Aprendizagem de máquinas Se alguém estiver interessado em desenvolver estratégias baseadas em aprendizagem de máquinas, verifique deep-thought. co. Máquinas de vetores de suporte. Gradient Boosted Trees. Florestas aleatórias. Árvores extremamente aleatorizadas. Multi-layer Perceptron, também conhecido como Neural Network. Conjuntos: Combine as previsões de qualquer número de preditores. Treinamento contínuo, sempre adaptando-se ao mercado. Por favor note, esta é uma ferramenta para desenvolver suas próprias estratégias e sistemas, e não uma estratégia comercial pré-enlatada. Também estão incluídos dois EAs MT4, com fonte, trocar os sinais ou combinar com qualquer outro sistema que você possa ter. Máquina Aprendendo com algoTraderJo Inscrito em dezembro de 2017 Status: Membro 383 Posts Olá colegas comerciantes, estou iniciando esse tópico esperando compartilhar com você Alguns dos meus desenvolvimentos no campo da aprendizagem por máquinas. Embora eu possa não compartilhar com você sistemas exatos ou implementações de codificação (não espere obter nada para quotplug-and-playquot e ficar rico com esse tópico) Eu compartilharei com você idéias, resultados da minha experiência e possivelmente outros aspectos do meu trabalho. Estou começando esse tópico na esperança de que possamos compartilhar idéias e ajudar uns aos outros a melhorar nossas implementações. Vou começar com algumas estratégias simples de aprendizagem de máquinas e, em seguida, entraremos em coisas mais complexas com o passar do tempo. Espero que gostem do passeio Participei de dezembro de 2017 Status: Membro 383 Posts Eu quero começar por dizer algumas coisas básicas. Desculpe-me se a estrutura das minhas publicações deixa muito a desejar, não tenho nenhuma experiência de publicação no fórum, mas espero conseguir alguma coisa com o tempo. Na aprendizagem mecânica, o que queremos fazer é simplesmente gerar uma previsão que seja útil para nossa negociação. Para fazer essa predição, geramos um modelo estatístico usando um conjunto de exemplos (saídas conhecidas e algumas entradas que as coisas têm poder preditivo para prever essas saídas), então fazemos uma previsão de uma saída desconhecida (nossos dados recentes) usando o modelo que criamos com Os exemplos. Para resumir, é um processo quotimplequot em que fazemos o seguinte: Selecione o que queremos prever (este será o (s) nosso (s) alvo (as)) Selecione algumas variáveis de entrada que pensamos que pode prever nossos objetivos Crie um conjunto de exemplos usando dados passados Com nossas entradas e nossos objetivos Crie um modelo usando esses exemplos. Um modelo é simplesmente um mecanismo matemático que relaciona os inputstargets Faça uma previsão do alvo usando as últimas entradas conhecidas Comércio usando esta informação Quero dizer desde o início que é muito importante evitar fazer o que muitos trabalhos acadêmicos sobre aprendizagem de máquinas fazem, Que é tentar construir um modelo com grandes matrizes de exemplos e depois tentar fazer uma previsão de longo prazo em um conjunto de quotout de amostra. Construir um modelo com 10 anos de dados e, em seguida, testá-lo nos dois últimos é sem sentido, sujeito a muitos tipos de tendências estatísticas que discutiremos mais adiante. Em geral, você verá que os modelos de aprendizagem de máquinas que eu construo são treinados em cada barra (ou toda vez que eu preciso tomar uma decisão) usando uma janela de dados para a construção de exemplos (somente exemplos recentes são considerados relevantes). Claro, essa abordagem não é estranha a alguns tipos de polarizações estatísticas, mas nós removemos o quotefácio no quarto quando usamos a ampla abordagem da amostra de amostra da maioria dos documentos acadêmicos (o que, sem surpresa, muitas vezes leva a abordagens que não são Realmente útil para o comércio). Há principalmente três coisas para se preocupar com a construção de um modelo de aprendizado de máquina: o que prever (que alvo) O que prever com (quais insumos) Como relacionar o alvo e as insumos (que modelo) A maior parte do que vou mencionar Nesta discussão, será focada em responder a essas perguntas, com exemplos reais. Se você quiser escrever qualquer dúvida que possa ter e tentarei dar uma resposta ou simplesmente informá-lo se vou responder depois. Iniciado em dezembro de 2017 Status: Membro 383 Posts Deixe-nos entrar no mercado agora. Um exemplo prático real usando a aprendizagem por máquina. Vamos supor que queremos construir um modelo muito simples usando um conjunto muito simples de entradas de dados. Para esta experiência, estas são as respostas às perguntas: O que prever (que alvo) - gt A direção do dia seguinte (otimista ou descendente) O que prever com (quais insumos) - gt A direção dos dois dias anteriores Como Para relacionar o alvo e as entradas (que modelo) - gt Um classificador de mapa linear Este modelo tentará prever a direcionalidade da próxima barra diária. Para construir nosso modelo, tomamos os últimos 200 exemplos (um dia de direção como alvo e as duas direções do dia anterior como entradas) e treinamos um classificador linear. Fazemos isso no início de cada barra diária. Se tivermos um exemplo em que dois dias de alta provocam um dia de baixa, os insumos seriam 1,1 eo alvo seria 0 (0bearish, 1bullish), usamos 200 desses exemplos para treinar o modelo em cada barra. Esperamos poder construir um relacionamento em que a direção de dois dias cede alguma probabilidade acima do acaso para prever corretamente a direção dos dias. Utilizamos um stoploss igual a 50 do período de 20 dias True True Average em cada comércio. Imagem anexa (clique para ampliar) Uma simulação desta técnica de 1988 a 2017 no EURUSD (dados antes de 1999 é DEMUSD) acima mostra que o modelo não tem geração de lucros estável. Na verdade, esse modelo segue uma caminhada aleatória negativamente tendenciosa, o que faz com que ele perca dinheiro como uma função da propagação (3 pips no meu sim). Olhe para o desempenho aparentemente fácil de termos em 1993-1995 e em 2003-2005, onde, aparentemente, poderíamos prever com sucesso os próximos dias a direcionalidade usando um modelo linear simples e os dois últimos resultados direcionais do dia. Este exemplo mostra várias coisas importantes. Por exemplo, em intervalos de tempo curtos (o que poderia ser um par de anos), você pode ser facilmente enganado pela aleatoriedade --- você pode pensar que você tem algo que funciona, o que realmente não faz. Lembre-se de que o modelo é reconstruído em cada barra, usando os últimos 200 exemplos de entrada. O que outras coisas você acha que pode aprender com este exemplo. Poste seus pensamentos bem. Então você previu que os compradores ou os vendedores iriam entrar. Hmm, mas o que exatamente isso tem a ver com o preço subindo ou baixando 100 pips. O preço pode reagir de várias maneiras - pode ser apenas um tanque por algum tempo (enquanto todas as ordens de limite estão preenchidas) E então continue avançando. Também pode retraitar 5, 10, 50 ou mesmo 99 pips. Em todos esses casos, você era um pouco certo sobre compradores ou vendedores entrar, mas você deve entender que essa análise não tem muito a ver com o seu comércio de 90pip para 100pip. Sim, você está certo Esta é uma grande parte da razão pela qual estamos obtendo resultados ruins ao usar o algoritmo de mapeamento linear. Porque a nossa rentabilidade está mal relacionada com a nossa previsão. Prever que os dias são bullishbearish é de uso limitado se você não sabe quanto o preço se moverá. Talvez suas previsões estejam corretas apenas nos dias que lhe dão 10 pips e você obtém todos os dias que têm 100 pip direcional totalmente errado. O que você consideraria um alvo melhor para um método de aprendizado de máquina Sim, você está certo Esta é uma grande parte da razão pela qual estamos obtendo resultados ruins ao usar o algoritmo de mapeamento linear. Porque a nossa rentabilidade está mal relacionada com a nossa previsão. Prever que os dias são bullishbearish é de uso limitado se você não sabe quanto o preço se moverá. Talvez suas previsões estejam corretas apenas nos dias que lhe dão 10 pips e você obtém todos os dias que têm 100 pip direcional totalmente errado. O que você consideraria um alvo melhor para um método de aprendizagem de máquina Digamos se você tem 100 pip TP e SL, eu gostaria de prever o que vem primeiro: TP ou SL Exemplo: TP veio primeiro 1 SL veio primeiro 0 (ou -1, No entanto, você o mapeia)
No comments:
Post a Comment