Maschinelles Lernen Wenn jemand daran interessiert ist, maschinelle Lernstrategien zu entwickeln, schau mal in deep-thought. co nach. Unterstützung Vektormaschinen. Gradient Boosted Bäume. Zufällige Wälder. Extrem randomisierte Bäume. Mehrschichtiges Perceptron, alias Neuronales Netz. Ensembles: Kombinieren Sie die Prognosen einer beliebigen Anzahl von Prädiktoren. Konstante Umschulung, immer an den Markt anzupassen. Bitte beachten Sie, dass es sich hierbei um ein Instrument zur Entwicklung eigener Strategien und Systeme und nicht um eine vorkonzentrierte Handelsstrategie handelt. Ebenfalls enthalten sind zwei MT4 EAs, mit Quelle, um die Signale handeln oder kombinieren mit jedem anderen System können Sie. Machine Learning mit algoTraderJo Mitglied seit Dec 2014 Status: Mitglied 383 Beiträge Hallo Kollegen, Ich beginne diesen Thread hoffen, mit Ihnen zu teilen Einige meiner Entwicklungen auf dem Gebiet des maschinellen Lernens. Obwohl ich nicht mit Ihnen genaue Systeme oder Codierung Implementierungen (dont erwarten, um alles zu bekommen, um zappplug-and-playquot erhalten und reich von diesem Thread) Ich teile mit Ihnen Ideen, Ergebnisse meiner Experiment und möglicherweise andere Aspekte meiner Arbeit. Ich beginne diesen Thread in der Hoffnung, dass wir Ideen austauschen und uns helfen können, unsere Implementierungen zu verbessern. Ich werde mit einigen einfachen maschinellen Lernstrategien beginnen und dann in komplexere Sachen gehen, wie die Zeit vergeht. Hoffe, Sie genießen die Fahrt Joined Dec 2014 Status: Mitglied 383 Beiträge Ich möchte mit einigen grundlegenden Dinge zu beginnen. Es tut mir leid, wenn die Struktur meiner Beiträge lässt viel zu wünschen übrig, ich habe keine Forum Posting-Erfahrung, sondern hoffe, einige mit der Zeit zu bekommen. In Maschinen lernen, was wir tun wollen, ist einfach eine Vorhersage, die für unseren Handel nützlich ist zu generieren. Um diese Vorhersage zu erstellen, erzeugen wir ein statistisches Modell unter Verwendung eines Satzes von Beispielen (bekannte Ausgänge und einige Eingaben, bei denen wir Vorhersagekraft haben, um diese Ausgänge vorherzusagen) und dann eine Vorhersage einer unbekannten Ausgabe (unsere jüngsten Daten) unter Verwendung des von uns erstellten Modells vorzunehmen Die Beispiele. Um es zusammenzufassen, handelt es sich um einen quotsimplequot-Prozess, bei dem wir Folgendes tun: Wählen Sie aus, was wir vorhersagen möchten (das ist unser Ziel) Wählen Sie einige Eingabevariablen aus, die wir für unsere Ziele vorhersagen können Erstellen Sie eine Reihe von Beispielen mit vergangenen Daten Mit unseren Inputs und unseren Zielen Erstellen Sie ein Modell anhand dieser Beispiele. Ein Modell ist einfach ein mathematischer Mechanismus, der die Input-Ziele verknüpft Machen Sie eine Vorhersage des Ziels mit den letzten bekannten Eingaben Handel mit diesen Informationen möchte ich von Anfang an sagen, dass es sehr wichtig ist zu vermeiden, was viele akademische Papiere auf maschinelles Lernen tun , Die versuchen soll, ein Modell mit sehr großen Arrays von Beispielen aufzubauen, und dann versuchen, eine Langzeitvorhersage für einen Quotout-of-samplequot-Satz vorzunehmen. Das Erstellen eines Modells mit 10 Jahren Daten und dann das Testen auf den letzten zwei ist nicht sinnvoll, unterliegen vielen Arten von statistischen Verzerrungen werden wir später zu diskutieren. Im Allgemeinen werden Sie sehen, dass die maschinellen Lernmodelle, die ich baue, auf jeder Leiste (oder jedes Mal, wenn ich eine Entscheidung treffen muss) mit einem sich bewegenden Fenster von Daten für das Erstellen von Beispielen trainiert werden (nur aktuelle Beispiele werden als relevant betrachtet). Sicherlich ist dieser Ansatz für einige Arten von statistischen Verzerrungen nicht fremd, aber wir entfernen den Quotelefanten im Raumquot, wenn wir den breiten Stichprobenansatz der meisten akademischen Papiere verwenden (was nicht verwunderlich ist, führt oft zu Ansätzen, die es nicht sind Eigentlich nützlich für den Handel). Es gibt hauptsächlich drei Dinge, mit denen man sich beim Bau eines maschinellen Lernmodells beschäftigen muss: Was vorherzusagen ist (welches Ziel) Was mit welchen Vorgängen vorherzusagen ist (welche Eingaben) Wie man das Ziel und die Eingaben miteinander verknüpft (welches Modell) Das meiste von dem, was ich erwähnen werde Auf diesem Thema wird auf die Beantwortung dieser Fragen, mit konkreten Beispielen konzentrieren. Wenn Sie irgendwelche Fragen schreiben möchten, die Sie haben konnten und ich versuche, Ihnen eine Antwort zu geben oder Sie einfach zu informieren, wenn ich das später beantworten werde. Mitglied seit: Dec 2014 Status: Mitglied 383 Beiträge Lassen Sie uns auf das Geschäft jetzt. Ein praktisches Beispiel mit maschinellem Lernen. Angenommen, wir wollen ein sehr einfaches Modell mit einem sehr einfachen Satz von Eingaben Ziele zu bauen. Für dieses Experiment sind dies die Antworten auf die Fragen: Vorhersagen (welches Ziel) - gt Die Richtung des nächsten Tages (bullisch oder bärisch) Was vorherzusagen ist (mit welchen Eingängen) - gt Die Richtung der vorherigen 2 Tage (Das Modell) - gt Ein linearer Kartenklassierer Dieses Modell wird versuchen, die Direktionalität der nächsten Tagesleiste vorherzusagen. Um unser Modell zu bauen, nehmen wir die letzten 200 Beispiele (eine Tagesrichtung als Ziel und die vorherigen zwei Tagesrichtungen als Eingaben) und wir trainieren einen linearen Klassierer. Wir tun dies zu Beginn jeder Tagesbar. Wenn wir ein Beispiel haben, bei dem zwei bullische Tage zu einem bärischen Tag führen würden, würden die Inputs 1,1 sein und das Ziel wäre 0 (0bearish, 1bullish), wir verwenden 200 dieser Beispiele, um das Modell auf jeder Bar zu trainieren. Wir hoffen, in der Lage zu sein, eine Beziehung aufzubauen, in der die Richtung von zwei Tagen eine über-zufällige Wahrscheinlichkeit liefert, um die Tagesrichtung richtig vorherzusagen. Wir verwenden ein Stoploss gleich 50 der 20 Tage Zeitraum Average True Range auf jedem Trade. Angehängte Abbildung (zum Vergrößern anklicken) Eine Simulation dieser Technik von 1988 bis 2014 auf den EUR-USD (Daten vor 1999 ist DEM USD) oben zeigt, dass das Modell keine stabile Profitgenerierung hat. Tatsächlich folgt dieses Modell einem negativ vorgewählten zufälligen Weg, der es verliert, Geld als Funktion der Ausbreitung (3 Pips in meinem sim) zu verlieren. Schauen Sie sich die anscheinend quotimpressivequot Leistung haben wir in 1993-1995 und 2003-2005, wo anscheinend konnten wir erfolgreich vorhersagen, die nächsten Tage Richtungsabhängigkeit mit einem einfachen linearen Modell und die letzten zwei Tage Richtungsergebnisse. Dieses Beispiel zeigt Ihnen einige wichtige Dinge. Zum Beispiel, dass über kurze Zeitskalen (die ein paar Jahre sein könnte) können Sie leicht durch Zufall getäuscht werden --- Sie können denken, Sie haben etwas, das funktioniert, was wirklich nicht funktioniert. Denken Sie daran, dass das Modell auf jeder Leiste umgebaut wird, wobei die letzten 200 Eingabezielbeispiele verwendet werden. Was andere Dinge denken Sie, können Sie aus diesem Beispiel lernen Post Ihre Gedanken Nun. So dass Sie prognostiziert, dass Käufer oder Verkäufer würde Schritt in. Hmm, aber was genau hat es mit Preisaufstieg nach oben oder unten zu tun 100 Pips Preis kann auf verschiedene Weise reagieren - es könnte nur Tank für einige Zeit (während alle Limit-Aufträge gefüllt sind) Und dann weiter bewegen. Es kann auch 5, 10, 50 oder sogar 99 Pips zurückverfolgen. In all diesen Fällen waren Sie irgendwie Recht über Käufer oder Verkäufer Eintritt in, aber Sie müssen verstehen, dass diese Analyse nicht viel zu tun haben, mit Ihrem Handel gehen von 90pip zu 100pip. Ja, du bist richtig Dies ist ein großer Teil des Grundes, warum wir schlechte Ergebnisse bekommen, wenn die Verwendung der linearen Mapping-Algorithmus. Weil unsere Profitabilität schlecht mit unserer Vorhersage verwandt ist. Voraussagen, dass Tage bullish bearish ist von begrenztem Nutzen, wenn Sie nicht wissen, wie viel Preis bewegen wird. Vielleicht sind Ihre Vorhersagen nur an Tagen, die Ihnen 10 Pips und Sie erhalten alle Tage, die 100 Pip Direktionalität völlig falsch. Was würden Sie für ein besseres Ziel für eine Maschine Lernmethode betrachten Ja, du bist richtig Dies ist ein großer Teil des Grundes, warum wir sind immer schlechte Ergebnisse bei der Verwendung der linearen Mapping-Algorithmus. Weil unsere Profitabilität schlecht mit unserer Vorhersage verwandt ist. Voraussagen, dass Tage bullish bearish ist von begrenztem Nutzen, wenn Sie nicht wissen, wie viel Preis bewegen wird. Vielleicht sind Ihre Vorhersagen nur an Tagen, die Ihnen 10 Pips und Sie erhalten alle Tage, die 100 Pip Direktionalität völlig falsch. Was würden Sie für ein besseres Ziel für eine Maschine Lernmethode betrachten Lets sagen, wenn Sie 100 Pip TP und SL haben, möchte ich vorherzusagen, was zuerst kommt: TP oder SL Beispiel: TP kam zuerst 1 SL kam zuerst 0 (oder -1, Aber Sie es)
No comments:
Post a Comment