فوركس تداول آلة التعلم

التداول والتعلم الآلي انضمت ديسمبر 2006 الحالة: عضو 3،845 المشاركات هذا هو موضوع مناقشة حول تعلم الآلة وكيف سيشكل مستقبل التداول للأرباح. بعد أن قرأ ما يعمل العلماء حاليا على (خلق رقائق مثل الدماغ) وإعادة اختراع البرمجيات تعلم الآلة، وأعتقد أن هذا يمكن أن تذهب في كلا الاتجاهين - إما لدينا سوق كفاءة عالية، أو سيكون لدينا أكثر تواترا فلاش تعطل، مثل مع والخوارزميات البدائية الأحدث. ومع ذلك، أعتقد أنه كلما تحسنت هذه الذكاءات الإصطناعية وأصبحت قوة الكمبيوتر أكثر سهولة، فإن التجار في البشر سيجدون من المستحيل الوقوف أمام هذه الآلات على المدى الطويل. أنا الآن فقط أتخيل D - موجات الكمبيوتر الكم المستخدمة لمثل هذه المهمة مع 2000 كوبيتس، الذي يجعل 102000 السيناريوهات أن هذا الكمبيوتر يمكن تحليل في وقت واحد (أكثر السيناريوهات من هناك ذرات في الكون المعروف). كيف يمكن للمرء أن يتنافس ضد ذلك ما رأيكم يا انضم إلى يناير 2017 الحالة: عضو 34 المشاركات مرحبا، هذا هو موضوع مناقشة حول تعلم الآلة وكيف سيشكل مستقبل التداول للأرباح. بعد أن قرأ ما يعمل العلماء حاليا على (خلق رقائق مثل الدماغ) وإعادة اختراع البرمجيات تعلم الآلة، وأعتقد أن هذا يمكن أن تذهب في كلا الاتجاهين - إما لدينا سوق كفاءة عالية، أو سيكون لدينا أكثر تواترا فلاش تعطل، مثل مع والخوارزميات البدائية الأحدث. ومع ذلك، أعتقد أن أفضل هذه الذكاء الاصطناعي الحصول على والمزيد من الطاقة الكمبيوتر هو متاح بسهولة، وسوف تجد التجار البشري ذلك. إذا كان هذا ما يسمى منظمة العفو الدولية يمكن أن تعمل لصالحنا ثم لا توجد مشكلة، ولكن هناك شيء واحد هو بالتأكيد آلة سيكون دائما الجهاز. يمكن أن عطل فقط في بعض الأحيان، وأترك ​​لكم وشدد خارج. التعليم في تجارة الفوركس: لماذا العديد من الأكاديميين يفعلون كل شيء خاطئ 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 التعلم آلة جيدة التي يمكن أن تعالج بنجاح مشكلة التداول في السوق الحقيقي (على حد علمي، بعد تعليق إذا لديك واحد و I8217ll يكون أكثر من سعداء لقراءته). 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 8217s آخر 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 ذات الصلة مع كل من الطابع غير المحدد جزئيا للسوق واعتماده 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 التي يجب أن نفترض يحدث في بعض الحالات على الأقل 8211 ثم يضيف المشكلة أيضا قدرا كبيرا من التحيز التعدين البيانات. كما أن القضية برمتها من القيام بممارسة تدريب واحد يولد أيضا مشكلة تتعلق بكيفية تطبيق هذه الخوارزمية عند التداول المباشر. بحكم تعريف التداول المباشر سيكون مختلفا منذ اختيار مجموعات تراينينغتستينغ يحتاج إلى إعادة تطبيقها على بيانات مختلفة (كما هو الآن مجموعة الاختبار هو بيانات غير معروفة حقا). إن التحيز المتأصل في الاختيار الأولي في عينة العينة من العينة وعدم وجود أي قواعد مختبرة للتداول تحت بيانات غير معروفة يجعل هذه التقنيات تفشل عادة في التداول المباشر. إذا تم تدريب خوارزمية مع بيانات الفترة 2000-2012 وتم التحقق من صحتها مع بيانات الفترة 2012-2015 ليس هناك ما يدعو إلى الاعتقاد بأن نفس النجاح سيحدث إذا تم تدريبه في بيانات الفترة 2003-2015 ثم تم تداوله مباشرة من 2015 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 الأدب يقيس الجدارة من تقنيات خوارزمية جديدة من خلال محاولة لقياس قدرتها على الحصول على التنبؤات الصحيحة. التنبؤات الصحيحة لا تعادل بالضرورة تداول مربح كما يمكنك أن ترى بسهولة عند بناء المصنفات الثنائية. إذا كنت محاولة للتنبؤ الاتجاه شمعة المقبل 8217s 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 أكثر من تلك التي 8217t العمل 8211 في نهاية المطاف التنبؤ الاتجاه مع دقة فوق 50، ولكن ليس فوق المستوى المطلوب لتجاوز اللجان التي من شأنها أن تسمح تداول الخيارات الثنائية مربحة. لبناء الاستراتيجيات التي هي في معظمها التخلص من المشاكل المذكورة أعلاه لقد دأبت دائما لمنهجية يتم إعادة تدريب خوارزمية التعلم الآلي قبل اتخاذ أي قرار التدريب. باستخدام نافذة متحركة للتدريب وعدم اتخاذ أكثر من قرار واحد دون إعادة تدريب الخوارزمية بأكملها يمكننا التخلص من التحيز الاختيار الذي هو متأصل في اختيار واحد في عينة من عينة من مجموعة. وبهذه الطريقة الاختبار كله هو سلسلة من التدريبات تراينينغفاليداتيون التي تنتهي في نهاية المطاف ضمان أن خوارزمية التعلم الآلي يعمل حتى في ظل مجموعات بيانات التدريب مختلفة بشكل كبير. كما أنني أدعو إلى قياس الأداء الفعلي باكتستينغ لقياس خوارزمية التعلم الآلي 8217s الجدارة وعلاوة على ذلك أود أن تذهب إلى حد القول بأن أي خوارزمية يمكن أن يكون يستحق ملحها دون أن يثبت تحت ظروف خارج العينة الحقيقية. تطوير خوارزميات بهذه الطريقة هو أصعب بكثير وأنا وجدت haven8217t ورقة أكاديمية واحدة التي تتبع هذا النوع من النهج (إذا فاتني أنه لا تتردد في نشر وصلة 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 عاما لاختبار النظم، ودائما إعادة التدريب بعد كل آلة التعلم المستمدة القرار) وإجراء اختبارات تقييم التحيز التعدين البيانات الكافية لتحديد الثقة التي يمكننا ويقول أن النتائج لا تأتي من فرصة عشوائية. صديقي ألغوتراديرجو 8211 الذي يحدث أيضا أن يكون عضوا في مجتمع التداول بلدي 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 إطار F4 يرجى النظر في الانضمام أسيريكوي. موقع على شبكة الانترنت مليئة أشرطة الفيديو التعليمية ونظم التداول والتنمية ونهج سليم ونزيه وشفاف نحو التداول الآلي. المعرفة التعلم مع ألغوتراديرجو انضم ديسمبر 2014 الحالة: عضو 383 المشاركات مرحبا زميل التجار، وأنا بدأت هذا الموضوع على أمل أن أشاطركم بعض من التطورات في مجال التعلم الآلي. على الرغم من أنني قد لا أشاطركم أنظمة دقيقة أو الترميز التطبيقات (لا نتوقع الحصول على أي شيء ل كوتبلوغ و-بلايكوت و ثراء من هذا الموضوع) وسوف أشاطركم الأفكار ونتائج تجربتي وربما جوانب أخرى من عملي. لقد بدأت هذا الموضوع على أمل أن نتمكن من تبادل الأفكار ومساعدة بعضنا البعض على تحسين تطبيقاتنا. وسوف تبدأ مع بعض استراتيجيات التعلم آلة بسيطة وسوف تذهب بعد ذلك إلى أشياء أكثر تعقيدا مع مرور الوقت. آمل أن تستمتع ركوب انضم ديسمبر 2014 الحالة: عضو 383 المشاركات أريد أن أبدأ بالقول بعض الأشياء الأساسية. أنا آسف إذا كان هيكل مشاركاتي يترك الكثير إلى المطلوب، ليس لدي أي منتدى نشر الخبرة ولكن نأمل في الحصول على بعض الوقت. في تعلم الآلة ما نريد القيام به هو ببساطة لتوليد التنبؤ الذي هو مفيد لتداولنا. لجعل هذا التنبؤ نولد نموذجا إحصائيا باستخدام مجموعة من الأمثلة (المخرجات المعروفة وبعض المدخلات نحن الأمور لديها القدرة التنبؤية للتنبؤ تلك النواتج) ثم نقوم بتنبؤ الإخراج غير معروف (بياناتنا الأخيرة) باستخدام النموذج الذي أنشأنا مع الأمثلة. وخلاصة القول أنه هو عملية كوتسيمبلكوت حيث نقوم بما يلي: حدد ما نريد للتنبؤ (وهذا سيكون هدفنا (ق)) حدد بعض المتغيرات المدخلات التي نعتقد يمكن التنبؤ أهدافنا بناء مجموعة من الأمثلة باستخدام البيانات الماضية مع مدخلاتنا وأهدافنا إنشاء نموذج باستخدام هذه الأمثلة. نموذج هو ببساطة آلية رياضية التي تتعلق إنبوتستارجيتس جعل التنبؤ الهدف باستخدام آخر المدخلات المعروفة التجارة باستخدام هذه المعلومات أريد أن أقول من البداية أنه من المهم جدا لتجنب القيام ما العديد من الأوراق الأكاديمية على التعلم الآلي تفعل، وهو محاولة لبناء نموذج مع صفيفات كبيرة جدا من الأمثلة ثم محاولة لجعل التنبؤ على المدى الطويل على مجموعة كوتوت-أوف-سامبلكوت. بناء نموذج مع 10 سنوات من البيانات ومن ثم اختباره على الأخيرين هو غير منطقي، تخضع لأنواع كثيرة من التحيزات الإحصائية سنناقش لاحقا. وبوجه عام، سترى أن نماذج التعلم الآلي التي أقوم ببناءها تدرب على كل شريط (أو في كل مرة أحتاج فيها إلى اتخاذ قرار) باستخدام نافذة متحركة للبيانات لبناء الأمثلة (تعتبر الأمثلة الحديثة فقط ذات صلة). ومن المؤكد أن هذا النهج ليس غريبا على بعض أنواع التحيزات الإحصائية ولكننا نزيل المقتبس في الحجرة عند استخدام المنهج الواسع في عينة من عينة من معظم الأوراق الأكاديمية (التي، لا مفاجأة، وغالبا ما يؤدي إلى النهج التي ليست مفيدة فعلا للتجارة). هناك أساسا ثلاثة أشياء تهم نفسك عند بناء نموذج التعلم الآلي: ما هو التنبؤ (ما الهدف) ما التنبؤ به (أي المدخلات) كيفية ربط الهدف والمدخلات (ما نموذج) معظم ما سأذكر على هذا الموضوع سوف تركز على الإجابة على هذه الأسئلة، مع الأمثلة الفعلية. إذا كنت تريد كتابة أي أسئلة قد تكون لدي، وسأحاول أن أعطيك الجواب أو ببساطة تتيح لك معرفة ما إذا كنت سوف يجيب على ذلك في وقت لاحق. انضمت ديسمبر 2014 الحالة: عضو 383 المشاركات دعونا نذهب إلى العمل الآن. مثال عملي حقيقي باستخدام التعلم الآلي. دعونا نفترض أننا نريد لبناء نموذج بسيط جدا باستخدام مجموعة بسيطة جدا من إنبوتستارجيتس. لهذه التجربة هذه هي الإجابات على الأسئلة: ما للتنبؤ (ما الهدف) - gt اتجاه اليوم التالي (صاعد أو هبوطي) ما للتنبؤ به مع (المدخلات) - gt اتجاه الأيام السابقة 2 كيف لربط الهدف والمدخلات (ما النموذج) - gt مصنف خطي خريطة هذا النموذج سوف محاولة للتنبؤ الاتجاه من شريط اليومي التالي. لبناء نموذجنا نحن نأخذ 200 أمثلة الماضية (اتجاه أيام كهدف والاتجاهات السابقة يومين كما المدخلات) ونحن تدريب المصنف الخطي. ونحن نفعل ذلك في بداية كل شريط يوميا. إذا كان لدينا مثال حيث يومين صعوديين يؤديان إلى يوم هبوطي فإن المدخلات ستكون 1،1 وسيكون الهدف 0 (0 مخمري، 1bullish)، ونحن نستخدم 200 من هذه الأمثلة لتدريب النموذج على كل شريط. نأمل أن تكون قادرة على بناء علاقة حيث اتجاه يومين ينتج بعض الاحتمالات فوق العشوائية للتنبؤ اتجاه أيام بشكل صحيح. نحن نستخدم ستوبلوس يساوي 50 من فترة 20 يوما متوسط ​​المدى الحقيقي على كل التجارة. الصورة المرفقة (اضغط للتكبير) تظهر محاكاة هذه التقنية من 1988 إلى 2014 على اليورو مقابل الدولار الأميركي (البيانات قبل عام 1999 هو ديموسد) أعلاه أن النموذج ليس لديه توليد أرباح مستقرة. في الواقع هذا النموذج يتبع المشي العشوائي متحيز سلبا، مما يجعلها تفقد المال كدالة من انتشار (3 نقاط في سيم بلدي). ننظر إلى أداء كوتيمبريسيفيكوت على ما يبدو لدينا في 1993-1995 وفي 2003-2005، حيث يبدو أننا يمكن أن تتنبأ بنجاح الاتجاه في الأيام القادمة باستخدام نموذج خطي بسيط والنتائج الاتجاهين الماضيين الماضيين. يوضح لك هذا المثال عدة أشياء مهمة. على سبيل المثال، أن عبر الجداول الزمنية القصيرة (التي يمكن أن تكون بضع سنوات) يمكنك ينخدع بسهولة العشوائية --- يمكنك أن تعتقد أن لديك شيء يعمل الذي لا حقا. تذكر أن النموذج هو إعادة بناء على كل شريط، وذلك باستخدام 200 إنتربارجيت الأمثلة الماضية. ما هي الأشياء الأخرى التي تعتقد أنك يمكن أن تتعلمها من هذا المثال انشر أفكارك حسنا. لذلك كنت توقعت أن المشترين أو البائعين سوف خطوة في. هم، ولكن بالضبط ما عليه أن تفعل مع سعر صعودا أو هبوطا 100 نقطة السعر يمكن أن تتفاعل بطرق مختلفة - قد خزان فقط لبعض الوقت (في حين يتم شغل جميع أوامر الحد) ومن ثم الاستمرار في التحرك أبعد من ذلك. فإنه يمكن أيضا تعقب 5، 10، 50 أو حتى 99 نقطة. في كل هذه الحالات كنت كيندا الحق حول المشترين أو البائعين يخطو في، ولكن يجب أن نفهم أن هذا التحليل لا تملك الكثير للقيام به التجارة الخاصة بك الذهاب من 90pip إلى 100pip. نعم، أنت الحق هذا هو جزء كبير من السبب في أننا الحصول على نتائج سيئة عند استخدام خوارزمية رسم الخرائط الخطية. لأن الربحية لدينا ترتبط ارتباطا وثيقا مع توقعاتنا. توقع أن الأيام هي بريشبيريش هو من استخدام محدود إذا كنت لا تعرف كم السعر سوف تتحرك. ربما التنبؤات الخاصة بك صحيحة فقط في الأيام التي تعطيك 10 نقطة وتحصل على كل الأيام التي لديها 100 نقطة الاتجاه خاطئ تماما. ما الذي ستعتبره هدفا أفضل لطريقة تعلم الآلة نعم، حقك هذا جزء كبير من السبب في أننا نحصل على نتائج سيئة عند استخدام خوارزمية رسم الخرائط الخطية. لأن الربحية لدينا ترتبط ارتباطا وثيقا مع توقعاتنا. توقع أن الأيام هي بريشبيريش هو من استخدام محدود إذا كنت لا تعرف كم السعر سوف تتحرك. ربما التنبؤات الخاصة بك صحيحة فقط في الأيام التي تعطيك 10 نقطة وتحصل على كل الأيام التي لديها 100 نقطة الاتجاه خاطئ تماما. ما الذي ستعتبره هدفا أفضل لطريقة تعلم الآلة لنفترض إذا كان لديك 100 نقطة تب و سي، أود أن أتنبأ بما يأتي أولا: تب أو سي مثال: تب جاء أول 1 سي جاء أول 0 (أو -1، ولكن قمت بتعيين ذلك)