Maschinelles Lernen Wenn jemand daran interessiert ist, maschinelle Lernstrategien zu entwickeln, schau mal in deep-thought. co nach. Unterstützung Vektormaschinen. Gradient Boosted Bäume. Zufällige Wälder. Extrem randomisierte Bäume. Mehrschichtiges Perceptron, alias Neuronales Netz. Ensembles: Kombinieren Sie die Prognosen einer beliebigen Anzahl von Prädiktoren. Konstante Umschulung, immer an den Markt anzupassen. Bitte beachten Sie, dass es sich hierbei um ein Instrument zur Entwicklung eigener Strategien und Systeme und nicht um eine vorkonzentrierte Handelsstrategie handelt. Ebenfalls enthalten sind zwei MT4 EAs, mit Quelle, um die Signale handeln oder kombinieren mit jedem anderen System, das Sie haben können. Machine Learning im Forex Trading: Warum viele Akademiker tun es alles falsch Building Maschinen Lernstrategien, die anständige Ergebnisse unter Live-Markt erhalten können Bedingungen war schon immer eine wichtige Herausforderung im algorithmischen Handel. Trotz des großen Interesses 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 meistern können (nach meinem besten Wissen, Sie haben eine und I8217ll mehr als glücklich, es zu lesen). Obwohl viele Veröffentlichungen zeigen, zeigen vielversprechende Ergebnisse, ist es oft der Fall, dass diese Papiere fallen in eine Vielzahl von verschiedenen statistischen Bias Probleme, die den wirklichen Markt Erfolg ihrer maschinellen Lernstrategien sehr unwahrscheinlich machen. Auf today8217s Pfosten werde ich über die Probleme sprechen, die ich in der akademischen Forschung sehe, die mit maschinellem Lernen im Forex verbunden ist und wie ich glaube, dass diese Forschung verbessert werden könnte, um viel nützlicher Informationen für die akademischen und handelnden Gemeinschaften zu liefern. Die meisten Fallstricke in der maschinellen Lernstrategie Design, wenn Sie Forex Trading sind unvermeidlich aus der Welt der deterministischen Lernprobleme vererbt. Bei der Erstellung eines Maschinellen Lernalgorithmus für etwas wie Gesichtserkennung oder Buchstabenerkennung gibt es ein gut definiertes Problem, das sich nicht ändert, was im Allgemeinen durch den Aufbau eines maschinellen Lernmodells auf einer Teilmenge der Daten (ein Trainingssatz) angegangen wird und anschließend getestet wird Das Modell war in der Lage, korrekt lösen das Problem durch die Erinnerung an die Daten (ein Test-Set). Deshalb haben Sie einige berühmte und gut etablierte Datensätze, die verwendet werden können, um die Qualität der neu entwickelten maschinellen Lerntechniken zu etablieren. Der entscheidende Punkt dabei ist jedoch, dass die zunächst durch maschinelles Lernen angegriffenen Probleme meist deterministisch und zeitunabhängig waren. Beim Umstieg in den Handel ergeben sich aus der gleichen Philosophie viele Probleme, die mit dem teilweise nicht-deterministischen Charakter des Marktes und seiner Zeitabhängigkeit zusammenhängen. Der bloße Akt des Versuchens, Trainings - und Testsätze auszuwählen, führt zu einem signifikanten Ausmaß an Bias (einer Datenauswahl-Bias), die ein Problem verursacht. Wenn die Auswahl wiederholt wird, um die Ergebnisse in dem Prüfungssatz 8211 zu verbessern, den Sie in mindestens einigen Fällen 8211 einnehmen müssen, fügt das Problem auch eine große Menge an Daten-Mining-Bias hinzu. Die gesamte Frage der Durchführung einer einzigen Training / Validierung Übung erzeugt auch ein Problem im Zusammenhang mit, wie dieser Algorithmus angewendet werden, wenn Live-Handel. Definitionsgemäß wird der Live-Handel unterschiedlich sein, da die Auswahl von Trainings - / Test-Sets erneut auf andere Daten angewendet werden muss (da das Testset wirklich unbekannte Daten ist). Die Vorliebe, die der anfänglichen In-Sample - / Out-of-Sample-Periodenselektion und dem Fehlen aller getesteten Regeln für den Handel unter unbekannten Daten innewohnt, macht solche Techniken gemeinhin im Live-Handel aus. Wenn ein Algorithmus mit 2000-2012 Daten geschult und war mit 2012-2015 Daten validiert, gibt es keinen Grund zu der Annahme, dass der gleiche Erfolg wird geschehen, wenn geschult in 2003-2015 Daten und dann live gehandelt von 2015 bis 2017, die Datensätze Sind sehr unterschiedlich in der Natur. Auch der Messalgorithmenerfolg ist hier ein sehr relevantes Problem. Unvermeidlich sollten die maschinellen Lernalgorithmen, die für den Handel verwendet werden, durch ihre Fähigkeit gemessen werden, positive Renditen zu generieren, aber eine Literatur misst den Wert der neuen algorithmischen Techniken, indem sie versucht, ihre Fähigkeit, korrekte Vorhersagen zu benchmarken, zu messen. Korrigieren Sie Vorhersagen nicht notwendigerweise gleich rentabel Handel, wie Sie leicht sehen können, wenn Gebäude binäre Klassifikatoren. Wenn Sie versuchen, die nächste Candle8217s Richtung vorherzusagen, können Sie immer noch einen Verlust, wenn Sie vor allem auf kleine Kerzen und falsch auf größere Kerzen sind. In der Tat die meisten dieser Art von Klassifikatoren 8211 die meisten von denen, die don8217t Arbeit 8211 Ende oben voraussagen Richtungsabhängigkeit mit einer über 50 Genauigkeit, aber nicht über dem Niveau benötigt, um Provisionen zu übertreffen, die profitable binäre Optionen Handel ermöglichen würde. Um Strategien zu entwickeln, die meistens von den oben genannten Problemen befreit sind, habe ich immer für eine Methodologie befürwortet, in der der Maschinellen Lernalgorithmus vor der Ausbildung einer Trainingsentscheidung umgeschult wird. Durch die Verwendung eines sich bewegenden Fensters für das Training und niemals mehr als eine Entscheidung ohne Umschulung des gesamten Algorithmus, können wir loswerden die Auswahl Bias, die bei der Auswahl eines einzelnen In-Sample / Out-of-Sample-Set ist. Auf diese Weise ist der gesamte Test eine Reihe von Trainings - / Validierungsübungen, die sicherstellen, dass der Maschinellen Lernalgorithmus auch unter enorm unterschiedlichen Trainingsdatensätzen funktioniert. Ich befürworte auch für die Messung der tatsächlichen Backtesting-Performance, um eine Maschine Lernalgorithmus8217s Verdienst zu messen und außerdem würde ich so weit gehen zu sagen, dass kein Algorithmus sein Salz wert sein kann, ohne unter realen out-of-Sample-Bedingungen bewiesen werden. Die Entwicklung von Algorithmen auf diese Weise ist viel schwieriger und ich haven8217t fand eine einzige akademische Papier, dass diese Art von Ansatz folgt (wenn ich es verpasst fühlen sich frei, einen Link, so dass ich einen Kommentar enthalten können). Dies bedeutet nicht, dass diese Methodik völlig problemlos ist, aber sie unterliegt immer noch den klassischen Problemen, die für alle Übungen des Strategiegebäudes, einschließlich Kurvenanpassung Bias und Data-Mining-Bias. Aus diesem Grund ist es auch wichtig, eine große Menge an Daten zu verwenden (ich benutze 25 Jahre, um Systeme zu testen, die immer nach jeder maschinellen Lernfähigkeitsentscheidung umschulen) und 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 zufällig auch ein Mitglied meiner Handelsgemeinschaft 8211 ist, wächst derzeit einen Thread bei ForexFactory, der dieser Philosophie für die maschinelle Lernentwicklung folgt, da wir an einigen neuen Maschinellen Lernalgorithmen für meine Handelsgemeinschaft arbeiten. Sie können sich auf seine Thread oder früheren Beiträgen auf meinem Blog für mehrere Beispiele für maschinelle Lernalgorithmen auf diese Weise entwickelt beziehen. Wenn Sie mehr über unsere Entwicklungen im Maschinellen Lernen erfahren möchten und wie Sie auch Ihre eigenen Lernstrategien mithilfe des F4-Frameworks entwickeln können, sollten Sie sich für Asirikuy entscheiden. Eine Website mit Bildungs-Videos, Handelssysteme, Entwicklung und eine solide, ehrliche und transparente Ansatz für automatisierte Handel gefüllt.
No comments:
Post a Comment