Apprentissage automatique Si quelqu'un est intéressé à développer des stratégies basées sur l'apprentissage par machine, consultez deep-thought. co. Support des machines vectorielles. Gradient Boosted Trees. Forêts aléatoires. Arbres très aléatoires. Perceptron multi-couche, alias réseau neuronal. Ensembles: Combinez les prévisions de n'importe quel nombre de prédicteurs. Un recyclage constant, toujours adapté au marché. S'il vous plaît noter, il s'agit d'un outil pour développer vos propres stratégies et systèmes, et non pas une stratégie de négociation pré-conserve. Aussi inclus sont deux MT4 EA, avec la source, pour échanger les signaux ou de combiner avec tout autre système que vous mai have. Machine Apprendre avec algoTraderJo Inscrit décembre 2014 Statut: Membre 383 Posts Bonjour commerçants collègues, Je commence ce fil en espérant partager avec vous Certains de mes développements dans le domaine de l'apprentissage automatique. Bien que je ne partage pas avec vous les systèmes exacts ou les implémentations de codage (ne vous attendez pas à obtenir quoi que ce soit pour quotplug-and-playquot et s'enrichir de ce thread) je vais partager avec vous les idées, les résultats de mon expérience et éventuellement d'autres aspects de mon travail. Je commence ce fil dans l'espoir que nous serons en mesure de partager des idées et de s'aider mutuellement à améliorer nos implémentations. Je vais commencer par quelques stratégies simples d'apprentissage de la machine et je vais ensuite entrer dans des choses plus complexes avec le temps. J'espère que vous apprécierez la promenade Inscrit décembre 2014 Statut: Membre 383 Messages Je voudrais commencer par dire quelques choses de base. Je suis désolé si la structure de mes messages laisse beaucoup à désirer, je n'ai pas de forum d'affichage expérience, mais j'espère en obtenir avec le temps. Dans l'apprentissage machine ce que nous voulons faire est tout simplement de générer une prédiction qui est utile pour notre négociation. Pour faire cette prédiction, nous générons un modèle statistique à l'aide d'un ensemble d'exemples (sorties connues et certaines entrées dont nous disposons de pouvoir prédictif pour prédire ces sorties), nous faisons ensuite une prédiction d'une sortie inconnue (nos données récentes) en utilisant le modèle que nous avons créé avec Les exemples. Pour résumer il s'agit d'un processus quotsimplequot où nous faisons ce qui suit: Sélectionnez ce que nous voulons prédire (ce sera notre cible) Sélectionnez certaines variables d'entrée que nous pensons pouvoir prédire nos cibles Construire un ensemble d'exemples à l'aide de données passées Avec nos intrants et nos cibles Créer un modèle en utilisant ces exemples. Un modèle est tout simplement un mécanisme mathématique qui relie les cibles d'intrants Faire une prédiction de la cible en utilisant les dernières entrées connues Commerce en utilisant cette information Je tiens à dire dès le début qu'il est très important d'éviter de faire ce que de nombreux documents universitaires sur l'apprentissage machine , Qui est de tenter de construire un modèle avec de très grandes matrices d'exemples et ensuite tenter de faire une prédiction à long terme sur un quotout d'échantillons set. Construire un modèle avec 10 ans de données et le tester ensuite sur les deux derniers est non-sens, sujet à de nombreux types de biais statistiques nous discuterons plus tard. En général, vous verrez que les modèles d'apprentissage automatique que j'ai construits sont formés sur chaque barre (ou chaque fois que j'ai besoin de prendre une décision) en utilisant une fenêtre mobile de données pour la construction d'exemples (seuls les exemples récents sont considérés comme pertinents). Bien sûr, cette approche n'est pas étrangère à certains types de biais statistique, mais nous éliminer le quotelephant dans la salle lors de l'utilisation de l'approche large dans l'échantillon hors-échantillon de la plupart des documents universitaires (qui, sans surprise, conduit souvent à des approches qui ne sont pas Utile au commerce). Il y a principalement trois choses à vous intéresser lors de la construction d'un modèle d'apprentissage machine: Que prédire (quelle cible) À quoi prédire avec (quelles entrées) Comment relier la cible et les entrées (quel modèle) La plupart de ce que je vais mentionner Sur ce fil se concentrera sur la réponse à ces questions, avec des exemples réels. Si vous voulez écrire toutes les questions que vous pourriez avoir et je vais essayer de vous donner une réponse ou tout simplement vous faire savoir si je vais répondre à cela plus tard. Inscrit décembre 2014 Statut: Member 383 Posts Commençons maintenant. Un véritable exemple pratique utilisant l'apprentissage automatique. Supposons que nous voulons construire un modèle très simple en utilisant un ensemble très simple de cibles d'entrées. Pour cette expérience, voici les réponses aux questions: Quelle prédiction (quelle cible) - gt La direction du jour suivant (haussier ou baissier) À quoi prédire avec (quelles entrées) - gt La direction des deux jours précédents Comment Pour relier la cible et les entrées (quel modèle) - gt Un classificateur de carte linéaire Ce modèle tentera de prédire la directionnalité de la barre quotidienne suivante. Pour construire notre modèle, nous prenons les 200 derniers exemples (une direction de jours comme cible et les deux directions précédentes de jour comme entrées) et nous entraînons un classificateur linéaire. Nous le faisons au début de chaque bar quotidien. Si nous avons un exemple où deux jours haussiers mènent à une journée baissière les entrées seraient 1,1 et la cible serait 0 (0bearish, 1bullish), nous utilisons 200 de ces exemples pour former le modèle sur chaque barre. Nous espérons être en mesure de construire une relation où la direction de deux jours donne une certaine probabilité au-dessus-aléatoire pour prédire correctement la direction des jours. Nous utilisons un stoploss égal à 50 de la période moyenne de 20 jours True Range sur chaque métier. Une simulation de cette technique de 1988 à 2014 sur l'EUR USD (les données avant 1999 est en USD DEM) ci-dessus montre que le modèle n'a pas de génération de profit stable. En fait, ce modèle suit une marche aléatoire négativement biaisée, ce qui lui fait perdre de l'argent en fonction de la propagation (3 pips dans ma sim). Regardons la performance apparemment quotimpressive que nous avons en 1993-1995 et en 2003-2005, où apparemment nous pourrions prédire avec succès la directionnalité des prochains jours en utilisant un modèle linéaire simple et les résultats directionnels des deux derniers jours. Cet exemple vous montre plusieurs choses importantes. Par exemple, que dans de courts délais (ce qui pourrait être un couple d'années), vous pouvez facilement être trompé par le hasard --- vous pouvez penser que vous avez quelque chose qui fonctionne qui ne fonctionne pas vraiment. Rappelez-vous que le modèle est reconstruit sur toutes les barres, en utilisant les 200 derniers exemples cibles d'entrée. Quelles autres choses pensez-vous que vous pouvez apprendre de cet exemple Postez vos pensées Eh bien. Alors vous avez prédit que les acheteurs ou les vendeurs pourraient intervenir po Hmm, mais ce que cela a à voir avec le prix allant vers le haut ou vers le bas 100 pips Prix peut réagir de diverses façons - il pourrait juste réservoir pendant un certain temps (alors que tous les ordres à limite sont remplis) Et puis continuer à aller plus loin. Il peut également retracer 5, 10, 50 ou même 99 pips. Dans tous ces cas vous étiez un peu à droite au sujet des acheteurs ou des vendeurs intervenant, mais vous devez comprendre que cette analyse doesnt ont beaucoup à faire avec votre commerce allant de 90pip à 100pip. Oui, vous avez raison C'est une grande partie de la raison pour laquelle nous obtenons de mauvais résultats lors de l'utilisation de l'algorithme de cartographie linéaire. Parce que notre rentabilité est mal reliée à notre prédiction. Prévoir que les jours sont haussiers baissiers est d'une utilisation limitée si vous ne savez pas combien le prix va se déplacer. Peut-être que vos prédictions sont correctes seulement les jours qui vous donnent 10 pips et vous obtenez tous les jours qui ont 100 direction de pip complètement faux. Qu'est-ce que vous considérez comme une meilleure cible pour une méthode d'apprentissage automatique Oui, vous avez raison Cela est une grande partie de la raison pour laquelle nous obtenons de mauvais résultats lors de l'utilisation de l'algorithme de cartographie linéaire. Parce que notre rentabilité est mal reliée à notre prédiction. Prévoir que les jours sont haussiers baissiers est d'une utilisation limitée si vous ne savez pas combien le prix va se déplacer. Peut-être que vos prédictions sont correctes seulement les jours qui vous donnent 10 pips et vous obtenez tous les jours qui ont 100 direction de pip complètement faux. Quelle serait la meilleure cible pour une machine apprenant méthode Laisse dire si vous avez 100 pip TP et SL, je voudrais prédire qui vient en premier: TP ou SL Exemple: TP venu en premier 1 SL est venu en premier 0 (ou -1, Mais vous la cartographiez)
No comments:
Post a Comment