do mercado.
Com a TRAIDE, nós levamos o processo um passo adiante e permitimos que você veja os padrões encontrados por um conjunto de algoritmos de aprendizagem em máquina, dos quais você pode criar suas próprias regras de negociação. Essas regras são fáceis de implementar e ajustadas às mudanças nas condições do mercado, tudo isso sem necessidade de programação ou experiência matemática. Você pode obter os benefícios do uso de algoritmos de aprendizado de máquina para negociar, mantendo a transparência completa, a compreensão de sua estratégia e incluindo sua própria experiência de domínio em sua negociação.
Usar a aprendizagem de máquinas e a inteligência artificial para encontrar uma vantagem no mercado não precisa ser exclusivamente de propriedade das maiores instituições financeiras. À medida que essa tecnologia se torna mais acessível e essas técnicas são mais comuns, você também pode usar a aprendizagem de máquinas para melhorar sua negociação.
rajeev goel diz.
Eu sou rajeev goel da nova Delhi, Índia.
m + 91 9643622698.
Eu troco no mercado de commodities especialmente em lingotes.
Eu quero a DETECÇÃO DO MODELO DE MERCADO AUTOMÁTICO COM SOFTWARE DE INTELIGÊNCIA ARTIFICIAL DE APRENDIZAGEM DE ALGORITMO E MÁQUINA PARA METAIS DE OURO, PRATA E BASE que me mantêm a liderança no mercado de commodities.
que prevêem / projetam quando entrar e sair dos negócios.
Você pode me ajudar de alguma forma?
Obrigado por seu comentário. Estamos trabalhando para apoiar commodities, como ouro, prata e metais comuns.
Комментарии
Отправить комментарий