Forex trading machine learning

Trading and machine learning Bergabung Desember 2006 Status: Member 3.845 Posting ini adalah diskusi thread mengenai pembelajaran mesin dan bagaimana hal itu akan membentuk masa depan perdagangan keuntungan. Setelah membaca apa yang para ilmuwan sedang kerjakan (menciptakan keripik seperti otak) dan menemukan kembali perangkat lunak pembelajaran mesin, saya pikir ini bisa berjalan dua arah - entah kita memiliki pasar yang sangat efisien, atau kita akan mengalami crash-crash yang lebih sering, seperti dengan Algoritma primitif yang lebih baru. Namun, saya pikir semakin baik kecerdasan buatan ini dan semakin banyak tenaga komputer yang tersedia, pedagang manusia akan merasa tidak mungkin untuk bertahan melawan mesin tersebut dalam jangka panjang. Sekarang saya membayangkan komputer kuantum D-Waves digunakan untuk tugas semacam itu dengan 2.000 Qubit, yang membuat 102000 skenario yang dapat dianalisis komputer ini secara bersamaan (lebih banyak skenario daripada ada atom di alam semesta yang dikenal). Bagaimana seseorang bisa bersaing dengan apa yang menurut Anda terpenuhi Jan 2017 Status: Member 34 Posts Hai, ini adalah diskusi tentang pembelajaran mesin dan bagaimana hal itu akan membentuk masa depan perdagangan keuntungan. Setelah membaca apa yang para ilmuwan sedang kerjakan (menciptakan keripik seperti otak) dan menemukan kembali perangkat lunak pembelajaran mesin, saya pikir ini bisa berjalan dua arah - entah kita memiliki pasar yang sangat efisien, atau kita akan mengalami crash-crash yang lebih sering, seperti dengan Algoritma primitif yang lebih baru. Namun, saya pikir semakin baik kecerdasan buatan ini dan semakin banyak daya komputer yang tersedia, pedagang manusia akan menemukannya. Jika ini disebut AI dapat bekerja untuk keuntungan kita maka tidak masalah, tapi satu hal yang pasti Mesin akan selalu mesin. Mereka terkadang hanya mengalami malfungsi dan membuat Anda stres. Pembelajaran Remaja di Perdagangan Forex: Mengapa banyak akademisi melakukan semuanya salah? Strategi pembelajaran mesin bangunan yang dapat memperoleh hasil yang layak dalam kondisi pasar live selalu menjadi tantangan penting dalam perdagangan algoritmik. Meskipun ada banyak minat dan imbalan potensial yang luar biasa, masih belum ada publikasi akademis yang dapat menunjukkan model pembelajaran mesin yang baik yang dapat berhasil mengatasi masalah perdagangan di pasar sebenarnya (sepengetahuan saya, kirimkan komentar jika Anda memiliki satu dan saya akan lebih dari senang untuk membacanya). Meskipun banyak makalah yang diterbitkan tampaknya menunjukkan hasil yang menjanjikan, seringkali kasus-kasus ini masuk dalam berbagai masalah bias statistik yang berbeda yang membuat keberhasilan pasar nyata dari strategi pembelajaran mesin mereka sangat tidak mungkin terjadi. Pada hari ini, saya akan membahas masalah yang saya lihat dalam penelitian akademis yang terkait dengan pembelajaran mesin di Forex dan bagaimana saya yakin penelitian ini dapat ditingkatkan untuk menghasilkan informasi yang lebih bermanfaat bagi komunitas akademis dan perdagangan. Sebagian besar perangkap dalam desain strategi pembelajaran mesin saat melakukan trading Forex pasti diwariskan dari dunia masalah belajar deterministik. Ketika membangun algoritma pembelajaran mesin untuk sesuatu seperti pengenalan wajah atau pengenalan huruf ada masalah yang didefinisikan dengan baik yang tidak berubah, yang umumnya ditangani dengan membangun model pembelajaran mesin pada subkumpulan data (satu set pelatihan) dan kemudian menguji jika Model dapat memecahkan masalah dengan benar dengan menggunakan pengingat data (kumpulan pengujian). Inilah sebabnya mengapa Anda memiliki beberapa set data yang terkenal dan mapan yang dapat digunakan untuk membangun kualitas teknik pembelajaran mesin yang baru dikembangkan. Poin utamanya di sini adalah, bahwa masalah yang awalnya ditangani oleh pembelajaran mesin sebagian besar bersifat deterministik dan waktu mandiri. Ketika bergerak dalam perdagangan, menerapkan filosofi yang sama menghasilkan banyak masalah yang terkait dengan karakter non-deterministik sebagian dari pasar dan ketergantungan waktunya. Tindakan hanya mencoba untuk memilih set pelatihan dan pengujian memperkenalkan sejumlah besar bias (bias pemilihan data) yang menciptakan masalah. Jika seleksi diulang untuk memperbaiki hasil pada set pengujian 8211 yang harus Anda asumsikan terjadi pada setidaknya beberapa kasus 8211 maka masalahnya juga menambahkan sejumlah besar bias data-mining. Seluruh masalah dalam melakukan latihan latihan tunggal juga menghasilkan masalah yang berkaitan dengan bagaimana algoritma ini diterapkan saat live trading. Menurut definisi, live trading akan berbeda karena pemilihan set pelatihan harus diaplikasikan kembali ke data yang berbeda (seperti sekarang set pengujian benar-benar data yang tidak diketahui). Bias yang melekat pada pemilihan tahap sampel awal sampel dan tidak adanya peraturan yang diuji untuk diperdagangkan dengan data yang tidak diketahui membuat teknik semacam itu gagal dalam trading secara umum. Jika sebuah algoritma dilatih dengan data 2000-2012 dan telah divalidasi dengan data 2012-2015, tidak ada alasan untuk percaya bahwa keberhasilan yang sama akan terjadi jika dilatih pada data tahun 2003-2015 dan kemudian diperdagangkan dari 2015 sampai 2017, kumpulan data Sangat berbeda sifatnya. Mengukur keberhasilan algoritma juga menjadi masalah yang sangat relevan disini. Mau tidak mau algoritma pembelajaran mesin yang digunakan untuk perdagangan harus diukur berdasarkan kemampuan mereka untuk menghasilkan hasil yang positif namun beberapa literatur mengukur kelebihan teknik algoritmik baru dengan mencoba memberi patokan kemampuan mereka untuk mendapatkan prediksi yang benar. Prediksi yang benar tidak selalu sama dengan perdagangan yang menguntungkan karena Anda dapat dengan mudah melihat saat membangun penggandaan biner. Jika Anda mencoba meramalkan arah candle8217s berikutnya Anda masih bisa membuat kerugian jika Anda benar-benar berada pada lilin kecil dan salah pada lilin yang lebih besar. Sebenarnya sebagian besar jenis pengklasifikasi ini kebanyakan adalah teknik yang paling banyak digunakan dalam akurasi di atas, namun tidak di atas tingkat yang dibutuhkan untuk mengungguli komisi yang memungkinkan perdagangan opsi biner yang menguntungkan. Untuk membangun strategi yang sebagian besar menyingkirkan masalah di atas, saya selalu menganjurkan metodologi di mana algoritma pembelajaran mesin dilatih sebelum membuat keputusan pelatihan. Dengan menggunakan jendela bergerak untuk pelatihan dan tidak pernah membuat lebih dari satu keputusan tanpa melatih kembali seluruh algoritme, kita dapat menyingkirkan bias seleksi yang melekat dalam memilih satu kumpulan sampel sampel tunggal. Dengan cara ini seluruh tes adalah rangkaian latihan latihan latihan yang akhirnya memastikan bahwa algoritma pembelajaran mesin bekerja bahkan di bawah kumpulan data pelatihan yang sangat berbeda. Saya juga menganjurkan pengukuran kinerja backtesting aktual untuk mengukur algoritma pembelajaran mesin dan lebih jauh lagi saya akan mengatakan bahwa tidak ada algoritma yang bisa bernilai garamnya tanpa terbukti dalam kondisi out-of-sample yang sesungguhnya. Mengembangkan algoritma dengan cara ini jauh lebih sulit dan saya tidak menemukan satu makalah akademis yang mengikuti pendekatan jenis ini (jika saya merindukannya, merasa bebas untuk mengirim tautan sehingga saya dapat memasukkan komentar). Ini tidak berarti bahwa metodologi ini benar-benar bebas masalah, bagaimanapun, masih tunduk pada masalah klasik yang relevan dengan semua latihan pengembangan strategi, termasuk bias kurva dan bias data-mining. Inilah sebabnya mengapa juga penting untuk menggunakan sejumlah besar data (saya menggunakan 25 tahun untuk menguji sistem, selalu berlatih ulang setelah setiap keputusan belajar dari mesin) dan melakukan tes evaluasi bias data mining yang memadai untuk menentukan kepercayaan yang dengannya kita dapat Mengatakan bahwa hasilnya tidak datang dari kesempatan acak. Teman saya AlgoTraderJo 8211 yang juga kebetulan anggota komunitas perdagangan saya 8211 saat ini mengembangkan sebuah thread di ForexFactory mengikuti jenis filosofi yang sama untuk pengembangan pembelajaran mesin, karena kami mengerjakan beberapa algoritma pembelajaran mesin baru untuk komunitas perdagangan saya. Anda bisa merujuk pada tulisannya atau posting terakhir di blog saya untuk beberapa contoh algoritma pembelajaran mesin yang dikembangkan dengan cara ini. Jika Anda ingin mempelajari lebih lanjut tentang perkembangan kami dalam pembelajaran mesin dan bagaimana Anda juga dapat mengembangkan strategi pembelajaran mesin Anda sendiri dengan menggunakan kerangka kerja F4, pertimbangkan untuk bergabung dengan Asirikuy. Sebuah situs yang berisi video pendidikan, sistem perdagangan, pengembangan dan pendekatan yang jujur, jujur ​​dan transparan terhadap perdagangan otomatis. Belajar dengan algoTraderJo Bergabung Desember 2014 Status: Anggota 383 Posting Halo sesama pedagang, saya memulai thread ini dengan harapan bisa berbagi dengan Anda beberapa Dari perkembangan saya di bidang pembelajaran mesin. Meskipun saya mungkin tidak berbagi dengan Anda penerapan sistem atau pengkodean yang tepat (jangan berharap untuk mendapatkan apa pun untuk dicekal dan mainkan dan menjadi kaya dari thread ini) Saya akan berbagi ide, hasil eksperimen, dan kemungkinan aspek lain dari pekerjaan saya. Saya memulai thread ini dengan harapan bisa saling berbagi ide dan saling membantu memperbaiki implementasi kami. Saya akan memulai dengan beberapa strategi pembelajaran mesin sederhana dan kemudian akan membahas hal-hal yang lebih kompleks seiring berjalannya waktu. Harap Anda menikmati perjalanan Bergabung Desember 2014 Status: Anggota 383 Posting Saya ingin memulai dengan mengatakan beberapa hal mendasar. Saya minta maaf jika struktur posting saya meninggalkan banyak hal yang diinginkan, saya tidak memiliki pengalaman dalam posting forum tapi berharap bisa mendapatkan beberapa waktu. Dalam mesin belajar apa yang ingin kita lakukan hanyalah menghasilkan prediksi yang berguna untuk trading kita. Untuk membuat prediksi ini, kami menghasilkan model statistik dengan menggunakan seperangkat contoh (keluaran yang diketahui dan beberapa masukan, kami memiliki prediktif untuk memprediksi keluaran tersebut), kami kemudian membuat prediksi tentang keluaran yang tidak diketahui (data terbaru kami) dengan menggunakan model yang kami buat dengan Contohnya. Untuk jumlah itu, ini adalah proses quotimplequot dimana kita melakukan hal berikut: Pilih apa yang ingin kita prediksi (ini akan menjadi target kita) Pilih beberapa variabel input yang menurut kita dapat memprediksi target kita Membangun satu set contoh menggunakan data masa lalu Dengan masukan dan target kami Buat model dengan menggunakan contoh-contoh ini. Sebuah model hanyalah sebuah mekanisme matematis yang menghubungkan target input Membuat prediksi target menggunakan input terakhir yang diketahui Perdagangan menggunakan informasi ini Saya ingin mengatakan dari awal bahwa sangat penting untuk menghindari melakukan apa yang banyak makalah akademis tentang pembelajaran mesin lakukan, Yaitu mencoba membangun model dengan contoh contoh yang sangat besar dan kemudian mencoba membuat prediksi jangka panjang pada set kuadran-of-samplequot. Membangun model dengan 10 tahun data dan kemudian mengujinya pada dua yang terakhir tidak masuk akal, tunduk pada banyak jenis bias statistik yang akan kita bahas nanti. Secara umum Anda akan melihat bahwa model pembelajaran mesin yang saya bangun dilatih di setiap bar (atau setiap kali saya perlu membuat keputusan) dengan menggunakan jendela data yang bergerak untuk membangun contoh (hanya contoh terkini yang dianggap relevan). Tentu, pendekatan ini tidak asing dengan beberapa jenis bias statistik tapi kita menyingkirkan serangga di ruang baca saat menggunakan pendekatan sampel-sampel yang luas dari kebanyakan dokumen akademis (yang, tidak mengherankan, sering mengarah pada pendekatan yang tidak biasa Sebenarnya bermanfaat untuk berdagang). Ada tiga hal yang perlu diperhatikan saat membangun model pembelajaran mesin: Apa yang harus diprediksi (target apa) Apa yang harus diprediksi dengan (input mana) Bagaimana menghubungkan target dan masukan (model apa) Sebagian besar dari apa yang akan saya sebutkan Di thread ini akan fokus pada menjawab pertanyaan-pertanyaan ini, dengan contoh yang sebenarnya. Jika Anda ingin menulis pertanyaan yang mungkin Anda miliki dan saya akan mencoba memberikan jawaban atau memberi tahu Anda jika saya akan menjawabnya nanti. Bergabung Desember 2014 Status: Anggota 383 Posting Mari kita turun ke bisnis sekarang. Contoh praktis yang nyata menggunakan pembelajaran mesin. Misalkan kita ingin membangun model yang sangat sederhana dengan menggunakan satu set input yang sangat sederhana. Untuk percobaan ini, inilah jawaban atas pertanyaan: Apa yang harus diprediksi (target apa) - gt Arah keesokan harinya (bullish atau bearish) Apa yang harus diprediksi dengan (input mana) - gt Arah 2 hari sebelumnya Bagaimana Untuk menghubungkan target dan input (model apa) - gt Sebuah klasifikasi linier classifier Model ini akan mencoba memprediksi directionality dari bar harian berikutnya. Untuk membangun model kami, kami mengambil 200 contoh terakhir (arah hari sebagai target dan petunjuk dua hari sebelumnya sebagai masukan) dan kami melatih pengklasifikasi linier. Kami melakukan ini di awal setiap bar setiap hari. Jika kita memiliki contoh di mana dua hari bullish mengarah ke hari bearish, inputnya akan menjadi 1,1 dan targetnya adalah 0 (0bearish, 1bullish), kita menggunakan 200 contoh ini untuk melatih model pada setiap batang. Kami berharap bisa membangun hubungan dimana arah dua hari menghasilkan beberapa probabilitas di atas acak untuk memprediksi arah hari dengan benar. Kami menggunakan stoploss sebesar 50 dari periode 20 hari rata-rata True Range pada setiap perdagangan. Attached Image (klik untuk memperbesar) Simulasi teknik ini dari tahun 1988 sampai 2014 pada EURUSD (data sebelum 1999 adalah DEMUSD) di atas menunjukkan bahwa model tersebut tidak memiliki perolehan keuntungan yang stabil. Sebenarnya model ini mengikuti jalan acak negatif yang bias, yang membuatnya kehilangan uang sebagai fungsi penyebaran (3 pips di sim saya). Lihatlah kinerja yang tampaknya tak terduga yang kita miliki di tahun 1993-1995 dan pada tahun 2003-2005, di mana tampaknya kita dapat berhasil memprediksi ke depannya directionality menggunakan model linier sederhana dan hasil dua hari terakhir. Contoh ini menunjukkan beberapa hal penting. Misalnya, bahwa dalam rentang waktu yang pendek (yang bisa jadi beberapa tahun), Anda dapat dengan mudah tertipu oleh keacakan - Anda dapat menganggap bahwa Anda memiliki sesuatu yang benar-benar tidak benar. Ingat bahwa model dibangun kembali di setiap bar, dengan menggunakan contoh masukan masukan 200 yang lalu. Apa hal lain yang menurut Anda bisa Anda pelajari dari contoh ini Post your thoughts Well. Sehingga Anda memperkirakan bahwa pembeli atau penjual akan masuk. Hmm, tapi apa hubungannya dengan harga naik atau turun 100 pips Price dapat bereaksi dengan berbagai cara - mungkin hanya tangki untuk beberapa waktu (sementara semua limit order terisi) Dan kemudian terus bergerak lebih jauh. Hal ini juga dapat menelusuri kembali 5, 10, 50 atau bahkan 99 pips. Dalam semua kasus ini, Anda agak benar tentang pembeli atau penjual yang masuk, tapi Anda harus mengerti bahwa analisis ini tidak banyak kaitannya dengan perdagangan Anda dari 90pip menjadi 100pip. Ya, Anda benar Ini adalah sebagian besar alasan mengapa kita mendapatkan hasil buruk saat menggunakan algoritma pemetaan linier. Karena profitabilitas kita kurang terkait dengan prediksi kita. Memprediksi bahwa hari-hari bullishbearish adalah penggunaan terbatas jika Anda tidak tahu berapa harga akan bergerak. Mungkin prediksi Anda benar hanya pada hari-hari yang memberi Anda 10 pips dan Anda mendapatkan semua hari yang memiliki directional 100 pip benar-benar salah. Apa yang akan Anda pertimbangkan sebagai target yang lebih baik untuk metode pembelajaran mesin Ya, Anda benar Ini adalah sebagian besar alasan mengapa kita mendapatkan hasil yang buruk saat menggunakan algoritma pemetaan linier. Karena profitabilitas kita kurang terkait dengan prediksi kita. Memprediksi bahwa hari-hari bullishbearish adalah penggunaan terbatas jika Anda tidak tahu berapa harga akan bergerak. Mungkin prediksi Anda benar hanya pada hari-hari yang memberi Anda 10 pips dan Anda mendapatkan semua hari yang memiliki directional 100 pip benar-benar salah. Apa yang akan Anda pertimbangkan sebagai target yang lebih baik untuk metode pembelajaran mesin Katakanlah jika Anda memiliki 100 pip TP dan SL, saya ingin memprediksi mana yang lebih dulu: TP atau SL Contoh: TP datang pertama 1 SL datang pertama 0 (atau -1, Namun Anda memetakannya)