Mesin belajar forex prediksi

Saya tidak begitu yakin, jika pertanyaan ini sesuai di sini. Baru-baru ini saya mulai, membaca dan belajar tentang pembelajaran mesin. Dapatkah seseorang melemparkan sedikit cahaya ke bagaimana cara melakukannya atau lebih tepatnya siapa pun dapat berbagi pengalaman mereka dan beberapa petunjuk dasar tentang bagaimana melakukannya atau setidaknya mulai menerapkannya untuk melihat beberapa hasil dari rangkaian data Bagaimana ambisius melakukan suara ini Juga, apakah menyebutkan tentang Algoritma standar yang harus dicoba atau dilihat saat melakukan ini. Tanya Feb 1 11 at 18:35 Sepertinya ada kesalahan mendasar bahwa seseorang bisa ikut serta belajar beberapa mesin belajar atau algoritma AI, mengaturnya sebagai kotak hitam, memukul pergi, dan duduk kembali saat mereka pensiun. Saran saya untuk Anda: Pelajari statistik dan pembelajaran mesin terlebih dahulu, lalu khawatirkan bagaimana menerapkannya pada masalah yang diberikan. Tidak ada makan siang gratis disini. Analisis data adalah kerja keras. Baca Unsur-Unsur Pembelajaran Statistik (pdf tersedia secara gratis di situs web), dan jangan mulai mencoba membangun model sampai Anda memahami setidaknya 8 bab pertama. Begitu Anda memahami statistik dan pembelajaran mesin, Anda perlu belajar bagaimana melakukan backtest dan membangun model perdagangan, menghitung biaya transaksi, dll. Yang merupakan keseluruhan area lainnya. Setelah Anda menangani analisis dan keuangan, maka akan agak jelas bagaimana cara menerapkannya. Inti dari algoritma ini mencoba menemukan cara untuk menyesuaikan model dengan data dan menghasilkan bias dan varians yang rendah dalam prediksi (yaitu bahwa kesalahan uji coba dan uji coba akan rendah dan serupa). Berikut adalah contoh sistem perdagangan dengan menggunakan mesin vektor pendukung di R. namun perlu diingat bahwa Anda akan melakukan tindakan merugikan diri sendiri jika Anda tidak meluangkan waktu untuk memahami dasar-dasarnya sebelum mencoba menerapkan sesuatu yang esoteris. Hanya untuk menambahkan pembaruan yang menghibur: Baru-baru ini saya menemukan tesis master ini: Kerangka Perdagangan Algoritma Novel yang Menerapkan Evolusi dan Pembelajaran Mesin untuk Optimalisasi Portofolio (2012). Ini merupakan tinjauan ekstensif terhadap pendekatan pembelajaran mesin yang berbeda dibandingkan dengan pembelian dan pemilikan. Setelah hampir 200 halaman, mereka mencapai kesimpulan dasar: Tidak ada sistem perdagangan yang bisa mengungguli benchmark saat menggunakan biaya transaksi. Tak perlu dikatakan lagi, ini tidak berarti bahwa itu tidak dapat dilakukan (saya havent menghabiskan waktu untuk meninjau metode mereka untuk melihat validitas pendekatan ini), namun pastinya memberikan beberapa bukti yang mendukung teorema makan siang tanpa makan. Jawab Feb 1 11 at 18:48 Jase Sebagai salah satu penulis tesis master tersebut saya dapat mengutip karya saya sendiri dan mengatakan: quotJika ada yang benar-benar mencapai hasil yang menguntungkan, tidak ada insentif untuk membaginya, karena akan meniadakan keuntungan mereka. Meskipun hasil kita mungkin memberi dukungan pada hipotesis pasar, hal itu tidak menghalangi adanya sistem yang bekerja. Ini mungkin seperti teori probabilitas: quotIt berspekulasi bahwa terobosan di bidang teori probabilitas telah terjadi beberapa kali, namun tidak pernah dibagikan. Ini bisa jadi karena aplikasi praktisnya dalam perjudian. quot Kemudian lagi, mungkin ini semua alkimia modern. Ndash Andr233 Christoffer Andersen 30 Apr 13 at 10:01 Saran saya untuk Anda: Ada beberapa cabang Artificial Artificial Intelligence (MLAI) di luar sana: www-formal. stanford. edujmcwhatisainode2.html Saya hanya mencoba pemrograman genetika dan beberapa jaringan syaraf tiruan, dan Secara pribadi saya berpikir bahwa pembelajaran dari cabang pengalaman nampaknya paling potensial. GPGA dan jaring syaraf nampaknya merupakan metodologi yang paling sering dieksplorasi untuk tujuan prediksi pasar saham, namun jika Anda melakukan beberapa data mining di Predict Wall Street. Anda mungkin bisa melakukan analisis sentimen juga. Luangkan waktu untuk mempelajari berbagai teknik MLAI, temukan beberapa data pasar dan cobalah menerapkan beberapa algoritma tersebut. Masing-masing akan memiliki kekuatan dan kelemahannya, namun Anda mungkin bisa menggabungkan prediksi setiap algoritma menjadi prediksi gabungan (serupa dengan apa yang dilakukan oleh pemenang Hadiah NetFlix). Beberapa Sumber: Berikut adalah beberapa sumber yang mungkin ingin Anda lihat: Chatter: Konsensus umum di antara para pedagang adalah bahwa Kecerdasan Buatan adalah sains voodoo, Anda tidak dapat membuat komputer memprediksi harga saham dan Anda pasti akan kehilangan uang Anda jika Anda mencoba lakukanlah. Meskipun demikian, orang yang sama akan mengatakan kepada Anda bahwa hanya satu-satunya cara menghasilkan uang di pasar saham adalah membangun dan memperbaiki strategi trading Anda sendiri dan mengikutinya dengan cermat (sebenarnya bukan ide yang buruk). Gagasan algoritma AI bukan untuk membangun Chip dan membiarkannya berdagang untuk Anda, tapi untuk mengotomatisasi proses pembuatan strategi. Its proses yang sangat membosankan dan tidak berarti mudah :). Meminimalkan Overfitting: Seperti yang telah kita dengar sebelumnya, masalah mendasar dengan algoritma AI adalah overfitting (alias bias datamining): Dengan satu set data, algoritma AI Anda mungkin menemukan pola yang sangat relevan dengan rangkaian pelatihan. Tapi mungkin tidak relevan dalam set tes. Ada beberapa cara untuk meminimalkan overfitting: Gunakan set validasi. Ini tidak memberi umpan balik pada algoritme, namun ini memungkinkan Anda mendeteksi kapan algoritme Anda berpotensi mulai terlalu banyak (misalnya Anda dapat menghentikan pelatihan jika terlalu banyak overfitting). Gunakan pembelajaran mesin secara online. Itu sebagian besar menghilangkan kebutuhan untuk pengujian balik dan sangat berlaku untuk algoritma yang mencoba membuat prediksi pasar. Ensemble Belajar. Memberi Anda cara untuk menggunakan banyak algoritma pembelajaran mesin dan menggabungkan prediksi mereka. Asumsinya adalah bahwa berbagai algoritma mungkin memiliki kelebihan data di beberapa area, namun kombinasi prediksi mereka yang benar akan memiliki kekuatan prediksi yang lebih baik. Dua aspek pembelajaran statistik berguna untuk perdagangan 1. Pertama, yang disebutkan sebelumnya: beberapa metode statistik berfokus untuk mengerjakan dataset hidup. Ini berarti bahwa Anda tahu bahwa Anda hanya mengamati sampel data dan Anda ingin melakukan ekstrapolasi. Anda harus berurusan dengan dalam sampel dan di luar masalah sampel, overfitting dan sebagainya. Dari sudut pandang ini, data-mining lebih terfokus pada dataset mati (misalnya Anda dapat melihat hampir semua data, Anda hanya memiliki satu contoh masalah) daripada pembelajaran statistik. Karena pembelajaran statistik adalah tentang mengerjakan dataset hidup, matematika terapan yang dihadapinya harus dipusatkan pada dua masalah sisik: Biarkan X ampamp Ftheta (Xn, xi) ampamp L (pi (Xn), n) ujung kanan. Dimana X adalah ruang negara (multidimentional) untuk dipelajari (Anda memiliki variabel penjelas dan yang Anda prediksi), F berisi dinamika X yang memerlukan beberapa parameter theta. Keacakan X berasal dari inovasi xi, yaitu i. i.d. Tujuan pembelajaran statistik adalah untuk membangun metodologi L sebagai masukan pi observasi parsial X dan secara progresif menyesuaikan perkiraan hattheta theta, sehingga kita akan mengetahui semua hal yang dibutuhkan pada X. Jika Anda berpikir untuk menggunakan pembelajaran statistik untuk menemukan Parameter regresi linier. Kita bisa memodelkan ruang negara seperti ini: underbrace yx end right) biarkan mulai amp amp amp 1 1 amp 0 amp 0 akhir kanan cdot underbrace x 1 epsilon end right) yang dengan demikian memungkinkan untuk mengamati (y, x) n pada n manapun Inilah theta (a, b). Maka Anda perlu menemukan cara untuk secara progresif membangun estimator theta dengan menggunakan pengamatan kami. Mengapa tidak turunan gradien pada jarak L2 antara y dan regresi: C (topi a, hat b) n sum (yk - (topi a, xk hat b)) 2 Berikut gamma adalah skema pembobotan. Biasanya cara bagus untuk membangun estimator adalah dengan menuliskan kriteria untuk meminimalkan dan menerapkan keturunan gradien yang akan menghasilkan skema pembelajaran L. Kembali ke masalah generik awal kita. Kita memerlukan beberapa matematika terapan untuk mengetahui kapan beberapa sistem dinamik dalam (X, hattheta) bertemu, dan kita perlu mengetahui bagaimana membangun skema estimasi L yang bertemu dengan theta asli. Untuk memberi petunjuk pada hasil matematis seperti itu: Sekarang kita bisa kembali ke aspek kedua dari pembelajaran statistik yang sangat menarik bagi strategi trader quant: 2. Hasil yang digunakan untuk membuktikan efisiensi metode pembelajaran statistik dapat digunakan untuk membuktikan efisiensi Algoritma perdagangan Untuk melihat itu sudah cukup untuk membaca lagi sistem dinamika gabungan yang memungkinkan untuk menulis pembelajaran statistik: kiri M ampamp Frho (Mn, xi) ampamp L (pi (Mn), n) ujung kanan. Sekarang M adalah variabel pasar, rho mendasari PnL, L adalah strategi trading. Ganti saja kriteria dengan memaksimalkan PnL. Lihat misalnya pembagian pesanan secara optimal di seluruh kolam likuiditas: pendekatan algoritma stochatic oleh: Gilles Pags, Sophie Laruelle, Charles-Albert Lehalle. Dalam tulisan ini, penulis menunjukkan kepada siapa untuk menggunakan pendekatan ini untuk membagi pesanan secara optimal di berbagai kolam gelap yang berbeda sekaligus mempelajari kemampuan kolam untuk menyediakan likuiditas dan menggunakan hasilnya untuk diperdagangkan. Alat pembelajaran statistik dapat digunakan untuk membangun strategi perdagangan iteratif (kebanyakan bersifat iteratif) dan membuktikan efisiensinya. Jawaban singkat dan brutal adalah: Anda tidak. Pertama, karena ML dan Statistik bukanlah sesuatu yang bisa Anda perintah dengan baik dalam satu atau dua tahun. Waktu yang saya rekomendasikan untuk belajar sesuatu yang tidak sepele adalah 10 tahun. ML bukan resep untuk menghasilkan uang, tapi hanya sarana lain untuk mengamati kenyataan. Kedua, karena ahli statistik yang baik mengetahui bahwa memahami data dan masalah domain adalah 80 dari pekerjaan. Itulah mengapa Anda memiliki statistik yang berfokus pada analisis data Fisika, genomik, sabermetri dll. Sebagai catatan, Jerome Friedman, rekan penulis ESL yang dikutip di atas, adalah seorang fisikawan dan masih memegang posisi sopan santun di SLAC. Jadi, studi Statistik dan Keuangan selama beberapa tahun. Sabar. Pergilah jalanmu sendiri Jarak tempuh bisa berbeda. Jawab 9 Feb 11 jam 4:41 saya sangat setuju Hanya karena Anda tahu mesin belajar dan statistik, itu tidak berarti bahwa Anda tahu bagaimana menerapkannya untuk membiayai. Ndash Dr. Mike 10 Agustus 11 di 20:25 Hal yang perlu diingat adalah Anda tidak akan melakukan trading melawan orang-orang, Anda akan trading melawan algoritma kecerdasan buatan lainnya yang mengamati tumpukan perdagangan Anda, dan dengan marah menghitung kemungkinan bahwa Kolektif akan tercengang oleh penurunan produksi dan mengambil kerugian kecil itu dalam menciptakan sebuah spikedip dan membodohi semua AI tersebut untuk berhenti, dan kemudian memutar kembali ke dalamnya dan mengendarai ombaknya, mendapatkan kerugian Anda. Pasar saham adalah permainan dengan jumlah nol, perlakukan seperti memasuki pertandingan tinju pro, jika Anda seorang veteran berusia 20 tahun, Anda akan kehilangan pemain belakang pada 13/05 16 at 1:56 Salah satu aplikasi dasarnya adalah meramalkan tekanan finansial. Dapatkan banyak data dengan beberapa perusahaan yang telah gagal bayar, dan lainnya yang havent, dengan berbagai informasi dan rasio keuangan. Gunakan metode pembelajaran mesin seperti SVM untuk melihat apakah Anda dapat memprediksi perusahaan mana yang akan default dan mana yang tidak. Gunakan SVM di masa depan ke perusahaan default dengan probabilitas tinggi dan perusahaan gagal jangka pendek yang rendah, dengan hasil penjualan singkat. Ada pepatah quotPicking uang di depan rollersquot uap. Anda melakukan hal yang setara dengan menjual uang yang tidak terjangkau. Dalam kasus ini, Anda akan menghasilkan keuntungan kecil selama bertahun-tahun, kemudian benar-benar dibersihkan saat pasar meleleh setiap 10 tahun sekali. Ada juga strategi setara yang membeli out-of-the-money: mereka kehilangan uang selama bertahun-tahun, lalu melakukan pembunuhan saat pasar meleleh. Lihat Talabs The Black Swan. Ndash Contango 5 Jun 11 at 22:20 Ingatlah bahwa perusahaan internasional telah menghabiskan ratusan miliar dolar dan jam kerja untuk mendapatkan pemikiran kecerdasan buatan terbaik dan paling cemerlang selama 40 tahun terakhir ini. Saya telah berbicara dengan beberapa menara pikiran yang bertanggung jawab atas alpha di Citadel dan Goldman Sachs, dan keangkuhan dari para pemula untuk berpikir bahwa mereka dapat mengumpulkan sebuah algoritma yang akan berjalan kaki sampai kaki dengan mereka, dan menang, hampir sama konyolnya dengan Seorang anak mengatakan bahwa dia akan melompat ke bulan. Good luck anak, dan hati-hati untuk Marsers ruang. Bukan untuk mengatakan juara baru tidak bisa dibuat, tapi kemungkinannya bertentangan dengan Anda. Ndash Eric Leschinski 13 Feb at 2:00 Salah satu kemungkinan yang patut ditelusuri adalah menggunakan alat bantu belajar mesin vektor pendukung di platform Metatrader 5. Pertama, jika Anda tidak mengenalnya, Metatrader 5 adalah platform yang dikembangkan bagi pengguna untuk menerapkan perdagangan algoritmik di pasar forex dan CFD (Saya tidak yakin apakah platform tersebut dapat diperluas ke saham dan pasar lainnya). Ini biasanya digunakan untuk strategi analisis berbasis teknik (yaitu menggunakan indikator berdasarkan data historis) dan digunakan oleh orang-orang yang ingin mengotomatisasi perdagangan mereka. Alat Belajar Mesin Vektor Support telah dikembangkan oleh salah satu komunitas pengguna untuk memungkinkan mesin vektor pendukung diterapkan pada indikator teknis dan saran mengenai perdagangan. Versi demo gratis dari alat ini dapat didownload di sini jika Anda ingin menyelidiki lebih lanjut. Seperti yang saya mengerti, alat ini menggunakan data harga historis untuk menilai apakah perdagangan hipotetis di masa lalu pasti berhasil. Kemudian mengambil data ini beserta nilai historis dari sejumlah indikator yang dapat disesuaikan (MACD, oscillators dll), dan menggunakan ini untuk melatih mesin vektor pendukung. Kemudian menggunakan mesin vektor pendukung yang terlatih untuk memberi sinyal pada perdagangan buysell masa depan. Sebuah desciption yang lebih baik dapat ditemukan di link. Saya telah bermain-main dengannya sedikit dengan beberapa hasil yang sangat menarik, namun seiring dengan semua strategi trading algoritmik saya merekomendasikan pengujian balik yang solid sebelum membawanya ke pasar live. Jawab 10 Des 12 di 11:59 Maaf, tapi meski digunakan sebagai contoh populer dalam pembelajaran mesin, tidak ada yang pernah mencapai prediksi pasar saham. Ini tidak bekerja karena beberapa alasan (lihat jalan acak oleh Fama dan sedikit lainnya, kesalahan keputusan rasional, asumsi yang salah). Namun, yang paling menarik adalah jika berhasil, seseorang bisa menjadi orang yang sangat kaya. Dalam beberapa bulan, pada dasarnya memiliki seluruh dunia. Karena ini tidak terjadi (dan Anda bisa yakin semua bank telah mencobanya), kami memiliki bukti bagus, bahwa itu tidak berhasil. Selain itu: Menurut Anda, bagaimana Anda akan mencapai puluhan ribu profesional yang gagal, dengan menggunakan metode yang sama dengan yang mereka miliki, ditambah sumber daya yang terbatas dan hanya versi dasar metode mereka yang dijawab pada 4 Juni pukul 7:47. Alasan paling meyakinkan: strategi memiliki batasan kapasitas, yaitu tingkat di mana dampak pasar Anda akan melebihi alfa yang ada, bahkan dengan asumsi Anda memiliki modal tak terbatas. Saya tidak yakin apa yang Anda maksud dengan prediksi pasar kutipan (indeks futures ETF39s), namun pastinya ada banyak orang yang membuat prediksi jangka pendek, dan mendapatkan keuntungan dari mereka, setiap hari di pasar. Ndash afekz 23 Nov 15 at 13:19 Aku echo banyak dari apa yang ditulis Shane. Selain membaca ESL, saya akan menyarankan studi statistik yang lebih mendasar lagi. Selain itu, masalah yang saya gambarkan dalam pertanyaan lain mengenai pertukaran ini sangat relevan. Secara khusus, masalah bias datamining adalah penghambat jalan yang serius terhadap strategi berbasis pembelajaran mesin. Pembelajaran Remaja dengan algoTraderJo Bergabung Desember 2014 Status: Anggota 383 Posting Halo sesama pedagang, saya memulai thread ini dengan harapan dapat berbagi dengan Anda beberapa perkembangan saya. Di bidang pembelajaran mesin. Meskipun saya mungkin tidak berbagi dengan Anda penerapan sistem atau pengkodean yang tepat (jangan berharap untuk mendapatkan apa pun untuk dicekal dan mainkan dan menjadi kaya dari thread ini) Saya akan berbagi ide, hasil eksperimen, dan kemungkinan aspek lain dari pekerjaan saya. Saya memulai thread ini dengan harapan bisa saling berbagi ide dan saling membantu memperbaiki implementasi kami. Saya akan memulai dengan beberapa strategi pembelajaran mesin sederhana dan kemudian akan membahas hal-hal yang lebih kompleks seiring berjalannya waktu. Harap Anda menikmati perjalanan Bergabung Desember 2014 Status: Anggota 383 Posting Saya ingin memulai dengan mengatakan beberapa hal mendasar. Saya minta maaf jika struktur posting saya meninggalkan banyak hal yang diinginkan, saya tidak memiliki pengalaman dalam posting forum tapi berharap bisa mendapatkan beberapa waktu. Dalam mesin belajar apa yang ingin kita lakukan hanyalah menghasilkan prediksi yang berguna untuk trading kita. Untuk membuat prediksi ini, kami menghasilkan model statistik dengan menggunakan seperangkat contoh (keluaran yang diketahui dan beberapa masukan, kami memiliki prediktif untuk memprediksi keluaran tersebut), kami kemudian membuat prediksi tentang keluaran yang tidak diketahui (data terbaru kami) dengan menggunakan model yang kami buat dengan Contohnya. Untuk jumlah itu, ini adalah proses quotimplequot dimana kita melakukan hal berikut: Pilih apa yang ingin kita prediksi (ini akan menjadi target kita) Pilih beberapa variabel input yang menurut kita dapat memprediksi target kita Membangun satu set contoh menggunakan data masa lalu Dengan masukan dan target kami Buat model dengan menggunakan contoh-contoh ini. Sebuah model hanyalah sebuah mekanisme matematis yang menghubungkan target input Membuat prediksi target menggunakan input terakhir yang diketahui Perdagangan menggunakan informasi ini Saya ingin mengatakan dari awal bahwa sangat penting untuk menghindari melakukan apa yang banyak makalah akademis tentang pembelajaran mesin lakukan, Yaitu mencoba membangun model dengan contoh contoh yang sangat besar dan kemudian mencoba membuat prediksi jangka panjang pada set kuadran-of-samplequot. Membangun model dengan 10 tahun data dan kemudian mengujinya pada dua yang terakhir tidak masuk akal, tunduk pada banyak jenis bias statistik yang akan kita bahas nanti. Secara umum Anda akan melihat bahwa model pembelajaran mesin yang saya bangun dilatih di setiap bar (atau setiap kali saya perlu membuat keputusan) dengan menggunakan jendela data yang bergerak untuk membangun contoh (hanya contoh terkini yang dianggap relevan). Tentu, pendekatan ini tidak asing dengan beberapa jenis bias statistik tapi kita menyingkirkan serangga di ruang baca saat menggunakan pendekatan sampel-sampel yang luas dari kebanyakan dokumen akademis (yang, tidak mengherankan, sering mengarah pada pendekatan yang tidak biasa Sebenarnya bermanfaat untuk berdagang). Ada tiga hal yang perlu diperhatikan saat membangun model pembelajaran mesin: Apa yang harus diprediksi (target apa) Apa yang harus diprediksi dengan (input mana) Bagaimana menghubungkan target dan masukan (model apa) Sebagian besar dari apa yang akan saya sebutkan Di thread ini akan fokus pada menjawab pertanyaan-pertanyaan ini, dengan contoh yang sebenarnya. Jika Anda ingin menulis pertanyaan yang mungkin Anda miliki dan saya akan mencoba memberikan jawaban atau memberi tahu Anda jika saya akan menjawabnya nanti. Bergabung Desember 2014 Status: Anggota 383 Posting Mari kita turun ke bisnis sekarang. Contoh praktis yang nyata menggunakan pembelajaran mesin. Misalkan kita ingin membangun model yang sangat sederhana dengan menggunakan satu set input yang sangat sederhana. Untuk percobaan ini, inilah jawaban atas pertanyaan: Apa yang harus diprediksi (target apa) - gt Arah keesokan harinya (bullish atau bearish) Apa yang harus diprediksi dengan (input mana) - gt Arah 2 hari sebelumnya Bagaimana Untuk menghubungkan target dan input (model apa) - gt Sebuah klasifikasi linier classifier Model ini akan mencoba memprediksi directionality dari bar harian berikutnya. Untuk membangun model kami, kami mengambil 200 contoh terakhir (arah hari sebagai target dan petunjuk dua hari sebelumnya sebagai masukan) dan kami melatih pengklasifikasi linier. Kami melakukan ini di awal setiap bar setiap hari. Jika kita memiliki contoh di mana dua hari bullish mengarah ke hari bearish, inputnya akan menjadi 1,1 dan targetnya adalah 0 (0bearish, 1bullish), kita menggunakan 200 contoh ini untuk melatih model pada setiap batang. Kami berharap bisa membangun hubungan dimana arah dua hari menghasilkan beberapa probabilitas di atas acak untuk memprediksi arah hari dengan benar. Kami menggunakan stoploss sebesar 50 dari periode 20 hari rata-rata True Range pada setiap perdagangan. Attached Image (klik untuk memperbesar) Simulasi teknik ini dari tahun 1988 sampai 2014 pada EURUSD (data sebelum 1999 adalah DEMUSD) di atas menunjukkan bahwa model tersebut tidak memiliki perolehan keuntungan yang stabil. Sebenarnya model ini mengikuti jalan acak negatif yang bias, yang membuatnya kehilangan uang sebagai fungsi penyebaran (3 pips di sim saya). Lihatlah kinerja yang tampaknya tak terduga yang kita miliki di tahun 1993-1995 dan pada tahun 2003-2005, di mana tampaknya kita dapat berhasil memprediksi ke depannya directionality menggunakan model linier sederhana dan hasil dua hari terakhir. Contoh ini menunjukkan beberapa hal penting. Misalnya, bahwa dalam rentang waktu yang pendek (yang bisa jadi beberapa tahun), Anda dapat dengan mudah tertipu oleh keacakan - Anda dapat menganggap bahwa Anda memiliki sesuatu yang benar-benar tidak benar. Ingat bahwa model dibangun kembali di setiap bar, dengan menggunakan contoh masukan masukan 200 yang lalu. Apa hal lain yang menurut Anda bisa Anda pelajari dari contoh ini Post your thoughts Well. Sehingga Anda memperkirakan bahwa pembeli atau penjual akan masuk. Hmm, tapi apa hubungannya dengan harga naik atau turun 100 pips Price dapat bereaksi dengan berbagai cara - mungkin hanya tangki untuk beberapa waktu (sementara semua limit order terisi) Dan kemudian terus bergerak lebih jauh. Hal ini juga dapat menelusuri kembali 5, 10, 50 atau bahkan 99 pips. Dalam semua kasus ini, Anda agak benar tentang pembeli atau penjual yang masuk, tapi Anda harus mengerti bahwa analisis ini tidak banyak kaitannya dengan perdagangan Anda dari 90pip menjadi 100pip. Ya, Anda benar Ini adalah sebagian besar alasan mengapa kita mendapatkan hasil buruk saat menggunakan algoritma pemetaan linier. Karena profitabilitas kita kurang terkait dengan prediksi kita. Memprediksi bahwa hari-hari bullishbearish adalah penggunaan terbatas jika Anda tidak tahu berapa harga akan bergerak. Mungkin prediksi Anda benar hanya pada hari-hari yang memberi Anda 10 pips dan Anda mendapatkan semua hari yang memiliki directional 100 pip benar-benar salah. Apa yang akan Anda pertimbangkan sebagai target yang lebih baik untuk metode pembelajaran mesin Ya, Anda benar Ini adalah sebagian besar alasan mengapa kita mendapatkan hasil yang buruk saat menggunakan algoritma pemetaan linier. Karena profitabilitas kita kurang terkait dengan prediksi kita. Memprediksi bahwa hari-hari bullishbearish adalah penggunaan terbatas jika Anda tidak tahu berapa harga akan bergerak. Mungkin prediksi Anda benar hanya pada hari-hari yang memberi Anda 10 pips dan Anda mendapatkan semua hari yang memiliki directional 100 pip benar-benar salah. Apa yang akan Anda pertimbangkan sebagai target yang lebih baik untuk metode pembelajaran mesin Katakanlah jika Anda memiliki 100 pip TP dan SL, saya ingin memprediksi mana yang lebih dulu: TP atau SL Contoh: TP datang pertama 1 SL datang pertama 0 (atau -1, Namun Anda memetakannya) Belajar Mesin di Forex Trading: Mengapa banyak akademisi melakukan semuanya salah Strategi pembelajaran teknik mesin yang dapat memperoleh hasil yang layak dalam kondisi live market selalu menjadi tantangan penting dalam perdagangan algoritmik. Meskipun ada banyak minat dan imbalan potensial yang luar biasa, masih belum ada publikasi akademis yang dapat menunjukkan model pembelajaran mesin yang baik yang dapat berhasil mengatasi masalah perdagangan di pasar sebenarnya (sepengetahuan saya, kirimkan komentar jika Anda memiliki satu dan saya akan lebih dari senang untuk membacanya). Meskipun banyak makalah yang diterbitkan tampaknya menunjukkan hasil yang menjanjikan, seringkali kasus-kasus ini masuk dalam berbagai masalah bias statistik yang berbeda yang membuat keberhasilan pasar nyata dari strategi pembelajaran mesin mereka sangat tidak mungkin terjadi. Pada hari ini, saya akan membahas masalah yang saya lihat dalam penelitian akademis yang terkait dengan pembelajaran mesin di Forex dan bagaimana saya yakin penelitian ini dapat ditingkatkan untuk menghasilkan informasi yang lebih bermanfaat bagi komunitas akademis dan perdagangan. Sebagian besar perangkap dalam desain strategi pembelajaran mesin saat melakukan trading Forex pasti diwariskan dari dunia masalah belajar deterministik. Ketika membangun algoritma pembelajaran mesin untuk sesuatu seperti pengenalan wajah atau pengenalan huruf ada masalah yang didefinisikan dengan baik yang tidak berubah, yang umumnya ditangani dengan membangun model pembelajaran mesin pada subkumpulan data (satu set pelatihan) dan kemudian menguji jika Model dapat memecahkan masalah dengan benar dengan menggunakan pengingat data (kumpulan pengujian). Inilah sebabnya mengapa Anda memiliki beberapa set data yang terkenal dan mapan yang dapat digunakan untuk membangun kualitas teknik pembelajaran mesin yang baru dikembangkan. Poin utamanya di sini adalah, bahwa masalah yang awalnya ditangani oleh pembelajaran mesin sebagian besar bersifat deterministik dan waktu mandiri. Ketika bergerak dalam perdagangan, menerapkan filosofi yang sama menghasilkan banyak masalah yang terkait dengan karakter non-deterministik sebagian dari pasar dan ketergantungan waktunya. Tindakan hanya mencoba untuk memilih set pelatihan dan pengujian memperkenalkan sejumlah besar bias (bias pemilihan data) yang menciptakan masalah. Jika seleksi diulang untuk memperbaiki hasil pada set pengujian 8211 yang harus Anda asumsikan terjadi pada setidaknya beberapa kasus 8211 maka masalahnya juga menambahkan sejumlah besar bias data-mining. Seluruh masalah dalam melakukan latihan latihan tunggal juga menghasilkan masalah yang berkaitan dengan bagaimana algoritma ini diterapkan saat live trading. Menurut definisi, live trading akan berbeda karena pemilihan set pelatihan harus diaplikasikan kembali ke data yang berbeda (seperti sekarang set pengujian benar-benar data yang tidak diketahui). Bias yang melekat pada pemilihan tahap sampel awal sampel dan tidak adanya peraturan yang diuji untuk diperdagangkan dengan data yang tidak diketahui membuat teknik semacam itu gagal dalam trading secara umum. Jika sebuah algoritma dilatih dengan data 2000-2012 dan telah divalidasi dengan data 2012-2015, tidak ada alasan untuk percaya bahwa keberhasilan yang sama akan terjadi jika dilatih pada data tahun 2003-2015 dan kemudian diperdagangkan dari 2015 sampai 2017, kumpulan data Sangat berbeda sifatnya. Mengukur keberhasilan algoritma juga menjadi masalah yang sangat relevan disini. Mau tidak mau algoritma pembelajaran mesin yang digunakan untuk perdagangan harus diukur berdasarkan kemampuan mereka untuk menghasilkan hasil yang positif namun beberapa literatur mengukur kelebihan teknik algoritmik baru dengan mencoba memberi patokan kemampuan mereka untuk mendapatkan prediksi yang benar. Prediksi yang benar tidak selalu sama dengan perdagangan yang menguntungkan karena Anda dapat dengan mudah melihat saat membangun penggandaan biner. Jika Anda mencoba meramalkan arah candle8217s berikutnya Anda masih bisa membuat kerugian jika Anda benar-benar berada pada lilin kecil dan salah pada lilin yang lebih besar. Sebenarnya sebagian besar jenis pengklasifikasi ini kebanyakan adalah teknik yang paling banyak digunakan dalam akurasi di atas, namun tidak di atas tingkat yang dibutuhkan untuk mengungguli komisi yang memungkinkan perdagangan opsi biner yang menguntungkan. Untuk membangun strategi yang sebagian besar menyingkirkan masalah di atas, saya selalu menganjurkan metodologi di mana algoritma pembelajaran mesin dilatih sebelum membuat keputusan pelatihan. Dengan menggunakan jendela bergerak untuk pelatihan dan tidak pernah membuat lebih dari satu keputusan tanpa melatih kembali seluruh algoritme, kita dapat menyingkirkan bias seleksi yang melekat dalam memilih satu kumpulan sampel sampel tunggal. Dengan cara ini seluruh tes adalah rangkaian latihan latihan latihan yang akhirnya memastikan bahwa algoritma pembelajaran mesin bekerja bahkan di bawah kumpulan data pelatihan yang sangat berbeda. Saya juga menganjurkan pengukuran kinerja backtesting aktual untuk mengukur algoritma pembelajaran mesin dan lebih jauh lagi saya akan mengatakan bahwa tidak ada algoritma yang bisa bernilai garamnya tanpa terbukti dalam kondisi out-of-sample yang sesungguhnya. Mengembangkan algoritma dengan cara ini jauh lebih sulit dan saya tidak menemukan satu makalah akademis yang mengikuti pendekatan jenis ini (jika saya merindukannya, merasa bebas untuk mengirim tautan sehingga saya dapat memasukkan komentar). Ini tidak berarti bahwa metodologi ini benar-benar bebas masalah, bagaimanapun, masih tunduk pada masalah klasik yang relevan dengan semua latihan pengembangan strategi, termasuk bias kurva dan bias data-mining. Inilah sebabnya mengapa juga penting untuk menggunakan sejumlah besar data (saya menggunakan 25 tahun untuk menguji sistem, selalu berlatih ulang setelah setiap keputusan belajar dari mesin) dan melakukan tes evaluasi bias data mining yang memadai untuk menentukan kepercayaan yang dengannya kita dapat Mengatakan bahwa hasilnya tidak datang dari kesempatan acak. Teman saya AlgoTraderJo 8211 yang juga kebetulan anggota komunitas perdagangan saya 8211 saat ini mengembangkan sebuah thread di ForexFactory mengikuti jenis filosofi yang sama untuk pengembangan pembelajaran mesin, karena kami mengerjakan beberapa algoritma pembelajaran mesin baru untuk komunitas perdagangan saya. Anda bisa merujuk pada tulisannya atau posting terakhir di blog saya untuk beberapa contoh algoritma pembelajaran mesin yang dikembangkan dengan cara ini. Jika Anda ingin mempelajari lebih lanjut tentang perkembangan kami dalam pembelajaran mesin dan bagaimana Anda juga dapat mengembangkan strategi pembelajaran mesin Anda sendiri dengan menggunakan kerangka kerja F4, pertimbangkan untuk bergabung dengan Asirikuy. Sebuah situs yang berisi video pendidikan, sistem perdagangan, pengembangan dan pendekatan yang jujur, jujur ​​dan transparan terhadap perdagangan otomatis.