Trading-strategy-machine-learning

Trading-strategy-machine-learning

Tunjangan perdagangan forex-pajak-uk-uk
Pialang opsi-biner-2013-2013
Biner-pilihan-broker-diatur-oleh-cftc-website


Forex-trading-company-in-philippines-time Trade-binary-options-with-metatrader-4 Simple-trading-strategy-for-forex Turbo forex Gratis-biner-pilihan-grafik-etoro-review Forex-trading-malaysia-lowyat-forum

Belajar Mesin dan Perdagangan Otomatis Pendek Besar (saya menyukainya) Mencari strategi perdagangan dengan backtests yang menguntungkan - UPDATE Saya memiliki beberapa percakapan yang sangat menarik karena saya menawarkan kerangka perdagangan intraday non-publik saya untuk mendapatkan informasi mengenai strategi yang menguntungkan, oleh karena itu saya Ingin memperpanjang panggilan terbatas hanya waktu ini tanpa batas waktu. Perhatikan bahwa saya tidak mencari ide strategi. Saya memiliki banyak dari mereka sendiri. Tantangannya tidak terletak pada ide yang ada, tapi dalam memilih yang benar dan mengujinya sampai akhir, kapan Anda akan tahu bahwa itu berhasil atau tidak. Faktor kritis di sini adalah waktu. Jadi, apa dasarnya saya adalah perdagangan yang telah saya investasikan ke dalam pengembangan kerangka perdagangan intraday yang solid dengan waktu yang telah Anda investasikan untuk mengembangkan strtategy perdagangan yang menguntungkan. Ini bisa menjadi strategi saham, ETF, future atau option. Semua diskusi dan pertukaran informasi akan dijaga kerahasiaannya. Saya tentu saja terbuka untuk membicarakan ide secara murni, tapi tolong jangan mengharapkan saya untuk mengujinya untuk Anda dan jangan mengeluh jika saya menerapkannya tanpa meminta persetujuan Anda. Panggilan untuk Proposal Mencari strategi perdagangan dengan backtests yang menguntungkan Sampai 15 Juni. Saya menerima proposal untuk strategi perdagangan yang menjanjikan pada indeks saham, mata uang dan sahambondcommodity. Strategi ini harus menguntungkan dalam backtesting dan memiliki rasio sharpe tahunan minimal 1,0. Pada tanggal 1 Juli, dua strategi yang paling menjanjikan akan dipilih dan penulis mereka dapat memilih salah satu dari opsi berikut: 1) Dapatkan salinan lengkap dan gratis dari kerangka kerja perdagangan non publik yang disempurnakan berdasarkan R yang telah saya kembangkan dan gunakan Sejak 2012 dan bisa penulis gunakan untuk live trading strategi mereka dengan Interactive Brokers. (Versi publik yang disederhanakan dapat didownload di sini) 2) Masuk ke dalam kesepakatan kerja sama di mana saya akan berkomitmen untuk menerapkan strategi mereka di R dan perdagangan kertas selama maksimal tiga bulan. Semua perdagangan individu akan dibagi dengan penulis saat mereka tiba. Selain itu, kode R yang spesifik untuk strategi (bukan kode kerangka kerja perdagangan) akan diserahkan kepada penulis strategi. Apa yang harus disampaikan: Deskripsi lengkap tentang strategi ditambah daftar perdagangan ditambah waktu pengembalian kode backtest atau kode Roctavepython yang dapat digunakan secara langsung untuk menghitung backsest return timeseries, bersama dengan dataset lengkap harga yang digunakan di backtest. Kirimkan ke email saya yang tersedia di bagian Kontak Pembaruan Kerangka Perdagangan Intraday R murni Akhirnya saya menemukan waktu untuk melakukan ini. Lama tertunda. Kerangka kerja sekarang berjalan dengan versi terbaru (unix) dari IB TWSGW (versi 9493 dan yang lebih tinggi). Hal ini sendiri membutuhkan penulisan kembali parsial beberapa fungsi dari paket IBrokers R yang hebat namun sekarang sedikit usang oleh Jeff Ryan. Juga konfigurasi default untuk trading EURUSD telah diupdate sehingga sekarang menjadi sepotong kue untuk menjalankan contoh strategi dummy. Cukup kloning repo git ke mesin lokal Anda. GithubcensixINTRADAY-PartAB dan ikuti README. Sesuatu tentang Hardware Aku masih penggemar memiliki logam saya sendiri. Tentu, melakukan hal-hal dengan gambar mesin yang dapat dikonfigurasi di awan sangat populer karena Anda tidak perlu repot mengelola perangkat keras Anda sendiri, namun, bukankah kerumitan itu benar-benar hanya menjadi masalah bagi organisasi besar di mana ratusan pengguna harus tetap bahagia di Biaya minimal Begitu juga awan bukan hanya solusi untuk masalah orang-orang yang harus mengelola skala, tapi pada saat bersamaan mencoba menjual-pada solusi itu ke joe individu di luar sana yang, mari menghadapinya, tidak benar-benar membutuhkannya. Bagaimanapun, seperti yang saya katakan, saya adalah penggemar yang memiliki logam saya sendiri. Hardware off-the-shelf yang murah bisa membawa Anda jauh jika Anda meluangkan waktu untuk mengkonfigurasinya dengan benar. Sebuah desktop RAM 16-64Gb dengan satu atau bahkan dua GPU akan cukup banyak melakukan apapun yang Anda butuhkan. Tampaknya strategi backtesting menggunakan lebih banyak sumber daya komputasi daripada perdagangan live aktual, oleh karena itu hari ini Anda dapat menyiapkan dan menjalankan strategi intraday dari laptop yang layak dengan keyakinan, sedangkan untuk backtesting dan penelitian Anda benar-benar menginginkan monster CPU RAM GPU Di atas atau sekelompok kecil supercomputing kecil Anda sendiri, seperti yang baru saja saya jelaskan di sini. Murni R Intraday trading framwork Download lengkap tersedia Saya telah membuat INTRADAY-PartA.tar.gz dan INTRADAY-PartB.tgz tersedia untuk didownload. Censixdownloads.html Menemukan hubungan antara aset yang dapat digunakan untuk arbitrase statistik Alih-alih berfokus pada peramalan arah harga dan volatilitas harga dengan model nonlinier yang diperoleh dengan metode pembelajaran mesin, alternatifnya adalah mencoba dan menemukan hubungan harga yang dapat dieksploitasi antara aset kelas yang sama. Dan bereaksi (trade) ketika terjadi kesalahan penulisan, dengan kata lain, melakukan arbitrase statistik. Dalam arti ini mungkin lebih mudah daripada mencoba meramalkan harga, karena satu-satunya yang harus dilakukan adalah menemukan hubungan linier atau linier yang relatif stabil antara satu kelompok dengan setidaknya dua aset dan mengasumsikan bahwa, sejak saat Pendeteksiannya, hubungan itu akan berlanjut untuk beberapa waktu ke depan. Perdagangan dengan asumsi ini kemudian sangat banyak proses reaktif yang dipicu oleh pergerakan harga yang menyimpang secara signifikan dari hubungan model. Perdagangan Pasangan Tradisional dan perdagangan assetts dalam VECM (Vector Error Correction Model) adalah contoh yang baik untuk statarb dengan menggunakan model linier. Jadi mengapa tidak menggunakan jaringan syaraf tiruan satu lapisan atau bahkan RBM untuk menemukan hubungan harga non linier antara dua aset tidak terkointegrasi dan jika proses penemuan ini berhasil, lakukan perdagangan dengan cara yang mirip dengan pasangan klasik. Hal menjadi lebih menarik lagi bila kelompok dengan lebih dari dua aset dipertimbangkan. Ini kemudian akan menjadi ekuivalen non-linear dari VECM. Pilihan Fitur Breadth vs Depth Katakanlah kita memiliki target predikat predecessition univariat yang bisa berupa regresi atau klasifikasi tipe, dan kita harus memutuskan fitur input apa yang akan dipilih. Lebih konkretnya, kita memiliki sekumpulan besar timeseries yang bisa kita gunakan sebagai masukan dan kita ingin tahu berapa banyak yang harus kita pilih (luasnya) dan juga seberapa jauh ke belakang kita ingin mencari masing-masing (kedalaman). Ada dua dimensi ruang pilihan, dibatasi oleh empat kasus ekstrem berikut, dengan asumsi bahwa kita memiliki total seri N dan paling tidak kita dapat melihat kembali timesteps K: (1) hanya memilih satu seri dan tampilan balik Satu timestep, (2) pilih hanya satu seri dan lookback K timesteps, (3) pilih seri N dan lihat satu timestep, (4) pilih seri N dan lookback K timesteps. Pilihan yang optimal kemungkinan besar bukan salah satunya, karena (1) dan (2) mungkin tidak mengandung cukup informasi prediksi dan (3) dan terutama (4) tidak dapat dilakukan karena kontraksi komputasi atau mengandung terlalu banyak noise acak. Cara yang disarankan untuk mendekati ini adalah mulai dari kecil pada (1), lihat kinerja apa yang Anda dapatkan, dan kemudian tingkatkan ukuran ruang masukan, baik secara luas atau mendalam, sampai Anda mencapai kinerja prediksi yang memuaskan atau sampai Anda lelah. Sumber daya komputasi Anda dan perlu untuk mengabaikan keseluruhan pendekatan :( atau beli desktop baru (pertanian) :) Menggunakan Stacked Autoencoders dan Mesin Boltzmann yang Dibekukan di R 12 Februari 2014 Stacked Autoencoders (SAs) dan Mesin Boltzmann yang Dibatasi ( RBM) adalah model yang sangat kuat untuk pembelajaran tanpa pengawasan. Sayangnya, pada saat penulisan ini terlihat seolah-olah tidak ada implementasi R langsung yang tersedia, yang mengejutkan karena kedua tipe model telah ada selama beberapa waktu dan R memiliki implementasi untuk jenis model pembelajaran mesin lainnya. Sebagai solusi, SA dapat diimplementasikan dengan menggunakan salah satu dari beberapa paket jaringan syaraf R yang cukup cepat (nnet, AMORE) dan RBMs, nah, seseorang harus menulis implementasi R yang baik untuk mereka. Namun mengingat bahwa pelatihan kedua tipe model ini membutuhkan banyak sumber daya komputasi, kami juga menginginkan implementasi yang bisa memanfaatkan GPU. Jadi saat ini solusi paling sederhana yang kita miliki adalah menggunakan Theano. Ini bisa menggunakan GPU dan ini menyediakan implementasi autoencoders dan RBM yang ditumpuk (denoising). Selain kode PythonTheano untuk beberapa varian Mesin Boltzmann lainnya yang lebih eksotis juga beredar di net. Kita bisa menggunakan rPython untuk memanggil fungsi Python ini dari R tapi tantangannya adalah data. Mendapatkan dataset besar bolak-balik antara R dan Python tanpa menggunakan serialisasi ascii yang mengimplementasikan rPython (terlalu lambat) perlu dipecahkan. Implementasi autoencoders setidaknya sama kuat yang mendukung penggunaan GPU tersedia melalui kerangka kerja Torch7 (demo). Namun, fungsi Torch7 dipanggil menggunakan lua dan memanggilnya dari dalam R alih-alih akan memerlukan beberapa pekerjaan di tingkat C. Sebagai kesimpulan: Gunakan Theano (Python) atau Torch7 (lua) untuk model pelatihan dengan dukungan GPU dan tuliskan model yang dilatih untuk diajukan. Di R, impor model yang dilatih dari file dan digunakan untuk prediksi. Update 25 April 2014: Solusi bagus berikut Call Python dari R melalui Rcpp harus membawa kita selangkah lebih dekat untuk menggunakan Theano secara langsung dari R. Frekuensi apa untuk Perdagangan. 13 Januari 2014 Saat mencoba menemukan pola pasar yang dapat dieksploitasi yang bisa diperdagangkan sebagai pedagang eceran, salah satu pertanyaan pertama adalah: Frekuensi perdagangan apa yang harus dilihat pada Harian Mingguan Bulanan atau intraday antara 5 detik sampai 1 jam Dengan waktu terbatas yang tersedia untuk Melakukan penelitian pada semua rentang waktu ini, ini menjadi pertanyaan penting untuk dijawab. Saya dan orang lain telah mengamati bahwa tampaknya ada hubungan yang sederhana antara frekuensi perdagangan dan jumlah usaha yang dibutuhkan untuk menemukan strategi yang menguntungkan yang murni kuantitatif dan memiliki risiko yang dapat diterima. Singkatnya: Semakin rendah (lambat) frekuensi yang Anda inginkan untuk diperdagangkan, semakin pintar strategi menguntungkan Anda. Sebagai contoh, orang bisa melihat frekuensi spektrum yang sangat tinggi, di mana strategi pemasaran berdasarkan matematika yang sangat sederhana bisa sangat menguntungkan, jika Anda berhasil cukup dekat ke pusat pasar. Mengambil lompatan besar ke ranah frekuensi harian, menjadi jauh lebih sulit untuk menemukan strategi kuantitatif yang menguntungkan sementara masih didasarkan pada matematika yang agak sederhana. Perdagangan dalam interval mingguan dan bulanan, dengan menggunakan metode kuantitatif sederhana atau indikator teknis hanya merupakan resep bencana yang sangat bagus. Jadi, dengan asumsi sejenak hubungan ini memang benar dan juga mengingat bahwa kita dapat dan ingin menggunakan teknik pembelajaran mesin yang canggih dalam strategi trading kita, kita dapat memulai dengan jendela frekuensi mingguan dan berjalan menuju frekuensi yang lebih tinggi. Perdagangan mingguan tidak harus otomatis sama sekali dan bisa dilakukan dari antarmuka pialang berbasis web. Kita bisa mengembangkan sekumpulan strategi, menggunakan data historis yang tersedia untuk umum dikombinasikan dengan algoritma pembelajaran favorit kita untuk menemukan pola pasar yang dapat diperdagangkan dan kemudian menjalankan strategi secara manual. Pada skala ini, semua upaya harus dilakukan untuk menemukan dan menyempurnakan strategi kuantitatif dan pemikiran yang sangat kecil perlu dimasukkan ke dalam eksekusi perdagangan. Upaya otomasi perdagangan: 0. Strategi yang dibutuhkan cerdas: 100 Perdagangan harian harus otomatis, kecuali Anda benar-benar dapat mendedikasikan porsi tetap hari Anda untuk memantau pasar dan mengeksekusi perdagangan. Mengintegrasikan algoritma pembelajaran mesin dengan perdagangan harian otomatis bukanlah tugas sepele, namun bisa dilakukan. Upaya otomasi perdagangan: 20, Kebutuhan kecerdasan strategi: 80 Pada rentang waktu intraday, mulai dari menit dan detik sampai sub-detik, usaha yang harus Anda lakukan untuk mengotomatisasi perdagangan Anda dapat berada di manapun dalam kisaran antara 20 dan 90. Untungnya semakin kecil Skala waktu menjadi bodoh strategi Anda, tapi bisu tentu saja merupakan konsep relatif di sini. Upaya otomasi perdagangan: 80, dibutuhkan kecerdasan Strategi: 20 Fitur apa yang digunakan. Hand-crafted vs. pelajari 10 Desember 2013 Pada satu titik dalam perancangan sistem pembelajaran (mesin), Anda pasti akan bertanya kepada diri sendiri fitur apa yang akan dimasukkan ke model Anda. Setidaknya ada dua pilihan. Yang pertama adalah menggunakan fitur hand-crafted. Pilihan ini biasanya akan memberi Anda hasil yang bagus jika fitur dirancang dengan baik (tentu saja ini adalah tautologi, karena Anda hanya akan menyebutnya dirancang dengan baik jika memberi hasil yang bagus.). Merancang fitur buatan tangan memerlukan pengetahuan ahli tentang bidang dimana sistem pembelajaran akan diterapkan, yaitu klasifikasi audio, pengenalan gambar atau dalam kasus kami. Masalahnya di sini adalah Anda mungkin belum memiliki pengetahuan ahli tersebut (dan) dan akan sangat sulit didapat atau membutuhkan banyak waktu atau kemungkinan besar keduanya. Jadi alternatifnya adalah dengan mempelajari fitur dari data atau dengan kata lain, gunakan pembelajaran tanpa pengawasan untuk mendapatkannya. Satu persyaratan di sini adalah Anda benar-benar membutuhkan banyak data. Jauh lebih banyak dari yang Anda butuhkan untuk fitur buatan tangan, tapi sekali lagi itu tidak perlu diberi label. Namun manfaatnya jelas. Anda tidak perlu menjadi ahli dalam bidang spesifik yang Anda desain untuk sistem, yaitu perdagangan dan keuangan. Jadi, sementara Anda masih perlu mencari tahu bagian mana dari fitur terpelajar yang terbaik untuk sistem pembelajaran Anda, itu juga merupakan sesuatu yang harus Anda lakukan dengan fitur buatan tangan. Saran saya: Cobalah merancang beberapa fitur buatan tangan sendiri. Jika mereka tidak melakukan dan Anda memiliki alasan bagus untuk percaya bahwa kemungkinan menghasilkan lebih baik daripada hasil yang Anda dapatkan, gunakan metode pembelajaran tanpa pengawasan untuk mempelajari fitur. Anda bahkan bisa membuat sistem hibrida yang menggunakan fitur yang dirancang dan dipelajari bersama. Mengapa saya menggunakan alat Open Source untuk membangun aplikasi perdagangan 19 November 2013 Ketika saya pertama kali mulai melakukan trading otomatis saya sendiri, saya memiliki tiga persyaratan mengenai seperangkat alat yang ingin saya gunakan. 1) Mereka harus biaya sesedikit mungkin untuk memulai, bahkan jika itu berarti saya harus melakukan banyak pemrograman dan penyesuaian sendiri (akan memakan waktu) 2) Harus ada komunitas orang yang berpikiran sama di luar sana. Menggunakan alat yang sama untuk tujuan yang sama. 3) Alat harus memungkinkan saya masuk sedalam isi perut dari sistem seperlunya, bahkan jika pada awalnya, tujuan saya lebih banyak untuk menemukan dasar-dasarnya. Saya tidak ingin menemukan diri saya dalam situasi di mana dua tahun ke depan saya perlu beralih ke perangkat yang berbeda, hanya karena yang telah saya mulai dengan tidak mengizinkan saya melakukan apa yang saya inginkan karena masalah dengan Sumber tertutup dan lisensi yang membatasi. Akibatnya, saya memilih R sebagai bahasa pilihan untuk mengembangkan algortihms dan mulai menggunakan Interactive Brokers karena mereka menyediakan API untuk berinteraksi dengan sistem broker mereka. Meskipun ada banyak alat perdagangan bagus yang terhubung ke IB Trader Workstation dan beberapa dapat digunakan untuk perdagangan otomatis, semua ini menawarkan kekuatan, fleksibilitas dan dukungan masyarakat yang sama dengan yang dimiliki proyek R. Selain itu, R telah benar-benar merupakan gudang yang menakjubkan dari paket pembelajaran statistik dan mesin gratis dan sangat adavanced, sesuatu yang penting jika Anda ingin membuat algoritme perdagangan. Salinan Cipta Censix 2013 - 2015A Strategi Trading Berbasis Mesin Menggunakan Analisis Sentimen Data Lucena Research - 25 Februari 2015 Penelitian ini memanfaatkan kumpulan indikator sentimen yang dikembangkan oleh RavenPack. RavenPack baru-baru ini menyelidiki kegunaan indikator sentimen ini untuk memprediksi reversi harga 5 hari. Kami meneruskan pekerjaan itu ke depan dalam pembuatan model prediktif penuh yang dapat digunakan untuk mendorong strategi trading. Secara keseluruhan, hasil kami menunjukkan bahwa informasi sentimen memiliki nilai prediktif dan berguna sebagai bagian dari strategi Pembelajaran Mesin yang secara signifikan mengungguli pasar dari mana ekuitas calon diambil. Ingin melihat lebih banyak Terhubung Dengan Kami Berinteraksi dengan Kami Ikuti Komentar Kami Tonton Video Material Temukan kami di Bloomberg Americas 1 (646) 277 7339 EMEA-APAC 44 (0) 20 3290 7395Written 235w ago middot Upvoted oleh Vladimir Novakovski. Memulai tim belajar mesin Quora, 2012-2014 Pertama, Anda akan fokus mengumpulkan data sebanyak mungkin dan memasukkan ke dalam satu bentuk tabel besar. Ini adalah data harga historis. Mungkin menambah ini dengan artikel surat kabar, posting blog, sec filings berubah menjadi jumlah kata vektor dll (menggunakan pengolahan bahasa alami techiques). Anda kemudian akan melatih algoritma yang diawasi untuk keputusan buysell. Algoritma yang cocok adalah regresi logistik (tercepat) dan hutan acak (paling akurat biasanya). Ada pula yang lain, seperti mesin vektor pendukung, pohon keputusan yang disempurnakan, jaringan syaraf 3 lapis, namun penawaran ini sama akuratnya dengan hutan acak (dan seringkali lebih lambat) atau kecepatan regresi logistik. Menurut pendapat saya, pilihan terbaik hanya akan menjadi regresi logistik, dan penerapan terbaik adalah vowpal wabbit - sangat cepat, dapat menangani data dalam jumlah besar - 1 terabyte per jam pada satu mesin, lebih cepat lagi di cluster - dan open source. Ini juga memungkinkan Anda melihat dengan jelas indikator mana (kolom dalam tabel) yang bersifat prediktif. Anda juga bisa menambahkan artikel surat kabar dll langsung sebagai teks untuk ini dengan menggunakan trik hashing. Ini juga diimplementasikan di wabbit vowpal juga, dan Anda bisa menangani artikel teks bentuk bebas yang sangat besar dalam satu baris juga. Setelah melakukan hal diatas, Anda tidak bisa lagi mengumpulkan lebih banyak sumber data, saatnya untuk beralih ke tahap rekayasa fitur. Anda sudah melakukan beberapa hal ini saat Anda melakukan hal-hal nlp (tapi Anda menggunakan teknik standar - yaitu tidak memikirkan metode Anda sendiri). Ada dua pilihan pada saat ini - manual dan otomatis. Biasanya, orang pada saat ini menciptakan fitur mereka sendiri. Inilah yang pedagang menghabiskan sebagian besar waktu mereka melakukan - yang disebut quotstrategiesquot atau quotrulesquot. Ini diuji terhadap data - yang disebut backtesting. Metode authomatic lain yang baru juga baru saja tersedia - pembelajaran mendalam tanpa pengawasan. Pembelajaran yang tidak dipandu sebelumnya ada, tapi dari variasi kuowongan dan tidak berjalan dengan baik dalam praktik. Jaringan syaraf belajar yang mendalam dengan menggunakan autoencoders adalah metode baru (ditemukan hanya 6 tahun yang lalu) yang bekerja dengan sangat baik. Makalah ini merupakan demonstrasi. Intinya, dengan membuang banyak komputer pada masalah ini, mungkin untuk secara otomatis membentuk strategi. Semakin besar jaringan syaraf, semakin bagus pula - namun akibatnya dibutuhkan lebih banyak komputer. Ini (menurut saya), lebih baik daripada mencoba mempekerjakan banyak orang yang sangat kreatif dan pekerja keras. 17.6k Views middot Lihat Upvotes middot Bukan untuk ReproductionMachine Learning in Forex Trading: Mengapa banyak akademisi melakukan semuanya salah Strategi pembelajaran teknik mesin yang bisa mendapatkan 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.
Forex-trading-workstation-scentsy
Cara bermain forex malaysia ringgit