Trading and machine learning Registrado em Dez 2006 Status: Member 3,845 Posts Este é um tópico de discussão sobre a aprendizagem da máquina e como ele irá moldar o futuro da negociação de lucros. Tendo lido o que os cientistas estão trabalhando atualmente (criando chips como o cérebro) e reinventando software de aprendizagem de máquina, eu acho que isso pode ir em ambos os sentidos - ou temos um mercado altamente eficiente, ou teremos mais frequentes flash-crashes, como com Os algoritmos primitivos mais recentes. No entanto, acho que quanto melhores forem essas inteligências artificiais e mais poder de computador estiver prontamente disponível, os comerciantes humanos acharão impossível ter uma chance contra essas máquinas a longo prazo. Agora imagino o computador quântico D-Waves sendo usado para uma tarefa com 2.000 Qubits, que faz 102.000 cenários que este computador poderia analisar simultaneamente (mais cenários do que há átomos no universo conhecido). Como poderia um competir contra o que vocês pensam Juntar-se em janeiro de 2017 Status: Membro 34 Posts Oi, este é um fio de discussão sobre aprendizagem de máquina e como ele irá moldar o futuro da negociação de lucros. Tendo lido o que os cientistas estão trabalhando atualmente (criando chips como o cérebro) e reinventando software de aprendizagem de máquina, eu acho que isso pode ir em ambos os sentidos - ou temos um mercado altamente eficiente, ou teremos mais frequentes flash-crashes, como com Os algoritmos primitivos mais recentes. No entanto, eu acho que quanto melhor essas inteligências artificiais obter e mais poder do computador está prontamente disponível, os comerciantes humanos vão encontrá-lo. Se este chamado AIs pode trabalhar para o nosso benefício, então não há problema, mas uma coisa é certa Máquina seria sempre máquina. Por que muitos acadêmicos estão fazendo tudo errado Construindo estratégias de aprendizagem da máquina que podem obter resultados decentes sob condições de mercado ao vivo sempre foi um desafio importante na negociação algorítmica. Apesar da grande quantidade de interesse e as incríveis recompensas potenciais, ainda não há publicações acadêmicas que são capazes de mostrar bons modelos de aprendizagem de máquina que pode enfrentar com êxito o problema de negociação no mercado real (ao meu melhor conhecimento, postar um comentário se Você tem um e I8217ll ser mais do que feliz para lê-lo). Embora muitos trabalhos publicados pareçam mostrar resultados promissores, muitas vezes é o caso que esses artigos se enquadram em uma variedade de diferentes problemas de tendência estatística que tornam o verdadeiro sucesso de mercado de suas estratégias de aprendizagem de máquina altamente improvável. No borne de today8217s eu estou indo falar sobre os problemas que eu vejo na pesquisa académica relacionada com a aprendizagem de máquina em Forex e como eu acredito que esta pesquisa poderia ser melhorada para render a informação muito mais útil para a comunidade académica e de troca. A maioria das armadilhas na concepção da estratégia de aprendizagem de máquina ao fazer o comércio de Forex são inevitavelmente herdadas do mundo de problemas de aprendizagem determinísticos. Ao construir um algoritmo de aprendizado de máquina para algo como reconhecimento de rosto ou reconhecimento de letras há um problema bem definido que não muda, que geralmente é abordado pela construção de um modelo de aprendizagem de máquina em um subconjunto dos dados (um conjunto de treinamento) e, em seguida, testando se O modelo foi capaz de resolver corretamente o problema usando o lembrete dos dados (um conjunto de teste). É por isso que você tem alguns conjuntos de dados famosos e bem estabelecidos que podem ser usados para estabelecer a qualidade das técnicas de aprendizagem de máquinas recém-desenvolvidas. O ponto-chave aqui no entanto, é que os problemas abordados inicialmente pela aprendizagem mecânica foram principalmente deterministas e independentes do tempo. Ao passar para a negociação, a aplicação dessa mesma filosofia produz muitos problemas relacionados com o caráter parcialmente não determinístico do mercado e sua dependência temporal. O simples ato de tentar selecionar conjuntos de treinamento e teste introduz uma quantidade significativa de viés (um viés de seleção de dados) que cria um problema. Se a seleção for repetida para melhorar os resultados no conjunto de testes 8211 que você deve assumir acontece em pelo menos alguns casos 8211, então o problema também adiciona uma grande quantidade de viés de mineração de dados. Toda a questão de fazer um único treinamento valididation exercício também gera um problema relativo a como este algoritmo é para ser aplicado ao vivo trading. Por definição, a negociação ao vivo será diferente, uma vez que a seleção de conjuntos de testes de treinamento precisa ser reaplicada a dados diferentes (como agora o conjunto de testes é realmente dados desconhecidos). O viés inerente à seleção inicial do período de amostra da amostra de amostra e a ausência de quaisquer regras testadas para negociação com dados desconhecidos torna essas técnicas geralmente em falha na negociação ao vivo. Se um algoritmo for treinado com dados 2000-2017 e tiver sido validado cruzadamente com os dados de 2017-2017, não há razão para acreditar que o mesmo sucesso acontecerá se treinado em dados de 2003-2017 e depois viver negociado de 2017 a 2017, os conjuntos de dados São muito diferentes na natureza. O sucesso do algoritmo de medição também é um problema muito relevante aqui. Inevitavelmente, os algoritmos de aprendizado de máquina usados para negociação devem ser medidos em mérito pela sua capacidade de gerar retornos positivos, mas alguma literatura mede o mérito de novas técnicas algorítmicas, tentando avaliar sua capacidade de obter previsões corretas. As previsões corretas não são necessariamente as negociações rentáveis, como você pode facilmente ver ao construir classificadores binários. Se você tentar prever a próxima direção de candle8217s você ainda pode fazer uma perda se você estiver na maior parte certo em velas pequenas e errado em velas maiores. Na verdade, a maior parte desse tipo de classificadores 8211 a maioria daqueles que não trabalham 8211 acabam predizendo direcionalidade com uma precisão acima de 50, mas não acima do nível necessário para ultrapassar as comissões que permitiriam negociações de opções binárias rentáveis. Para construir estratégias que são principalmente livre dos problemas acima eu sempre defendi uma metodologia em que o algoritmo de aprendizagem da máquina é treinada antes da tomada de qualquer decisão de formação. Usando uma janela em movimento para o treinamento e nunca fazendo mais de uma decisão sem reaproveitar todo o algoritmo, podemos nos livrar do viés de seleção que é inerente na escolha de um único conjunto de amostras de amostra. Desta forma, todo o teste é uma série de exercícios de validação de treinamento que acabam garantindo que o algoritmo de aprendizado da máquina funcione mesmo sob conjuntos de dados de treinamento tremendamente diferentes. Eu também defendo a medição do desempenho de backtesting real para medir um mérito algoritmo de aprendizagem de máquina e, além disso, eu iria tão longe como para dizer que nenhum algoritmo pode valer a pena o seu sal sem ser provado sob reais condições fora da amostra. Desenvolver algoritmos desta maneira é muito mais difícil e eu não encontrei um único artigo acadêmico que segue este tipo de abordagem (se eu perdi, sinta-se livre para postar um link para que eu possa incluir um comentário). Isso não significa que essa metodologia seja completamente livre de problemas, no entanto, ela ainda está sujeita aos problemas clássicos relevantes para todos os exercícios de construção de estratégia, incluindo viés de ajuste de curva e viés de mineração de dados. É por isso que também é importante usar uma grande quantidade de dados (uso 25 anos para testar sistemas, sempre treinando depois de cada máquina aprendendo decisão derivada) e realizar testes de avaliação de viés de mineração de dados adequados para determinar a confiança com a qual podemos Dizer que os resultados não vêm de acaso aleatório. Meu amigo AlgoTraderJo 8211 que também acontece de ser um membro da minha comunidade comercial 8211 está actualmente a crescer um fio na ForexFactory seguindo este mesmo tipo de filosofia para o desenvolvimento de aprendizagem de máquina, como trabalhamos em alguns novos algoritmos de aprendizagem de máquina para a minha comunidade comercial. Você pode consultar seu tópico ou posts anteriores no meu blog para vários exemplos de algoritmos de aprendizado de máquina desenvolvidos dessa maneira. Se você gostaria de aprender mais sobre nossos desenvolvimentos na aprendizagem de máquina e como você também pode também desenvolver suas próprias estratégias de aprendizagem de máquina usando a estrutura de F4 por favor considere juntar Asirikuy. Um site cheio de vídeos educacionais, sistemas de negociação, desenvolvimento e uma abordagem som, honesto e transparente para a negociação automatizada. Aprendizagem de máquina com algoTraderJo Entrou para Dez 2017 Status: Member 383 Posts Olá companheiro comerciantes, Estou começando este segmento na esperança de compartilhar com você alguns Dos meus desenvolvimentos no campo da aprendizagem mecânica. Embora eu não possa compartilhar com você sistemas exatos ou implementações de codificação (não espere obter nada para quotplug-and-playquot e ficar rico a partir deste segmento) vou compartilhar com você idéias, resultados da minha experiência e possivelmente outros aspectos do meu trabalho. Estou começando este tópico na esperança de que possamos compartilhar idéias e ajudar uns aos outros a melhorar nossas implementações. Vou começar com algumas estratégias de aprendizagem simples máquina e, em seguida, entrar em coisas mais complexas como o tempo passa. Espero que você aprecie o passeio Juntado dezembro 2017 Status: Member 383 Posts Quero começar por dizer algumas coisas básicas. Lamentamos se a estrutura dos meus posts deixa muito a desejar, eu não tenho nenhum fórum postagem experiência, mas espero obter alguns com o tempo. Na aprendizagem da máquina o que queremos fazer é simplesmente gerar uma previsão que é útil para o nosso comércio. 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 quotsimplequot onde nós fazemos o seguinte: Selecione o que nós queremos predizer (este será nosso alvo) Selecionar algumas variáveis de entrada que nós pensamos pode prever nossos alvos Construa um jogo dos exemplos usando dados passados Com nossas entradas e nossas metas 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 Eu quero dizer desde o início que é muito importante evitar fazer o que muitos trabalhos acadêmicos sobre a aprendizagem de máquina fazem, Que é tentar construir um modelo com matrizes muito grandes de exemplos e, em seguida, tentar fazer uma previsão de longo prazo em um conjunto quotout-of-samplequot. Construir um modelo com 10 anos de dados e testá-lo nos dois últimos é não-senso, sujeito a muitos tipos de preconceitos estatísticos que discutiremos mais adiante. Em geral, você verá que os modelos de aprendizagem de máquina que eu construo são treinados em cada barra (ou cada vez que eu preciso tomar uma decisão) usando uma janela de dados em movimento para a construção de exemplos (apenas exemplos recentes são considerados relevantes). Claro, esta abordagem não é estranha a alguns tipos de viés estatísticos, mas removemos o quotelefante na sala quando se usa a ampla abordagem de amostra da maioria dos trabalhos acadêmicos (o que, sem surpresa, muitas vezes leva a abordagens que não são Realmente útil para o comércio). Há principalmente três coisas a se preocupar com quando construir um modelo de aprendizagem de máquina: O que prever (o que o alvo) O que prever com (que insumos) Como relacionar o alvo e entradas (que modelo) A maioria do que vou estar mencionando Neste tópico irá focar em responder a estas perguntas, com exemplos reais. Se você quiser escrever quaisquer perguntas que você possa ter e eu vou tentar dar-lhe uma resposta ou simplesmente deixá-lo saber se vou responder isso mais tarde. Registrado em Dez 2017 Status: Member 383 Posts Vamos começar a trabalhar agora. Um verdadeiro exemplo prático usando a aprendizagem mecânica. Vamos supor que queremos construir um modelo muito simples usando um conjunto muito simples de inputstargets. Para esta experiência, estas são as respostas às perguntas: O que prever (o alvo) - gt A direção do próximo dia (otimista ou bearish) O que prever com (quais entradas) - gt A direção dos dois dias anteriores Como Para relacionar o alvo e as entradas (que modelo) - gt Um classificador linear de mapas Este modelo tentará prever a direcionalidade da próxima barra diária. Para construir nosso modelo, tomamos os últimos 200 exemplos (uma direção de dias como alvo e as direções anteriores de dois dias como entradas) e treinamos um classificador linear. Fazemos isso no início de cada bar diário. Se tivermos um exemplo em que dois dias de alta conduzem a um dia de baixa, os inputs seriam 1,1 eo alvo seria 0 (0bearish, 1bullish), usamos 200 destes exemplos para treinar o modelo em cada barra. Esperamos ser capazes de construir uma relação onde a direção de dois dias produz alguma probabilidade acima-aleatória para prever corretamente a direção dos dias. Usamos um stoploss igual a 50 do período médio de 20 dias True Range em cada comércio. Uma simulação desta técnica de 1988 a 2017 no EURUSD (dados anteriores a 1999 é DEMUSD) acima mostra que o modelo não tem geração de lucro estável. Na verdade, este modelo segue uma caminhada aleatória negativamente tendenciosa, o que faz com que ele perca dinheiro em função da propagação (3 pips no meu sim). Olhe para o desempenho aparentemente quotimpressive que temos em 1993-1995 e em 2003-2005, onde, aparentemente, poderíamos prever com sucesso a direcionalidade dos próximos dias usando um modelo linear simples e os resultados direcionais de dois dias anteriores. Este exemplo mostra várias coisas importantes. Por exemplo, que em curto prazo (que poderia ser um par de anos), você pode ser facilmente enganado por aleatoriedade --- você pode pensar que você tem algo que funciona que realmente não. Lembre-se de que o modelo é reconstruído em cada barra, usando os últimos 200 exemplos de inputtarget. Que outras coisas você acha que pode aprender com este exemplo Post seus pensamentos Bem. Assim que você predisse que os compradores ou os vendedores pisariam dentro. Hmm, mas o que exatamente tem que fazer com preço que vai acima ou para baixo 100 pips O preço pode reagir em várias maneiras - pôde apenas tanque por algum tempo (quando todas as ordens do limite forem enchidas) E depois continuar avançando. Pode também retrace 5, 10, 50 ou mesmo 99 pips. Em todos esses casos você estava meio certo sobre compradores ou vendedores entrando, mas você deve entender que esta análise não tem muito a ver com o seu comércio indo de 90pip para 100pip. Sim, você está certo Esta é uma grande parte da razão pela qual estamos recebendo maus resultados 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 preço se moverá. Talvez suas previsões estejam corretas apenas nos dias que lhe dão 10 pips e você recebe todos os dias que têm 100 direcional pip totalmente errado. O que você consideraria um alvo melhor para um método de aprendizagem de máquina Sim, você está certo Esta é uma grande parte da razão pela qual estamos obtendo pobres resultados 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 preço se moverá. Talvez suas previsões estejam corretas apenas nos dias que lhe dão 10 pips e você recebe todos os dias que têm 100 direcional pip totalmente errado. O que você consideraria um alvo melhor para um método de aprendizagem de máquina Vamos dizer 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 mapeá-lo)
No comments:
Post a Comment