Forex Maschine Lernen

Wie man maschinelles Lernen in Ihrem Trading Machine Lernen bietet viele einzigartige und überzeugende Vorteile für Händler auf der Suche nach einem Vorteil auf dem Markt. Erst im letzten Jahr haben wir eine riesige Menge an Ressourcen aus der Welt Top-Hedgefonds, wie Bridgewater Associates, gewidmet, um diese Techniken zu erkunden gesehen. Während die Verwendung von maschinellem Lernen oder künstliche Intelligenz scheint unglaublich komplex und schwierig zu implementieren, gibt es noch Möglichkeiten, ihre Fähigkeiten nutzen, ohne dass eine Doktorarbeit in Mathematik oder Wissenschaft. In diesem Beitrag, gut durch 3 verschiedene Möglichkeiten, wie Sie Techniken aus maschinellen Lernen, um Ihre eigenen Handel zu verbessern. Indikatorauswahl Eine der wichtigsten Entscheidungen entscheidet, welche Indikatoren für den Handel verwendet werden sollen. Egal, ob Sie ein technischer oder fundamentaler Trader sind, oder ob Sie nur Preisaktionen für den Handel verwenden, wird Ihr Erfolg weitgehend von den Indikatoren abhängen, die Sie verwenden und wie Sie diese interpretieren. Zum Glück gibt es viele verschiedene Methoden für die Auswahl Ihrer Indikatoren und dies ist bekannt als Feature-Auswahl in der Maschine lernende Welt. Verwenden eines Entscheidungsbaums zur Auswahl der Indikatoren Entscheidungsbäume sind sehr vielseitige Algorithmen, die den Vorteil haben, dass sie leicht interpretierbar sind. Angesichts eines großen Datensatzes von Indikatoren und der Kursbewegung des Vermögenswertes wird ein Entscheidungsbaum die Indikatoren und Indikatorwerte finden, die die Daten zwischen Preiserhöhungen und Preisrückgängen am besten teilen. Indikatoren näher an der Oberseite des Baumes werden als bessere Prädiktoren als diejenigen näher an der Unterseite des Baumes gesehen, und nach einem bestimmten Zweig können Sie leicht zu finden Interdependenzen und Beziehungen zwischen den Indikatoren. Der Entscheidungsbaum wird Ihnen auch eine Reihe von Regeln, die Sie verwenden können, um auf dieser Indikatoren basieren, aber Sie müssen sicher sein, ordnungsgemäß beschneiden den Baum und Test für Overfitting. Der Entscheidungsbaum ist ein leistungsfähiges, visuelles Werkzeug, das Ihnen helfen kann, zu entscheiden, welche Kombinationen von Indikatoren zum Handel und zu welchen Werten sie handeln. Hier finden Sie ein Tutorial zum Erstellen einer Strategie mit einem Entscheidungsbaum hier oder für eine allgemeinere Anleitung, in R ist hier eine gute Ressource. Optimierung Sobald Sie die Grundlage für Ihre Strategie haben, ist der nächste Schritt die Optimierung oder die Auswahl der richtigen Parameterwerte, um Ihre Chance auf Erfolg zu maximieren. Viele Strategien haben eine Vielzahl von Parametern, wie Anzeigeeinstellungen, Ein - und Ausstiegsbedingungen, Stop-Loss - und Take-Profit-Levels sowie Positionsbestimmung, die Brute-Force-Methoden zum Ausprobieren jeder einzelnen Kombination extrem schwierig und zeitaufwendig machen Möglich. Das Lösen dieser Art von Problemen ist ein weiterer Bereich, in dem Maschinen-Lernen überragt. Optimierung einer Strategie mit genetischen Algorithmen Genetische Algorithmen imitieren den Prozess der natürlichen Selektion durch die Schaffung einer einzigartigen Reihe von Kinder-Strategien, die eine Mischung aus den besten Elternstrategien, mit einer Chance auf zufällige Mutation enthält. Der Prozess beginnt mit der Codierung Ihrer Strategie in ein Array. Zum Beispiel könnte es so etwas wie lesen: Indikator 1 Periode Sie würden dann eine große Population von Strategien mit zufälligen Variationen dieser Parameter generieren. Diese Strategien haben alle unterschiedliche Kombinationen von gleitenden Durchschnittsperioden, Eintritts - und Austrittsbedingungen und Risiko-Belas - tungsquoten. Als nächstes würden Sie diese Population testen, indem Sie jede Strategie über einen Testsatz ausführen und die Top-Strategien basierend auf einer Leistungsmetrik Ihrer Wahl auswählen. Schließlich kombinieren Sie die Merkmale der Top-Strategien zufällig, mit einer kleinen Chance, einige der Parameter zu mutieren, um eine neue Generation von Kinderstrategien zu schaffen. Sie wiederholen dann das Auswertungsverfahren und paaren sich erneut an die besten Strategien dieser neuen Generation. Dies führt zu einem Überleben der geeignetsten Szenario, wo nur die Top-Strategien überleben, um ihre Gene an die nächste Generation weitergeben Wiederholen Sie diesen Prozess eine große Anzahl von Malen oder bis ein bestimmtes Leistungskriterium erreicht ist und Sie mit einer sehr robusten Strategie aus gebaut werden Generationen der besten Strategien Sie müssen sicherstellen, dass Sie eine geeignete Performance-Metrik (wie risikoadjustierte Rendite) auswählen und immer testen Sie die endgültige Strategie über Daten, die nicht verwendet wurde, um die Strategie zu erstellen, um sicherzustellen, dass Sie arent Überbeanspruchung zu einem Bestimmten Datensatz. Dies ist eine sehr leistungsfähige und robuste Methode, die in einer Vielzahl von Anwendungen, einschließlich der Welt des Handels erfolgreich war. Eine ausführlichere Beschreibung finden Sie hier und ein Tutorial zur Implementierung in R hier. Live Trading Einer der attraktiveren Aspekte des maschinellen Lernens ist ein Algorithmus, der in der Lage ist, zu lernen und sich an veränderte Marktbedingungen anzupassen. Allerdings schafft dies eine Blackbox-Strategie, die, wenn Sie nicht vollständig verstehen, wie die Algorithmen arbeiten und gründlich getestet es selbst, ist sehr schwer auf ein Live-Konto vertrauen. Nicht zu wissen, wann oder warum eine Strategie in einen Handel eintritt, kann ein beängstigender Vorschlag sein. Allerdings gibt es Möglichkeiten, um die Vorteile eines intelligenten, algorithmischen Ansatz, während immer noch die Wahrung der Transparenz und Verständnis in Ihrer Strategie. Vereinsregellernen-Vereinsregel Lernen ist der Prozeß des Ableitens einer Menge klarer, verständlicher Regeln aus den Mustern, die durch einen maschinellen Lernalgorithmus aufgedeckt werden. Algorithmen, wie der Apriori-Algorithmus, suchen einen Datensatz aus Indikatoren, Indikatorwerten und der daraus resultierenden Preisbewegung, um eine Menge von Bedingungen zu generieren, im Grunde wenn-dann Aussagen, die zu den leistungsstärksten Ergebnissen führen. Allerdings ist es immer noch schwierig, genau zu wissen, wo diese Regeln herkommen, erfordert der Apriori-Algorithmus eine ziemlich große Anzahl von Parametern zu stimmen und dieser Prozess eignet sich nicht gut für sich ändernde Marktbedingungen. Mit TRAIDE. Nahmen wir den Prozess einen Schritt weiter und ermöglichen es Ihnen, die Muster zu sehen, die von einem Ensemble von maschinellen Lernalgorithmen gefunden wurden, aus denen Sie Ihre eigenen Handelsregeln erstellen können. Diese Regeln sind dann einfach zu implementieren und an sich ändernde Marktbedingungen anzupassen, und zwar ohne irgendeine Programmierung oder mathematische Erfahrung. Sie sind in der Lage, die Vorteile der Verwendung von maschinellen Lernalgorithmen für den Handel zu erhalten, während immer noch vollständige Transparenz, ein Verständnis für Ihre Strategie und einschließlich Ihrer eigenen Domain-Know-how in Ihrem Handel. Mit maschinellem Lernen und künstlicher Intelligenz, um einen Vorteil auf dem Markt zu finden, muss nicht ausschließlich von nur den größten Finanzinstituten besessen werden. Da diese Technologie wird mehr zugänglich und diese Techniken häufiger, können Sie auch maschinelles Lernen, um Ihre trading. Machine lernen ist ein Bereich der künstlichen Intelligenz, wo Computer-Programme lernen, anstatt blind nach einem Skript. Mit genug Trainingsdaten können Sie diese Algorithmen, um ein Auto fahren, Pilot ein Hubschrauber oder bauen die beste Suchmaschine in der Welt. Hier sind die Ergebnisse, die ich mit meinem ersten Ansatz bei der Anwendung von Maschinen lernen, um Forex-Handel erhalten. Eine Vielzahl von Algorithmen werden eingesetzt, um die Evolution eines Instruments mit Daten von nur 8 Tagesbalken in die Vergangenheit zu prognostizieren. Für jeden Tag werden vier Werte aufgezeichnet, die ersten drei Aufzeichnungsinformationen über die Bewegung von den vorhergehenden Tagestätigkeiten in der Nähe der Tageshöhe hoch, niedrig und nah, in Prozent t, während die vierte die Lautstärke für den Tag aufzeichnet. Dies macht 32 unabhängige Variablen insgesamt aus. Die Daten werden von drei Instrumenten der Dukascopy-Datenbank EURUSD, AUDJPY und GBPCHF täglich vom 1. Januar 2008 bis zum 31. Dezember 2011 ausgegeben, wobei die Wochenenden am darauffolgenden Montag gemischt werden. Für jeden der getesteten Algorithmen wurden die ersten zwei Jahre verwendet, um die Modelle zu trainieren, während 2012 wurde verwendet, um sie zu testen. Die offene Java-Bibliothek für maschinelle Lernalgorithmen kommt von WEKA: Data Mining Software in Java i. Sie können die Bibliothek oder das benutzerfreundliche Programm kostenlos bei cs. waikato. ac. nzmlweka herunterladen. Vorhersage der Richtung des Marktes Diese Tests bewerten, inwieweit, wenn überhaupt, es ist möglich, die Gesamtbewegung von morgen (von nah bis nahe) basierend auf Daten aus acht vorherigen Tagen mit einer Vielzahl von maschinellen Lernalgorithmen vorherzusagen. Eine hohe Korrelation bedeutet, dass das Modell die folgenden Tagesbewegungen insgesamt gut vorhersagt. In diesem Fall sind die Korrelationen sehr nahe an Null, so dass die Modelle canrsquot die Gesamtbewegung des Marktes überhaupt vorherzusagen. Voraussage des Marktsegments Für den Forex wird hier die Spanne als Differenz zwischen dem Tageshöchststand und dem Tagesschluss niedriger als Prozentsatz des vorangegangenen Schlusses definiert (um unterschiedliche Instrumente vergleichbar zu machen). Eine der einfachsten und besten Methoden, die nächsten Nachbarn, führt am besten zu dieser Aufgabe. Diese Methode betrachtet für jeden Fall einfach die n Fälle in der Trainingsgruppe, die am ähnlichsten aussehen und einen gewichteten Mittelwert ihrer Reichweite prognostizieren. Vorhersage der absoluten Bewegung eines Instruments Die absolute Bewegung eines Instruments ist die Gesamtbewegung für einen Tag, aber immer positiv. Das ist dem Bereich etwas ähnlich. Es ist unmöglich, die Richtung des Marktes für den folgenden Tag nur basierend auf acht vorherigen Takten und Volumina vorherzusagen, zumindest unter Verwendung dieser Algorithmen. Doch der erste Fehler dieses Ansatzes ist vielleicht, dass er versucht, jeden Tag vorherzusagen. Vielleicht könnte ein Prozess der Eliminierung eine große Menge an Daten, die meist unberechenbar ist zu entfernen. Andererseits gibt es andere Algorithmen wie rekursive neuronale Netze, die für die jeweilige Aufgabe besser geeignet sind. Es ist möglich, bis zu einem gewissen Grad die Reichweite des nächsten Tages und damit ganz logisch die absolute Bewegung (von nah bis nahe) vorherzusagen. Diese Art von Informationen ist möglicherweise nicht relevant für Händler, die Trends folgen, aber es kann für Scalper relevant sein, die den Bereich eines Währungspaars vorherzusagen haben. Ich glaube, solche Algorithmen übergehen Bereich Indikatoren wie die ATR in dem Sinne, dass sie prädiktiven als indikativ sind. (2009) Die WEKA Data Mining-Software: Ein Update SIGKDD Explorations, Band 11, Ausgabe 1.