Forex Trading Maskin Læring

Trading and machine learning Ble medlem Dec 2006 Status: Medlem 3.845 Innlegg dette er en diskusjonstråd om maskinlæring og hvordan den vil forme fremtiden for handel for fortjeneste. Etter å ha lest hva forskere jobber for øyeblikket (skaper hjerneaktige sjetonger) og gjenoppfinner maskinlæringsprogramvare, tror jeg dette kan gå begge veier - enten vi har et svært effektivt marked, eller vi vil få hyppigere flash-sammenbrudd, for eksempel med de nyere primitive algoritmer. Imidlertid tror jeg jo bedre disse kunstige intelligensene kommer, og jo mer datamaskinkraft er lett tilgjengelig, vil menneskelige handlere finne det umulig å stå en sjanse mot disse maskinene på lang sikt. Jeg forestiller meg nå at D-Waves kvantecomputer brukes til en slik oppgave med 2000 Qubits, som gjør 102000 scenarier som denne datamaskinen kan analysere samtidig (flere scenarier enn det er atomer i det kjente universet). Hvordan kan man konkurrere mot det som tenker på deg? Ble medlem Jan 2017 Status: Medlem 34 Innlegg Hei, dette er en diskusjonstråd om maskinlæring og hvordan den skal forme fremtiden for handel for profitt. Etter å ha lest hva forskere jobber for øyeblikket (skaper hjerneaktige sjetonger) og gjenoppfinner maskinlæringsprogramvare, tror jeg dette kan gå begge veier - enten vi har et svært effektivt marked, eller vi vil få hyppigere flash-sammenbrudd, for eksempel med de nyere primitive algoritmer. Imidlertid tror jeg jo bedre disse kunstige intelligensene får, og jo mer datamaskinkraft er lett tilgjengelig, vil menneskelige handelsfolk finne den. Hvis dette såkalte AIs kan fungere til vår fordel, så er det ikke noe problem, men en ting er sikkert Maskinen vil alltid være maskin. De kan bare feilfunksjon noen ganger og la deg stresses ut. Maskinvare Læring i Forex Trading: Hvorfor mange akademikere gjør det alt galt Bygg maskinens læringsstrategier som kan skaffe anstendige resultater under live markedsforhold, har alltid vært en viktig utfordring i algoritmisk handel. Til tross for den store mengden interesse og de utrolige potensielle fordelene, er det fortsatt ingen akademiske publikasjoner som kan vise gode maskininnlæringsmodeller som kan håndtere handelsproblemet i det virkelige markedet (så vidt jeg vet, legg inn en kommentar hvis du har en og I8217ll være mer enn glad for å lese den). Selv om mange utgaver publisert ser ut til å vise lovende resultater, er det ofte tilfelle at disse papirene faller inn i en rekke forskjellige statistiske problemstillinger som gjør det virkelige markedet vellykket av deres maskinlæringsstrategier svært usannsynlig. I dag8217s innlegg skal jeg snakke om problemene jeg ser på akademisk forskning relatert til maskinlæring i Forex, og hvordan jeg mener at denne undersøkelsen kan forbedres for å gi mye mer nyttig informasjon for både akademiske og handelssamfunn. De fleste fallgruvene i maskinlæringsstrategi når man foretar Forex trading, er uunngåelig arvet fra deterministiske læringsproblemer. Når du bygger en maskinlæringsalgoritme for noe som ansiktsgjenkjenning eller bokstavsgjenkjenning, er det et godt definert problem som ikke endres, noe som vanligvis takles ved å bygge en maskinlæringsmodell på en delmengde av dataene (et treningssett) og deretter teste om modellen var i stand til å løse problemet riktig ved å bruke påminnelsen om dataene (et testsett). Det er derfor du har noen kjente og veletablerte datasett som kan brukes til å etablere kvaliteten på nyutviklede maskinlæringsteknikker. Nøkkelpunktet her er imidlertid at problemene som først ble tatt opp av maskinlæring, hovedsakelig var deterministiske og tidsavhengige. Når du går inn i handel, gir det samme mange filosofi mange problemer knyttet til både markedets delvis ikke-deterministiske karakter og tidsavhengighet. Den blotte handlingen med å forsøke å velge opplærings - og testsett, introduserer en betydelig mengde bias (en datautvalgsperspektiv) som skaper et problem. Hvis valget gjentas for å forbedre resultatene i testsettet 8211, som du må anta, skjer i minst noen tilfeller 8211, så legger problemet også til stor mengde data mining bias. Hele spørsmålet om å gjøre en enkelt treningsvalideringstrening genererer også et problem som gjelder hvordan denne algoritmen skal brukes når det gjelder live trading. Per definisjon vil den levende handel være annerledes siden valget av treningsprøvingssett må brukes på forskjellige data (som nå er testsettet virkelig ukjente data). Forspenningen som ligger i det innledende utvalgsprøveintervallet og mangelen på testede regler for handel under ukjente data, gjør at slike teknikker ofte mislykkes i live trading. Hvis en algoritme er utdannet med 2000-2012 data og ble kryssvalidert med dataene 2012-2015, er det ingen grunn til å tro at den samme suksessen vil skje dersom opplært i 2003-2015 data og deretter live handles fra 2015 til 2017, er svært forskjellige i naturen. Målealgoritmenes suksess er også et svært relevant problem her. Uendelig bør maskinlæringsalgoritmene som brukes for handel, måles i fortjeneste ved deres evne til å generere positiv avkastning, men noen litteratur måler verdien av nye algoritmiske teknikker ved å prøve å benchmark deres evne til å få riktige spådommer. Korrekte spådommer er ikke nødvendigvis like lønnsom handel som du lett kan se når du bygger binære klassifiserere. Hvis du forsøker å forutsi neste candle8217s retning, kan du fortsatt få tap hvis du for det meste er rett på små stearinlys og feil på større lys. Faktisk er de fleste av denne typen klassifiserende 8211 de fleste av de som ikke arbeider 8211, i ferd med å forutsi retningsmessig med en over 50 nøyaktighet, men ikke over det nivået som trengs for å overgå provisjoner som ville tillate lønnsom binær opsjonshandel. Å bygge strategier som for det meste er fjernet av de ovennevnte problemene, har jeg alltid forsøkt for en metodikk der maskinlæringsalgoritmen er omskolet før du gjør noen treningsbeslutning. Ved å bruke et bevegelig vindu for trening og aldri gjøre mer enn en avgjørelse uten å omskole hele algoritmen, kan vi kvitte seg med utvalgsperspektivet som er iboende ved å velge et enkelt prøveutvalg. På denne måten er hele testen en serie treningsvaliditetsøvelser som til slutt sikrer at maskinlæringsalgoritmen fungerer selv under enormt forskjellige treningsdatasett. Jeg fortaler også for måling av faktisk backtesting ytelse for å måle en maskin læring algoritm8217s fortjeneste og dessuten ville jeg gå så langt som å si at ingen algoritme kan være verdt sitt salt uten å være bevist under ekte out-of-sample forhold. Å utvikle algoritmer på denne måten er mye vanskeligere, og jeg har funnet et enkelt faglig papir som følger denne typen tilnærming (hvis jeg savnet det, gjerne legge inn en lenke slik at jeg kan inkludere en kommentar). Dette betyr ikke at denne metoden er helt problemfri, men det er fortsatt gjenstand for de klassiske problemene som er relevante for alle strategibyggingsøvelser, inkludert kurvepassende bias og data mining bias. Dette er grunnen til at det også er viktig å bruke en stor mengde data (jeg bruker 25 år til testsystemer, alltid omskoling etter hver maskinavlesning avledet beslutning) og å utføre tilstrekkelige data-mining bias evaluering tester for å fastslå tilliten som vi kan si at resultatene ikke kommer fra tilfeldig tilfeldighet. Min venn AlgoTraderJo 8211 som også skjer for å være medlem av mitt handelssamfunn 8211 vokser for tiden en tråd hos ForexFactory etter denne samme type filosofi for maskinopplæringsutvikling, da vi jobber med noen nye maskinlæringsalgoritmer for mitt handelssamfunn. Du kan referere til hans tråd eller tidligere innlegg på bloggen min for flere eksempler på maskinlæringsalgoritmer utviklet på denne måten. Hvis du ønsker å lære mer om vår utvikling i maskinlæring og hvordan du også kan utvikle dine egne maskinlæringsstrategier ved hjelp av F4-rammene, vær så snill å bli med i Asirikuy. et nettsted fylt med utdanningsvideoer, handelssystemer, utvikling og en lyd, ærlig og gjennomsiktig tilnærming til automatisert handel. Maskininnlæring med algoTraderJo Ble medlem Dec 2014 Status: Medlem 383 Innlegg Hei kolleger, jeg begynner denne tråden og håper å dele med deg noen av mine utviklinger innen maskinlæring. Selv om jeg kanskje ikke deler med deg nøyaktige systemer eller kodingsimplementeringer (ikke forvent å få noe til quotplug-and-playquot og bli rik fra denne tråden), vil jeg dele med deg ideer, resultater fra eksperimentet og muligens andre aspekter av arbeidet mitt. Jeg starter denne tråden i håp om at vi vil kunne dele ideer og hjelpe hverandre til å forbedre våre implementeringer. Jeg vil begynne med noen enkle maskinlæringsstrategier og vil da gå inn i mer komplekse ting ettersom tiden går. Håper du nyter turen Ble medlem Dec 2014 Status: Medlem 383 Innlegg Jeg vil starte med å si noen grunnleggende ting. Jeg beklager at strukturen på innleggene mine etterlater seg mye å være ønsket, jeg har ingen forumpostopplevelse, men håper å få litt med tiden. I maskinlæring er det bare å generere en prognose som er nyttig for vår handel. For å gjøre denne prediksjonen genererer vi en statistisk modell ved hjelp av et sett med eksempler (kjente utdata og enkelte innganger vi har prediktiv kraft for å forutse disse utgangene). Vi lager en forutsigelse av en ukjent utgang (våre siste data) ved hjelp av modellen vi opprettet med eksemplene. For å oppsummere er det en quotsimplequot-prosess der vi gjør følgende: Velg hva vi vil forutsi (dette vil være vårt mål / mål). Velg noen inputvariabler som vi tror kan forutsi våre mål. Bygg et sett med eksempler ved hjelp av tidligere data med våre innganger og våre mål Lag en modell ved hjelp av disse eksemplene. En modell er bare en matematisk mekanisme som relaterer inngangsmålene Lag en prediksjon av målet ved hjelp av de siste kjente inngangene Handel ved hjelp av denne informasjonen Jeg vil si fra starten at det er svært viktig å unngå å gjøre det mange akademiske papirer om maskinlæring gjør, som skal forsøke å bygge en modell med svært store utvalg av eksempler og deretter forsøke å gjøre en langsiktig prediksjon på et quotout-of-samplequot-sett. Å bygge en modell med 10 års data og deretter teste den på de to sistnevnte er ikke-følelse, underlagt mange typer statistiske forstyrrelser som vi diskuterer senere. Generelt ser du at maskinlæringsmodellene jeg bygger er opplært på hver linje (eller hver gang jeg må ta en avgjørelse) ved hjelp av et flytende vindu med data for å bygge eksempler (bare nyere eksempler anses som relevante). Visst, denne tilnærmingen er ikke fremmed for noen typer statistiske forstyrrelser, men vi fjerner quotelephant i roomquot når du bruker den brede prøveutvalget av de fleste akademiske artikler (som ikke overrasker, fører ofte til tilnærminger som ikke er faktisk nyttig å handle). Det er hovedsakelig tre ting å bekymre seg for når man bygger en maskinlæringsmodell: Hva skal man forutsi (hvilket mål) Hva skal man forutsi med (hvilke innganger) Hvordan relatere mål og innganger (hvilken modell) De fleste av det jeg nevner På denne tråden vil du fokusere på å svare på disse spørsmålene, med egentlige eksempler. Hvis du vil skrive noen spørsmål du kanskje har, og jeg vil forsøke å gi deg et svar eller bare fortelle deg om jeg vil svare det senere. Ble med i desember 2014 Status: Medlem 383 Innlegg La oss komme deg til bedriften nå. Et ekte praktisk eksempel ved maskinlæring. La oss anta at vi vil bygge en veldig enkel modell ved hjelp av et veldig enkelt sett med inngangsmål. For dette eksperimentet er disse svarene på spørsmålene: Hva å forutsi (hvilket mål) - gt Retningen for neste dag (bullish eller bearish) Hva å forutsi det med (hvilke innganger) - gt Retningen for de foregående 2 dagene Hvordan å forholde mål og innganger (hvilken modell) - gt En lineær kartklassifiserer Denne modellen vil forsøke å forutsi retningen til neste daglige bar. For å bygge vår modell tar vi de siste 200 eksemplene (en dagsretning som mål og de to foregående dagene som innganger), og vi trener en lineær klassifikator. Vi gjør dette ved starten av hver daglig bar. Hvis vi har et eksempel hvor to bullish dager fører til en bearish dag, vil inngangene være 1,1 og målet vil være 0 (0bearish, 1bullish). Vi bruker 200 av disse eksemplene for å trene modellen på hver bar. Vi håper å kunne bygge et forhold der retningen på to dager gir noen over-tilfeldig sannsynlighet for å forutsi dagens retning riktig. Vi bruker et stoppfall som tilsvarer 50 av 20-dagers perioden Gjennomsnittlig True Range på hver handel. Vedlagt bilde (klikk for å forstørre) En simulering av denne teknikken fra 1988 til 2014 på EURUSD (data før 1999 er DEMUSD) ovenfor viser at modellen ikke har noen stabil fortjeneste. Faktisk følger denne modellen en negativ forspent tilfeldig spasertur, noe som gjør at det mister penger som en funksjon av spredningen (3 pips i min sim). Se på den tilsynelatende quotimpressivequot-ytelsen vi har i 1993-1995 og i 2003-2005, der vi tydeligvis kunne lykkes med å forutsi de neste dagene retningsmessig ved hjelp av en enkel lineær modell og de to siste dagene. Dette eksemplet viser flere viktige ting. For eksempel kan det over korte tidsrammer (som kan være et par år) lett bli lurt av tilfeldighet --- du kan tro at du har noe som fungerer som egentlig ikke. Husk at modellen gjenoppbygges på hver linje, ved hjelp av de siste 200 inputtarget-eksemplene. Hvilke andre ting tror du kan du lære av dette eksemplet Legg inn dine tanker Vel. så du forutslo at kjøperne eller selgerne ville komme inn. Hmm, men hva det har å gjøre med prisen går opp eller ned 100 pips Prisen kan reagere på flere måter - det kan bare tenke litt tid (mens alle grenseordrer er fylt) og fortsett deretter videre. Det kan også retrace 5, 10, 50 eller 99 pips. I alle disse tilfellene var det ganske bra med kjøpere eller selgere som gikk inn i, men du må forstå at denne analysen ikke har mye å gjøre med handelen din, fra 90pip til 100pip. Ja, du har rett Dette er en stor del av grunnen til at vi får dårlige resultater når du bruker den lineære kartleggingsalgoritmen. Fordi vår lønnsomhet er dårlig knyttet til vår prediksjon. Forutsi at dagene er bullishbearish, er begrenset bruk hvis du ikke vet hvor mye prisen vil flytte. Kanskje dine spådommer bare er korrekte på dager som gir deg 10 pips, og du får alle de dagene som har 100 pipretninger helt feil. Hva ville du vurdere et bedre mål for en maskinlæringsmetode Ja, du har rett Dette er en stor del av grunnen til at vi får dårlige resultater når du bruker den lineære kartleggingsalgoritmen. Fordi vår lønnsomhet er dårlig knyttet til vår prediksjon. Forutsi at dagene er bullishbearish, er begrenset bruk hvis du ikke vet hvor mye prisen vil flytte. Kanskje dine spådommer bare er korrekte på dager som gir deg 10 pips, og du får alle de dagene som har 100 pipretninger helt feil. Hva vil du vurdere et bedre mål for en maskinlæringsmetode. La oss si at hvis du har 100 pip TP og SL, vil jeg forutsi hva som kommer først: TP eller SL Eksempel: TP kom først 1 SL kom først 0 (eller -1, men du kartlegger det)