تعلم الآلة التنبؤ الفوركس

أنا لست متأكدا تماما، إذا كان هذا السؤال يناسب هنا. لقد بدأت مؤخرا، القراءة والتعلم عن التعلم الآلي. هل يمكن لشخص ما أن يلقي بعض الضوء على كيفية الذهاب إليه أو بالأحرى يمكن لأي شخص أن يشارك تجربته وبعض المؤشرات الأساسية حول كيفية الذهاب إليه أو على الأقل بدء تطبيقه لرؤية بعض النتائج من مجموعات البيانات كيف طموحة هل هذا الصوت أيضا، لا أذكر عن الخوارزميات القياسية التي ينبغي أن يحاكم أو ينظر في حين القيام بذلك. طلب فب 1 11 في 18:35 يبدو أن هناك مغالطة أساسية أن شخصا ما يمكن أن تأتي جنبا إلى جنب ومعرفة بعض التعلم الآلي أو خوارزميات منظمة العفو الدولية، ووضعها كمربع أسود، ضرب الذهاب، والجلوس في حين أنهم يتقاعدون. نصيحتي لك: تعلم الإحصاءات وآلة التعلم أولا، ثم تقلق بشأن كيفية تطبيقها على مشكلة معينة. لا يوجد غداء مجاني هنا. تحليل البيانات هو العمل الشاق. قراءة عناصر التعلم الإحصائي (بدف متاح مجانا على الموقع)، ولا تبدأ في محاولة لبناء نموذج حتى تفهم على الأقل الفصول 8 الأولى. بمجرد فهم الإحصاءات والتعلم الآلي، ثم تحتاج إلى معرفة كيفية باكتست وبناء نموذج التداول، وهو ما يمثل تكاليف المعاملات، وما هي منطقة أخرى بأكملها. بعد أن يكون لديك مقبض على كل من التحليل والتمويل، ثم سيكون من الواضح إلى حد ما كيفية تطبيقه. وتحاول النقطة الكاملة لهذه الخوارزميات إيجاد طريقة لتلائم النموذج مع البيانات وتنتج تحيزا منخفضا وتفاوتا في التنبؤ (أي أن خطأ التنبؤ بالتدريب والاختبار سيكون منخفضا ومتشابها). هنا مثال على نظام التداول باستخدام آلة ناقلات الدعم في R. ولكن فقط نأخذ في الاعتبار أنك سوف تفعل نفسك ضرر كبير إذا كنت لا تنفق الوقت لفهم الأساسيات قبل محاولة تطبيق شيء مقصور على فئة معينة. فقط لإضافة تحديث مسلية: جئت مؤخرا عبر هذه أطروحة الماجستير: A إطار التداول خوارزمية رواية تطبيق التطور وآلة التعلم لتحسين محفظة (2012). في استعراض واسعة من مختلف أساليب التعلم الآلي مقارنة مقابل شراء وعقد. بعد ما يقرب من 200 صفحة، تصل إلى الاستنتاج الأساسي: لم يكن أي نظام التداول قادرا على تفوق المعيار عند استخدام تكاليف المعاملات. وغني عن القول، هذا لا يعني أنه لا يمكن القيام به (أنا قضى قضاء أي وقت في مراجعة طرقهم لمعرفة صحة النهج)، لكنه بالتأكيد يوفر بعض الأدلة أكثر لصالح نظرية الغداء خالية من أي وقت مضى. أجاب فب 1 11 في 18:48 جيس كأحد الكتاب من أطروحة الماجستير المذكورة يمكنني أن أقتبس أعمالي ويقول: كوتيف أي شخص يحقق في الواقع نتائج مربحة ليس هناك حافز لمشاركتها، لأنها سوف تنفي ميزتهم. كوت وعلى الرغم من أن نتائجنا قد تدعم فرضية السوق فإنها لا تستبعد وجود أنظمة تعمل. قد يكون مثل نظرية الاحتمالات: وتكهن كوت أن اختراقات في مجال نظرية الاحتمالات قد حدث عدة مرات، ولكن لم تشارك. هذا يمكن أن يكون راجعا إلى التطبيق العملي في القمار. كوت ثم مرة أخرى، ربما هذا هو كل الخيمياء الحديثة. نداش Andr233 كريستوفر أندرسن أبر 30 13 في 10:01 نصيحتي لك: هناك العديد من فروع ماشين ليارنينغارتيفيسيال الذكاء (ملاي) هناك: ووو-form. stanford. edujmcwhatisainode2.html لقد حاولت فقط البرمجة الوراثية وبعض الشبكات العصبية، و أنا شخصيا أعتقد أن التعلم من فرع الخبرة يبدو أن يكون الأكثر احتمالا. غغا والشبكات العصبية ويبدو أن المنهجيات الأكثر شيوعا استكشافها لغرض التنبؤات سوق الأسهم، ولكن إذا كنت تفعل بعض استخراج البيانات على التنبؤ وول ستريت. قد تكون قادرا على القيام ببعض تحليل المشاعر أيضا. قضاء بعض الوقت في التعلم عن تقنيات ملاي المختلفة، والعثور على بعض بيانات السوق ومحاولة تنفيذ بعض تلك الخوارزميات. كل واحد سيكون له نقاط القوة والضعف، ولكن قد تكون قادرة على الجمع بين التنبؤات من كل خوارزمية إلى التنبؤ مركب (على غرار ما الفائزين في جائزة نيتفليكس فعلت). بعض الموارد: وهنا بعض الموارد التي قد ترغب في النظر في: الدردشة: التوافق العام بين التجار هو أن الذكاء الاصطناعي هو علم الفودو، لا يمكنك جعل الكمبيوتر التنبؤ أسعار الأسهم وكنت متأكدا من أن تفقد أموالك إذا حاولت فعل ذلك. ومع ذلك، فإن نفس الناس اقول لكم ان فقط عن الطريقة الوحيدة لكسب المال في سوق الأوراق المالية هو بناء وتحسين استراتيجية التداول الخاصة بك ومتابعته عن كثب (وهي ليست في الواقع فكرة سيئة). فكرة خوارزميات منظمة العفو الدولية ليست لبناء رقاقة والسماح له التجارة بالنسبة لك، ولكن لأتمتة عملية خلق الاستراتيجيات. في عملية شاقة جدا وبأي حال من الأحوال هو أنه من السهل :). الحد من الإفراط في الحفظ: كما سمعنا من قبل، قضية أساسية مع خوارزميات منظمة العفو الدولية هو الإفراط في الكتابة (ويعرف أيضا باسم التحيز داتامينينغ): نظرا لمجموعة من البيانات، خوارزمية منظمة العفو الدولية قد تجد نمطا ذات الصلة بشكل خاص لمجموعة التدريب. ولكن قد لا تكون ذات صلة في مجموعة الاختبار. هناك عدة طرق لتقليل التحميل الزائد: استخدم مجموعة التحقق. فإنه لا يعطي التغذية المرتدة للخوارزمية، لكنه يسمح لك للكشف عندما خوارزمية الخاص بك يحتمل أن تبدأ في الإفراط في التجاوز (أي يمكنك التوقف عن التدريب إذا كنت أوفيرفيتينغ كثيرا). استخدام التعلم الآلي عبر الإنترنت. فإنه يلغي إلى حد كبير الحاجة إلى الاختبار الخلفي وهو ينطبق جدا للخوارزميات التي تحاول جعل توقعات السوق. فرقة التعلم. يوفر لك وسيلة لاتخاذ خوارزميات التعلم آلة متعددة والجمع بين توقعاتهم. الافتراض هو أن خوارزميات مختلفة قد يكون الإفراط في البيانات في بعض المناطق، ولكن مزيج الصحيح من التنبؤات لديهم القدرة التنبؤية أفضل. وهناك جانبان من جوانب التعلم الإحصائي مفيدان للتداول 1. أولهما ما سبق ذكره: ركزت بعض الأساليب الإحصائية على العمل على مجموعات البيانات الحية. وهذا يعني أنك تعرف أنك تلاحظ سوى عينة من البيانات وتريد استقراء. لديك لذلك للتعامل مع العينة والخروج من عينة القضايا، أوفيرفيتينغ وهلم جرا. من وجهة النظر هذه، تعد عملية استخراج البيانات أكثر تركيزا على مجموعات البيانات الميتة (أي يمكنك أن ترى كل البيانات تقريبا، لديك مشكلة في العينة فقط) من التعلم الإحصائي. لأن التعلم الإحصائي هو حول العمل على مجموعة البيانات الحية، كان على الرياضيات التطبيقية التي يتعامل معها التركيز على مقياسين مشكلة: اليسار X أمبامب فثيتا (شن، الحادي عشر) أمبامب L (بي (شن)، ن) نهاية الحق. حيث X هو (متعدد الاتجاهات) مساحة الدولة لدراسة (لديك في ذلك المتغيرات التفسيرية الخاصة بك وتلك للتنبؤ)، F يحتوي على ديناميات X التي تحتاج إلى بعض المعلمات ثيتا. و X العشوائية تأتي من الابتكار الحادي عشر، وهو i. i.d. والهدف من التعلم الإحصائي هو بناء منهجية ليث كمدخلات الملاحظة الجزئية بي من X وتعدل تدريجيا تقدير هاتيتا من ثيتا، حتى يتسنى لنا أن نعرف كل ما هو مطلوب على X. إذا كنت تفكر في استخدام التعلم الإحصائي للعثور على معلمات الانحدار الخطي. يمكننا أن نمضي في فضاء الدولة مثل هذا: يندربريس يكس نهاية اليمين) اليسار تبدأ أمبير ب أمبير 1 1 أمبير 0 أمبير 0 نهاية الحق كدوت وندربريس × 1 إبسيلون نهاية الحق) مما يسمح لمراقبة (y، x) n في أي n هنا ثيتا (أ، ب). ثم تحتاج إلى إيجاد وسيلة لبناء تدريجيا مقدر ثيتا باستخدام ملاحظاتنا. لماذا لا تدرج الانحدار على المسافة L2 بين y والانحدار: C (قبعة a، قبعة ب) ن مجموع (يك - (قبعة أ، هك قبعة ب)) 2 هنا غاما هو مخطط الترجيح. عادة طريقة لطيفة لبناء مقدر هو أن يكتب بشكل صحيح معايير لتقليل وتنفيذ الانحدار النسب التي سوف تنتج خطة التعلم L. العودة إلى المشكلة العامة الأصلية لدينا. ونحن بحاجة إلى بعض الرياضيات التطبيقية لمعرفة عندما الزوجين النظم الديناميكية في (X، هاتيتا) تلتقي، ونحن بحاجة إلى معرفة كيفية بناء مخططات تقدير L التي تلتقي نحو ثيتا الأصلي. لإعطائك مؤشرات على مثل هذه النتائج الرياضية: الآن يمكننا أن نعود إلى الجانب الثاني من التعلم الإحصائي الذي هو مثير جدا للاهتمام لتجار الكسترات: 2. النتائج المستخدمة لإثبات كفاءة أساليب التعلم الإحصائية يمكن استخدامها لإثبات كفاءة خوارزميات التداول. لمعرفة ما يكفي لقراءة مرة أخرى النظام الديناميكي إلى جانب الذي يسمح لكتابة التعلم الإحصائي: اليسار أمبامب M فرهو (من، الحادي عشر) أمبامب L (بي (من)، ن) نهاية الحق. الآن M هي متغيرات السوق، رو هو ينل الكامنة، L هو استراتيجية التداول. مجرد استبدال تقليل المعايير عن طريق تعظيم ينل. انظر على سبيل المثال الانقسام الأمثل للأوامر عبر مجموعات السيولة: نهج الخوارزمية العشوائية من قبل: جيل باغس، صوفي لارويل، تشارلز ألبرت ليهال. في هذه الورقة، وتظهر المؤلفين الذين لاستخدام هذا النهج على النحو الأمثل تقسيم النظام عبر مختلف حمامات الظلام في وقت واحد تعلم قدرة حمامات لتوفير السيولة واستخدام النتائج للتجارة. ويمكن استخدام أدوات التعلم الإحصائي لبناء استراتيجيات تجارية متكررة (ومعظمها تكرارية) وإثبات كفاءتها. الجواب القصير والوحشي هو: أنت لا. أولا، لأن مل والإحصاءات ليست شيئا يمكنك القيادة بشكل جيد في سنة أو سنتين. بلدي أفق الوقت الموصى بها لمعرفة أي شيء غير تافهة هو 10 عاما. مل لا وصفة لكسب المال، ولكن مجرد وسيلة أخرى لمراقبة الواقع. ثانيا، لأن أي إحصائي جيد يعرف أن فهم البيانات ونطاق المشكلة هو 80 من العمل. هذا هو السبب في أن لديك إحصائيين يركزون على تحليل البيانات الفيزياء، على علم الجينوم، على سابيرمتريكس الخ. للتسجيل، جيروم فريدمان، المؤلف المشارك ل إسل المذكورة أعلاه، هو الفيزيائي ولا يزال يحمل مجاملة في سلاك. لذلك، دراسة الإحصاءات والمالية لبضع سنوات. كن صبوراً. إمض في طريقك. قد تختلف المسافة المقطوعة. أجاب 9 فبراير 11 في 4:41 أنا أتفق تماما. فقط لأنك تعرف تعلم الآلة والإحصاءات، فإنه لا يعني أنك تعرف كيفية تطبيقه على التمويل. نداش الدكتور مايك أوج 10 11 في 20:25 أيضا شيء مهم أن نتذكر هو كنت won39t يكون التداول ضد الناس، وسوف يتم تداول ضد خوارزميات الذكاء الاصطناعي الأخرى الذين يراقبون الصفقات الخاصة بك كومة في، وتحسب بشراسة احتمالات أن يوس الجماعي سوف يكون سبوكيد من قبل تراجع المصنعة وأخذ تلك الخسارة الطفيفة في خلق سبكيديب وخداع كل تلك AI39s إلى وقف بها، ثم المتداول تراجع مرة أخرى في ذلك وركوب الموجة، وكسب الخسائر الخاصة بك. سوق الأسهم هي لعبة مجموع الصفر، وعلاج ذلك مثل دخول مباراة الملاكمة للمحترفين، إذا كنت aren39t المخضرم 20 عاما، you39re تخسر نداش اريك ليشينسكي فبراير 13 16 في 1:56 تطبيق أساسي واحد هو التنبؤ الضائقة المالية. الحصول على مجموعة من البيانات مع بعض الشركات التي تعثرت، والبعض الآخر الذي كان موجودا، مع مجموعة متنوعة من المعلومات المالية والنسب. استخدام طريقة التعلم الآلي مثل سفم لمعرفة ما إذا كان يمكنك التنبؤ الشركات التي الافتراضي وسوف لا. استخدام سفم في المستقبل قصيرة قصيرة الاحتمالات الشركات الافتراضية والشركات الطويلة الاحتمال منخفضة طويلة، مع عائدات المبيعات القصيرة. هناك قول مأثور قروش يصل أمام بكرة البخار. You39re تفعل ما يعادل بيع خارج من المال وضعت. في هذه الحالة، you39ll جعل الأرباح الصغيرة لسنوات، ثم الحصول على تنظيفها تماما عندما يذوب السوق أسفل كل 10 سنوات أو نحو ذلك. هناك أيضا استراتيجية مماثلة تشتري من خارج المال يضع: أنها تفقد المال لسنوات، ثم جعل القتل عندما يذوب السوق إلى أسفل. انظر Talab39s البجعة السوداء. نداش كونتانغو يونيو 5 11 في 22:20 تذكر أن الشركات الدولية أنفقت مئات المليارات من الدولارات وساعات الرجل على أفضل جدا وألمع عقول الذكاء الاصطناعي على مدى السنوات ال 40 الماضية. I39ve تحدث إلى بعض أبراج العقل المسؤولة عن الفأس في القلعة و غولدمان ساكس، و الغطرسة من المبتدئين للتفكير أنها يمكن أن تضع معا خوارزمية التي سوف تذهب أخمص القدمين إلى أخمص القدمين معهم، والفوز، يكاد يكون سخيفا كما طفل يقول لك he39s الذهاب للقفز الى القمر. حظا سعيدا، واحترس من المريخ الفضاء. لا أقول بطل جديد يمكن جعل 39t، ولكن الاحتمالات هي ضدك. نداش اريك ليشينسكي فبراير 13 16 في 2:00 إمكانية واحدة تستحق استكشاف هو استخدام أداة دعم ناقلات الدعم أداة على منصة ميتاتريدر 5. أولا، إذا لم تكن مألوفة مع ذلك، ميتاتريدر 5 هو منصة وضعت للمستخدمين لتنفيذ التداول حسابي في أسواق الفوركس والعقود مقابل الفروقات (إم غير متأكد ما إذا كان يمكن تمديد منصة للأسهم وغيرها من الأسواق). وهي تستخدم عادة للاستراتيجيات القائمة على التحليل الفني (أي استخدام المؤشرات استنادا إلى البيانات التاريخية) ويستخدمها الأشخاص الذين يبحثون عن أتمتة تداولهم. وقد تم تطوير أداة دعم آلة ناقلات الدعم من قبل واحدة من المجتمع من المستخدمين للسماح آلات ناقلات الدعم ليتم تطبيقها على المؤشرات الفنية وتقديم المشورة بشأن الصفقات. نسخة تجريبية مجانية من الأداة يمكن تحميلها هنا إذا كنت ترغب في مزيد من التحقيق. كما أفهم، تستخدم الأداة بيانات الأسعار التاريخية لتقييم ما إذا كانت الصفقات الافتراضية في الماضي كانت ناجحة. ثم يأخذ هذه البيانات جنبا إلى جنب مع القيم التاريخية من عدد من المؤشرات للتخصيص (ماسد، ومؤشرات التذبذب الخ)، ويستخدم هذا لتدريب آلة ناقلات الدعم. ثم يستخدم آلة ناقلات الدعم المدربة للإشارة إلى صفقات بويسل المستقبلية. ويمكن العثور على أفضل ديسسيبتيون في الرابط. لقد لعبت حولها معها قليلا مع بعض النتائج مثيرة جدا للاهتمام، ولكن كما هو الحال مع جميع استراتيجيات التداول حسابي أوصي اختبار باكفوروارد الصلبة قبل أن تأخذ إلى السوق الحية. أجاب ديك 10 12 في 11:59 عذرا، ولكن على الرغم من أن تستخدم كمثال شعبي في تعلم الآلة، لا أحد قد حققت أي وقت مضى التنبؤ سوق الأسهم. لا يعمل لعدة أسباب (التحقق من المشي العشوائي من قبل فاما وقليلا جدا من الآخرين، واتخاذ القرارات العقلانية المغالطة، والافتراضات الخاطئة.)، ولكن الأكثر إلحاحا هو أنه إذا كان من شأنه أن يعمل، شخص ما سوف تكون قادرة على أن تصبح غنية بجنون في غضون أشهر، في الأساس امتلاك جميع أنحاء العالم. وبما أن هذا لا يحدث (ويمكنك التأكد من أن جميع البنك قد حاولت ذلك)، لدينا أدلة جيدة، وأنها لا تعمل فقط. إلى جانب ذلك: كيف تعتقد أنك سوف تحقق ما فشلت عشرات الآلاف من المهنيين، وذلك باستخدام نفس الأساليب لديهم، بالإضافة إلى الموارد المحدودة والإصدارات الأساسية فقط من أساليبهم أجاب 4 يونيو 15 في 7:47 مجرد جانبا فيما يتعلق بك الحد الأقصى للسبب: استراتيجيات لها حدود القدرات، أي المستويات التي تتجاوز تأثير السوق الخاص بك تتجاوز ألفا المتاحة، حتى على افتراض كان لديك رأس المال غير محدود. I39m غير متأكد ما تقصده من قبل كوستوك سوق التنبؤات (مؤشر العقود الآجلة ETF39s)، ولكن بالتأكيد هناك الكثير من الناس جعل التنبؤات على المدى القصير، والاستفادة منها، كل يوم في الأسواق. نداش أفيكز نوف 23 15 في 13:19 أنا صدى الكثير من ما كتب شين. بالإضافة إلى قراءة إسل، أود أن أقترح دراسة أكثر أهمية من الإحصاءات أولا. وعلاوة على ذلك، فإن المشاكل التي أشرت إليها في مسألة أخرى بشأن هذا التبادل هي ذات أهمية كبيرة. على وجه الخصوص، ومشكلة تحليل التحيز هو حاجز خطير على أي استراتيجية التعلم القائم على التعلم الآلي. Machine التعلم مع ألغوتراديرجو انضم ديسمبر 2014 الحالة: عضو 383 المشاركات مرحبا زميل التجار، وأنا بدأت هذا الموضوع يأمل أن أشاطركم بعض التطورات بلدي 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. أنا بدأت هذا الموضوع على أمل أننا سوف تكون قادرة على تبادل الأفكار ومساعدة بعضنا البعض 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 الناتج 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 (والتي، 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 مخططة، 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 أيام المقبلة 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، ومع ذلك قمت بتعيين ذلك) تعلم آلة 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، وإعادة التدريب دائما 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، وأنظمة التداول، والتنمية، ونهج سليم ونزيه وشفاف نحو التداول الآلي.