آلة الفوركس

تعلم الآلة في أسواق الفوركس والأسهم.

التعلم الآلي هو مجال منظمة العفو الدولية التي أجهزة الكمبيوتر تعلم بدلا من اتباع السيناريو. طالما لديك ما يكفي من البيانات المعلوماتية على فئة معينة يمكنك استخدامه لجعل خوارزمية لمنظمة العفو الدولية من شأنها أن تمكنها من قيادة السيارة، تجريب طائرة وفي عالم الفوركس والأسهم المالية للتنبؤ النطاق والاتجاه من السوق باستخدام البيانات السابقة. من خلال دراسة بعناية كمية هائلة من البيانات المتعلقة اتجاهات السوق السابقة يمكننا استخدامه لتطوير أنماط من شأنها أن تساعدنا على التنبؤ تطور السوق إلى درجة معقولة. على الرغم من أن العديد من التجار قد تم استخدام الأسلوب الدقيق لسنوات ولكن باستخدام آلة التعلم العملية ليس فقط يصبح أسرع ولكن أيضا أكثر دقة، مما يؤدي إلى تطوير استراتيجيات التداول أفضل. الصورة أدناه هي نموذج عام لأعلم خوارزمية التداول الأولى.

وقد استفاد العديد من الأفراد والشركات من التعلم الآلي وتم التداول بنجاح في كل من أسواق الفوركس والأسهم. وتستند النظم التي تستخدمها هذه الشركات والفرد إلى ارتباطات ضعيفة كشفها محلل كمي. اعتمادا على حجم الشركات هذه الاستراتيجيات ثم يمكن استخدامها على نطاق من مئات إلى الملايين وأحيانا أكثر ولكن لا يعني أن لديهم نظام محفوف بالمخاطر. فقط أسرع الشركات التي يمكن أن تجعل التجارة يمكن أن تستفيد حقا من هذه الارتباطات ولكن حتى ذلك الحين ليس هناك ضامن على العودة. حتى مع وجود كمية كريمة من الأفراد والشركات باستخدام آلة التعلم والمزيد من الاهتمام من الناس العاديين، لا تزال هناك قريبة من أي نماذج التعلم آلة كافية التي يمكن استخدامها في الوقت الحقيقي. لماذا هو صعب جدا؟ على عكس التعرف على الوجه أو القيادة التلقائية لمنظمة العفو الدولية التي لديها مشاكل محددة جيدا التي لا تتغير على عكس البيانات التي يحتاج إلى التنبؤ بها في أسواق الأسهم و فكس. عندما نحاول تنفيذ نفس النهج في الفوركس وسوق الأوراق المالية، فشل الطرق ويؤدي إلى العديد من المشاكل ويرجع ذلك أساسا إلى العناصر العشوائية للسوق واعتماده الوقت.

حتى الخوارزمية التي تعمل على التعلم على الانترنت (حيث استراتيجية يمكن أن تبقي تحسين نفسها على أساس البيانات الجديدة) يمكن أن تصبح عفا عليها الزمن من خلال تغيير عشوائي واحد في السوق. على سبيل المثال، إذا كان لديك بيانات الفوركس أو سوق الأوراق المالية للفترة 2000-2018، دربت خوارزمية منظمة العفو الدولية معها ومعبر التحقق من صحة ذلك مع البيانات من 2018-2018 وهذا لا يعني أن هناك سببا لذلك للعمل بسبب مجموعات البيانات كونها عشوائية وغير مسبوقة. ويتمثل أفضل نهج في استخدام النهج القائم على البيانات والنهج التعليمي المباشر على السواء، مع مراعاة أن التغييرات الرئيسية في الاستراتيجية ستكون ضرورية. تعلم الآلة في الفوركس وسوق الأوراق المالية هو بالتأكيد مفيد ولكن يحتاج إلى نهج أكثر صلابة التي يمكن أن تمثل التغيرات العشوائية في السوق.

جون V.

البيانات الكبيرة. الشركات الناشئة. تجارة.

البيانات الكبيرة. الشركات الناشئة. تجارة.

آلة يدق الإنسان: استخدام آلة التعلم في الفوركس.

تعلم الآلة والتداول هو موضوع مثير جدا للاهتمام. بل هو أيضا موضوع حيث يمكنك قضاء طن من الوقت كتابة التعليمات البرمجية وأوراق القراءة وبعد ذلك طفل يمكن أن يضربك في حين لعب ماريو كارت.

في المشاركات التالية، سنتحدث عن:

تحسين الإدخالات والمخارج. وهذا فقط وهذا يمكن أن تجعل طن من الفرق في لفة البنك الخاص بك. حساب حجم الموقف (في حال كنت لا تحب معيار كيلي) البحث عن علاقة محتملة بين أزواج مختلفة (تداول الزوج). أنا أحب اليورو مقابل الدولار مقابل مقابل غبجبي الارتباط! حساب الدعم & أمب؛ خطوط المقاومة.

ولكن ما هو التعلم الآلي؟

خوارزميات التعلم الآلي هي خوارزميات حيث يمكن للآلة تحديد الأنماط في البيانات الخاصة بك. ياب، هو بهذه البساطة. على سبيل المثال، تجد جميع الحيوانات في هذه الصورة ورسم مربع من حولهم. أيضا، اسم هذا الحيوان. مجنون أعرف. للتداول كما يمكنك أن تتخيل أنها مشابهة جدا:

من أجل آلة ل "تعلم"، تحتاج إلى تعليمه ما هو حق أو خطأ (التعلم تحت الإشراف) أو إعطائها مجموعة كبيرة من البيانات والسماح لها حصلت البرية (غير خاضعة للرقابة). لتحديد الأجسام هذا هو مباشرة إلى الأمام ولكن ماذا عن التداول؟

نظرت حولي لمعرفة ما إذا كان هناك أي برنامج تعلم الآلة التي يمكن تحديد خطوط S / R ولكن دون جدوى. لذلك قررت أن أكتب أول برنامج تعلم الآلة في الثعبان الذي يحدد خطوط الدعم والمقاومة في بيثون. آخر أول! الصيحة!

ولكن كيف يمكن للخوارزمية تحديد هذه المجالات؟ Hoooooow؟ السيدات والرجال (والروبوتات)، واسمحوا لي أن أعرض لكم ل مينشيفت، خوارزمية غير خاضعة للرقابة التي تستخدم في الغالب للتعرف على الصور وغير تافهة جدا لإعداد وتشغيل (ولكن أيضا بطيئة جدا).

والفكرة هي أن هذه الخوارزمية سوف تسمح لي تقسيم البيانات الخاصة بي (القراد النقد الاجنبى) في المناطق وبعد ذلك يمكنني استخدام "حواف" كخطوط الدعم والمقاومة. فكرة باردة ولكن هل يعمل؟

نحن نحلل حوالي 12 مليون داتابوانتس من اليورو مقابل الدولار الأميركي في 2018 وبضعة أشهر من عام 2018. يتم وضع خطوط المقاومة تلقائيا من خلال خوارزمية التعلم الآلي.

ما هو رائع حقا (ومشبك) هو أن الخوارزمية إلى حد كبير المسامير ذلك. الأظافر من الصعب. فإنه يحصل عصبي حقا عندما نحن ذاهبون لاستخدام خوارزمية لتحديد الهياكل الصغيرة وبدء سلخ فروة الرأس.

النظام قادر على معالجة أي نوع من بيانات المرات (الأسهم، الفوركس، الذهب، أيا كان)، وسوف تجعل الرسم البياني التفاعلية هتمل (مثل الرسم البياني أعلاه) مع البيانات الخاصة بك والآلة ولدت S / L. رمز هنا حتى يذهب مجنون.

الآن دعونا خطوة من خلال التعليمات البرمجية. بعد أن يكون لديك مجموعة من البيانات تحتاج إلى قراءتها وتنظيفها. الاستعداد لبعض السحر الباندا.

نحن إسقاط القيم الفارغة (عطلة نهاية الأسبوع) وبعد ذلك نحن إعادة رسم البيانات إلى 24 ساعة الشمعدانات (أوهكل). وهذا يجعل من الأسهل بكثير مؤامرة. و grouped_data هي البيانات التي سوف تتغذى في خوارزمية مل.

ثم نقوم بإعداد البيانات التي نحن ذاهبون لاستخدامها في الغو.

في المنصب التالي، سنناقش كيفية جعل هذا العمل أفضل، ونناقش بعض النتائج المثيرة جدا للاهتمام (هل يمكن للخوارزمية التنبؤ فعلا بالمستقبل؟) والبدء في استخدامه في التداول الخاص بنا. إذا كنت ترغب في التحقق من المقال التالي وقراءة المزيد عن التداول والاستثمار باستخدام الخوارزميات، الاشتراك في النشرة الإخبارية.

القادمة القادمة: تعلم آلة ذهب البرية - استخدام التعليمات البرمجية!

إذا كان لديك المزيد من ردود الفعل، بينغ لي في جونروميرو أو الاشتراك في النشرة الإخبارية.

قانوني خارجي. هذا هو برنامج تعليمي هندسي حول كيفية بناء منصة ألغوترادينغ للتجريب و فان. أي اقتراحات هنا ليست النصائح المالية. إذا كنت تفقد أي (أو كل) لك المال لأنك اتبعت أي نصائح التداول أو نشر هذا النظام في الإنتاج، لا يمكنك إلقاء اللوم على هذه بلوق عشوائي (و / أو لي). استمتع على مسؤوليتك الخاصة.

الميكانيكية الفوركس.

التداول في سوق الفوركس باستخدام استراتيجيات التداول الميكانيكية.

تعلم الآلات في تجارة الفوركس: لماذا العديد من الأكاديميين يفعلون كل شيء خاطئ.

بناء استراتيجيات التعلم آلة التي يمكن الحصول على نتائج لائقة في ظل ظروف السوق الحية كانت دائما تحديا هاما في التداول الخوارزمية. على الرغم من كمية كبيرة من الفائدة والمكافآت المحتملة لا يصدق، لا تزال هناك أي منشورات الأكاديمية التي هي قادرة على إظهار تعلم آلة جيدة النماذج التي يمكن أن تعالج بنجاح مشكلة التداول في السوق الحقيقي (إلى حد علمي، بعد تعليق إذا كان لديك واحد وأنا & # 8217؛ ليرة لبنانية تكون أكثر من سعداء لقراءتها). على الرغم من أن العديد من الأبحاث المنشورة تظهر نتائج واعدة، غالبا ما تكون هذه الأوراق في مجموعة متنوعة من المشاكل التحيز الإحصائية المختلفة التي تجعل نجاح السوق الحقيقي لاستراتيجيات التعلم الآلي الخاصة بهم غير محتملة للغاية. في اليوم & # 8217؛ الصورة سوف أتحدث عن المشاكل التي أرى في البحوث الأكاديمية ذات الصلة مع تعلم الآلة في الفوركس، وكيف أعتقد أن هذا البحث يمكن تحسينها لإعطاء معلومات أكثر فائدة بكثير لكل من المجتمعات الأكاديمية والتجارية.

معظم المزالق في تصميم استراتيجية التعلم الآلي عند القيام تداول الفوركس هي ورثت حتما من عالم مشاكل التعلم الحتمية. عند بناء خوارزمية التعلم الآلي لشيء مثل التعرف على الوجه أو التعرف على الحروف هناك مشكلة محددة جيدا لا يتغير، والتي يتم معالجتها بشكل عام من خلال بناء نموذج التعلم الآلي على مجموعة فرعية من البيانات (مجموعة التدريب) ومن ثم اختبار إذا كان النموذج قادرا على حل المشكلة بشكل صحيح باستخدام تذكير البيانات (مجموعة اختبار). هذا هو السبب في أن لديك بعض مجموعات البيانات الشهيرة وراسخة التي يمكن استخدامها لتحديد نوعية تقنيات التعلم آلة وضعت حديثا. غير أن النقطة الرئيسية هنا هي أن المشاكل التي تناولها التعلم الآلي في البداية كانت حتمية في معظمها ووقت مستقل.

عند الانتقال إلى التداول، وتطبيق هذه الفلسفة نفسها تنتج العديد من المشاكل التي تتعلق بك مع كل من الطابع غير المحدد جزئيا للسوق والاعتماد على الوقت. مجرد محاولة محاولة اختيار مجموعات التدريب والاختبار يقدم قدرا كبيرا من التحيز (تحيز اختيار البيانات) الذي يخلق مشكلة. إذا تم تكرار الاختيار لتحسين النتائج في مجموعة الاختبار & # 8211؛ والتي يجب أن نفترض يحدث في بعض الحالات على الأقل & # 8211؛ ثم يضيف المشكلة أيضا قدرا كبيرا من البيانات التحيز التعدين. كما أن المسألة الكاملة المتمثلة في القيام بعملية تدريب / التحقق من صحة واحدة تولد أيضا مشكلة تتعلق بكيفية تطبيق هذه الخوارزمية عند التداول المباشر. وبحكم التعريف فإن التداول المباشر سيكون مختلفا لأن اختيار مجموعات التدريب / الاختبار يحتاج إلى إعادة تطبيقه على بيانات مختلفة (كما هو الحال الآن، فإن مجموعة الاختبارات هي بيانات غير معروفة حقا). والتحيز المتأصل في الاختيار الأولي في العينة / خارج العينة، وعدم وجود أي قواعد مختبرة للتداول في ظل بيانات غير معروفة يجعل هذه التقنيات تفشل عادة في التداول المباشر. إذا تم تدريب خوارزمية مع بيانات 2000-2018 وتم التحقق من صحتها مع بيانات 2018-2018، فلا يوجد سبب يدعو إلى الاعتقاد بأن نفس النجاح سيحدث إذا تم تدريبه في بيانات الفترة من 2003 إلى 2018 ثم تم تداوله من 2018 إلى 2017، هي مختلفة جدا في الطبيعة.

قياس نجاح الخوارزمية هي أيضا مشكلة ذات صلة جدا هنا. لا بد من قياس خوارزميات التعلم الآلي المستخدمة للتداول في الجدارة من خلال قدرتها على توليد عوائد إيجابية ولكن بعض الأدبيات تقيس مزايا تقنيات خوارزمية جديدة من خلال محاولة قياس قدرتها على التنبؤات الصحيحة للهيئة. التنبؤات الصحيحة لا تعادل بالضرورة تداول مربح كما يمكنك أن ترى بسهولة عند بناء المصنفات الثنائية. إذا حاولت التنبؤ بالشمعة القادمة و # 8217؛ s الاتجاه لا يزال بإمكانك أن تجعل الخسارة إذا كنت في الغالب الحق على الشموع الصغيرة والخطأ على الشموع أكبر. في الواقع معظم هذا النوع من المصنفات & # 8211؛ معظم تلك التي لا تعمل & # 8211؛ في نهاية المطاف التنبؤ الاتجاه مع دقة أعلى من 50٪، ولكن لم تتجاوز المستوى المطلوب لتجاوز اللجان التي من شأنها أن تسمح تداول الخيارات الثنائية مربحة.

لبناء استراتيجيات التي هي في الغالب التخلص من المشاكل المذكورة أعلاه لقد دعت دائما لمنهجية يتم إعادة تدريب خوارزمية تعلم الآلة قبل اتخاذ أي قرار التدريب. باستخدام نافذة متحركة للتدريب وعدم اتخاذ أكثر من قرار واحد دون إعادة تدريب خوارزمية كاملة يمكننا التخلص من التحيز الاختيار الذي هو متأصل في اختيار مجموعة واحدة في العينة / خارج العينة. وبهذه الطريقة الاختبار كله هو سلسلة من التدريبات / التحقق من صحة التي تنتهي في نهاية المطاف ضمان أن خوارزمية التعلم الآلي يعمل حتى في ظل مجموعات بيانات التدريب مختلفة بشكل كبير. وأنا أيضا أدعو إلى قياس الأداء الفعلي باكتستينغ لقياس خوارزمية التعلم الآلي & # 8217؛ ق الجدارة وعلاوة على ذلك أود أن تذهب إلى حد القول بأن أي خوارزمية يمكن أن تكون قيمة ملحها دون أن يثبت في ظل ظروف حقيقية خارج العينة . تطوير الخوارزميات بهذه الطريقة هو أصعب بكثير وأنا لم أكن العثور على ورقة أكاديمية واحدة التي تتبع هذا النوع من النهج (إذا فاتني أنه لا تتردد في نشر رابط حتى أتمكن من تضمين تعليق!).

هذا لا يعني أن هذه المنهجية هي مشكلة خالية تماما ومع ذلك، فإنه لا يزال يخضع للمشاكل الكلاسيكية ذات الصلة لجميع عمليات بناء استراتيجية، بما في ذلك التحيز منحنى المناسب والتحيز التعدين البيانات. هذا هو السبب في أنه من المهم أيضا لاستخدام كمية كبيرة من البيانات (يمكنني استخدام 25+ سنوات لاختبار النظم، ودائما إعادة التدريب بعد كل آلة التعلم المستمدة القرار) وإجراء اختبارات تقييم التحيز التعدين البيانات الكافية لتحديد الثقة التي نحن يمكن القول أن النتائج لا تأتي من فرصة عشوائية. صديقي ألغوترادرجو & # 8211؛ الذي يحدث أيضا أن يكون عضوا في بلدي التداول المجتمع & # 8211؛ ينمو حاليا موضوع في فوريكسفاكتوري بعد نفس هذا النوع من الفلسفة لتطوير التعلم الآلي، ونحن نعمل على بعض خوارزميات التعلم الآلي جديدة لمجتمع التداول بلدي. يمكنك الرجوع إلى موضوعه أو المشاركات السابقة على بلدي بلوق لعدة أمثلة من خوارزميات التعلم الآلي وضعت بهذه الطريقة.

إذا كنت ترغب في معرفة المزيد عن التطورات في مجال التعلم الآلي وكيف يمكنك أيضا يمكن أيضا تطوير استراتيجيات التعلم الآلي الخاصة بك باستخدام F4 فريميورك يرجى النظر في الانضمام أسيريكوي، موقع مليئة أشرطة الفيديو التعليمية ونظم التداول والتنمية وصوت صادق واتباع نهج شفاف تجاه التداول الآلي.

5 الردود على & # 8220؛ آلة التعلم في تجارة الفوركس: لماذا العديد من الأكاديميين يفعلون كل خطأ & # 8221؛

مادة كبيرة، والمشاكل التي تسليط الضوء هي بالتأكيد صالحة للنظام متانة!

سؤال لدي، هل من الطبيعي أن أقول إي للقيام به بشكل جيد جدا في زوج معين والقيام الرهيبة في جميع الآخرين؟

أو، يجب أن قوية إي القيام بشكل جيد في عدة أزواج على الأقل، من دون أي تغيير في الإعدادات!

شكرا، على أفكارك العظيمة.

هذا السؤال مثير للاهتمام؛ س). وأعتقد أن السؤال هو أفضل صياغة كما & # 8220؛ يمكن أن النظام الذي يبقى على زوج واحد فقط توليد عائدات عندما يعيش تداول؟ & # 8221؛ والجواب هو نعم (سواء من الناحية النظرية ومن تجربتي الخاصة). عدم وجود إرجاع على زوج واحد فقط لا يعني أن النظام & # 8220؛ سيء & # 8221؛ بل يعني ببساطة أنه يستغل عدم الكفاءة التاريخية التي لا توجد إلا على صك واحد. شريطة أن تأخذ الرعاية من مصادر التحيز (مثل التحيز التعدين البيانات والتحيز منحنى المناسب) ليس هناك سبب لماذا هذا لن يعمل.

الآن، إذا كان لديك نظام يعمل عبر العديد من الرموز ثم التحيز التعدين البيانات سوف تكون أضعافا مضاعفة لنظام متساو الذي يعمل فقط على رمز واحد والانحياز المناسب منحنى سيكون أيضا أقل بسبب استخدام المزيد من البيانات. لذلك أود أن أقول أنه & # 8217؛ ق أفضل، ولكن بالتأكيد ليس مطلوبا.

ولكن تذكر، قياس التحيزات الإحصائية الخاصة بك!

أنا سعيد جدا أن قلت أنه ليس من الضروري تحقيق الربح في جميع أزواج! أيضا منحنى المناسب، كيف يمكن للمرء أن يعرف الحد من التغيير والتبديل المسموح به قبل أن تصبح جاهزة؟

وأخيرا، لقد فعلت اختبار بسيط جدا باستخدام معيار عداء متحرك إي على MT4، لمعرفة أي أزواج سوف تتفاعل على نطاق واسع إلى ما. أنا باكستد 52 زوجا لمعرفة كم & # 8216؛ فترة الانتقال & # 8217؛ بين (1-20) من شأنه أن يحقق ربحا، بغض النظر عن السحب. كنت أتساءل ما جعل لكم من النتائج!

* 5 سنوات فترة الاختبار.

* تراجع لا يقاس.

* 52 أزواج اختبار.

* إعدادات اختبار (الفترات 1-20).

1 23 أزواج، لا ربح على أي إعدادات شريط 1-20.

2 6 أزواج، يمكن أن تجعل الربح فقط على 1 الإعداد.

3 14 أزواج فقط، عاد الربح على 5، أو أكثر إعدادات مختلفة.

4 5 أزواج فقط، عاد الربح على 10، أو أكثر إعدادات مختلفة.

1 بتكوسد 19 إعدادات من أصل 20، حققت أرباحا.

تحتاج إلى التمييز بين التحيز منحنى المناسب والتحيز التعدين البيانات (أو على الأقل هذين النوعين مختلف من التحيز، ولكن قد ترغب في الاتصال بهم). التحيز منحنى المناسب هو التحيز التي تم إنشاؤها من خلال إيجاد عدم الكفاءة عبر مجموعة من البيانات، يجيب على السؤال: هو نظام بلدي العثور على شيء عام أو شيء معين للبيانات التي أستخدمها؟ تحييد البيانات التعدين يجيب على السؤال: هو نظام بلدي العثور على عدم الكفاءة التاريخية الحقيقية أو هي النتائج فقط بسبب عملية التعدين بلدي (يعني القادمة من فرصة عشوائية)؟

من خلال زيادة المسافات المعلمة ودرجات الحرية كنت زيادة التحيز التعدين البيانات (أنت أكثر عرضة للعثور على نظام فقط عن طريق الصدفة، بدلا من النظام الذي يتداول عدم الكفاءة التاريخية الحقيقية). يمكنك قياس التحيز استخراج البيانات باستخدام اختبار مثل الأبيض & # 8217؛ ق الاختيار واقع. إن القيام بهذا النوع من الاختبارات أمر أساسي لتصميم الإستراتيجية الموثوق بها.

اقرأ المزيد عن هذا التمييز بين التحيزات هنا:

اقرأ أيضا هذه الورقة حول الموضوع:

قبل السكن في تعقيدات تصميم نظام التداول وإيجاد استراتيجيات للتداول أنا المشورة بقوة الحصول على تشكيل الصلبة في الإحصاءات (كورسيرا إحصاءات الدورات هي بداية مجانية ممتازة). سوف إحصاءات تعطيك القدرة على تحليل النتائج الخاصة بك ومنهجية معالجة أسئلة مثل هذه؛ س)

[& # 8230؛] تعلم الآلات في تجارة الفوركس: لماذا العديد من الأكاديميين يفعلون كل شيء خاطئ [الميكانيكية الفوركس] بناء استراتيجيات التعلم الآلي التي يمكن الحصول على نتائج لائقة في ظل ظروف السوق الحية كانت دائما تحديا هاما في التداول حسابي. على الرغم من قدر كبير من الاهتمام والمكافآت المحتملة لا يصدق، لا تزال هناك أي منشورات الأكاديمية التي هي قادرة على إظهار نماذج جيدة آلة التعلم التي يمكن أن تعالج بنجاح مشكلة التداول في ريال مدريد [& # 8230؛]

الميكانيكية الفوركس.

التداول في سوق الفوركس باستخدام استراتيجيات التداول الميكانيكية.

لدينا فوركس آلة التعلم مستودع النظام هو على قيد الحياة مرة أخرى!

في العام الماضي في أسيريكوي بدأنا جهودنا لبناء محفظة التعلم الآلي على أساس توليد نظام التلقائي والتعدين المجتمع. إن رحلتنا في هذا المجال لم تكن خالية من المتاعب، وقد واجهنا العديد من المشاكل التي جعلت إنشاء مثل هذا المستودع صعبا إلى حد كبير. اليوم أريد أن أتحدث قليلا عن رحلتنا في إنشاء مستودع التعلم الآلي، والقضايا التي واجهناها، وما لدينا حاليا وكيف نتوقع لتوسيع هذا المسار في المستقبل. وقد استخلصنا العديد من الدروس الهامة من هذه العملية، كما عززنا بعض خبرتنا السابقة في هذا النوع من المساعي. في النهاية نصل إلى منهجية أكثر دقة بكثير مع الابتكارات التكنولوجية الهامة وغرفة كبيرة للتوسع.

كانت الفكرة في البداية بسيطة. استخدام التعدين المجتمع للعثور على خوارزميات التعلم الآلي، وإجراء تحليل البيانات التحيز التعدين والتحقق من صحة الاستراتيجيات، ثم ببساطة إضافة أنظمة غير مترابطة إلى مستودع والبدء في بناء مجموعة كبيرة من استراتيجيات التعلم الآلي. وسيحتوي المستودع على عدة أنواع من خوارزميات التعلم الآلي، وسيكون قادرا على معالجة رموز مختلفة وآفاق تجارية باستخدام العديد من الأنواع المختلفة لآليات التوقف اللاحقة. عندما بدأنا لأول مرة مع هذا كنا قادرين على جمع أكثر من 60 أنظمة في الأسابيع القليلة الأولى، قبل أن نكتشف بضع قضايا هامة في المحاكاة لدينا التي أثرت كثيرا على العديد من هذه الاستراتيجيات التعلم الآلي. بعد تصحيح هذه الأخطاء وتكرار الاختبارات كان واضحا أن واحد أو اثنين فقط كانت فعلا يستحق بينما قررنا أن نبدأ من الصفر.

عند إعادة بناء المستودع لاحظنا بعد ذلك أن عملية الاختبار لدينا كانت بطيئة جدا، وبطيئة جدا للعثور على أي أنظمة تستحق التداول في فترة معقولة من الزمن. في هذه اللحظة كنا أداء المحاكاة باستخدام C / C ++ رمز وحدة المعالجة المركزية مما يعني أن كل محاكاة سوف يستغرق حوالي 5-30 ثانية (هذه هي المحاكاة كانت خوارزميات تعلم الآلة إعادة التدريب قبل اتخاذ كل قرار التداول) وذلك على الرغم من سريع جدا بالمقارنة مع أشياء مثل بيثون ذلك كان لا يزال بطيئا جدا إذا كنت بحاجة إلى إجراء 1 مليون الاختبارات الخلفية. وكان الحل لإجراء تقسيم لعملية المحاكاة، والقيام بالتعلم آلة التنبؤ جزء في C / C ++ ثم تنفيذ جميع الاختلافات الاختبار التي لم تتطلب الاختلافات مل يجب أن يتم باستخدام تقنية أوبينكل و غبو.

وقد أدى ذلك إلى زيادة كبيرة في سرعات المعالجة. يمكننا الآن معالجة في 1000x السرعة حيث أننا يمكن أن تفعل فقط 100 آلة التعلم التنبؤ الأجيال ملف ومن ثم استخدامها لأداء الملايين من الاختبارات الخلفية مع الاختلافات من المعلمات ذات الصلة غير مل في بطاقات معالجة الرسومات لدينا. في نهاية هذا سمح لنا أن نبدأ إعادة بناء محفظتنا، من الواضح السيطرة على عدد من المحاكمات من خلال إجراء تقييم البيانات التحيز التعدين كافية باستخدام مجموعات البيانات العشوائية التي تم إنشاؤها باستخدام بوتسترابينغ مع الاستبدال. مع هذه العملية وصلنا الآن 10 أنظمة داخل مستودع التعلم الآلي لدينا. ويمكن رؤية نتائج الاختبار الخلفي لهذه الحافظة في الصورة الأولى أعلاه.

والمشكلة الآن هي أن تجاربنا تولد عدد قليل جدا من الأنظمة لأن الاختلافات في منطق النظام نادرة نظرا لطبيعة العملية التي تقيد كمية خوارزميات التعلم الآلي التي يمكننا استخدامها (لأن هذه هي أغلى جزء من عملية الاختبار) . للتغلب على هذا وتسمح لنا أن يكون أكثر التباين، ولكن تجنب توليد المزيد من ملفات التنبؤ مل قررنا لاستكشاف استخدام مجموعات التعلم الآلي التي تسمح لنا لخلق مجموعة ضخمة من أنظمة مل باستخدام عدد قليل فقط من الأصلي مل ملفات التنبؤ. إذا كان لدينا على سبيل المثال 30 مل ملفات التنبؤ يمكننا بسهولة توليد 432 اثنين مل مجموعات ألغو. وهذا من شأنه أن يسمح لنا لاستخدام عمليات التعلم الآلي أكثر تكلفة لتوليد الملفات الأولية دون الحاجة إلى زيادة التكلفة الحسابية لتقييم نفس العدد من النظم النهائية على غبو.

الميكانيكية الفوركس.

التداول في سوق الفوركس باستخدام استراتيجيات التداول الميكانيكية.

تعلم الآلات في تجارة الفوركس: لماذا العديد من الأكاديميين يفعلون كل شيء خاطئ.

بناء استراتيجيات التعلم آلة التي يمكن الحصول على نتائج لائقة في ظل ظروف السوق الحية كانت دائما تحديا هاما في التداول الخوارزمية. على الرغم من كمية كبيرة من الفائدة والمكافآت المحتملة لا يصدق، لا تزال هناك أي منشورات الأكاديمية التي هي قادرة على إظهار تعلم آلة جيدة النماذج التي يمكن أن تعالج بنجاح مشكلة التداول في السوق الحقيقي (إلى حد علمي، بعد تعليق إذا كان لديك واحد وأنا & # 8217؛ ليرة لبنانية تكون أكثر من سعداء لقراءتها). على الرغم من أن العديد من الأبحاث المنشورة تظهر نتائج واعدة، غالبا ما تكون هذه الأوراق في مجموعة متنوعة من المشاكل التحيز الإحصائية المختلفة التي تجعل نجاح السوق الحقيقي لاستراتيجيات التعلم الآلي الخاصة بهم غير محتملة للغاية. في اليوم & # 8217؛ الصورة سوف أتحدث عن المشاكل التي أرى في البحوث الأكاديمية ذات الصلة مع تعلم الآلة في الفوركس، وكيف أعتقد أن هذا البحث يمكن تحسينها لإعطاء معلومات أكثر فائدة بكثير لكل من المجتمعات الأكاديمية والتجارية.

معظم المزالق في تصميم استراتيجية التعلم الآلي عند القيام تداول الفوركس هي ورثت حتما من عالم مشاكل التعلم الحتمية. عند بناء خوارزمية التعلم الآلي لشيء مثل التعرف على الوجه أو التعرف على الحروف هناك مشكلة محددة جيدا لا يتغير، والتي يتم معالجتها بشكل عام من خلال بناء نموذج التعلم الآلي على مجموعة فرعية من البيانات (مجموعة التدريب) ومن ثم اختبار إذا كان النموذج قادرا على حل المشكلة بشكل صحيح باستخدام تذكير البيانات (مجموعة اختبار). هذا هو السبب في أن لديك بعض مجموعات البيانات الشهيرة وراسخة التي يمكن استخدامها لتحديد نوعية تقنيات التعلم آلة وضعت حديثا. غير أن النقطة الرئيسية هنا هي أن المشاكل التي تناولها التعلم الآلي في البداية كانت حتمية في معظمها ووقت مستقل.

عند الانتقال إلى التداول، وتطبيق هذه الفلسفة نفسها تنتج العديد من المشاكل التي تتعلق بك مع كل من الطابع غير المحدد جزئيا للسوق والاعتماد على الوقت. مجرد محاولة محاولة اختيار مجموعات التدريب والاختبار يقدم قدرا كبيرا من التحيز (تحيز اختيار البيانات) الذي يخلق مشكلة. إذا تم تكرار الاختيار لتحسين النتائج في مجموعة الاختبار & # 8211؛ والتي يجب أن نفترض يحدث في بعض الحالات على الأقل & # 8211؛ ثم يضيف المشكلة أيضا قدرا كبيرا من البيانات التحيز التعدين. كما أن المسألة الكاملة المتمثلة في القيام بعملية تدريب / التحقق من صحة واحدة تولد أيضا مشكلة تتعلق بكيفية تطبيق هذه الخوارزمية عند التداول المباشر. وبحكم التعريف فإن التداول المباشر سيكون مختلفا لأن اختيار مجموعات التدريب / الاختبار يحتاج إلى إعادة تطبيقه على بيانات مختلفة (كما هو الحال الآن، فإن مجموعة الاختبارات هي بيانات غير معروفة حقا). والتحيز المتأصل في الاختيار الأولي في العينة / خارج العينة، وعدم وجود أي قواعد مختبرة للتداول في ظل بيانات غير معروفة يجعل هذه التقنيات تفشل عادة في التداول المباشر. إذا تم تدريب خوارزمية مع بيانات 2000-2018 وتم التحقق من صحتها مع بيانات 2018-2018، فلا يوجد سبب يدعو إلى الاعتقاد بأن نفس النجاح سيحدث إذا تم تدريبه في بيانات الفترة من 2003 إلى 2018 ثم تم تداوله من 2018 إلى 2017، هي مختلفة جدا في الطبيعة.

قياس نجاح الخوارزمية هي أيضا مشكلة ذات صلة جدا هنا. لا بد من قياس خوارزميات التعلم الآلي المستخدمة للتداول في الجدارة من خلال قدرتها على توليد عوائد إيجابية ولكن بعض الأدبيات تقيس مزايا تقنيات خوارزمية جديدة من خلال محاولة قياس قدرتها على التنبؤات الصحيحة للهيئة. التنبؤات الصحيحة لا تعادل بالضرورة تداول مربح كما يمكنك أن ترى بسهولة عند بناء المصنفات الثنائية. إذا حاولت التنبؤ بالشمعة القادمة و # 8217؛ s الاتجاه لا يزال بإمكانك أن تجعل الخسارة إذا كنت في الغالب الحق على الشموع الصغيرة والخطأ على الشموع أكبر. في الواقع معظم هذا النوع من المصنفات & # 8211؛ معظم تلك التي لا تعمل & # 8211؛ في نهاية المطاف التنبؤ الاتجاه مع دقة أعلى من 50٪، ولكن لم تتجاوز المستوى المطلوب لتجاوز اللجان التي من شأنها أن تسمح تداول الخيارات الثنائية مربحة.

لبناء استراتيجيات التي هي في الغالب التخلص من المشاكل المذكورة أعلاه لقد دعت دائما لمنهجية يتم إعادة تدريب خوارزمية تعلم الآلة قبل اتخاذ أي قرار التدريب. باستخدام نافذة متحركة للتدريب وعدم اتخاذ أكثر من قرار واحد دون إعادة تدريب خوارزمية كاملة يمكننا التخلص من التحيز الاختيار الذي هو متأصل في اختيار مجموعة واحدة في العينة / خارج العينة. وبهذه الطريقة الاختبار كله هو سلسلة من التدريبات / التحقق من صحة التي تنتهي في نهاية المطاف ضمان أن خوارزمية التعلم الآلي يعمل حتى في ظل مجموعات بيانات التدريب مختلفة بشكل كبير. وأنا أيضا أدعو إلى قياس الأداء الفعلي باكتستينغ لقياس خوارزمية التعلم الآلي & # 8217؛ ق الجدارة وعلاوة على ذلك أود أن تذهب إلى حد القول بأن أي خوارزمية يمكن أن تكون قيمة ملحها دون أن يثبت في ظل ظروف حقيقية خارج العينة . تطوير الخوارزميات بهذه الطريقة هو أصعب بكثير وأنا لم أكن العثور على ورقة أكاديمية واحدة التي تتبع هذا النوع من النهج (إذا فاتني أنه لا تتردد في نشر رابط حتى أتمكن من تضمين تعليق!).

هذا لا يعني أن هذه المنهجية هي مشكلة خالية تماما ومع ذلك، فإنه لا يزال يخضع للمشاكل الكلاسيكية ذات الصلة لجميع عمليات بناء استراتيجية، بما في ذلك التحيز منحنى المناسب والتحيز التعدين البيانات. هذا هو السبب في أنه من المهم أيضا لاستخدام كمية كبيرة من البيانات (يمكنني استخدام 25+ سنوات لاختبار النظم، ودائما إعادة التدريب بعد كل آلة التعلم المستمدة القرار) وإجراء اختبارات تقييم التحيز التعدين البيانات الكافية لتحديد الثقة التي نحن يمكن القول أن النتائج لا تأتي من فرصة عشوائية. صديقي ألغوترادرجو & # 8211؛ الذي يحدث أيضا أن يكون عضوا في بلدي التداول المجتمع & # 8211؛ ينمو حاليا موضوع في فوريكسفاكتوري بعد نفس هذا النوع من الفلسفة لتطوير التعلم الآلي، ونحن نعمل على بعض خوارزميات التعلم الآلي جديدة لمجتمع التداول بلدي. يمكنك الرجوع إلى موضوعه أو المشاركات السابقة على بلدي بلوق لعدة أمثلة من خوارزميات التعلم الآلي وضعت بهذه الطريقة.

إذا كنت ترغب في معرفة المزيد عن التطورات في مجال التعلم الآلي وكيف يمكنك أيضا يمكن أيضا تطوير استراتيجيات التعلم الآلي الخاصة بك باستخدام F4 فريميورك يرجى النظر في الانضمام أسيريكوي، موقع مليئة أشرطة الفيديو التعليمية ونظم التداول والتنمية وصوت صادق واتباع نهج شفاف تجاه التداول الآلي.

5 الردود على & # 8220؛ آلة التعلم في تجارة الفوركس: لماذا العديد من الأكاديميين يفعلون كل خطأ & # 8221؛

مادة كبيرة، والمشاكل التي تسليط الضوء هي بالتأكيد صالحة للنظام متانة!

سؤال لدي، هل من الطبيعي أن أقول إي للقيام به بشكل جيد جدا في زوج معين والقيام الرهيبة في جميع الآخرين؟

أو، يجب أن قوية إي القيام بشكل جيد في عدة أزواج على الأقل، من دون أي تغيير في الإعدادات!

شكرا، على أفكارك العظيمة.

هذا السؤال مثير للاهتمام؛ س). وأعتقد أن السؤال هو أفضل صياغة كما & # 8220؛ يمكن أن النظام الذي يبقى على زوج واحد فقط توليد عائدات عندما يعيش تداول؟ & # 8221؛ والجواب هو نعم (سواء من الناحية النظرية ومن تجربتي الخاصة). عدم وجود إرجاع على زوج واحد فقط لا يعني أن النظام & # 8220؛ سيء & # 8221؛ بل يعني ببساطة أنه يستغل عدم الكفاءة التاريخية التي لا توجد إلا على صك واحد. شريطة أن تأخذ الرعاية من مصادر التحيز (مثل التحيز التعدين البيانات والتحيز منحنى المناسب) ليس هناك سبب لماذا هذا لن يعمل.

الآن، إذا كان لديك نظام يعمل عبر العديد من الرموز ثم التحيز التعدين البيانات سوف تكون أضعافا مضاعفة لنظام متساو الذي يعمل فقط على رمز واحد والانحياز المناسب منحنى سيكون أيضا أقل بسبب استخدام المزيد من البيانات. لذلك أود أن أقول أنه & # 8217؛ ق أفضل، ولكن بالتأكيد ليس مطلوبا.

ولكن تذكر، قياس التحيزات الإحصائية الخاصة بك!

أنا سعيد جدا أن قلت أنه ليس من الضروري تحقيق الربح في جميع أزواج! أيضا منحنى المناسب، كيف يمكن للمرء أن يعرف الحد من التغيير والتبديل المسموح به قبل أن تصبح جاهزة؟

وأخيرا، لقد فعلت اختبار بسيط جدا باستخدام معيار عداء متحرك إي على MT4، لمعرفة أي أزواج سوف تتفاعل على نطاق واسع إلى ما. أنا باكستد 52 زوجا لمعرفة كم & # 8216؛ فترة الانتقال & # 8217؛ بين (1-20) من شأنه أن يحقق ربحا، بغض النظر عن السحب. كنت أتساءل ما جعل لكم من النتائج!

* 5 سنوات فترة الاختبار.

* تراجع لا يقاس.

* 52 أزواج اختبار.

* إعدادات اختبار (الفترات 1-20).

1 23 أزواج، لا ربح على أي إعدادات شريط 1-20.

2 6 أزواج، يمكن أن تجعل الربح فقط على 1 الإعداد.

3 14 أزواج فقط، عاد الربح على 5، أو أكثر إعدادات مختلفة.

4 5 أزواج فقط، عاد الربح على 10، أو أكثر إعدادات مختلفة.

1 بتكوسد 19 إعدادات من أصل 20، حققت أرباحا.

تحتاج إلى التمييز بين التحيز منحنى المناسب والتحيز التعدين البيانات (أو على الأقل هذين النوعين مختلف من التحيز، ولكن قد ترغب في الاتصال بهم). التحيز منحنى المناسب هو التحيز التي تم إنشاؤها من خلال إيجاد عدم الكفاءة عبر مجموعة من البيانات، يجيب على السؤال: هو نظام بلدي العثور على شيء عام أو شيء معين للبيانات التي أستخدمها؟ تحييد البيانات التعدين يجيب على السؤال: هو نظام بلدي العثور على عدم الكفاءة التاريخية الحقيقية أو هي النتائج فقط بسبب عملية التعدين بلدي (يعني القادمة من فرصة عشوائية)؟

من خلال زيادة المسافات المعلمة ودرجات الحرية كنت زيادة التحيز التعدين البيانات (أنت أكثر عرضة للعثور على نظام فقط عن طريق الصدفة، بدلا من النظام الذي يتداول عدم الكفاءة التاريخية الحقيقية). يمكنك قياس التحيز استخراج البيانات باستخدام اختبار مثل الأبيض & # 8217؛ ق الاختيار واقع. إن القيام بهذا النوع من الاختبارات أمر أساسي لتصميم الإستراتيجية الموثوق بها.

اقرأ المزيد عن هذا التمييز بين التحيزات هنا:

اقرأ أيضا هذه الورقة حول الموضوع:

قبل السكن في تعقيدات تصميم نظام التداول وإيجاد استراتيجيات للتداول أنا المشورة بقوة الحصول على تشكيل الصلبة في الإحصاءات (كورسيرا إحصاءات الدورات هي بداية مجانية ممتازة). سوف إحصاءات تعطيك القدرة على تحليل النتائج الخاصة بك ومنهجية معالجة أسئلة مثل هذه؛ س)

[& # 8230؛] تعلم الآلات في تجارة الفوركس: لماذا العديد من الأكاديميين يفعلون كل شيء خاطئ [الميكانيكية الفوركس] بناء استراتيجيات التعلم الآلي التي يمكن الحصول على نتائج لائقة في ظل ظروف السوق الحية كانت دائما تحديا هاما في التداول حسابي. على الرغم من قدر كبير من الاهتمام والمكافآت المحتملة لا يصدق، لا تزال هناك أي منشورات الأكاديمية التي هي قادرة على إظهار نماذج جيدة آلة التعلم التي يمكن أن تعالج بنجاح مشكلة التداول في ريال مدريد [& # 8230؛]