Machine Learning in apprendimento automatico forex trading hanno chiesto ai dati del volume e per tutto il giorno, per esempio, è del tutto possibile prevedere il volume in base al momento della giornata. ad esempio la sua facile prevedere ci sarà un fondo a mezzanotte e che il volume complessivo sarà simile al giorno precedente, ma le differenze meaningfull sono difficili da prevedere. Suppongo che sarebbe simile per profondità di mercato, ma non ho mai guardato in tali dati. Penso che il mercato forex la maggior parte del tempo mostra la sua ONU-prevedere il comportamento. va contro tutti i calcoli. due giorni prima al 1215 il commerciante ha detto che l'oro andrà alto, ma è venuto giù a 1163. Forex ha il suo comportamento. humain commercio principale di apprendimento kar Kay kam Karna ho ga ta Kay perdita humain km dicono km ho o Humain profitto acha haisl ho prassi skay kar mercato Kay demo principale dicono aiuto LYNI ho giMachine apprendimento con algoTraderJo Registrato Dicembre 2014 Status: Utente 383 Messaggi Hello colleghi commercianti , sto iniziando questa discussione nella speranza di condividere con voi alcune delle mie sviluppi nel campo della machine learning. Anche se io non posso condividere con voi i sistemi esatte o implementazioni di codifica (non aspettatevi di ottenere qualcosa da quotplug-e-playquot e arricchirsi da questa discussione) voglio condividere con voi le idee, i risultati del mio esperimento e, eventualmente, altri aspetti del mio lavoro. Sto iniziando questa discussione nella speranza che saremo in grado di condividere idee e aiutare a vicenda a migliorare i nostri implementazioni. Inizierò con alcune semplici strategie di apprendimento della macchina e che poi andare in cose più complesse col passare del tempo. Auguriamo che la corsa di iscrizione Dic 2014 Status: Utente 383 Messaggi voglio iniziare dicendo alcune cose di base. Mi dispiace se la struttura dei miei post lascia molto a desiderare, non ho alcuna esperienza forum distacco, ma la speranza di ottenere qualche tempo. In machine learning quello che vogliamo fare è semplicemente quello di generare una previsione che è utile per il nostro commercio. Per fare questa previsione si genera un modello statistico utilizzando una serie di esempi (uscite noti e alcuni input che le cose devono potere predittivo di prevedere quelle uscite) abbiamo poi fare una previsione di un'uscita sconosciuta (nostri dati recenti) utilizzando il modello che abbiamo creato con gli esempi. Per riassumere si tratta di un processo quotsimplequot dove effettuare le seguenti operazioni: selezionare quello che vogliamo prevedere (questo sarà il nostro obiettivo (s)) Selezionare alcune variabili di input che riteniamo in grado di prevedere i nostri obiettivi di costruire una serie di esempi utilizzando i dati passato con i nostri input e gli obiettivi di creare un modello utilizzando questi esempi. Un modello è semplicemente un meccanismo matematico che mette in relazione le inputstargets fare una previsione della destinazione utilizzando l'ultima ingressi noti commerciale di utilizzare queste informazioni che voglio dire fin dall'inizio che è molto importante per evitare di fare quello che molti documenti accademici su machine learning fanno, che è quello di tentare di costruire un modello con molto grandi array di esempi e quindi tentare di fare una previsione a lungo termine su un insieme quotout-di-samplequot. Costruire un modello con 10 anni di dati e poi testarlo l'ultimo due è non-senso, soggetta a molti tipi di pregiudizi statistici parleremo più avanti. In generale, si vedrà che i modelli di apprendimento automatico che costruisco sono addestrati su ogni bar (o ogni volta che ho bisogno di prendere una decisione) utilizzando una finestra mobile di dati per la costruzione di esempi (solo esempi recenti sono considerati rilevanti). Certo, questo approccio non è estranea ad alcuni tipi di bias statistici ma rimuovere il quotelephant nel roomquot quando si utilizza l'approccio ampio in-sampleout-di-campione della maggior parte dei documenti accademici (che, non è una sorpresa, porta spesso ad approcci che non sono effettivamente utile al commercio). Ci sono principalmente tre cose da preoccuparti di quando la costruzione di un modello di apprendimento macchina: Cosa prevedere (quello di destinazione) Cosa predire con (quali ingressi) Come mettere in relazione il bersaglio e gli ingressi (che modello) La maggior parte di quello che sarà citano in questa discussione si concentrerà su rispondere a queste domande, con esempi concreti. Se si desidera scrivere tutte le domande che potreste avere e cercherò di darvi una risposta o semplicemente sapere se io risponderò che in seguito. Iscritto il dicembre 2014 Status: Utente 383 Messaggi Cerchiamo di metterci al lavoro ora. Un vero e proprio esempio pratico con l'apprendimento automatico. Consente supponiamo di voler costruire un modello molto semplice utilizzando un semplice insieme di inputstargets. Per questo esperimento queste sono le risposte alle domande: Che cosa da prevedere (quello di destinazione) - gt La direzione del giorno successivo (rialzista o ribassista) Cosa predire con (quali ingressi) - gt La direzione dei precedenti 2 giorni Come mettere in relazione l'obiettivo e ingressi (che modello) - gt Una mappa classificatore lineare Questo modello tenterà di prevedere la direzionalità della prossima barra quotidiana. Per costruire il nostro modello prendiamo gli ultimi 200 esemplari (una direzione giorni come bersaglio e le precedenti due direzioni giorno come input) e formiamo un classificatore lineare. Facciamo questo all'inizio di ogni barra quotidiana. Se abbiamo un esempio in cui due giorni di rialzo portano ad una giornata ribassista ingressi sarebbero 1,1 e l'obiettivo sarebbe 0 (0bearish, 1bullish), usiamo 200 di questi esempi per addestrare il modello su ogni barra. Speriamo di essere in grado di costruire un rapporto in cui la direzione di due giorni dà una certa probabilità di sopra-random di prevedere correttamente la direzione di giorni. Usiamo un stoploss pari al 50 del periodo di 20 giorni Average True Range su ogni commercio. Immagine allegata (clicca per ingrandire) Una simulazione di questa tecnica 1988-2014 sul EURUSD (dati prima del 1999 è DEMUSD) di cui sopra dimostra che il modello non ha alcuna generazione di profitto stabile. In realtà questo modello segue un random walk prevenuto negativamente, il che fa perdere denaro in funzione della diffusione (3 pips nella mia sim). Guardate le prestazioni apparentemente quotimpressivequot che abbiamo in 1993-1995 e nel periodo 2003-2005, dove a quanto pare si potrebbe prevedere con successo i prossimi giorni direzionalità utilizzando un modello lineare semplice e gli ultimi due risultati giorno direzionali. Questo esempio mostra diverse cose importanti. Ad esempio, che attraverso brevi tempi (che potrebbe essere un paio di anni) si può essere facilmente ingannare da casualità --- si può pensare di avere qualcosa che funziona, che non fa davvero. Si ricorda che il modello è ricostruito in ogni bar, utilizzando gli ultimi 200 esempi inputtarget. Quali altre cose pensi che si può imparare da questo esempio la tua opinione Bene. quindi è previsto che gli acquirenti o venditori avrebbero intervenire Hmm, ma che cosa esattamente si ha a che fare con il prezzo che va verso l'alto o verso il basso 100 pips prezzo può reagire in vari modi -. Potrebbe essere solo serbatoio per un certo tempo (mentre tutti gli ordini limite sono riempiti) e poi continuare a muoversi ulteriormente. Può anche ripercorrere 5, 10, 50 o anche 99 pip. In tutti questi casi si erano un po ragione su acquirenti o venditori passo-passo, ma si deve capire che questa analisi doesnt hanno molto a che fare con il commercio che va da 90pip a 100pip. Sì, hai ragione questa è una grande parte del motivo per cui stiamo ottenendo risultati scadenti quando si utilizza l'algoritmo di mappatura lineare. Perché la nostra redditività è scarsamente correlato con la nostra previsione. La previsione che i giorni sono bullishbearish è di uso limitato se non sai quanta prezzo si muoverà. Forse le tue previsioni sono corrette solo nei giorni che ti danno 10 pips e si ottengono tutti i giorni che hanno 100 pip direzionalità totalmente sbagliato. Cosa vorresti prendere in considerazione un obiettivo migliore per un metodo di apprendimento automatico Sì, hai ragione questa è una grande parte del motivo per cui stiamo ottenendo risultati scadenti quando si utilizza l'algoritmo di mappatura lineare. Perché la nostra redditività è scarsamente correlato con la nostra previsione. La previsione che i giorni sono bullishbearish è di uso limitato se non sai quanta prezzo si muoverà. Forse le tue previsioni sono corrette solo nei giorni che ti danno 10 pips e si ottengono tutti i giorni che hanno 100 pip direzionalità totalmente sbagliato. Cosa vorresti prendere in considerazione un obiettivo migliore per un metodo di apprendimento automatico consente di dire se si dispone di 100 pip TP e SL, vorrei prevedere che viene prima: TP o SL Esempio: TP è venuto prima 1 SL è venuto prima 0 (o -1, tuttavia lo mappate)
No comments:
Post a Comment