آلة التعلم في أزواج تداول استراتيجيات

تعلم الآلات 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 والاعتماد على 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 ونظم التداول والتنمية ونهج سليم ونزيه وشفاف نحو التداول الآلي. خطوة كبيرة في التعلم الآلي: نتائج تاريخية مربحة عبر أزواج الفوركس متعددة في الماضي كنت قادرا على استخدام آلة التعلم إلى إنشاء أنظمة تجارية مربحة بنجاح، وهذا يشمل بلدي تطبيقات الشبكة العصبية (التي ولدت استراتيجيات سونكو، تابوي وباقارين، في وقت لاحق بناء أسيريكويبراين) وكذلك محاولاتي في التصنيف الخطي وأنواع أخرى من الخوارزميات. ومع ذلك، واحدة من الأشياء أن كل هذه التطورات المشتركة هي أنها قد تداولت على البيانات اليومية يوروس وفشلت في توليد نتائج لائقة عبر أزواج أخرى أندور الأطر الزمنية. وهذا يعني أنه على الرغم من أنني قد تناولت هذا بيرتيمفريم معينة بنجاح (تم تداول العديد من هذه الأنظمة الحية مع نتائج مربحة) ما زلت hadn8217t كانت قادرة على تطوير أي شيء لأدوات أخرى. في اليوم 8217s آخر سوف أتحدث عن واحد من أحدث التطورات بلدي (في جزء كبير بسبب عضو أسيريكوي وسوف أذكر لاحقا) الذي سمح لي لتحقيق الربحية نتائج التعلم آلة عبر أزواج أخرى إلى جانب اليورو مقابل الدولار الأميركي. لاحظ أن جميع نتائج الاختبار الخلفي أظهرت غير مركب (بحيث يمكن الحكم عليها بسهولة عن طريق الخطية). حقيقة أن تقنيات التعلم الآلي يبدو أن يكون ذلك 8220easy8221 لتطوير على اليورو مقابل الدولار الأميركي يوميا، ولكن من الصعب جدا لتطوير على أزواج أخرى على نفس الإطار الزمني دائما التنصت لي. لماذا هو يوروس يوميا حتى خاصة، أن البيانات السابقة يبدو أن التنبؤ بسهولة نتائج شريط اليومية في المستقبل بينما في أزواج أخرى هذا ببساطة لا يعمل الجواب ويبدو أن هذا بالضبط نفس وجهة نظر 8212 ما أحاول التنبؤ به. فابيو 8211 عضو في مجتمعنا 8211 أشار لي أنه سيكون من المثير للاهتمام محاولة تصنيف ما إذا كانت نتيجة تجارية معينة ستكون ناجحة، بدلا من محاولة تصنيف ببساطة ما إذا كان شريط المقبل سيكون 8220bullish أو هابط 8221. إن توقع ما إذا كان دخول تجاري معين سيكون ناجحا هو طريق مثير للاهتمام، لأنك تحاول 8217 محاولة التنبؤ بما إذا كانت تجارتك الفعلية ضمن حدود خروج ستصل إلى الربح أو الخسارة، بدلا من ما إذا كانت الاتجاه العام سيكون لصالحك أو ضدك. عند تنفيذ الفكرة المذكورة أعلاه في F4، رأيت أن ليس كل التوقعات نتائج التجارة كانت ناجحة على حد سواء، في حين توقع حواف كبيرة لم 8217t العمل على الإطلاق (على سبيل المثال محاولة التنبؤ حيث خطر 1: 2 لمكافأة التجارة سيكون ناجحا)، وتوقع أصغر عملت حواف أفضل بكثير. خوارزميات مختلفة أيضا أعطت نتائج مختلفة بشكل ملحوظ، في حين كانت المصنفات الخطية تعتمد اعتمادا كبيرا على بيانات الأعلاف (تغيرت بشكل ملحوظ بين مجموعتي بيانات فكس)، أعطتني آلات دعم المتجهات (سفم) أفضل النتائج الإجمالية مع تقليل الاعتماد على العلف وتحسين الربح إلى السحب مميزات. أعطت تقنيات بسيطة كتلن كيل يعني أيضا نتائج مثيرة للاهتمام، على الرغم من أن تم تخفيض الربحية مقارنة مع سفم. كما هو الحال في كل ما عندي من تطبيقات التعلم الآلي، ويتم التدريب على كل شريط يومي جديد باستخدام الحانات X الماضية، وبالتالي فإن تقنية التعلم آلة يعيد باستمرار من خلال كامل فترة الاختبار الخلفي. 8211 8211 ومن المثير للاهتمام أن هذه التقنية تحقق نتائج مربحة (25 سنة الاختبارات الخلفية) في جميع التخصصات 4 الفوركس (نفس الإعدادات)، مع نتائج جيدة بشكل خاص على اليورو مقابل الدولار الأميركي والجنيه الإسترليني مقابل الدولار ونتائج أسوأ ولكن لا تزال مربحة على أوسشف و أوسجبي. ويبدو أن القدرة على التنبؤ بالنتائج قد فقدت بشكل كبير على أوسجبي، حيث هناك فترة طويلة بشكل كبير (حوالي 10 سنوات) حيث استراتيجية غير قادرة على تحقيق أي مستوى كبير من النجاح. وأود أيضا أن أشير إلى أن اختبار التعلم الآلي الحالي يستخدم مجرد مثيل التعلم آلة واحدة وأنا حاولت haven8217t لزيادة الربحية من قبل لجان بناء أو غيرها من 8220tricks8221 التي قد تساعد على تحسين وسلاسة النتائج عند استخدام تقنيات التعلم الآلي. في هذه الحالة محاولة تنبؤات مجموعة تجارية مختلفة داخل لجنة أو حتى وضع سفم فقط وتقنيات كيلتنر للعمل معا قد يؤدي إلى تحسن كبير في النتائج. بالنسبة لي حقيقة أن هذه التقنية لديها أخيرا 8220 كسر الحاجز متعدد الزوج 8221 كان كبيرا جدا لأنه يكشف شيئا أساسيا حول استخدام آلة التعلم الذي، حتى الآن، ويبدو لي أن غاب. هذا يعزز أيضا حقيقة أن اختيارات الانتاج حاسمة للغاية عند وضع استراتيجيات التعلم الآلي كمحاولة للتنبؤ مخرجات خاطئة يمكن أن يؤدي بسهولة إلى تقنيات غير مربحة (كما حدث لي عند محاولة إنشاء استراتيجيات مل على رموز أخرى). اختيار النواتج التي هي ذات مغزى للتداول ولكن لا يزال يمكن التنبؤ بها ضمن دقة جيدة، يؤدي إلى تطوير استراتيجيات التعلم الآلي أكثر نجاحا. وفي هذه الحالة على وجه الخصوص، كان لتغيير التركيز على التنبؤ الذي له آثار مباشرة في الربحية التجارية تأثير جيد. 8211 8211 على الرغم من أن النتائج حتى الآن لا شيء كميا إلى 8220party حوالي 8221، حقيقة أن هناك الآن الطريق مفتوحة نحو تطوير استراتيجيات مرب مربحة التي قد تعمل في جميع المجالات (وليس فقط على زوج واحد) يعطيني الثقة في حقيقة أن أنا المشي على الطريق الصحيح (بفضل فابيو لاقتراحاته). بعد الوصول إلى هذا المعلم الرئيسي هدفي الآن هو لتلميع ودراسة هذه التطبيقات التعلم آلة للعثور على أفضل التنبؤات وتحسين النتائج على أزواج غير اليورو مقابل الدولار الأميركي، وهدفي النهائي سيكون أن يكون استراتيجية التعلم الآلي التي يمكن أن تقدم نتائج تاريخية عالية الخطية ( على حد سواء أسيريكويبراين) عبر ما لا يقل عن 4 التخصصات (نأمل حتى أكثر أزواج) حتى أتمكن من الحصول على مصدر للتنويع التي يتم تكييفها باستمرار مع ظروف السوق الجديدة. إذا كنت ترغب في معرفة المزيد عن استراتيجيات التعلم الآلي وكيف يمكنك أيضا بسهولة بناء المصنفات الخطية والغابات العشوائية، كيلتنر يعني تجميع والشبكة العصبية واستراتيجيات سفم في F4 يرجى النظر في الانضمام إلى أسيريكوي، موقع مليئة أشرطة الفيديو التعليمية، وأنظمة التداول، وتطوير نهج سليم وصادق وشفاف تجاه التداول الآلي بشكل عام. آمل أن يحظى هذا المقال بإعجابكم. س) التعلم الآلي والتداول الآلي ذي شورت بيج (I ليك إيت) البحث عن استراتيجيات التداول مع باكتستس مربحة - أوبديت لقد أجري بعض المحادثات المثيرة جدا للاهتمام منذ أن عرضت إطار التداول اليومي غير العام في مقابل المعلومات عن الاستراتيجيات المربحة، وهو لماذا أريد أن تمديد هذه الدعوة محدودة زمنيا في البداية إلى أجل غير مسمى. لاحظ أنني لا أبحث عن أفكار استراتيجية. لدي الكثير من تلك نفسي. التحدي لا يكمن في التوصل إلى فكرة ولكن في اختيار الحق واحد واختباره حتى النهاية، عندما كنت إما تعرف أنه يعمل أو أنه لا. العامل الحاسم هنا هو الوقت. لذلك ما أنا أساسا التداول هو الوقت الذي استثمرت في تطوير إطار التداول الصخري المتداول الصخور ضد الوقت الذي كنت قد استثمرت في تطوير ستراتيغي تجارة مربحة. ويمكن أن يكون الأسهم، إتف، في المستقبل أو استراتيجية الخيار. وستبقى جميع المناقشات والمعلومات المتبادلة سرية. أنا بالطبع مفتوحة لمناقشة محض الأفكار، ولكن من فضلك لا تتوقع مني لاختبار لهم بالنسبة لك ولا يشكو إذا أنا تنفيذها دون طلب موافقتك. دعوة لتقديم مقترحات تسعى استراتيجيات التداول مع باكتستس مربحة حتى 15 يونيو. وأنا أقبل مقترحات لاستراتيجيات تجارية واعدة على الأسهم والعملات ومؤشرات الأمازون ستوكبوند. يجب أن تكون هذه الاستراتيجية مربحة في اختبار الخلفية وأن تكون نسبة شارب السنوية 1.0 على الأقل. في 1 يوليو، سيتم اختيار اثنين من أكثر الاستراتيجيات الواعدة ويمكن للمؤلفين اختيار واحد من الخيارات التالية: 1) الحصول على نسخة كاملة وحرة من إطار التداول المعزز وغير العام على أساس R التي قمت بتطويرها واستخدامها منذ عام 2012 وأن المؤلفين يمكن استخدامها للتداول المباشر استراتيجياتها مع وسطاء التفاعلية. (النسخة العامة مبسطة يمكن تحميلها هنا) 2) الدخول في اتفاق التعاون الذي سوف تلتزم بتنفيذ استراتيجيتها في R والتجارة ورقة ذلك لمدة أقصاها ثلاثة أشهر. وسيتم تقاسم جميع الصفقات الفردية مع المؤلفين عندما أوكور. وبالإضافة إلى ذلك، سيتم تسليم رمز R التي هي محددة للاستراتيجية (وليس رمز إطار التداول) إلى مؤلفي الاستراتيجية. ما يجب تقديمه: وصف مكتوب للاستراتيجية بالإضافة إلى قائمة من الصفقات بالإضافة إلى أوقات العودة من باكتست أو قابل للتنفيذ رمز روكتافيبيثون الذي يحسب مباشرة باكتست أوقات العودة، جنبا إلى جنب مع مجموعة كاملة من الأسعار المستخدمة في باكتست. إرسال إلى بريدي الإلكتروني المتاحة في قسم الاتصال تحديث إطار التداول التداول اليومي النقي وأخيرا وجدت الوقت للقيام بذلك. بالغ التأخير. الإطار الآن يعمل مع أحدث (يونكس) الإصدارات من يب توزغو (الإصدار 9493 وأعلى). وهذا يتطلب في حد ذاته إعادة كتابة جزئية لعدة وظائف من حزمة إبروكرز R العظيمة ولكن الآن قليلا التي كتبها جيف رايان. أيضا تم تحديث التكوين الافتراضي لتداول اليورو مقابل الدولار الأميركي بحيث هو الآن قطعة من الكعكة لتشغيل استراتيجية سبيل المثال دمية. مجرد استنساخ الريبو جيت إلى الجهاز المحلي الخاص بك. جيثبسنزيكسينتراداي-بارتاب واتبع ريدمي. شيء عن الأجهزة أنا لا تزال من محبي امتلاك المعادن الخاصة بي. من المؤكد أن تفعل أشياء مع صور آلة شكلي في سحابة تحظى بشعبية لأنك لم يكن لديك للذهاب من خلال مشاحنات إدارة الأجهزة الخاصة بك، ولكن، ليس هذا المتاعب حقا مجرد مشكلة للمنظمات الكبيرة حيث موندستثوساندس من المستخدمين يجب أن تبقى سعيدة في التكلفة الدنيا. لذا فإن السحابة ليس فقط حلا لمشكلة الناس الذين لديهم لإدارة الحجم، ولكن في نفس الوقت تحاول بيع على هذا الحل إلى جو الفردية هناك الذي يتيح مواجهة ذلك، لا تحتاج حقا. على أي حال، كما قلت، أنا من محبي امتلاك معدن بلدي. غير مكلفة الأجهزة الجاهزة يمكن أن تحصل على طريق طويل إذا كنت تأخذ من الوقت لتكوينه بشكل صحيح. و 16-64 جيجابايت رام سطح المكتب مع واحد أو حتى اثنين من وحدات معالجة الرسومات سوف تفعل الكثير من أي شيء تحتاجه. يبدو أن استراتيجيات باكتستينغ يستخدم طريقة المزيد من الموارد الحوسبة من التداول الفعلي الفعلي، وهذا هو السبب في هذه الأيام يمكنك إعداد وتشغيل استراتيجية لحظية من أي كمبيوتر محمول لائق مع الثقة، في حين أن باكتستينغ والبحث كنت حقا تريد الوحش رام وحدة المعالجة المركزية غبو أعلاه أو مجموعة صغيرة من الحوسبة الفائقة الصغيرة الخاصة بك، كما وصفت مؤخرا هنا. بيور R التداول اليومي فرامورك تحميل كامل المتاحة لقد جعلت إنتراداي-PartA. tar. gz و إنتراداي-PartB. tgz المتاحة للتحميل. censixdownloads. html إيجاد العلاقات بين الأصول التي يمكن استخدامها في المراجحة الإحصائية بدلا من التركيز على التنبؤ اتجاه الأسعار وتقلب الأسعار مع النماذج غير الخطية المشتقة مع أساليب التعلم الآلي، فإن البديل هو محاولة اكتشاف علاقات الأسعار القابلة للاستغلال بين الأصول من نفس الفئة والرد (التجارة) عندما يحدث سوء التسعير، وبعبارة أخرى، لا المراجحة الإحصائية. بمعنى ما هو أسهل نوعا ما من محاولة التنبؤ بالأسعار، لأن الشيء الوحيد الذي يتعين على المرء فعله هو إيجاد علاقة مستقرة نسبيا أو خطية أو غير خطية بين مجموعة من أصلين على الأقل، ويفترض أنه منذ وقت كشفها، أن هذه العلاقة سوف تستمر لبعض الوقت في المستقبل. التداول تحت هذا الافتراض هو ثم عملية رد الفعل إلى حد كبير جدا التي تسببها تحركات الأسعار التي تختلف اختلافا كبيرا من العلاقة نموذجية. الزوج التقليدي تجارة وتداول الأصول في نموذج فيسم (نموذج تصحيح الخطأ المتجه) أمثلة جيدة ل ستاتارب باستخدام نماذج خطية. لذلك لماذا لا تستخدم شبكة عصبية بسيطة من طبقة واحدة أو حتى الإدارة القائمة على النتائج لاكتشاف علاقة سعرية غير خطية بين اثنين من الأصول غير المركزة، وإذا نجحت عملية الاكتشاف هذه، قم بتداولها بطريقة مماثلة للزوج الكلاسيكي. الأمور تصبح أكثر إثارة للاهتمام عندما يتم النظر في مجموعات مع أكثر من اثنين فقط من الأصول. وهذا سيكون عندئذ المكافئ غير الخطي لنظام فيسم. اختيار ميزة اتساع مقابل العمق دعونا نقول لدينا هدف أحادي التواقيع التوقع التي يمكن أن تكون إما من نوع الانحدار أو التصنيف، وعلينا أن نقرر ما هي ميزات الإدخال لتحديد. أكثر تحديدا، لدينا الكون كبير من المرات التي يمكننا استخدامها كمدخلات ونود أن نعرف كم يجب علينا اختيار (اتساع) وأيضا إلى أي مدى يعود في الوقت المناسب نريد أن نبحث عن كل واحد (عمق). هناك مساحة ثنائية الأبعاد من الخيارات، محددة من قبل الحالات الأربع المتطرفة التالية، تحت افتراض أن لدينا مجموعة N N ويمكننا، على الأكثر، ننظر إلى الوراء K الخطوات الزمنية: (1) اختيار سلسلة واحدة فقط والاسترجاع (2) اختيار سلسلة واحدة فقط و ريسبتيون K تيمستيبس، (3) اختيار N سلسلة و ريسباك واحد تيمستيب، (4) اختيار N سلسلة و ريسباك K تيمستيبس. ومن المحتمل ألا يكون الخيار الأمثل أي من هذين الخيارين، حيث أن (1) و (2) قد لا يحتويان على معلومات كافية تنبئ بها (3) ولا سيما (4) إما أن تكون غير مجدية بسبب كونترتراينتس الحوسبة أو تحتوي على ضوضاء عشوائية أكثر من اللازم. الطريقة المقترحة من الاقتراب من هذا هو البدء صغيرة في (1)، انظر ما الأداء الذي تحصل عليه، ومن ثم زيادة حجم مساحة الإدخال، سواء اتساع أو عمق الحكمة، حتى كنت قد وصلت إلى أداء التنبؤ مرضية أو حتى كنت قد استنفدت (أو مزاد) سطح المكتب (ق) :) استخدام أجهزة النسخ الآلي المكدسة وآلات بولتسمان المقيدة في R فبراير 12، 2014 مكبرات الصوت المكدسة (سا) وآلات بولتزمان المقيدة الإدارة القائمة على النتائج) نماذج قوية جدا للتعلم غير الخاضع للرقابة. لسوء الحظ، في وقت كتابة هذا التقرير يبدو كما لو لم يكن هناك تنفيذ R المباشر المتاحة، وهو أمر مدهش لأن كلا النوعين نموذج قد تم لفترة من الوقت و R لديها تطبيقات لكثير من أنواع نموذج التعلم آلة أخرى. وكحل بديل، يمكن تنفيذ النظام ساس باستخدام واحدة من عدة حزم شبكة عصبية من R بسرعة إلى حد ما (نيت، أموري) و الإدارة القائمة على النتائج، حسنا، سيكون على شخص ما أن يكتب تنفيذ R جيدة بالنسبة لهم. ولكن بالنظر إلى أن تدريب كل من أنواع النماذج يتطلب الكثير من الموارد الحسابية، ونحن نريد أيضا تنفيذ التي يمكن الاستفادة من وحدات معالجة الرسومات. حتى في هذه اللحظة أبسط حل يبدو أن لدينا هو استخدام ثينو. ويمكن استخدام وحدات معالجة الرسومات (غبو)، كما يوفر تطبيقات مكدسة (دينويسينغ) أوتوينكوديرس و ربمس. وبالإضافة إلى ذلك رمز بيثونثيانو لعدة أخرى أكثر غريبة المتغيرات آلة بولتزمان هو العائمة في جميع أنحاء الشبكة كذلك. يمكننا استخدام ربيثون لاستدعاء هذه الوظائف بيثون من R ولكن التحدي هو البيانات. الحصول على مجموعات كبيرة من البيانات ذهابا وإيابا بين R وبيثون دون استخدام تسلسل أسكي أن ربيثون تنفذ (بطيئة جدا) يحتاج إلى حل. على الأقل على قدم المساواة التنفيذ الفعال من السيارات التي تدعم استخدام غبو متاح عبر إطار Torch7 (تجريبي). ومع ذلك، تسمى وظائف Torch7 باستخدام لوا ودعوتهم من داخل R بدلا من ذلك سوف تتطلب بعض العمل في مستوى C. في الختام: استخدام ثينو (بيثون) أو Torch7 (لوا) لنماذج التدريب مع دعم غبو وكتابة النماذج المدربة لملف. في R، استيراد النموذج المدرب من ملف واستخدام للتنبؤ. تحديث 25 أبريل 2014: الحل الجميل التالي دعوة بيثون من R من خلال ركب يجب أن تجلب لنا خطوة واحدة أقرب إلى استخدام ثينو مباشرة من R. ما الترددات للتجارة. 13 يناير 2014 عند محاولة العثور على أنماط السوق القابلة للاستغلال التي يمكن للمرء أن التجارة كتجارة التجزئة، واحدة من الأسئلة الأولى هي: ما هي الترددات التجارية للنظر في الشهرية الأسبوعية اليومية أو خلال اليوم في أي مكان بين 5 ثواني إلى 1 ساعة مع محدودية الوقت المتاح ل وإجراء البحوث في جميع هذه الجداول الزمنية، وهذا يصبح مسألة مهمة للرد. وقد لاحظت أنا وآخرون أنه يبدو أن هناك علاقة بسيطة بين تواتر التجارة ومقدار الجهد اللازم لإيجاد استراتيجية مربحة ذات كمية محضة ومخاطر مقبولة. باختصار: كلما كان معدل التكرار الذي تريد تداوله أقل (أبطأ)، يجب أن تكون الاستراتيجية الأكثر ربحية أكثر ذكاء. ترادفركسمارتنيساس على سبيل المثال، يمكن للمرء أن ننظر في (جدا) نهاية عالية التردد من الطيف، حيث استراتيجيات صناعة تعتمد على الرياضيات بسيطة جدا حقا يمكن أن تكون مربحة جدا، إذا كنت تدير لتكون قريبة بما فيه الكفاية إلى مركز السوق. أخذ قفزة كبيرة في عالم التردد اليومي، أصبح من الصعب كثيرا العثور على استراتيجيات كمية التي هي مربحة في حين لا تزال تقوم على الرياضيات بسيطة نوعا ما. التداول في فترات أسبوعية وشهرية، باستخدام أساليب كمية بسيطة أو المؤشرات الفنية فقط هو وصفة جيدة جدا للكوارث. لذلك، على افتراض لحظة أن هذه العلاقة هي في الواقع صحيح وأيضا النظر في أننا يمكن ويريدون استخدام تقنيات التعلم الآلي المتطورة في استراتيجيات التداول لدينا، يمكن أن نبدأ مع نافذة تردد أسبوعية والعمل في طريقنا نحو ترددات أعلى. التداول الأسبوعي لا يجب أن تكون آلية على الإطلاق ويمكن أن يتم من أي واجهة الوساطة على شبكة الإنترنت. يمكننا تطوير حقيبة من الاستراتيجيات، وذلك باستخدام البيانات التاريخية المتاحة للجمهور في تركيبة مع خوارزمية التعلم المفضلة لدينا للعثور على أنماط السوق القابلة للتداول ومن ثم تنفيذ الاستراتيجية يدويا. وعلى هذا النطاق، ينبغي أن يسعى كل الجهد إلى إيجاد وصقل الاستراتيجية الكمية، ولا بد من وضع القليل من التفكير في تنفيذ التجارة. جهد أتمتة التجارة: 0. سمارتيس سمارتنيس ريكيرد: 100 يجب أن يتم التداول الآلي تلقائيا، إلا إذا كنت تستطيع تخصيص جزء ثابت من يومك لمراقبة الأسواق وتنفيذ الصفقات. دمج خوارزميات التعلم الآلي مع التداول الآلي الآلي ليست مهام تافهة، ولكن يمكن القيام به. جهد الأتمتة التجارية: 20، ذكاء الاستراتيجية المطلوبة: 80 على فترات زمنية لحظية، تتراوح بين دقيقة وثواني إلى ثانية ثانية، والجهود التي سيكون لديك للقيام لأتمتة الصفقات الخاصة بك يمكن أن تقع في أي مكان في نطاق ما بين 20 و 90. لحسن الحظ أصغر والمقياس الزمني يصبح دومبير الاستراتيجية الخاصة بك يمكن أن يكون، ولكن البكم هو بالطبع مفهوم نسبي هنا. جهد أتمتة التجارة: 80، استراتيجية سمارتنس المطلوبة: 20 ما هي الميزات للاستخدام. اليد-- وضعت مقابل تعلمت 10 ديسمبر 2013 عند نقطة واحدة في تصميم نظام (آلة) التعلم سوف لا مفر منه تسأل نفسك ما هي الميزات لتغذية في النموذج الخاص بك. هناك خياران على الأقل. الأول هو استخدام ميزات الحرفية اليدوية. هذا الخيار سوف تعطي لك عادة نتائج جيدة إذا تم تصميم الميزات بشكل جيد (وهذا بالطبع هو توتولوغي، لأنك سوف ندعو لهم فقط مصممة بشكل جيد إذا أعطاك نتائج جيدة.). يتطلب تصميم السمات المصنوعة يدويا معرفة خبيرة بالمجال الذي سيتم تطبيق نظام التعلم فيه، أي تصنيف الصوت أو التعرف على الصور أو في حالة تداولنا. والمشكلة هنا هي أنه قد لا يكون لديك أي من تلك المعرفة الخبراء (حتى الآن) وسيكون من الصعب جدا أن تأتي من قبل أو تأخذ الكثير من الوقت أو على الأرجح على حد سواء. وبالتالي فإن البديل هو معرفة الميزات من البيانات أو بعبارة أخرى، واستخدام التعلم دون إشراف للحصول عليها. أحد المتطلبات هنا هو أنك تحتاج حقا إلى الكثير من البيانات. أكثر من ذلك بكثير مما كنت بحاجة للميزات الحرفية اليدوية، ولكن مرة أخرى فإنه لا يجب أن يكون المسمى. لكن الفائدة واضحة. أنت لا تحتاج حقا أن تكون خبيرا في مجال معين كنت تصميم نظام ل، أي التجارة والتمويل. لذلك في حين كنت لا تزال بحاجة إلى معرفة أي مجموعة فرعية من الميزات المستفادة سيكون أفضل لنظام التعلم الخاص بك، وهذا هو أيضا شيء سيكون لديك للقيام مع ميزات الحرفية اليدوية. اقتراحي: حاول تصميم بعض الميزات اليدوية الحرفية من قبل نفسك. إذا لم يكن لديهم أداء ولديك أسباب وجيهة للاعتقاد أنه من الممكن أن يكون أفضل النتائج من تلك التي تحصل عليها، واستخدام أساليب التعلم غير الخاضعة للرقابة لمعرفة الميزات. يمكنك حتى إنشاء نظام هجين يستخدم الميزات المصممة والمعلمة معا. لماذا يمكنني استخدام أدوات المصدر المفتوح لبناء تطبيقات التداول نوفمبر 19، 2013 عندما بدأت لأول مرة للنظر في القيام بلدي التداول الآلي، كان لي ثلاثة متطلبات على مجموعة من الأدوات التي أردت استخدامها. 1) يجب أن تكلف أقل قدر ممكن للحصول على لي، حتى لو كان ذلك يعني أن اضطررت إلى القيام بالكثير من البرمجة والتخصيصات نفسي (سيكلف الوقت) 2) يجب أن يكون هناك مجتمع من الناس مثل التفكير هناك باستخدام هذه الأدوات نفسها لغرض مماثل. 3) يجب أن تسمح الأدوات لي أن أذهب عميقا في احتجاجات النظام حسب الضرورة، حتى لو كان في البداية كان هدفي أكثر لاكتشاف الأساسيات. لم أكن أريد أن أجد نفسي في وضع حيث سنتان أسفل الخط كنت بحاجة إلى التحول إلى مجموعة مختلفة من الأدوات، لمجرد تلك التي كنت قد بدأت مع لم تسمح لي أن أفعل ما أردت بسبب مشاكل مع والمصادر المغلقة، والترخيص التقييدي. ونتيجة لذلك جئت لاختيار R كلغتي المفضلة لتطوير التداول ألغورتيهمز وبدأت باستخدام وسطاء التفاعلية لأنها توفر أبي للتواصل مع نظام الوساطة. في حين أن هناك العديد من أدوات التداول لطيفة التي تتصل محطة العمل المتداول يب وبعض يمكن استخدامها للتداول الآلي، أيا من هذه توفر نفس القوة والمرونة والدعم المجتمعي أن المشروع R لديها. وبالإضافة إلى ذلك، R لديه حقا مستودع مدهش من حزم التعلم الآلي والإحصائي الحرة جدا و أدافانسد، وهو أمر ضروري إذا كنت ترغب في إنشاء خوارزميات التداول. كوبيرايت كوبي سينسيكس 2013 - 2015