Aprendizagem de máquinas em mercados cambiais e de ações.
A Aprendizagem de Máquinas é um campo de AI em que os computadores aprendem em vez de seguir um script. Enquanto você tiver dados informativos suficientes em uma determinada categoria, você pode usá-lo para criar um algoritmo para uma AI que lhe permita dirigir um carro, pilotar um avião e no mundo dos mercados Forex e Stock para prever o alcance e a direção do mercado usando dados anteriores. Ao estudar cuidadosamente a enorme quantidade de dados relativos às tendências anteriores do mercado, podemos usá-lo para desenvolver padrões que nos ajudarão a prever a evolução do mercado em um grau razoável. Embora muitos comerciantes tenham usado o método exato durante anos, mas usando a Aprendizagem de Máquinas, o processo não só se torna mais rápido, mas também mais preciso, levando ao desenvolvimento de melhores estratégias de negociação. A imagem abaixo é um modelo geral de um algoritmo I know First trading.
Muitas pessoas e empresas aproveitaram a Aprendizagem de Máquinas e negociaram com sucesso em ambos os mercados de ações e de ações. Os sistemas utilizados por essas empresas e individuais são baseados em correlações fracas descobertas por um analista quantitativo. Dependendo do tamanho das empresas, essas estratégias podem ser usadas em uma escala de cem para milhões e, às vezes, ainda mais, mas não significa que elas tenham um sistema invulnerável. Somente as empresas mais rápidas que podem fazer o comércio podem se beneficiar verdadeiramente dessas correlações, mas mesmo assim não há garantias sobre os retornos. Mesmo com uma quantidade decente de indivíduos e empresas que usam a Aprendizagem de Máquina e um interesse ainda maior de pessoas normais, ainda existem modelos de aprendizado de máquina adequados que podem ser usados em tempo real. Por que é tão difícil? Ao contrário de um reconhecimento facial ou IA de condução automática que têm problemas bem definidos que não mudam ao contrário dos dados que precisam ser previstos nos mercados de ações e FX. Quando tentamos implementar a mesma abordagem no Forex e no mercado de ações, os métodos falham e resulta em muitos problemas principalmente devido a elementos aleatórios do mercado e sua dependência de tempo.
Mesmo um algoritmo executado no aprendizado on-line (onde uma estratégia pode continuar a otimizar-se com base em novos dados) pode ser tornado obsoleto por uma única mudança aleatória no mercado. Por exemplo, se você tivesse dados do Forex ou do mercado de ações para o período 2000-2018, treinou um algoritmo de AI com ele e o validou com dados de 2018-2018 que não significa que haja uma razão para ele funcionar devido aos conjuntos de dados sendo aleatório e sem precedentes. A melhor abordagem é usar uma abordagem baseada em dados e uma abordagem de aprendizagem on-line, tendo em mente que serão necessárias grandes mudanças na estratégia. A Aprendizagem de Máquinas no Forex e o mercado de ações é definitivamente benéfico, mas precisa de uma abordagem mais sólida que possa explicar as mudanças aleatórias no mercado.
Jon V.
BigData. Iniciantes. Negociação.
BigData. Iniciantes. Negociação.
Machine Beats Human: Usando Aprendizado de Máquinas em Forex.
A aprendizagem e o comércio de máquinas são um assunto muito interessante. Também é um assunto onde você pode gastar toneladas de tempo escrevendo código e lendo documentos e, em seguida, uma criança pode vencê-lo enquanto joga Mario Kart.
Nas postagens nexts, vamos falar sobre:
Otimize entradas e saídas. Isto e só isso pode fazer uma tonelada de diferença em seu rolo de banco. Calcule o tamanho da posição (no caso de você não gostar do critério de Kelly) Encontre a possível correlação entre diferentes pares (negociação em pares). Adoro a correlação EURUSD vs GBPJPY! Calcule suporte e amp; linhas de resistência.
Mas o que é a Aprendizagem de Máquinas?
Os algoritmos de aprendizagem de máquina são algoritmos em que uma máquina pode identificar padrões em seus dados. Yeap, é assim tão simples. Por exemplo, encontre todos os animais nesta foto e desenhe uma caixa ao redor deles. Além disso, nomeie esse animal. Louco, eu sei. Para negociar como você pode imaginar, é bastante semelhante:
Para que uma máquina "aprenda", você precisa ensinar o que é certo ou errado (aprendizado supervisionado) ou dar-lhe um grande conjunto de dados e deixá-lo ficar selvagem (sem supervisão). Para identificar objetos, isso é direto, e o que é negociar?
Eu olhei em volta para ver se há algum programa de aprendizado de máquina que pode identificar as linhas S / R, mas sem sucesso. Então eu decidi escrever o primeiro programa de aprendizagem de máquinas em python que identifica linhas de suporte e resistência em Python. Outro primeiro! Hooray!
Mas como um algoritmo pode identificar essas áreas? Hoooooow? Senhoras e colegas (e robôs), permitam-me que lhe apresente o MeanShift, um algoritmo sem supervisão que é usado principalmente para o reconhecimento de imagens e que é bastante trivial para configurar e executar (mas também muito lento).
A idéia é que este algoritmo me permita dividir meus dados (txs forex) em áreas e então eu posso usar as "bordas" como suporte e linhas de resistência. Ideia legal, mas isso funciona?
Analisamos cerca de 12 milhões de pontos de dados da EURUSD em 2018 e alguns meses de 2018. As linhas de resistência são colocadas automaticamente por um algoritmo de aprendizado de máquina.
O que é realmente legal (e assustador) é que o algoritmo praticamente o engana. NAILS é difícil. Isso fica realmente assustador quando vamos usar o algoritmo para identificar microestruturas e começar a curar.
O sistema é capaz de processar qualquer tipo de dados temporários (ações, forex, ouro, seja o que for) e renderá um gráfico interativo html (como o gráfico acima) com seus dados e a máquina gerada S / L. O código está aqui, então fique louco.
Agora vamos passar pelo código. Depois de ter seu conjunto de dados, você precisa lê-los e limpá-los. Prepare-se para alguns pandas de magia.
Nós deixamos cair os valores vazios (fins de semana) e depois reescrevemos os dados para candelas de 24 horas (ohcl). Isso torna muito mais fácil traçar. Os dados agrupados são os dados que inseriremos no algoritmo ml.
Em seguida, preparamos os dados que vamos usar no algo.
Na próxima publicação, vamos discutir como melhorar esse trabalho, discutir alguns resultados muito interessantes (o algoritmo pode realmente prever sobre o futuro?) E começar a usá-lo em nossa própria negociação. Se você quiser verificar o próximo artigo e ler mais sobre comércio e investimento usando algoritmos, inscreva-se no boletim informativo.
Próxima próxima: Machine Learning Gone Wild - Usando o código!
Se você tiver mais comentários, clique-me no jonromero ou inscreva-se no boletim informativo.
Legal outro. Este é um tutorial de engenharia sobre como construir uma plataforma algotrading para experimentação e FUN. Qualquer sugestão aqui não é um conselho financeiro. Se você perder qualquer (ou todos) o seu dinheiro porque seguiu quaisquer conselhos de negociação ou implantou este sistema na produção, não pode culpar este blog aleatório (e / ou eu). Aproveite a seu próprio risco.
Aprendizado Forex de máquinas de previsão
Puxe pedidos 0.
Participe do GitHub hoje.
O GitHub é o lar de mais de 20 milhões de desenvolvedores que trabalham juntos para hospedar e rever o código, gerenciar projetos e criar software juntos.
Clone com HTTPS.
Use o Git ou o check-out com o SVN usando o URL da web.
Este é um exemplo que prevê preços futuros de movimentos de preços passados. Aqui o implementamos com taxa EUR / USD como exemplo, e você também pode prever os preços das ações mudando o símbolo.
Usando preços diários fechados de 2008 a 2018, primeiro 95% para treinamento e últimos 5% para testes. As linhas verticais verdes e vermelhas representam o comércio vencedor e a perda de comércio, respectivamente.
Para executar esta demo, você precisa do seguinte ambiente e bibliotecas.
Nota: você pode precisar de bibliotecas extras para instalar acima.
Licença MIT, Copyright (c) 2017.
&cópia de; 2018 GitHub, Inc. Termos Privacidade Segurança Status Ajuda.
Você não pode executar essa ação neste momento.
Você fez login com outra guia ou janela. Recarregue para atualizar sua sessão. Você se separou em outra guia ou janela. Recarregue para atualizar sua sessão.
Aprendizado de máquina e sua aplicação em mercados de Forex [MODELO DE TRABALHO]
Na última publicação, cobrimos o conceito de Aprendizado de Máquinas (ML) em breve. Nesta publicação, explicamos alguns mais termos ML e, em seguida, enquadramos regras para uma estratégia forex usando o algoritmo SVM em R.
Para usar o ML na negociação, começamos com dados históricos (estoque / dados forex) e adicionamos indicadores para construir um modelo em R / Python / Java. Em seguida, selecionamos o algoritmo de aprendizagem da máquina certo para fazer as previsões.
Primeiro, vejamos alguns dos termos relacionados ao ML.
Algoritmos de Aprendizagem de Máquina - Existem muitos algoritmos ML (lista de algoritmos) projetados para aprender e fazer previsões sobre os dados. Os algoritmos ML podem ser usados para prever uma categoria (problema de classificação de tackle) ou para prever a direção e a magnitude (enfrentar o problema de regressão).
Prever o preço de uma ação em 3 meses, com base nos últimos resultados trimestrais da empresa. Prever se o Fed aumentará sua taxa de juros de referência.
Indicadores / Características - Os indicadores podem incluir indicadores técnicos (EMA, BBANDS, MACD, etc.), indicadores fundamentais ou indicadores macroeconômicos.
Exemplo 1 & # 8211; RSI (14), preço - SMA (50) e CCI (30). Podemos usar esses três indicadores, construir nosso modelo e usar um algoritmo ML adequado para prever valores futuros.
Exemplo 2 & # 8211; RSI (14), RSI (5), RSI (10), preço - SMA (50), preço - SMA (10), CCI (30), CCI (15), CCI (5)
Neste exemplo, selecionamos 8 indicadores. Alguns desses indicadores podem ser irrelevantes para o nosso modelo. Para selecionar o subconjunto certo de indicadores, utilizamos técnicas de seleção de características.
Seleção de recursos - É o processo de selecionar um subconjunto de recursos relevantes para uso no modelo. As técnicas de seleção de recursos são colocadas em 3 grandes categorias: métodos de filtragem, métodos baseados no Wrapper e métodos incorporados. Para selecionar o subconjunto certo, basicamente fazemos uso de um algoritmo ML em alguma combinação. Os recursos selecionados são conhecidos como preditores na aprendizagem em máquina.
Support Vector Machine (SVM) - O SVM é um algoritmo bem conhecido para o Aprendizado de Máquinas supervisionado e é usado para resolver problemas de classificação e regressão.
Um algoritmo SVM funciona nos pontos de dados rotulados e os separa através de um limite ou um Hyperplane. SVM tenta maximizar a margem em torno do hiperplano separador. Os vetores de suporte são os pontos de dados mais próximos da superfície de decisão.
Regras de enquadramento para uma estratégia forex usando SVM em R & # 8211; Dada a nossa compreensão de recursos e SVM, comecemos com o código em R. Selecionamos o par de moedas EUR / USD com um período de tempo de 1 hora que data de 2018. Os indicadores aqui utilizados são MACD (12, 26, 9), e Parabolic SAR com configurações padrão de (0.02, 0.2).
Primeiro, carregamos as bibliotecas necessárias em R e, em seguida, lemos os dados EUR / USD. Em seguida, calculamos MACD e Parabolic SAR usando suas respectivas funções disponíveis no pacote "TTR". Para calcular a tendência, subtravemos o preço de encerramento EUR / USD do valor SAR para cada ponto de dados. Nós atrasamos os valores dos indicadores para evitar o viés futuro. Nós também criamos uma classe Up / Down com base na mudança de preço.
Posteriormente, mesclamos os indicadores e a classe em um quadro de dados chamado dados do modelo. Os dados do modelo são então divididos em treinamento e dados de teste.
Em seguida, usamos a função SVM do pacote "e1071" e treinamos os dados. Fazemos previsões usando a função de previsão e também traçamos o padrão. Estamos obtendo uma precisão de 53% aqui.
Do enredo, vemos duas áreas distintas, uma área superior maior em vermelho, onde o algoritmo fez previsões curtas e a menor área menor em azul, onde foi longo.
O indicador SAR traça o preço à medida que a tendência se estende ao longo do tempo. A SAR está abaixo dos preços quando os preços estão subindo e acima dos preços quando os preços estão caindo. O SAR pára e inverte quando a tendência do preço reverte e quebra acima ou abaixo dele. Estamos interessados no crossover de Price e SAR, e, portanto, estão tomando medidas de tendência como a diferença entre preço e SAR no código. Da mesma forma, estamos usando os valores do histograma MACD, que é a diferença entre os valores da linha MACD e da linha de sinal.
Olhando para o enredo, enquadramos nossas duas regras e avaliá-las sobre os dados do teste.
Regra curta = (Preço-SAR) & gt; -0,0025 & amp; (Preço - SAR) & lt; 0,0100 & amp; MACD & gt; -0,0010 & amp; MACD & lt; 0,0010.
Long rule = (Price-SAR) & gt; -0,0150 & amp; (Preço - SAR) & lt; -0,0050 & amp; MACD & gt; -0,0005.
Estamos obtendo uma precisão de 54% para nossos negócios curtos e uma precisão de 50% para nossos negócios longos. O algoritmo SVM parece estar fazendo um bom trabalho aqui. Paramos neste ponto e, na nossa próxima publicação na Aprendizagem da máquina, veremos como as regras emolduradas, como as descritas acima, podem ser codificadas e testadas para verificar a viabilidade de uma estratégia comercial.
Aprendizagem de máquinas em mercados cambiais e de ações.
A Aprendizagem de Máquinas é um campo de AI em que os computadores aprendem em vez de seguir um script. Enquanto você tiver dados informativos suficientes em uma determinada categoria, você pode usá-lo para criar um algoritmo para uma AI que lhe permita dirigir um carro, pilotar um avião e no mundo dos mercados Forex e Stock para prever o alcance e a direção do mercado usando dados anteriores. Ao estudar cuidadosamente a enorme quantidade de dados relativos às tendências anteriores do mercado, podemos usá-lo para desenvolver padrões que nos ajudarão a prever a evolução do mercado em um grau razoável. Embora muitos comerciantes tenham usado o método exato durante anos, mas usando a Aprendizagem de Máquinas, o processo não só se torna mais rápido, mas também mais preciso, levando ao desenvolvimento de melhores estratégias de negociação. A imagem abaixo é um modelo geral de um algoritmo I know First trading.
Muitas pessoas e empresas aproveitaram a Aprendizagem de Máquinas e negociaram com sucesso em ambos os mercados de ações e de ações. Os sistemas utilizados por essas empresas e individuais são baseados em correlações fracas descobertas por um analista quantitativo. Dependendo do tamanho das empresas, essas estratégias podem ser usadas em uma escala de cem para milhões e, às vezes, ainda mais, mas não significa que elas tenham um sistema invulnerável. Somente as empresas mais rápidas que podem fazer o comércio podem se beneficiar verdadeiramente dessas correlações, mas mesmo assim não há garantias sobre os retornos. Mesmo com uma quantidade decente de indivíduos e empresas que usam a Aprendizagem de Máquina e um interesse ainda maior de pessoas normais, ainda existem modelos de aprendizado de máquina adequados que podem ser usados em tempo real. Por que é tão difícil? Ao contrário de um reconhecimento facial ou IA de condução automática que têm problemas bem definidos que não mudam ao contrário dos dados que precisam ser previstos nos mercados de ações e FX. Quando tentamos implementar a mesma abordagem no Forex e no mercado de ações, os métodos falham e resulta em muitos problemas principalmente devido a elementos aleatórios do mercado e sua dependência de tempo.
Mesmo um algoritmo executado no aprendizado on-line (onde uma estratégia pode continuar a otimizar-se com base em novos dados) pode ser tornado obsoleto por uma única mudança aleatória no mercado. Por exemplo, se você tivesse dados do Forex ou do mercado de ações para o período 2000-2018, treinou um algoritmo de AI com ele e o validou com dados de 2018-2018 que não significa que haja uma razão para ele funcionar devido aos conjuntos de dados sendo aleatório e sem precedentes. A melhor abordagem é usar uma abordagem baseada em dados e uma abordagem de aprendizagem on-line, tendo em mente que serão necessárias grandes mudanças na estratégia. A Aprendizagem de Máquinas no Forex e o mercado de ações é definitivamente benéfico, mas precisa de uma abordagem mais sólida que possa explicar as mudanças aleatórias no mercado.
No comments:
Post a Comment