Maschinen Lernen Forex 2012

Maschinelles Lernen ist ein Feld der künstlichen Intelligenz, wo Computerprogramme statt blind nach einem Skript lernen. Mit genügend Trainingsdaten können Sie diese Algorithmen unterrichten, um ein Auto zu fahren, einen Helikopter zu pilotieren oder die beste Suchmaschine der Welt zu bauen. Hier sind die Ergebnisse, die ich mit meinem ersten Ansatz bei der Anwendung von Maschinen lernen, Forex Trading. Es wird eine Vielzahl von Algorithmen eingesetzt, um die Evolution eines Instruments mit Daten von nur 8 Tagesbars in die Vergangenheit vorhersagen zu können. Für jeden Tag werden vier Werte aufgezeichnet, die ersten drei Aufzeichnungsinformationen über die Bewegung von den vorherigen dayrsquos in der Nähe der dayrsquos hoch, niedrig und nah, in Prozent t, während die vierte das Volumen für den Tag aufzeichnet. Dies macht für 32 unabhängige Variablen insgesamt. Die Daten werden von drei Instrumenten in der Dukascopy-Datenbank, EURUSD, AUDJPY und GBPCHF täglich angefragt. Tausche vom 1. Januar 2008 bis zum 31. Dezember 2011, wobei die Wochenenden am folgenden Montag gemischt wurden. Für jeden der getesteten Algorithmen wurden die ersten zwei Jahre verwendet, um die Modelle zu trainieren, während 2012 verwendet wurde, 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 beurteilen, in welchem ​​Ausmaß, wenn überhaupt, ist es möglich, die Gesamtbewegung von morgen (von nah an nah) auf der Grundlage von Daten von acht früheren Tagen mit einer Vielzahl von maschinellen Lernalgorithmen vorherzusagen. Eine hohe Korrelation bedeutet, dass das Modell die folgende tägliche Gesamtbewegung gut voraussagt. In diesem Fall sind die Korrelationen sehr nahe bei Null, so dass die Modelle die Gesamtbewegung des Marktes überhaupt voraussagen können. Vorhersage der Reichweite des Marktes Für den Forex ist hier die Reichweite definiert, da der Unterschied zwischen dem Dayrsquos-Hoch und dem Tages-Tiefstand als Prozentsatz des vorherigen Verschlusses liegt (um unterschiedliche Instrumente vergleichbar zu machen). Eine der einfachsten und besten Methoden, die nächsten Nachbarn, führt am besten bei dieser Aufgabe. Diese Methode, für jeden Fall, schaut einfach auf die n Fälle in der Trainings-Set, die am meisten aussehen und prognostiziert einen gewichteten Durchschnitt ihrer Reichweite. Vorhersage der absoluten Bewegung eines Instruments Die absolute Bewegung eines Instruments ist die Gesamtbewegung für einen Tag, aber immer positiv. Das ist etwas ähnlich wie das Sortiment. Es ist unmöglich, die Richtung des Marktes für den folgenden Tag vorherzusagen, nur auf acht vorherigen Takten und Bänden, zumindest mit diesen Algorithmen. Doch der erste Fehler dieses Ansatzes ist vielleicht, dass es versucht, jeden einzelnen Tag vorherzusagen. Vielleicht könnte ein Prozess der Beseitigung eine große Menge an Daten entfernen, die meistens unvorhersehbar ist. Auf der anderen Seite gibt es noch andere Algorithmen wie wiederkehrende 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 nah) vorherzusagen. Diese Art von Informationen möglicherweise nicht relevant für Händler, die Trends folgen, aber es kann für Skalierer relevant sein, die die Reichweite eines Währungspaares vorhersagen müssen. Ich glaube, solche Algorithmen übertreffen Bereichsindikatoren wie die ATR in dem Sinne, dass sie eher prädiktiv als indikativ sind. 1 Mark Hall, Eibe Frank, Geoffrey Holmes, Bernhard Pfahringer, Peter Reutemann, Ian H. Witten (2009) Die WEKA Data Mining Software: Ein Update SIGKDD Explorations, Band 11, Ausgabe 1.Machine Learning Angewendet auf Forex Machine Lernen kann uns helfen Optimierung der automatischen Handelsstrategien. Durch das Studium der riesigen Menge an vergangenen Informationen können wir Muster identifizieren, die uns helfen, die Entwicklung des Marktes in ausreichendem Maße vorauszusagen. Das ist natürlich das, was manche Händler schon lange tun, aber die Automatisierung des Prozesses ermöglicht es uns, viel bessere Strategien zu finden und viel schneller als man einen Menschen nehmen würde. Hier schlagen wir eine spekulative Strategie vor, die erfolgreich getestet wurde und zeigt die Möglichkeiten des maschinellen Lernens in Forex. Die Suche nach einer erfolgreichen Spekulationsstrategie auf eurusd EURUSD ist ein sehr lukratives Paar für eine spekulative Strategie, die aus maschinellen Lernalgorithmen aufgebaut ist, obwohl unsere Methode in der Lage ist, Gewinne Strategien zu anderen Instrumenten zu finden und einige, die über mehrere Instrumente hinweg arbeiten, die für EURUSD entwickelten Strategien Geben die besten Renditen. So werden die Strategien aufgebaut. Wir können den aktuellen Preis nicht dem Algorithmus zuführen, weil wir es wollen, dass wir Muster unabhängig von ihrer Höhe auf einem Diagramm erkennen. Wir füttern daher die Preisbewegungen von hoch nach hoch und niedrig bis niedrig (besser als offen zu schließen). Dies ist eine einfache Art von Indikator mit einer überraschenden diskriminierenden Macht zwischen Forex-Muster. Aber in welchen Abständen sollten wir für unsere Indikatoren wählen und die Hoch - und Tief - und Niedrige über welchen Zeitraum verwenden. Unser Algorithmus beantwortet diese Frage für uns, indem wir einen Satz von Indikatoren optimieren und ihn durch eine gute Strategie, die wir auf sie aufbauen können, bewerten. Die Methode zur Optimierung ist ein genetischer Algorithmus. Wir bauen ein paar Sätze von Indikatoren die stärksten (höhere Punktzahl) haben eine bessere Chance, ldquoreproducingrdquo und ldquomutatingrdquo, während die schwächeren werden ersetzt werden. Diese Methode neigt dazu, die Indikator-Sets zu optimieren und es ist tausendmal schneller als einfach nur ausprobieren jede einzelne Möglichkeit. Wir haben eine Reihe von Indikatoren, wie gut eine Strategie, die wir damit bauen können. Die Strategien werden automatisch mit einem zweiten Optimierungsschritt und einer Datenstruktur, dem künstlichen neuronalen Netzwerk, aufgebaut. Das neuronale Netzwerk nimmt als Eingabe die Indikatorwerte für einen bestimmten Zeitraum ein und gibt einige Informationen über die Zukunft des Instruments aus. Was sagt das künstliche neuronale Netz voraus Die neuronalen Netze versuchen, einen normalisierten Gewinnfaktor (Bruttogewinn, der durch den Bruttoverlust geteilt wird) auf einem einzigen Handel über einen bestimmten Zeitraum in der Zukunft vorherzusagen. Der jeweilige Zeitraum kann zwischen 3 und 10 Tagen liegen, es ist ein optimierbarer Parameter der Strategie. Deshalb setzt unsere Strategie zwangsläufig Stop-Verluste ein und nimmt Gewinne, stattdessen öffnen wir eine Position für eine vorgegebene Zeit und schließen die Position am Ende dieses Zeitraums, was auch immer passiert ist. Das Netz wird durch den Prozentsatz der korrekten Vorhersagen, die durch itrsquos Genauigkeit gewogen werden, abgestuft. Alternativ können unsere neuronalen Netze vorhersagen, welcher Anteil des Kontostandes angelegt werden soll, die Netze werden dann durch den Restbetrag des Kontos oder den Gesamtgewinnfaktor abgestuft. Gemeinsame Fallen in Automatik-Strategien Es gibt einige häufige Fallstricke zu bewusst sein, in solchen Strategien, wo die Strategie scheint zu bieten erstaunliche Gewinne, aber ist wertlos im wirklichen Leben. Die wichtigste Vorsichtsmaßnahme ist, dass der Zeitraum, in dem die Strategie getestet wird, nicht derselbe sein sollte wie der Zeitraum, in dem sie gebaut wird. Andernfalls können wir einfach Tausende von komplexen zufälligen Strategien generieren und diejenige auswählen, die am besten zu einem bestimmten Zeitpunkt arbeitet, aber itrsquos nur, wenn wir ein positives Ergebnis auf einem unabhängigen Satz von Daten haben, die wir mit unserer Strategie vertrauen können. In Wirklichkeit verwenden wir drei zeitunabhängige Datensätze, die Trainingsmenge wird verwendet, um das System zu bauen, das Validierungsset wird verwendet, um Überlasten zu vermeiden und das Testset wird für die gemeldeten Ergebnisse verwendet. In unserem Fall erreichen wir 60 richtige Wetten auf den Testsatz, der sich über das letzte Jahr erstreckt. Es ist auch eine schlechte Praxis, einen Take-Profit zu optimieren und den Start von Anfang an zu stoppen. Bei der Optimierung einer Strategie auf einen zu kurzen Zeitraum kann man leicht einen erstaunlichen Gesamtgewinn erzielen, indem man den Take-Profit sehr nahe und den Stop-Loss sehr weit setzt. Wenn der Stop-Loss schließlich auf längere Zeit erreicht wird, sind die Konsequenzen verheerend. Sobald eine profitable Strategie gefunden wird, kann der Take-Profit - und Stop-Loss optimiert werden, aber sie sollten niemals zu weit voneinander entfernt sein. Setzen Sie einen Gewinn und stoppen Verlust ist nie eine Strategie an sich, eher ein Weg, um das Risiko zu kontrollieren. Eine optimale Strategie mit einem anerkannten Simulator getestet Unsere Strategie erhält theoretisch 62,5 richtige Wetten auf EURUSD. Aber wir können eine bessere Bewertung der Strategie mit einer guten Simulation und einem echten Leben Anwendung der Strategie zu erhalten. Aus diesem Grund haben wir die Strategie mit der JForex API implementiert und auf der jForex-Plattform getestet. Wieder einmal waren wir vorsichtig, den Zeitraum, den wir verwendet haben, nicht zu mischen, um unsere Strategie zu optimieren und die Zeit, in der wir sie getestet haben. Wir haben auch unsere Strategie weiter angepasst, um den Betrag, der auf jede Position investiert wurde, anzupassen, um die strategyrsquos Vorhersagen zu reflektieren. Dies hat den Gewinnfaktor (Bruttogewinn dividiert durch den Bruttoverlust) unserer Strategie deutlich verbessert. Wir nutzen eine Hebelwirkung, um das Risiko zu erhöhen oder zu verringern. Über 161 Trades ist der Gewinnfaktor unserer Strategie für die Testperiode 2.87 Das bedeutet, dass wir 2,87 mal mehr Gewinn als Drawdown im Handel erhalten. Obwohl wir nur 60,24 gewinnbringende Trades bekommen, sind sie viel rentabler als die verlorenen Trades sind nicht rentabel. Die endgültige Statistik, die wir sehr erzählen, ist der maximale aufeinanderfolgende Drawdown, 5 und der maximale aufeinanderfolgende Gewinn, 18 des Eigenkapitals. Wir haben ein Live-Konto, das die Strategie ausführt, aber das hat es schon viel zu klein gemacht, um es auf diese Weise zu beurteilen. Wir haben auch einen Take-Profit und einen Stop-Loss optimiert. Da wir uns weigern, die Faktoren als Strategieparameter zu sehen, aber sie lieber als Risikokontrollparameter sehen wollen, halten wir sie immer gleich zueinander. Das Gegenteil schafft ein Ungleichgewicht, das es schwierig macht, die Strategie zu beurteilen. Wiederum wurden diese Parameter auf einen anderen Zeitraum als der Testzeitraum optimiert. Die Ergebnisse zeigen, dass ein Stop-Loss und Take-Profit in der Tat verwendet werden sollte und dass es sehr nahe gelegt werden sollte, bei rund 18 Pips. Die Annäherung an den Eröffnungskurs verbessert den Gesamtgewinnfaktor, aber auf diesen Ebenen werden Provisionen und Gebühren lästig. Der Stop-Loss und Take-Profit verbessern den Profitfaktor und die Gesamtstabilität der Strategie, während sie den Gesamtgewinn behindern, aber die Hebelwirkung kann die Situation beheben. Nachteile einer automatischen Handelsstrategie Eine gemeinsame Kritik an Black-Box-Strategien wie uns ist, dass sich der Markt immer plötzlich ändern kann und Strategien, die vor dem Waffenstillstand unbegrenzt funktionierten. Wir müssen zugeben, dass dies völlig begründet ist, und es ist unsere Überzeugung, dass nichts getan werden kann, um dies ohne eine Kristallkugel zu vermeiden, um die Zukunft vorauszusehen. Allerdings ist es auch unser Gefühl, dass dies die Wahrheit mit jeder spekulativen Strategie, von Menschen gemacht oder anders ist. Es ist klar, dass das Forex in der Vergangenheit große Veränderungen erlitten hat. Das Volumen ist ein großer Indikator für diese Angelegenheit gibt es uns wirklich einen Einblick in dem Moment, in dem die Art und Weise, wie ein Instrument gehandelt wird, sich ändert. Auf der folgenden Tabelle können Sie die Entwicklung des Volumens für EURUSD in den letzten 16 Jahren beobachten. Eine Strategie, die mit zu entfernten Daten erstellt wird, funktioniert nicht mehr. Allerdings hat unsere Strategie in den letzten Jahren genauso gut auf EURUSD gearbeitet und nichts deutet darauf hin, dass es sich bald ändern wird. Es gibt zwei Dinge, die wir tun können, um gegen eine plötzliche Veränderung in der Art zu verhindern, wie Forex-Instrumente gehandelt werden. Zuerst können wir den Markt überwachen und auf den Moment warten, in dem unsere Strategie nicht mehr mit den Statistiken arbeitet, dass die Strategie wie die maximal aufeinanderfolgenden Drawdown und die Überwachung der Lautstärke folgen sollte. Zweitens können wir das, was unsere Online-Lernarbeit nennt, wo unsere Strategie kontinuierlich auf neue Daten optimiert wird. Diese zweite Option ist eine gute Übung, aber es schützt vor den plötzlichen Veränderungen, die typisch in Forex alle paar Jahre sind. Die beste Lösung ist, diese beiden Methoden zu implementieren, indem wir unsere Strategien regelmäßig optimieren, während wir uns bewusst sind, dass letztlich eine tiefere Strategieänderung erforderlich ist. Die andere Kritik ist, dass wir nie wirklich verstehen, was ein Black-Box-Modell tut. Das ist nicht der Fall für uns, da unser Modell ganz einfach ist, aber wir werden das Geheimnis in unser Grab nehmen oder zumindest, bis die Strategie nicht mehr rentabel ist. Vielen Dank für das Lesen, Übersetzen auf RussianMachine Learning in Forex Trading: Warum viele Akademiker tun es alles falsch Building Machine Lernstrategien, die anständige Ergebnisse unter Live-Marktbedingungen erhalten können, war schon immer eine wichtige Herausforderung im algorithmischen Handel. Trotz der großen Menge an Interesse und der unglaublichen potenziellen Belohnungen gibt es noch keine akademischen Publikationen, die in der Lage sind, gute maschinelle Lernmodelle zu zeigen, die das Handelsproblem auf dem realen Markt erfolgreich bewältigen können (nach bestem Wissen, Sie haben einen und ich bin mehr als glücklich, es zu lesen). Obwohl viele veröffentlichte Papiere scheinen, vielversprechende Ergebnisse zu zeigen, ist es oft der Fall, dass diese Papiere in eine Vielzahl von verschiedenen statistischen Bias-Probleme fallen, die den realen Markterfolg ihrer maschinellen Lernstrategien höchst unwahrscheinlich machen. Auf heute8217s Post Ich werde über die Probleme, die ich in der akademischen Forschung im Zusammenhang mit der maschinellen Lernen in Forex zu sehen und wie ich glaube, dass diese Forschung verbessert werden könnte, um viel nützlicher Informationen für die akademischen und Handelsgemeinschaften zu erzählen. Die meisten Fallstricke in der maschinellen Lernstrategie Design, wenn man Forex-Handel ist unweigerlich von der Welt der deterministischen Lernprobleme geerbt. Beim Aufbau eines maschinellen Lernalgorithmus für etwas wie Gesichtserkennung oder Buchstabenerkennung gibt es ein wohldefiniertes Problem, das sich nicht ändert, was in der Regel durch den Aufbau eines maschinellen Lernmodells auf einer Teilmenge der Daten (ein Trainingsset) angegangen wird und dann testen, wenn Das Modell konnte das Problem durch die Erinnerung an die Daten (ein Testset) korrekt lösen. Aus diesem Grund haben Sie einige berühmte und gut etablierte Datensätze, mit denen die Qualität der neu entwickelten Maschinenlerntechniken ermittelt werden kann. Der entscheidende Punkt hierbei ist jedoch, dass die Probleme, die anfangs durch das maschinelle Lernen angegangen wurden, meist deterministisch und zeitunabhängig waren. Beim Umzug in den Handel, die Anwendung dieser gleichen Philosophie liefert viele Probleme im Zusammenhang mit sowohl die teilweise nicht-deterministischen Charakter des Marktes und seine Zeitabhängigkeit. Der bloße Akt des Versuches, Trainings - und Test-Sets auszuwählen, führt zu einer signifikanten Vorspannung (einer Datenauswahl-Bias), die ein Problem verursacht. Wenn die Auswahl wiederholt wird, um die Ergebnisse im Test-Set 8211 zu verbessern, die Sie in zumindest einigen Fällen 8211 annehmen müssen, fügt das Problem auch eine große Menge an Data-Mining-Bias hinzu. Die ganze Frage der Durchführung einer einzigen Trainingsvalidierung Übung generiert auch ein Problem in Bezug auf, wie dieser Algorithmus angewendet werden, wenn Live-Handel. Definitionsgemäß wird der Live-Handel anders sein, da die Auswahl der Trainings-Sets noch auf unterschiedliche Daten angewendet werden muss (da nun der Test-Set wirklich unbekannte Daten ist). Die Vorliebe, die der anfänglichen Stichprobenauswahl und dem Mangel an getesteten Regeln für den Handel unter unbekannten Daten innewohnt, macht solche Techniken üblicherweise im Live-Handel fehl. Wenn ein Algorithmus mit 2000-2012 Daten geschult ist und mit 2012-2015 Daten quer validiert wurde, gibt es keinen Grund zu glauben, dass der gleiche Erfolg passieren wird, wenn er in den Jahren 2003-2015 trainiert wird und dann von 2015 bis 2017 gehandelt wird, die Datensätze Sind in der Natur sehr unterschiedlich. Der Erfolg des Algorithmus ist auch hier ein sehr relevantes Problem. Unvermeidlich sollten die maschinellen Lernalgorithmen, die für den Handel verwendet werden, im Verdienst durch ihre Fähigkeit, positive Renditen zu generieren, gemessen werden, aber einige Literatur misst den Verdienst neuer algorithmischer Techniken, indem sie versucht, ihre Fähigkeit, korrekte Vorhersagen zu erhalten, zu bestimmen. Richtige Vorhersagen nicht unbedingt gleich rentabel Handel, wie Sie leicht sehen können, wenn der Aufbau binärer Klassifikatoren. Wenn Sie versuchen, die nächste candle8217s Richtung vorherzusagen, können Sie immer noch einen Verlust machen, wenn Sie meistens auf kleinen Kerzen richtig sind und auf größeren Kerzen falsch sind. In der Tat die meisten dieser Art von Klassifikatoren 8211 die meisten von denen, die don8217t Arbeit 8211 am Ende Vorhersage Direktionalität mit einer über 50 Genauigkeit, aber nicht über dem Niveau benötigt, um Provisionen zu übertreffen, die profitabel binäre Optionen Handel ermöglichen würde. Um Strategien aufzubauen, die meistens von den oben genannten Problemen befreit sind, habe ich mich immer für eine Methodik eingesetzt, in der der maschinelle Lernalgorithmus vor der Erstellung einer Trainingsentscheidung umgeschult wird. Durch die Verwendung eines bewegten Fensters zum Training und niemals mehr als eine Entscheidung ohne Umschulung des gesamten Algorithmus können wir die Selektionsvorspannung befreien, die bei der Auswahl eines einzelnen Sample-Sample-Sets liegt. Auf diese Weise ist der ganze Test eine Reihe von Trainingsvalidierungsübungen, die am Ende sicherstellen, dass der maschinelle Lernalgorithmus auch unter ungeheuer unterschiedlichen Trainingsdatensätzen funktioniert. Ich befürworte auch für die Messung der tatsächlichen Backtesting-Performance, um einen maschinellen Lernalgorithmus zu messen. Vielleicht würde ich so weit gehen zu sagen, dass kein Algorithmus sein Salz wert sein kann, ohne unter realen Out-of-Sample-Bedingungen bewiesen zu werden. Das Entwickeln von Algorithmen auf diese Weise ist viel schwieriger und ich habe ein einziges akademisches Papier gefunden, das dieser Art von Ansatz folgt (wenn ich es vermisse, fühle es sich frei, einen Link zu posten, damit ich einen Kommentar einschließen kann). Dies bedeutet nicht, dass diese Methodik völlig problemlos ist, aber es unterliegt immer noch den klassischen Problemen, die für alle Strategieaufbau-Übungen relevant sind, einschließlich Kurvenanpassungsvorspannung und Data-Mining-Bias. Deshalb ist es auch wichtig, eine große Menge an Daten zu verwenden (ich benutze 25 Jahre, um Systeme zu testen, immer umschulung nach jeder maschinell erlernten Entscheidung) und um angemessene Data-Mining-Bias-Evaluationstests durchzuführen, um das Vertrauen zu bestimmen, mit dem wir können Sagen, dass die Ergebnisse nicht aus zufälliger Chance kommen. Mein Freund AlgoTraderJo 8211, der auch zufällig ein Mitglied meiner Handelsgemeinschaft 8211 ist, wächst derzeit einen Thread bei ForexFactory nach dieser gleichen Philosophie für die maschinelle Lernentwicklung, da wir an einigen neuen Maschinenlernalgorithmen für meine Handelsgemeinschaft arbeiten. Sie können sich auf seinen Thread oder vergangene Beiträge auf meinem Blog für mehrere Beispiele von maschinellen Lernalgorithmen beziehen, die auf diese Weise entwickelt wurden. Wenn Sie mehr über unsere Entwicklungen im maschinellen Lernen erfahren möchten und wie Sie auch Ihre eigenen Maschinenlernstrategien mit dem F4-Framework entwickeln können, sollten Sie sich bei Asirikuy anschließen. Eine Website mit pädagogischen Videos, Handelssysteme, Entwicklung und eine solide, ehrliche und transparente Ansatz in Richtung automatisierte Handel. MetaTrader Expert Advisor Machine Learning präsentiert viele einzigartige und überzeugende Vorteile für Händler auf der Suche nach einem Rand auf dem Markt. Gerade im letzten Jahr haben wir eine riesige Menge an Ressourcen aus den Welten Top Hedge Fonds, wie Bridgewater Associates, gewidmet, um diese Techniken zu erkunden gesehen. Während der Verwendung von maschinellem Lernen oder künstlicher Intelligenz scheint unglaublich komplex und schwierig zu implementieren, gibt es immer noch Möglichkeiten, um ihre Fähigkeiten nutzen, ohne dass ein PhD in Mathematik oder Wissenschaft. In diesem Beitrag, gehen Sie durch 3 verschiedene Möglichkeiten, die Sie Techniken aus maschinellem Lernen verwenden können, um Ihren eigenen Handel zu verbessern. Indikatorauswahl Eine der wichtigsten Entscheidungen entscheidet, welche Indikatoren für den Handel verwendet werden sollen. Ob Sie ein technischer oder fundamentaler Trader sind, oder Sie verwenden einfach Preisaktionen zum Handel, Ihr Erfolg wird weitgehend von den Indikatoren abhängig sein, die Sie verwenden und wie Sie sie 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, um Ihre Indikatoren auszuwählen Entscheidungsbäume sind sehr vielseitige Algorithmen, die den Vorteil haben, leicht interpretierbar zu sein. Angesichts eines großen Datensatzes der Indikatoren und der Preisbewegung des Vermögenswertes findet ein Entscheidungsbaum die Indikatoren und Indikatorwerte, die die Daten zwischen Preiserhöhungen und Preisrückgängen am besten teilen. Indikatoren, die näher an der Spitze des Baumes sind, werden als bessere Prädiktoren betrachtet als diejenigen, die näher an der Unterseite des Baumes sind, und nach einem bestimmten Zweig können Sie leicht finden Interdependenzen und Beziehungen zwischen den Indikatoren. Der Entscheidungsbaum wird Ihnen auch eine Reihe von Regeln geben, die Sie verwenden können, um auf diesen Indikatoren zu handeln, aber Sie müssen sicher sein, den Baum richtig zu beschneiden und auf Überfüllung zu prüfen. Der Entscheidungsbaum ist ein leistungsfähiges, visuelles Werkzeug, das Ihnen helfen kann, zu entscheiden, welche Kombinationen von Indikatoren zu handeln und welche Werte sie handeln sollen. Sie finden ein Tutorial zum Erstellen einer Strategie mit einem Entscheidungsbaum hier oder für einen allgemeineren Führer, in R hier ist eine gute Ressource. Optimierung Sobald Sie die Basis für Ihre Strategie haben, ist der nächste Schritt die Optimierung oder die Auswahl der richtigen Parameterwerte, um Ihre Erfolgsaussichten zu maximieren. Viele Strategien haben eine Vielzahl von Parametern, wie z. B. Indikatoreinstellungen, Einstiegs - und Ausstiegsbedingungen, Stop-Loss und Take-Profit-Levels, und Positions-Sizing, die Brute-Force-Methoden zu versuchen, jede einzelne Kombination extrem schwierig und zeitaufwendig, wenn überhaupt Auch möglich Die Lösung dieser Art von Problemen ist ein weiterer Bereich, in dem das Lernen der Maschine übertrifft. Optimierung einer Strategie mit genetischen Algorithmen Genetische Algorithmen imitieren den Prozess der natürlichen Selektion durch die Schaffung eines einzigartigen Satzes von Kinderstrategien, die eine Mischung aus den besten Elternstrategien enthält, mit einer Chance auf zufällige Mutation. Der Prozess beginnt mit der Verschlüsselung Ihrer Strategie in ein Array. Zum Beispiel könnte man so etwas wie lesen: Indikator 1 Periode Du würdest dann eine große Population von Strategien mit zufälligen Variationen dieser Parameter erzeugen. Diese Strategien haben alle unterschiedliche Kombinationen von bewegten durchschnittlichen Perioden, Ein - und Ausstiegsbedingungen und Risiko-zu-Belohnung-Verhältnisse. Als nächstes würden Sie diese Population testen, indem Sie jede Strategie über einen Testsatz ausführen und die Top-Strategien auswählen, die auf einer Leistungsmessung Ihrer Wahl basieren. Schließlich kombinieren Sie zufällig die Züge der Top-Strategien, mit einer kleinen Chance, einige der Parameter zu mutieren, um eine neue Generation von Kinderstrategien zu schaffen. Sie wiederholen dann das Auswertungsverfahren und verknüpfen wieder die Top-Strategien dieser neuen Generation. Dies führt zu einem Überleben des passendsten Szenarios, wo nur die Top-Strategien überleben, um ihre Gene an die nächste Generation weiterzugeben. Wiederholen Sie diesen Vorgang eine große Anzahl von Zeiten oder bis ein bestimmtes Leistungskriterium erreicht ist und Sie mit einer sehr robusten Strategie gebaut werden Generationen der leistungsstärksten Strategien Sie müssen sicherstellen, dass Sie eine angemessene Performance-Metrik (wie risikoadjustierte Rendite) auswählen und immer die endgültige Strategie über Daten testen, die nicht verwendet wurden, um die Strategie zu erstellen, um sicherzustellen, dass Sie Arent übereinstimmen Bestimmter Datensatz. Dies ist eine sehr leistungsfähige und robuste Methode, die in einer Vielzahl von Anwendungen, einschließlich der Welt des Handels, erfolgreich war. Hier finden Sie eine ausführlichere Beschreibung und ein Tutorial zum Umsetzen in R hier. Live Trading Einer der attraktiveren Aspekte des maschinellen Lernens ist ein Algorithmus, der in der Lage ist, sich an veränderte Marktbedingungen zu erlernen und anzupassen. Allerdings schafft dies eine Blackbox-Strategie, die, wenn Sie nicht ganz verstehen, wie die Algorithmen arbeiten und gründlich getestet es selbst, ist sehr schwer zu vertrauen auf ein Live-Konto. Nicht wissend, wann oder warum eine Strategie in einen Handel eintritt, kann ein furchterregender Vorschlag sein. Allerdings gibt es Möglichkeiten, um die Vorteile eines intelligenten, algorithmischen Ansatz, während immer noch die Aufrechterhaltung der Transparenz und Verständnis in Ihrer Strategie. Association Rule Learning Association Rule Learning ist der Prozess der Ableitung einer Reihe von klaren, verständlichen Regeln aus den Mustern, die von einem maschinellen Lernalgorithmus aufgedeckt werden. Algorithmen, wie der Apriori-Algorithmus, durchsuchen einen Datensatz von Indikatoren, Indikatorwerten und die daraus resultierende Preisbewegung, um einen Satz von Bedingungen zu erzeugen, im Grunde wenn-dann Aussagen, die zu den leistungsstärksten Ergebnissen führen. Allerdings ist es noch schwierig, genau zu wissen, woher diese Regeln kommen, der Apriori-Algorithmus erfordert eine ziemlich große Anzahl von Parametern, die abgestimmt werden sollen, und dieser Prozess eignet sich nicht gut für veränderte Marktbedingungen. Mit TRAIDE. Wir haben den Prozess noch einen Schritt weiter gemacht und erlauben es Ihnen, die Muster eines Ensembles von maschinellen Lernalgorithmen zu sehen, aus denen Sie Ihre eigenen Handelsregeln erstellen können. Diese Regeln sind dann einfach zu implementieren und an veränderte Marktbedingungen anzupassen, alle ohne jegliche Programmierung oder mathematische Erfahrung. Sie sind in der Lage, die Vorteile der Verwendung von Maschinen-Lern-Algorithmen zu handeln, während immer noch die vollständige Transparenz, ein Verständnis für Ihre Strategie, und einschließlich Ihrer eigenen Domain-Know-how in Ihrem Handel zu bekommen. Mit maschinellem Lernen und künstlicher Intelligenz, um einen Vorteil auf dem Markt zu finden, muss nicht ausschließlich von den größten Finanzinstituten besessen werden. Da diese Technologie wird mehr zugänglich und diese Techniken häufiger, können Sie auch maschinelles Lernen, um Ihren Handel zu verbessern.