تداول الفوركس آلة التعلم

جون V.
البيانات الكبيرة. الشركات الناشئة. تجارة.
البيانات الكبيرة. الشركات الناشئة. تجارة.
آلة يدق الإنسان: استخدام آلة التعلم في الفوركس.
تعلم الآلة والتداول هو موضوع مثير جدا للاهتمام. بل هو أيضا موضوع حيث يمكنك قضاء طن من الوقت كتابة التعليمات البرمجية وأوراق القراءة وبعد ذلك طفل يمكن أن يضربك في حين لعب ماريو كارت.
في المشاركات التالية، سنتحدث عن:
تحسين الإدخالات والمخارج. وهذا فقط وهذا يمكن أن تجعل طن من الفرق في لفة البنك الخاص بك. حساب حجم الموقف (في حال كنت لا تحب معيار كيلي) البحث عن علاقة محتملة بين أزواج مختلفة (تداول الزوج). أنا أحب اليورو مقابل الدولار مقابل مقابل غبجبي الارتباط! حساب الدعم & أمب؛ خطوط المقاومة.
ولكن ما هو التعلم الآلي؟
خوارزميات التعلم الآلي هي خوارزميات حيث يمكن للآلة تحديد الأنماط في البيانات الخاصة بك. ياب، هو بهذه البساطة. على سبيل المثال، تجد جميع الحيوانات في هذه الصورة ورسم مربع من حولهم. أيضا، اسم هذا الحيوان. مجنون أعرف. للتداول كما يمكنك أن تتخيل أنها مشابهة جدا:
من أجل آلة ل "تعلم"، تحتاج إلى تعليمه ما هو حق أو خطأ (التعلم تحت الإشراف) أو إعطائها مجموعة كبيرة من البيانات والسماح لها حصلت البرية (غير خاضعة للرقابة). لتحديد الأجسام هذا هو مباشرة إلى الأمام ولكن ماذا عن التداول؟
نظرت حولي لمعرفة ما إذا كان هناك أي برنامج تعلم الآلة التي يمكن تحديد خطوط S / R ولكن دون جدوى. لذلك قررت أن أكتب أول برنامج تعلم الآلة في الثعبان الذي يحدد خطوط الدعم والمقاومة في بيثون. آخر أول! الصيحة!
ولكن كيف يمكن للخوارزمية تحديد هذه المجالات؟ Hoooooow؟ السيدات والرجال (والروبوتات)، واسمحوا لي أن أعرض لكم ل مينشيفت، خوارزمية غير خاضعة للرقابة التي تستخدم في الغالب للتعرف على الصور وغير تافهة جدا لإعداد وتشغيل (ولكن أيضا بطيئة جدا).
والفكرة هي أن هذه الخوارزمية سوف تسمح لي تقسيم البيانات الخاصة بي (القراد النقد الاجنبى) في المناطق وبعد ذلك يمكنني استخدام "حواف" كخطوط الدعم والمقاومة. فكرة باردة ولكن هل يعمل؟
نحن نحلل حوالي 12 مليون داتابوانتس من اليورو مقابل الدولار الأميركي في 2018 وبضعة أشهر من عام 2018. يتم وضع خطوط المقاومة تلقائيا من خلال خوارزمية التعلم الآلي.
ما هو رائع حقا (ومشبك) هو أن الخوارزمية إلى حد كبير المسامير ذلك. الأظافر من الصعب. فإنه يحصل عصبي حقا عندما نحن ذاهبون لاستخدام خوارزمية لتحديد الهياكل الصغيرة وبدء سلخ فروة الرأس.
النظام قادر على معالجة أي نوع من بيانات المرات (الأسهم، الفوركس، الذهب، أيا كان)، وسوف تجعل الرسم البياني التفاعلية هتمل (مثل الرسم البياني أعلاه) مع البيانات الخاصة بك والآلة ولدت S / L. رمز هنا حتى يذهب مجنون.
الآن دعونا خطوة من خلال التعليمات البرمجية. بعد أن يكون لديك مجموعة من البيانات تحتاج إلى قراءتها وتنظيفها. الاستعداد لبعض السحر الباندا.
نحن إسقاط القيم الفارغة (عطلة نهاية الأسبوع) وبعد ذلك نحن إعادة رسم البيانات إلى 24 ساعة الشمعدانات (أوهكل). وهذا يجعل من الأسهل بكثير مؤامرة. و grouped_data هي البيانات التي سوف تتغذى في خوارزمية مل.
ثم نقوم بإعداد البيانات التي نحن ذاهبون لاستخدامها في الغو.
في المنصب التالي، سنناقش كيفية جعل هذا العمل أفضل، ونناقش بعض النتائج المثيرة جدا للاهتمام (هل يمكن للخوارزمية التنبؤ فعلا بالمستقبل؟) والبدء في استخدامه في التداول الخاص بنا. إذا كنت ترغب في التحقق من المقال التالي وقراءة المزيد عن التداول والاستثمار باستخدام الخوارزميات، الاشتراك في النشرة الإخبارية.
القادمة القادمة: تعلم آلة ذهب البرية - استخدام التعليمات البرمجية!
إذا كان لديك المزيد من ردود الفعل، بينغ لي في جونروميرو أو الاشتراك في النشرة الإخبارية.
قانوني خارجي. هذا هو برنامج تعليمي هندسي حول كيفية بناء منصة ألغوترادينغ للتجريب و فان. أي اقتراحات هنا ليست النصائح المالية. إذا كنت تفقد أي (أو كل) لك المال لأنك اتبعت أي نصائح التداول أو نشر هذا النظام في الإنتاج، لا يمكنك إلقاء اللوم على هذه بلوق عشوائي (و / أو لي). استمتع على مسؤوليتك الخاصة.

تعلم الآلة للتجارة.
الذكاء الاصطناعي (منظمة العفو الدولية) وآلة التعلم (مل) هي ثورة بهدوء تقريبا جميع مجالات حياتنا. هل تعلم أن أحدث خوارزميات التداول تستخدم هذه التقنيات على نطاق واسع؟
قد يفاجأ أن تعلم أن صناديق التحوط التعلم الآلي تفوق بالفعل بشكل كبير صناديق التحوط المعمم، فضلا عن الأموال الكمية التقليدية، وفقا لتقرير فاليوالك. يمكن أن تكون أنظمة مل والذكاء الاصطناعي أدوات مفيدة بشكل لا يصدق للبشر التنقل في عملية صنع القرار المعنية مع الاستثمارات وتقييم المخاطر.
غالبا ما يكون تأثير العواطف البشرية على قرارات التداول أكبر عائق أمام التفوق في الأداء. الخوارزميات وأجهزة الكمبيوتر اتخاذ القرارات وتنفيذ الصفقات أسرع من أي إنسان يمكن، والقيام بذلك خالية من تأثير العواطف.
هناك العديد من أنواع مختلفة من التداول الخوارزمية. وفيما يلي بعض الأمثلة:
خوارزميات تنفيذ التجارة، والتي تفكك الصفقات إلى أوامر أصغر لتقليل التأثير على سعر السهم. ومن الأمثلة على ذلك استراتيجية متوسط ​​السعر المرجح (فواب) استراتيجية تنفيذ الخوارزميات التي تجعل الصفقات بناء على إشارات من بيانات السوق في الوقت الحقيقي. ومن الأمثلة على ذلك الاستراتيجيات القائمة على الاتجاهات التي تنطوي على المتوسطات المتحركة، وكسر القنوات، وحركات مستوى الأسعار والمؤشرات الفنية الأخرى. الخوارزميات الشبح / الألعاب التي تهدف إلى الكشف والاستفادة من تحركات الأسعار الناجمة عن الصفقات الكبيرة و / أو استراتيجيات خوارزمية أخرى. فرص المراجحة. على سبيل المثال، حيث يمكن أن يتداول السهم في سوقين منفصلين لسعرين مختلفين ويمكن التقاط الفرق في السعر عن طريق بيع المخزون الأعلى سعرا وشراء الأسهم الأقل سعرا.
عندما طرحت استراتيجيات التداول الخوارزمية لأول مرة، كانت مربحة بعنف وسرعان ما اكتسبت حصتها في السوق. في مايو 2017، قالت شركة أبحاث سوق رأس المال تب المجموعة أن التداول عالية التردد (هفت) شكلت 52٪ من متوسط ​​حجم التداول اليومي. ولكن مع ازدياد المنافسة، انخفضت الأرباح. في هذه البيئة الصعبة على نحو متزايد، يحتاج التجار إلى أداة جديدة لمنحهم ميزة تنافسية وزيادة الأرباح. والخبر السار هو أن الأداة هنا الآن: تعلم الآلة.
يتضمن التعلم الآلي تغذية عينات بيانات الخوارزمية، وعادة ما تكون مشتقة من الأسعار التاريخية. وتتكون عينات البيانات من متغيرات تسمى التنبؤات، فضلا عن متغير الهدف، وهو النتيجة المتوقعة. تتعلم الخوارزمية استخدام متغيرات التنبؤ للتنبؤ بالمتغير المستهدف.
يوفر التعلم الآلي عدد من المزايا الهامة على البرامج الخوارزمية التقليدية. يمكن لهذه العملية تسريع البحث عن استراتيجيات التداول خوارزمية فعالة من خلال أتمتة ما هو في كثير من الأحيان عملية شاقة، يدوية. كما أنه يزيد من عدد الأسواق التي يستطيع الفرد مراقبتها والاستجابة لها. والأهم من ذلك، أنها توفر القدرة على الانتقال من العثور على الجمعيات استنادا إلى البيانات التاريخية لتحديد والتكيف مع الاتجاهات عند تطورها. إذا كان بإمكانك أتمتة عملية أخرى يقوم بها يدويا؛ لديك ميزة تنافسية. إذا كنت تستطيع زيادة عدد الأسواق كنت في، لديك المزيد من الفرص. وفي العالم صفر مجموع من التداول، إذا كنت تستطيع التكيف مع التغيرات في الوقت الحقيقي في حين أن الآخرين يقفون لا يزال، صالحك سوف تترجم إلى الأرباح.
هناك العديد من الاستراتيجيات التي تستخدم تعلم الآلة لتحسين الخوارزميات، بما في ذلك: الانحدارات الخطية، والشبكات العصبية، والتعلم العميق، وآلات دعم ناقلات، و بايس ساذجة، على سبيل المثال لا الحصر. وتعمل صناديق معروفة مثل القلعة و رينيسانس تيشنولوجيز و بريدجواتر أسوسياتس و تو سيغما إنفستمينتس على اتباع استراتيجيات التعلم الآلي كجزء من نهجها الاستثماري. في سيغمودال، لدينا الخبرة والدراية لمساعدة التجار دمج مل في استراتيجيات التداول الخاصة بهم.
دراسة الحالة لدينا.
في أحد مشاريعنا، قمنا بتصميم نظام ذكي لتخصيص الأصول التي تستخدم التعلم العميق ونظرية المحفظة الحديثة. وتتمثل المهمة في تنفيذ استراتيجية استثمار يمكن أن تتكيف مع التغيرات السريعة في بيئة السوق.
وكان نموذج قاعدة بيانات الذكاء الاصطناعي مسؤولا عن التنبؤ بعائدات الأصول استنادا إلى البيانات التاريخية. وقد تحقق ذلك من خلال تنفيذ وحدات الذاكرة الطويلة الأجل القصيرة، والتي هي تعميم متطور للشبكة العصبية المتكررة. هذا العمارة خاصة يمكن تخزين المعلومات لخطوات زمنية متعددة، والتي جعلت ممكنة من قبل خلية الذاكرة. هذه الخاصية تمكن النموذج من معرفة أنماط زمنية طويلة ومعقدة في البيانات. ونتيجة لذلك، تمكنا من التنبؤ بالعوائد المستقبلية للأصل، فضلا عن عدم اليقين من تقديراتنا باستخدام تقنية جديدة تسمى فارياتيونال دروبوت.
من أجل تعزيز توقعاتنا، استخدمنا ثروة من بيانات السوق، مثل العملات والمؤشرات، وما إلى ذلك في نموذجنا، بالإضافة إلى العائدات التاريخية للأصول ذات الصلة. وأدى ذلك إلى أكثر من 400 سمة استخدمناها لجعل التنبؤات النهائية. وبطبيعة الحال، فإن العديد من هذه السمات كانت مترابطة. تم تخفيف هذه المشكلة من خلال تحليل المكونات الرئيسية (يكا)، مما يقلل من أبعاد المشكلة و يميز الميزات.
ثم استخدمنا توقعات العودة والمخاطر (عدم اليقين) لجميع الأصول كمدخلات لخوارزمية تحسين التباين المتوسط، والتي تستخدم حلالا من الدرجة الثانية لتقليل المخاطر لعائد معين. وتحدد هذه الطريقة تخصيص الأصول، وهي متنوعة، وتضمن أدنى مستوى ممكن من المخاطر، بالنظر إلى توقعات العائدات.
وأدى الجمع بين هذه النماذج إلى وضع استراتيجية استثمارية ولدت عائدا سنويا بنسبة 8٪، وهو ما يزيد بنسبة 23٪ عن أي استراتيجية قياسية أخرى تم اختبارها على مدى فترة سنتين. اتصل بنا لمعرفة المزيد.
استراتيجيات منظمة العفو الدولية يتفوق.
ومن الصعب العثور على بيانات الأداء لاستراتيجيات منظمة العفو الدولية نظرا لطبيعتها الملكية، ولكن شركة أبحاث صندوق التحوط يوركيدج قد نشرت بعض البيانات الإعلامية. ويعرض الرسم البياني أدناه أداء مؤشر صندوق التحوط للتعلم الآلي / الآلي للآلة مقابل صناديق التحوط والتحصيل التقليدية من 2018 إلى 2018. ويتبع المؤشر 23 صندوقا في المجموع، منها 12 صندوقا لا يزال يعيش.
يلاحظ يوركاهيدج أن:
"تفوقت صناديق التحوط للتعلم الآلي / الآلي على كل من الكوانت التقليدية ومتوسط ​​صندوق التحوط منذ عام 2018، حيث حققت عائدات سنوية بلغت 8.44٪ خلال هذه الفترة، مقارنة مع 2.62٪ و 1.62٪ و 4.27٪ ل كتا ومتابعي الاتجاه ومتوسط ​​التحوط العالمي صندوق على التوالي ".
يوفر يوركاهيدج أيضا الجدول التالي مع الوجبات السريعة الرئيسية:
الجدول 1: الأداء بالأرقام - مؤشر صندوق التحوط للتعلم الآلي / مقابل التعلم الآلي مقابل المبالغ المتداولة وصناديق التحوط التقليدية.
وقد تفوقت صناديق التحوط للتعلم الآلي / الآلي على متوسط ​​صندوق التحوط العالمي لجميع السنوات باستثناء 2018.
وباستثناء عامي 2018 و 2018، تجاوزت عائدات صناديق التحوط للتعلم الآلي / التعلم الآلي تلك الخاصة بالاستراتيجيات التقليدية للتداول المركزي للقطاعات / إدارة العقود الآجلة، في حين أن أداء المنهجية ضعيف الأداء بعد الاستراتيجيات فقط لعام 2018 عندما حقق هذا الأخير مكاسب قوية من العقود الآجلة القصيرة للطاقة.
وخالل الفرتة السنوية من خمس سنوات وثالثة وسنتني، تفوقت صناديق التحوط للتعلم اآللي / التعلم اآللي على كل من احلسابات التقليدية ومتوسط ​​صندوق التحوط العاملي الذي حقق مكاسب سنوية بلغت 7.35٪ و 9.57٪ و 10.56٪ على التوالي خالل هذه الفرتات.
كما سجلت صناديق التحوط للتعلم الآلي / التحصيل الآلي عوائد أفضل معدلة للمخاطر على مدى الفترتين السنويتين الماضيتين والثالثة سنوات مقارنة بجميع الأقران المبينة في الجدول أدناه، مع نسب شارب البالغة 1.51 و 1.53 خلال الفترتين على التوالي.
وفي حين كانت العائدات أكثر تقلبا مقارنة بمتوسط ​​صندوق التحوط (مقارنة بمؤشر صندوق التحوط في يوركاهيدج)، فإن صناديق التعلم الآلي / الآلي قد نشرت تقلبات سنوية أقل بكثير مقارنة بالاتجاهات المنهجية التالية.
ويلاحظ يوركاهيدج أيضا أن صناديق التحوط للتعلم الآلي / الآلي "ترتبط ارتباطا سلبيا بمتوسط ​​صندوق التحوط (-0.267)" ولها "علاقة إيجابية إلى هامش هامشيا مع كتا / العقود الآجلة المدارة واتجاه الاستراتيجيات التالية"، والتي تشير إلى فوائد التنويع المحتملة لاستراتيجية الذكاء الاصطناعى.
البيانات أعلاه توضح إمكانات في استخدام الذكاء الاصطناعي والتعلم الآلي في استراتيجيات التداول. لحسن الحظ، لا يزال التجار في المراحل الأولى من دمج هذه الأداة القوية في استراتيجيات التداول الخاصة بهم، مما يعني أن الفرصة لا تزال غير مستغلة نسبيا وإمكانيات كبيرة.
هنا هو مثال لتطبيق أي في الممارسة العملية.
نظام النص المالي في أريزونا (أزفينتكست)
تخيل النظام الذي يمكن رصد أسعار الأسهم في الوقت الحقيقي، والتنبؤ تحركات أسعار الأسهم على أساس تيار الأخبار. هذا بالضبط ما يفعله أزفينتكست. تعيد هذه المقالة تجربة استخدام آلة ناقلات الدعم (سفم) لتداول S & أمب؛ P-500 وحققت نتائج ممتازة. وفيما يلي الجدول الذي يظهر كيف يؤديها بالنسبة إلى أعلى 10 صناديق الاستثمار الكمي في العالم:
إستراتيجية باستخدام مؤشرات غوغل.
استخدمت إستراتيجية التداول التجريبية الأخرى مؤشرات غوغل كمتغير. هناك عدد كبير من المقالات حول استخدام مؤشرات غوغل كمؤشر للمشاعر في السوق.
وتتبعت التجربة في هذه الورقة التغيرات في حجم البحث لمجموعة من 98 عبارة بحث (بعضها يتعلق بسوق الأوراق المالية). مصطلح & كوت؛ الدين & كوت؛ تبين أن يكون أقوى، مؤشر الأكثر موثوقية أوهن توقع تحركات الأسعار في دجيا.
في ما يلي مخطط أداء تراكمي. يعرض الخط الأحمر علامة & كوت؛ شراء مع الاستمرار & كوت؛ إستراتيجية. استفادت استراتيجية مؤشرات غوغل (الخط الأزرق) بشكل كبير من عائد بنسبة 326٪.
يمكنني تعلم مل نفسي؟
تطبيق آلة التعلم إلى التداول هو توبيس واسعة ومعقدة أن يأخذ من الوقت لإتقان. ولكن إذا كنت مهتما، كنقطة انطلاق نوصي:
مرة واحدة كنت على دراية هذه المواد، وهناك ألو دورة أوداسيتي شعبية على الساخن لتطبيق أساس التعلم آلة لتداول السوق.
إذا كنت ترغب في تسريع عملية التعلم حتى، يمكنك استئجار مستشار. تأكد من طرح أسئلة صعبة قبل بدء المشروع.
أو، يمكنك جدولة مكالمة قصيرة معنا لاستكشاف ما يمكن القيام به.
أحتاج إلى أمثلة أكثر تحديدا تنطبق في قطاعي.
من خلال دمج آلة التعلم في استراتيجيات التداول الخاصة بك، يمكن لمحفظتك التقاط المزيد من ألفا. ولكن تنفيذ استراتيجية استثمار ناجحة مل هو أمر صعب - ستحتاج إلى أشخاص غير عاديين موهوبين ذوي خبرة في مجال التجارة وعلوم البيانات للوصول إلى هناك. دعونا نساعدك على البدء.
تبحث عن آلة التعلم الاستشارات؟
شارك هذا المنشور.
الحصول على رؤى جديدة حول الحصول على البيانات للعمل!
الاشتراك في التحديثات سيغمويدال.
تجربتي مع دوكر سرب - كيفية معرفة متى كنت في حاجة إليها.
في هذا المنصب أنا ذاهب لتحليل دور عامل الميناء في كل مرحلة من مراحل دورة التطبيق و هيليب؛
التعلم العميق لرؤية الكمبيوتر - تتجاوز تصنيف الصور والانحدار.
منذ عام 2018 عندما ظهرت أليكسنيت وكسر تقريبا جميع السجلات في مسابقات تصنيف الصور، والمناظر الطبيعية من و هيليب.

تعلم آلة تداول العملات الأجنبية
لا يزال لديك سؤال؟ اسأل بنفسك!
MQL4، ولكن الزحف قبل أن تمشي واستخدام بعض المنتجات "لغة سهلة" أولا فقط لمعرفة كيف أنها 'إعادة تنظيم، وريتن، الخ تحقق من أبي آي بي أيضا. قد تفكر في فتح حسابين أو ثلاثة حسابات، ربما نقيصا من النقد الأجنبي (ميتا) ثم تلتزم بما هو أفضل بالنسبة لك. كل شركة لديها التعليم رهيبة والناس للتحدث إلى، والأسواق وأنواع مختلفة من المنتديات لترتد الأفكار الخروج من.
خذ بعين الاعتبار سوق "ميتاتريدر" أيضا، وسحب بعض المنتجات لإلقاء نظرة تحت غطاء محرك السيارة.
مدونات دخول جيدة حول هذا الموضوع:
أنا أتفق تماما مع دوغ دايلي 's الإجابة، ولكن يمكنني محاولة لإضافة قليلا من منظور نأمل.
MQL4 هو الطريق للذهاب على ترميز الاستراتيجيات الخاصة بك. يمكن أن تساعدك الخلفية الهندسية الخاصة بك في الدخول المشروط والهيكل الخروج لأنظمة التداول الخاصة بك. مرة واحدة لديك لهم في مكان، يمكنك باكتست النظام الخاص بك على التاريخ لتحديد القضايا المحتملة، من هناك له التغيير والتبديل فقط على الظروف الخاصة بك حصيلة تحصل على نتائج مواتية. الترميز MQL4 يمكن أن تساعدك على تسريع تلك العملية.
المفتاح هو التأكد من أن لديك ما يكفي من البيانات والتاريخ لاختبار على منصة Mt4.
هناك الكثير من التفاصيل الدقيقة لفهم قبل أن تتمكن من القيام باكتست دقيق دقيق على الظروف.
معرفة وفهم مهارات التداول الأساسية لتحديد الاتجاهات، والتوحيد، وإيجاد إشارات الدخول وإدارة الأموال هو المفتاح للوصول إلى نظام جيد بسرعة. وإلا فإنك قد تختبر لفترة طويلة.
أتمنى أن يساعدك هذا.
آلة التعلم لديها العديد من المزايا. هذا هو الموضوع الساخن الآن. بالنسبة للتاجر أو مدير الصندوق، فإن السؤال ذو الصلة هو "كيف يمكنني تطبيق هذه الأداة الجديدة لتوليد المزيد من ألفا؟". في ما يلي مشاركة تستكشف نموذجا واحدا يجيب على هذا السؤال في سلسلة من المدونات.
تقدم لك هذه المدونة نبذة موجزة عن الشرائح التالية:
الحصول على البيانات وجعلها صالحة للاستعمال. إنشاء فرط المعلمات. تقسيم البيانات إلى مجموعات اختبار وتدريب. الحصول على أفضل المعلمات تناسب لإنشاء وظيفة جديدة. جعل التنبؤات والتحقق من الأداء. وأخيرا، بعض المواد الغذائية للفكر.
يمكنك قراءة المقال كاملا هنا:
ومن المتوقع ان يكون الجزء 2 فى الاسبوع القادم.
أولا كنت حقا بحاجة لمعرفة ما يعمل وما لا يعمل قبل الذهاب في طريق تطوير خوارزمية الخاصة بك. التجار جميع الأرباح من أوجه القصور في السوق، لذلك معرفة ما عدم الكفاءة هو أنك تريد استهداف، والتي سوف تقودك في اتجاه هذا النوع من النموذج سوف تحتاج إلى بناء من أجل حصاد الأرباح.
وتنخفض أوجه القصور في السوق في حركة الأسعار إلى فئتين عريضتين هما الزخم (الاتجاهات السائدة تميل إلى أن تستمر) ومتوسط ​​العائد (عندما يتحرك السعر بعيدا عن متوسطه، فإنه يميل إلى العودة إليه). ويتطلب كل واحد منها نهجا مختلفا عند وضع استراتيجية للتجارة.
مقدمة جيدة لتطوير الاستراتيجية، فضلا عن التعلم الآلي هو التحليل الفني الكمي من قبل هوارد باندي، والتي يمكن أن أوصي بشدة.
وأخيرا، حذر من أن تكون الرحلة طويلة. تصبح تاجر ناجح هو سباق الماراثون، وليس سباقا. التفكير مرة أخرى إلى متى استغرق لك لتصبح مهندس يتقن. سيتعين تطبيق جدول زمني مماثل ليصبح تاجر متقن.
ويرتبط كل شيء إلى إجراءات ألغوترادينغ الخاص بك، يجب أن يكون لديك واحد، والتعلم الآلي هو مجرد خطوة أخرى إلى الأمام لأتمتة التداول ومستويات الدخول / الخروج تحسين.
نموذج الرسم البياني أومل على أساس التقلب كمثال هو ما يلي:
إستراتيجية ألغوترادينغ في هذا المثال تحسب البيانات في الوقت الحقيقي لتأكيد الاتجاه وتعظيم الربح من خلال مستويات الدخول والخروج المناسبة. (نموذج التحوط القائم على التحوط القائم)
وستكون خطوة التعلم الآلي هي الجمع بين هذه الاستراتيجية والاختبارات الخلفية فضلا عن مجموعة من البيانات الحية لتحسين / تعظيم الربح وتقليل الخسائر في كل حالة التقى. لذلك، التكيف وضبط مستويات الدخول / الخروج لأداء أفضل الطرق!
(وهذا هو مقدمة للتعلم الآلي مع البيانات والأهداف المحدودة)
انظر الآن الهندسة المعمارية المحتملة:
النظر في هذا باعتباره بنية محتملة لتعلم آلة التطبيق مخصص للتداول. يتم تأمين حساب البيانات وقاعدة البيانات على خادم سحابة، بجانب موقع السوق، وتوفير حل إدارة استراتيجية ألغوترادينغ قوية وذات الصلة.
عندما يمكن أن يكون موجودا حساب آلة التعلم على خوادم سحابة، لتحقيق أقصى قدر من الوقت الحقيقي القدرة على حساب البيانات على نطاق واسع والتسويات في الوقت الحقيقي.
وعلى الرغم من أن الحل البديل قد يكون حسابا خارج الخط مما يؤدي إلى تحسين النظام في الوقت المحدد.
تنويه: هذا ليس التماس ولا تعزيز للتجارة المال الحقيقي، يجب أن نفهم أن التداول المال الحقيقي وضع ثروتك في خطر وأنه من الصعب للغاية أن تكون مربحة في الأسواق المالية. لذلك يجب عليك ممارسة فقط على منصة محاكاة والانضمام النادي الاستثماري المحلي لتحسين المهارات الخاصة بك.
إتراد هي مبادرة تعليمية.
الآن أيام الكثير من برامج التداول التلقائي تم إدخالها في السوق ل MT4 وكذلك MT5.
تحتاج إلى تحليل أي استراتيجية تريد التجارة أيضا البحث عن أداء حقيقي التحقق من صحة الحساب على الموقع قبل شراء أي، قد تجد بعض من أدناه الذي يشارك أيضا استراتيجية تقنية للدراسة واستخدام قبل شراء أي.
سوف تعلم الآلة تساعدك على طريقة رائعة في بناء نماذج تنبؤية لتعزيز تداول الفوركس الخاص بك. نماذج الانحدار والتصنيف يمكن أن تساعد على زيادة الربحية وأنا أقول هذا من التجربة. لقد قمت مؤخرا بضعة من الدورات على الانترنت التي ساعدتني على فهم كيفية رمز خوارزميات التعلم الآلي للتداول! أود أن أوصي لك للتسجيل لهذا بالطبع واستخدام إمكانات التعلم الآلي لتعزيز عوائد التداول الخاص بك!

الميكانيكية الفوركس.
التداول في سوق الفوركس باستخدام استراتيجيات التداول الميكانيكية.
تعلم الآلات في تجارة الفوركس: لماذا العديد من الأكاديميين يفعلون كل شيء خاطئ.
بناء استراتيجيات التعلم آلة التي يمكن الحصول على نتائج لائقة في ظل ظروف السوق الحية كانت دائما تحديا هاما في التداول الخوارزمية. على الرغم من كمية كبيرة من الفائدة والمكافآت المحتملة لا يصدق، لا تزال هناك أي منشورات الأكاديمية التي هي قادرة على إظهار تعلم آلة جيدة النماذج التي يمكن أن تعالج بنجاح مشكلة التداول في السوق الحقيقي (إلى حد علمي، بعد تعليق إذا كان لديك واحد وأنا & # 8217؛ ليرة لبنانية تكون أكثر من سعداء لقراءتها). 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 & # 8217؛ الصورة 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 التي تتعلق بك 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؛ والتي يجب أن نفترض يحدث في بعض الحالات على الأقل & # 8211؛ ثم يضيف المشكلة أيضا قدرا كبيرا من البيانات التحيز التعدين. كما أن المسألة الكاملة المتمثلة في القيام بعملية تدريب / التحقق من صحة واحدة تولد أيضا مشكلة تتعلق بكيفية تطبيق هذه الخوارزمية عند التداول المباشر. وبحكم التعريف فإن التداول المباشر سيكون مختلفا لأن اختيار مجموعات التدريب / الاختبار يحتاج إلى إعادة تطبيقه على بيانات مختلفة (كما هو الحال الآن، فإن مجموعة الاختبارات هي بيانات غير معروفة حقا). والتحيز المتأصل في الاختيار الأولي في العينة / خارج العينة، وعدم وجود أي قواعد مختبرة للتداول في ظل بيانات غير معروفة يجعل هذه التقنيات تفشل عادة في التداول المباشر. إذا تم تدريب خوارزمية مع بيانات 2000-2018 وتم التحقق من صحتها مع بيانات 2018-2018، فلا يوجد سبب يدعو إلى الاعتقاد بأن نفس النجاح سيحدث إذا تم تدريبه في بيانات الفترة من 2003 إلى 2018 ثم تم تداوله من 2018 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 الأدبيات تقيس مزايا تقنيات خوارزمية جديدة من خلال محاولة قياس قدرتها على التنبؤات الصحيحة للهيئة. التنبؤات الصحيحة لا تعادل بالضرورة تداول مربح كما يمكنك أن ترى بسهولة عند بناء المصنفات الثنائية. إذا حاولت التنبؤ بالشمعة القادمة و # 8217؛ s الاتجاه 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؛ معظم تلك التي لا تعمل & # 8211؛ في نهاية المطاف التنبؤ الاتجاه مع دقة أعلى من 50٪، ولكن لم تتجاوز المستوى المطلوب لتجاوز اللجان التي من شأنها أن تسمح تداول الخيارات الثنائية مربحة.
لبناء استراتيجيات التي هي في الغالب التخلص من المشاكل المذكورة أعلاه لقد دعت دائما لمنهجية يتم إعادة تدريب خوارزمية تعلم الآلة قبل اتخاذ أي قرار التدريب. باستخدام نافذة متحركة للتدريب وعدم اتخاذ أكثر من قرار واحد دون إعادة تدريب خوارزمية كاملة يمكننا التخلص من التحيز الاختيار الذي هو متأصل في اختيار مجموعة واحدة في العينة / خارج العينة. وبهذه الطريقة الاختبار كله هو سلسلة من التدريبات / التحقق من صحة التي تنتهي في نهاية المطاف ضمان أن خوارزمية التعلم الآلي يعمل حتى في ظل مجموعات بيانات التدريب مختلفة بشكل كبير. وأنا أيضا أدعو إلى قياس الأداء الفعلي باكتستينغ لقياس خوارزمية التعلم الآلي & # 8217؛ ق الجدارة وعلاوة على ذلك أود أن تذهب إلى حد القول بأن أي خوارزمية يمكن أن تكون قيمة ملحها دون أن يثبت في ظل ظروف حقيقية خارج العينة . تطوير الخوارزميات بهذه الطريقة هو أصعب بكثير وأنا لم أكن العثور على ورقة أكاديمية واحدة التي تتبع هذا النوع من النهج (إذا فاتني أنه لا تتردد في نشر رابط 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+ سنوات لاختبار النظم، ودائما إعادة التدريب بعد كل آلة التعلم المستمدة القرار) وإجراء اختبارات تقييم التحيز التعدين البيانات الكافية لتحديد الثقة التي نحن يمكن القول أن النتائج لا تأتي من فرصة عشوائية. صديقي ألغوترادرجو & # 8211؛ الذي يحدث أيضا أن يكون عضوا في بلدي التداول المجتمع & # 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 F4 فريميورك يرجى النظر في الانضمام أسيريكوي، موقع مليئة أشرطة الفيديو التعليمية ونظم التداول والتنمية وصوت صادق واتباع نهج شفاف تجاه التداول الآلي.
5 الردود على & # 8220؛ آلة التعلم في تجارة الفوركس: لماذا العديد من الأكاديميين يفعلون كل خطأ & # 8221؛
مادة كبيرة، والمشاكل التي تسليط الضوء هي بالتأكيد صالحة للنظام متانة!
سؤال لدي، هل من الطبيعي أن أقول إي للقيام به بشكل جيد جدا في زوج معين والقيام الرهيبة في جميع الآخرين؟
أو، يجب أن قوية إي القيام بشكل جيد في عدة أزواج على الأقل، من دون أي تغيير في الإعدادات!
شكرا، على أفكارك العظيمة.
هذا السؤال مثير للاهتمام؛ س). وأعتقد أن السؤال هو أفضل صياغة كما & # 8220؛ يمكن أن النظام الذي يبقى على زوج واحد فقط توليد عائدات عندما يعيش تداول؟ & # 8221؛ والجواب هو نعم (سواء من الناحية النظرية ومن تجربتي الخاصة). عدم وجود إرجاع على زوج واحد فقط لا يعني أن النظام & # 8220؛ سيء & # 8221؛ بل يعني ببساطة أنه يستغل عدم الكفاءة التاريخية التي لا توجد إلا على صك واحد. شريطة أن تأخذ الرعاية من مصادر التحيز (مثل التحيز التعدين البيانات والتحيز منحنى المناسب) ليس هناك سبب لماذا هذا لن يعمل.
الآن، إذا كان لديك نظام يعمل عبر العديد من الرموز ثم التحيز التعدين البيانات سوف تكون أضعافا مضاعفة لنظام متساو الذي يعمل فقط على رمز واحد والانحياز المناسب منحنى سيكون أيضا أقل بسبب استخدام المزيد من البيانات. لذلك أود أن أقول أنه & # 8217؛ ق أفضل، ولكن بالتأكيد ليس مطلوبا.
ولكن تذكر، قياس التحيزات الإحصائية الخاصة بك!
أنا سعيد جدا أن قلت أنه ليس من الضروري تحقيق الربح في جميع أزواج! أيضا منحنى المناسب، كيف يمكن للمرء أن يعرف الحد من التغيير والتبديل المسموح به قبل أن تصبح جاهزة؟
وأخيرا، لقد فعلت اختبار بسيط جدا باستخدام معيار عداء متحرك إي على MT4، لمعرفة أي أزواج سوف تتفاعل على نطاق واسع إلى ما. أنا باكستد 52 زوجا لمعرفة كم & # 8216؛ فترة الانتقال & # 8217؛ بين (1-20) من شأنه أن يحقق ربحا، بغض النظر عن السحب. كنت أتساءل ما جعل لكم من النتائج!
* 5 سنوات فترة الاختبار.
* تراجع لا يقاس.
* 52 أزواج اختبار.
* إعدادات اختبار (الفترات 1-20).
1 23 أزواج، لا ربح على أي إعدادات شريط 1-20.
2 6 أزواج، يمكن أن تجعل الربح فقط على 1 الإعداد.
3 14 أزواج فقط، عاد الربح على 5، أو أكثر إعدادات مختلفة.
4 5 أزواج فقط، عاد الربح على 10، أو أكثر إعدادات مختلفة.
1 بتكوسد 19 إعدادات من أصل 20، حققت أرباحا.
تحتاج إلى التمييز بين التحيز منحنى المناسب والتحيز التعدين البيانات (أو على الأقل هذين النوعين مختلف من التحيز، ولكن قد ترغب في الاتصال بهم). التحيز منحنى المناسب هو التحيز التي تم إنشاؤها من خلال إيجاد عدم الكفاءة عبر مجموعة من البيانات، يجيب على السؤال: هو نظام بلدي العثور على شيء عام أو شيء معين للبيانات التي أستخدمها؟ تحييد البيانات التعدين يجيب على السؤال: هو نظام بلدي العثور على عدم الكفاءة التاريخية الحقيقية أو هي النتائج فقط بسبب عملية التعدين بلدي (يعني القادمة من فرصة عشوائية)؟
من خلال زيادة المسافات المعلمة ودرجات الحرية كنت زيادة التحيز التعدين البيانات (أنت أكثر عرضة للعثور على نظام فقط عن طريق الصدفة، بدلا من النظام الذي يتداول عدم الكفاءة التاريخية الحقيقية). يمكنك قياس التحيز استخراج البيانات باستخدام اختبار مثل الأبيض & # 8217؛ ق الاختيار واقع. إن القيام بهذا النوع من الاختبارات أمر أساسي لتصميم الإستراتيجية الموثوق بها.
اقرأ المزيد عن هذا التمييز بين التحيزات هنا:
اقرأ أيضا هذه الورقة حول الموضوع:
قبل السكن في تعقيدات تصميم نظام التداول وإيجاد استراتيجيات للتداول أنا المشورة بقوة الحصول على تشكيل الصلبة في الإحصاءات (كورسيرا إحصاءات الدورات هي بداية مجانية ممتازة). سوف إحصاءات تعطيك القدرة على تحليل النتائج الخاصة بك ومنهجية معالجة أسئلة مثل هذه؛ س)
[& # 8230؛] تعلم الآلات في تجارة الفوركس: لماذا العديد من الأكاديميين يفعلون كل شيء خاطئ [الميكانيكية الفوركس] 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 جيدة آلة التعلم التي يمكن أن تعالج بنجاح مشكلة التداول في ريال مدريد [& # 8230؛]

تعلم الآلة للتجارة.
عرضت في جورجيا تيش كما كس 7646.
برنامج نانوديجري.
مهندس تعلم الآلة.
جعل نماذج التنبؤ.
تسريع حياتك المهنية مع الاعتماد الذي يسير لك النجاح في العمل.
حول هذه الدورة.
يقدم هذا المساق للطلاب تحديات العالم الحقيقي لتنفيذ استراتيجيات التعلم القائم على التعلم الآلي بما في ذلك الخطوات الحسابية من جمع المعلومات لأوامر السوق. وينصب التركيز على كيفية تطبيق نهج التعلم الآلي الاحتمالية لقرارات التداول. ونحن نعتبر النهج الإحصائية مثل الانحدار الخطي، كن والأشجار الانحدار وكيفية تطبيقها على حالات تداول الأسهم الفعلية.
تكلفة الدورة.
تقريبا. 4 اشهر.
مستوى المهارة.
وشملت في الدورة.
محتوى التعلم الغني.
تدرس من قبل الايجابيات الصناعة.
دعم الطلاب المجتمع.
الانضمام إلى الطريق إلى العظمة.
هذه الدورة المجانية هي الخطوة الأولى نحو مهنة جديدة مع مهندس تعلم آلة نانوديجري البرنامج.
دورة مجانية.
تعلم الآلة للتجارة.
تعزيز المهارات الخاصة بك مجموعة وتعزيز هيرابيليتي الخاص بك من خلال التعلم المستقل والمستقل.
برنامج نانوديجري.
مهندس تعلم الآلة.
تسريع حياتك المهنية مع الاعتماد الذي يسير لك النجاح في العمل.
يؤدي الدورات.
تاكر بالش.
أربان تشاكرابورتي.
ما سوف تتعلم.
وتتكون هذه الدورة من ثلاث دورات مصغرة:
ميني-كورس 1: التعامل مع البيانات المالية في بيثون ميني-كورس 2: الحسابية الاستثمار ميني-كورس 3: خوارزميات التعلم الآلي للتداول.
كل دورة مصغرة تتكون من حوالي 7-10 دروس قصيرة. التعاقدات والمشاريع متشابكة.
خريف 2018 طلاب أومز: سيكون هناك اختبارين - واحد نصفي بعد مصغرة بالطبع 2، وامتحان نهائي واحد.
المتطلبات والمتطلبات.
يجب أن يكون لدى الطلاب مهارات تشفير قوية وبعض الإلمام بأسواق الأسهم. لا يفترض أي تمويل أو تجربة التعلم الآلي.
لاحظ أن هذه الدورة تخدم الطلاب مع التركيز على علوم الكمبيوتر، وكذلك الطلاب في التخصصات الأخرى مثل هندسة النظم الصناعية، والإدارة، أو الرياضيات الذين لديهم تجارب مختلفة. جميع أنواع الطلاب هي موضع ترحيب!
قد تكون موضوعات مل & كوت؛ مراجعة & كوت؛ لطلاب كس، في حين أن أجزاء التمويل سيتم استعراض للطلاب المالية. ومع ذلك، حتى لو كان لديك خبرة في هذه المواضيع، وسوف تجد أن نعتبرها بطريقة مختلفة مما كنت قد رأيت من قبل، وخاصة مع النظر نحو تنفيذ للتداول.
سوف تكون البرمجة في المقام الأول في بيثون. ونحن سوف تجعل الاستخدام الكثيف للمكتبات الحوسبة العددية مثل نومبي والباندا.
لماذا تأخذ هذه الدورة.
في نهاية هذا المقرر، يجب أن تكون قادرا على:
فهم هياكل البيانات المستخدمة في التداول الخوارزمي. معرفة كيفية بناء البرمجيات للوصول إلى بيانات الأسهم الحية، وتقييمه، واتخاذ قرارات التداول. فهم 3 خوارزميات التعلم الآلي شعبية وكيفية تطبيقها على مشاكل التداول. فهم كيفية تقييم أداء خوارزمية تعلم الآلة في بيانات سلاسل زمنية (بيانات سعر السهم). معرفة كيف ولماذا استخراج البيانات (التعلم الآلي) تقنيات تفشل. إنشاء نظام تداول الأوراق المالية التي تستخدم البيانات اليومية الحالية.
بعض القيود / القيود:
نحن نستخدم البيانات اليومية. هذه ليست دورة هفت، ولكن العديد من المفاهيم هنا ذات الصلة. نحن لا نتفاعل (التجارة) مباشرة مع السوق، ولكننا سوف تولد تخصيصات الأسهم التي يمكن أن التجارة إذا كنت ترغب في ذلك.
على ماذا أحصل؟
أشرطة الفيديو المعلم تعلم عن طريق القيام تمارين تدرس من قبل المتخصصين في هذا القطاع.
الدورات ذات الصلة.
تفاعل الإنسان والحاسوب.
تحليلات البيانات الكبيرة في الرعاية الصحية.
مقدمة لأمن المعلومات.
عملية تطوير البرمجيات.
أنظمة التشغيل المتقدمة.
أمن الشبكة.
دورات شعبية.
تعلم عميق.
الذكاء الاصطناعي - المنطق، التفكير، والتخطيط.
الذكاء الاصطناعي - معالجة اللغات الطبيعية.
البرامج المميزة.
فقط في أوداسيتي.
البرامج.
اعمال.
"نانوديجري" هي علامة تجارية مسجلة ل أوداسيتي. &نسخ؛ 2018 & نداش؛ 2018 أوداسيتي، Inc.
أوداسيتي ليست جامعة معتمدة ونحن لا تمنح درجة.