Forex ประจำวัน แนวโน้ม การทำนาย โดยใช้ เครื่อง เรียนรู้ เทคนิค

Machine Learning with algoTraderJo เข้าร่วมธันวาคม 2014 สถานะ: สมาชิก 383 กระทู้สวัสดีเพื่อนผู้ค้าฉันเริ่มด้ายนี้หวังที่จะร่วมกับคุณบางส่วนของการพัฒนาของฉันในด้านการเรียนรู้เครื่อง แม้ว่าฉันจะไม่สามารถแชร์กับระบบที่ถูกต้องหรือการใช้งานการเขียนโค้ดได้ (อย่าคาดหวังว่าจะได้รับอะไรจาก quotplug-and-playquot และทำให้อุดมไปด้วยหัวข้อนี้) ฉันจะแบ่งปันความคิดผลการทดลองของฉันและด้านอื่น ๆ ในผลงานของฉัน ผมเริ่มหัวข้อนี้ด้วยความหวังว่าเราจะสามารถแบ่งปันความคิดและช่วยเหลือซึ่งกันและกันในการปรับปรุงการใช้งานของเรา ฉันจะเริ่มต้นด้วยกลยุทธ์การเรียนรู้เครื่องง่ายๆและจะเข้าสู่เนื้อหาที่ซับซ้อนมากขึ้นเมื่อเวลาผ่านไป หวังว่าคุณจะสนุกกับการนั่งเข้าร่วมธันวาคม 2014 สถานะ: สมาชิก 383 กระทู้ฉันต้องการเริ่มต้นด้วยการพูดถึงสิ่งพื้นฐานบางอย่าง ฉันขอโทษถ้าโครงสร้างของโพสต์ของฉันออกมากเป็นที่ต้องการ I dont มีเวทีการโพสต์ประสบการณ์ใด ๆ แต่หวังว่าจะได้รับบางเวลา ในการเรียนรู้ของเครื่องจักรสิ่งที่เราต้องการทำคือการสร้างการคาดการณ์ที่เป็นประโยชน์สำหรับการซื้อขายของเรา เพื่อให้การคาดการณ์นี้เราสร้างแบบจำลองทางสถิติโดยใช้ชุดของตัวอย่าง (ผลลัพธ์ที่ทราบและข้อมูลบางอย่างที่เราคาดการณ์มีอำนาจในการทำนายผลลัพธ์เหล่านั้น) จากนั้นเราจะทำการคาดการณ์ผลลัพธ์ที่ไม่รู้จัก (ข้อมูลล่าสุดของเรา) โดยใช้แบบจำลองที่เราสร้างขึ้นด้วย ตัวอย่าง เลือกสิ่งที่เราต้องการทำนาย (ซึ่งจะเป็นเป้าหมายของเรา) เลือกตัวแปรการป้อนข้อมูลบางอย่างที่เราคิดว่าสามารถทำนายเป้าหมายของเราสร้างชุดตัวอย่างโดยใช้ข้อมูลที่ผ่านมา กับปัจจัยการผลิตและเป้าหมายของเราสร้างแบบจำลองโดยใช้ตัวอย่างเหล่านี้ รูปแบบเป็นเพียงกลไกทางคณิตศาสตร์ที่เกี่ยวข้อง inputstargets ทำให้การทำนายของเป้าหมายโดยใช้ปัจจัยการผลิตที่รู้จักกันล่าสุดการค้าโดยใช้ข้อมูลที่ฉันต้องการจะพูดตั้งแต่เริ่มต้นว่าเป็นสิ่งสำคัญมากเพื่อหลีกเลี่ยงการทำสิ่งที่เอกสารวิชาการจำนวนมากในการเรียนรู้เครื่องทำ, ซึ่งเป็นการพยายามที่จะสร้างแบบจำลองที่มีอาร์เรย์ที่มีขนาดใหญ่มาก ๆ ของตัวอย่างและพยายามที่จะทำการคาดการณ์ในระยะยาวในชุดคำพูดของกลุ่มตัวอย่าง การสร้างแบบจำลองที่มีข้อมูล 10 ปีจากนั้นการทดสอบในช่วงสองข้อนี้ไม่ใช่ความรู้สึกซึ่งอาจมีอคติเชิงสถิติหลายประเภทที่เราจะกล่าวถึงในภายหลัง โดยทั่วไปแล้วคุณจะเห็นว่าโมเดลการเรียนรู้ของเครื่องที่ฉันสร้างได้รับการฝึกฝนในทุกๆบาร์ (หรือทุกครั้งที่ฉันต้องตัดสินใจ) โดยใช้หน้าต่างที่เคลื่อนย้ายข้อมูลสำหรับการสร้างตัวอย่าง (เฉพาะตัวอย่างล่าสุดเท่านั้นที่ถือว่าเกี่ยวข้อง) แน่นอนว่าแนวทางนี้ไม่ใช่คนแปลกหน้ากับอคติทางสถิติบางประเภท แต่เราจะเอา quotelephant ออกในห้องพักเมื่อใช้วิธีการที่กว้างใหญ่ในตัวอย่างของเอกสารทางวิชาการส่วนใหญ่ (ซึ่งไม่น่าแปลกใจมักนำไปสู่แนวทางที่ไม่ใช่ ที่เป็นประโยชน์ในการค้า) มีสามสิ่งที่ต้องคำนึงถึงตัวเองเมื่อสร้างโมเดลการเรียนรู้ของเครื่อง: สิ่งที่ควรทำนาย (เป้าหมายอะไร) จะทำนายอะไรด้วย (ปัจจัยการผลิต) วิธีการสร้างเป้าหมายและปัจจัยการผลิต (สิ่งที่เป็นแบบอย่าง) สิ่งที่ฉันจะกล่าวถึง ในหัวข้อนี้จะมุ่งเน้นไปที่การตอบคำถามเหล่านี้ด้วยตัวอย่างจริง ถ้าคุณต้องการเขียนคำถามที่คุณอาจมีและฉันจะพยายามให้คำตอบแก่คุณหรือแจ้งให้คุณทราบหากฉันจะตอบคำถามนี้ในภายหลัง เข้าร่วมธันวาคม 2014 สถานะ: สมาชิก 383 กระทู้ให้เราลงธุรกิจนี้แล้ว ตัวอย่างการใช้เครื่องจริง สมมติว่าเราต้องการสร้างโมเดลง่ายๆโดยใช้ชุดข้อมูลอินสแตนซ์ที่เรียบง่าย สำหรับการทดลองนี้เป็นคำตอบสำหรับคำถาม: สิ่งที่คาดการณ์ (เป้าหมายคืออะไร) - gt ทิศทางของวันถัดไป (รั้นหรือหยาบคาย) สิ่งที่คาดการณ์ได้ (ปัจจัยการผลิต) - gt ทิศทางของ 2 วันก่อนหน้านี้ เพื่อสร้างความสัมพันธ์กับเป้าหมายและปัจจัยการผลิต (รูปแบบใด) - gt ตัวจำแนกประเภทของเส้นตรงโมเดลนี้จะพยายามคาดการณ์ทิศทางของแถบรายวันถัดไป ในการสร้างโมเดลของเราเราใช้ตัวอย่าง 200 ตัวอย่างที่ผ่านมา (ทิศทางวันเป็นเป้าหมายและทิศทางของสองวันก่อนหน้านี้เป็นข้อมูลอินพุท) และเราฝึกอบรมตัวแบ่งประเภทเชิงเส้น เราทำเช่นนี้ในตอนเริ่มต้นของบาร์ทุกวัน ถ้าเรามีตัวอย่างที่สองวันรั้นนำไปสู่วันที่หยาบคายปัจจัยการผลิตจะเป็น 1,1 และเป้าหมายจะเป็น 0 (0bearish, 1bullish) เราใช้ 200 ตัวอย่างเหล่านี้เพื่อฝึกแบบบนแต่ละแถบ เราหวังว่าจะสามารถสร้างความสัมพันธ์ซึ่งทิศทางของสองวันจะให้ความน่าจะเป็นไปได้สูงกว่าที่จะคาดการณ์ทิศทางของวันได้อย่างถูกต้อง เราใช้ stoploss เท่ากับ 50 ช่วงเฉลี่ย True Range 20 วันในทุกๆการค้า ภาพจำลองที่แนบมา (คลิกที่นี่เพื่อดูภาพขยาย) การจำลองของเทคนิคนี้ตั้งแต่ปี 1988 ถึง 2014 ใน EURUSD (ข้อมูลก่อน 1999 เป็น DEMUSD) ข้างต้นแสดงให้เห็นว่าโมเดลนั้นไม่มีการสร้างผลกำไรที่มั่นคง ในความเป็นจริงแบบนี้เป็นแบบสุ่มลบลำเอียงแบบสุ่มซึ่งทำให้เสียเงินเป็นหน้าที่ของการแพร่กระจาย (3 pips ในซิมของฉัน) ดูประสิทธิภาพที่เห็นได้ชัดในช่วงปีพศ. 2536-2538 และในปี พ. ศ. 2546-2548 ซึ่งเป็นที่ประจักษ์ว่าเราสามารถทำนายทิศทางทิศทางในวันถัดไปได้อย่างมีประสิทธิภาพโดยใช้แบบจำลองเชิงเส้นอย่างง่ายและผลการดำเนินงานในสองวันที่ผ่านมา ตัวอย่างนี้แสดงสิ่งที่สำคัญหลายอย่าง ตัวอย่างเช่นในช่วงเวลาสั้น ๆ (ซึ่งอาจเป็นเวลาสองถึงสามปี) คุณสามารถหลงลืมได้ง่ายโดยการสุ่ม --- คุณสามารถคิดว่าคุณมีสิ่งที่ใช้ได้ซึ่งจริงๆแล้วไม่ได้ โปรดทราบว่าโมเดลถูกสร้างขึ้นใหม่ในทุกแถบโดยใช้ 200 ตัวอย่างของอินพุตที่ผ่านมา คุณคิดว่าอะไรที่คุณสามารถเรียนรู้จากตัวอย่างนี้ได้โพสต์ความคิดของคุณดี ดังนั้นคุณจึงคาดการณ์ว่าผู้ซื้อหรือผู้ขายจะก้าวเข้ามาอืม แต่สิ่งที่ต้องทำอย่างไรกับราคาที่เพิ่มขึ้นหรือลดลง 100 pips ราคาสามารถตอบสนองได้หลายวิธี - อาจเป็นไปได้เพียงบางถังเท่านั้น จากนั้นให้เดินต่อไป นอกจากนี้ยังสามารถย้อนกลับได้ 5, 10, 50 หรือ 99 จุด ในกรณีเหล่านี้คุณมีข้อสงสัยเกี่ยวกับผู้ซื้อหรือผู้ขายที่ก้าวเข้ามา แต่คุณต้องเข้าใจว่าการวิเคราะห์นี้ไม่มีส่วนเกี่ยวข้องกับการค้าของคุณตั้งแต่ 90pip ถึง 100pip ใช่ใช่แล้วนี่เป็นส่วนสำคัญที่ทำให้เราได้รับผลลัพธ์ที่น่าสงสารเมื่อใช้อัลกอริทึมการทำแผนที่เชิงเส้น เนื่องจากความสามารถในการทำกำไรของเรามีความสัมพันธ์กับการคาดการณ์ของเรา การคาดการณ์ในวันนั้นว่าเป็นงานที่ต้องใช้ความระมัดระวังเป็นอย่างมากหากคุณไม่ทราบราคาเท่าไร บางทีการคาดการณ์ของคุณจะถูกต้องเฉพาะในวันที่ให้คุณ 10 pips และคุณได้รับทุกวันที่มีทิศทาง pip 100 ผิดทั้งหมดโดยสิ้นเชิง สิ่งที่คุณจะพิจารณาเป้าหมายที่ดีกว่าสำหรับวิธีการเรียนรู้ของเครื่อง Yes, youre right นี่เป็นเหตุผลสำคัญที่ทำให้เราได้ผลลัพธ์ที่ไม่ดีเมื่อใช้อัลกอริทึมการทำแผนที่เชิงเส้น เนื่องจากความสามารถในการทำกำไรของเรามีความสัมพันธ์กับการคาดการณ์ของเรา การคาดการณ์ในวันนั้นว่าเป็นงานที่ต้องใช้ความระมัดระวังเป็นอย่างมากหากคุณไม่ทราบราคาเท่าไร บางทีการคาดการณ์ของคุณจะถูกต้องเฉพาะในวันที่ให้คุณ 10 pips และคุณได้รับทุกวันที่มีทิศทาง pip 100 ผิดทั้งหมดโดยสิ้นเชิง สิ่งที่คุณจะพิจารณาเป้าหมายที่ดีกว่าสำหรับวิธีการเรียนรู้เครื่องช่วยให้พูดว่าถ้าคุณมี 100 pip TP และ SL ฉันต้องการที่จะคาดการณ์ที่มาก่อน: TP หรือ SL ตัวอย่าง: TP มาก่อน 1 SL มาก่อน 0 (หรือ -1, การเรียนรู้เกี่ยวกับการเทรด: ทำไมนักวิชาการจำนวนมากถึงทำอย่างนั้นไม่ถูกต้องยุทธศาสตร์การเรียนรู้ของเครื่องที่สามารถบรรลุผลลัพธ์ที่ดีภายใต้สภาวะตลาดแบบสดได้เป็นความท้าทายที่สำคัญในการซื้อขายแบบอัลกอริทึม แม้จะมีจำนวนเงินที่น่าสนใจและผลตอบแทนที่น่าทึ่ง แต่ก็ยังไม่มีสิ่งตีพิมพ์ด้านวิชาการที่สามารถแสดงโมเดลการเรียนรู้เครื่องที่ดีซึ่งสามารถแก้ไขปัญหาการซื้อขายในตลาดได้อย่างถูกต้อง คุณมีหนึ่งและ I8217ll เป็นมากกว่ายินดีที่จะอ่าน) แม้ว่าเอกสารจำนวนมากที่ตีพิมพ์ดูเหมือนจะแสดงผลลัพธ์ที่น่าสนใจ แต่ก็มักเป็นกรณีที่เอกสารเหล่านี้ตกอยู่ในปัญหาอคติทางสถิติที่หลากหลายซึ่งทำให้ความสำเร็จในตลาดจริงของกลยุทธ์การเรียนรู้ด้วยเครื่องของพวกเขาเป็นไปได้สูงมาก ในโพสต์ today8217s ฉันจะพูดคุยเกี่ยวกับปัญหาที่ฉันเห็นในการวิจัยทางวิชาการที่เกี่ยวข้องกับการเรียนรู้ด้วยเครื่องใน Forex และฉันเชื่อว่าการวิจัยนี้สามารถปรับปรุงเพื่อให้ได้ข้อมูลที่เป็นประโยชน์มากขึ้นสำหรับทั้งนักวิชาการและชุมชนการค้า ข้อผิดพลาดส่วนใหญ่ในการออกแบบกลยุทธ์การเรียนรู้ด้วยเครื่องเมื่อทำการซื้อขายสกุลเงินเป็นสิ่งที่สืบทอดมาอย่างหลีกเลี่ยงไม่ได้จากโลกของปัญหาการเรียนรู้ที่เป็นปัญหา เมื่อสร้างอัลกอริธึมการเรียนรู้ของเครื่องสำหรับการจดจำใบหน้าหรือการรู้จำตัวอักษรมีปัญหาที่กำหนดไว้อย่างชัดเจนซึ่งไม่ได้มีการเปลี่ยนแปลงซึ่งโดยทั่วไปจะสร้างขึ้นโดยการสร้างโมเดลการเรียนรู้ของเครื่องในเซตย่อยของข้อมูล (ชุดการฝึกอบรม) แล้วทดสอบว่า โมเดลสามารถแก้ปัญหาได้อย่างถูกต้องโดยใช้การเตือนความจำของข้อมูล (ชุดทดสอบ) นี่คือเหตุผลที่คุณมีชุดข้อมูลที่มีชื่อเสียงและเป็นที่ยอมรับซึ่งสามารถนำมาใช้เพื่อสร้างคุณภาพของเทคนิคการเรียนรู้ด้วยเครื่องจักรที่พัฒนาขึ้นใหม่ ประเด็นสำคัญที่นี่คือปัญหาที่เกิดขึ้นจากการเรียนรู้ด้วยเครื่องครั้งแรกส่วนใหญ่เป็นตัวกำหนดและเวลาที่เป็นอิสระ เมื่อนำเข้าสู่การซื้อขายการใช้หลักปรัชญาเดียวกันนี้ทำให้เกิดปัญหาหลายอย่างที่เกี่ยวข้องกับลักษณะของตลาดที่ไม่เป็นตัวบ่งชี้บางส่วนและการพึ่งพิงเวลา การกระทำเพียงอย่างเดียวของการพยายามเลือกชุดฝึกอบรมและทดสอบทำให้เกิดความลำเอียงจำนวนมาก (อคติที่เลือกข้อมูล) ซึ่งก่อให้เกิดปัญหา ถ้าการเลือกซ้ำเพื่อปรับปรุงผลลัพธ์ในชุดทดสอบ 8211 ซึ่งคุณต้องสมมติว่าเกิดขึ้นอย่างน้อยในบางกรณี 8211 แล้วปัญหานี้ยังเพิ่มความลำเอียงข้อมูลการทำเหมืองข้อมูลเป็นจำนวนมาก ปัญหาทั้งหมดในการฝึกออกกำลังกายแบบฝึกเดียวทำให้เกิดปัญหาเกี่ยวกับวิธีการใช้อัลกอริธึมนี้ในการซื้อขายหลักทรัพย์สด ตามความหมายการซื้อขายแบบสดจะแตกต่างกันเนื่องจากการเลือกชุดการฝึกอบรมจะต้องนำมาใช้ใหม่กับข้อมูลที่แตกต่างกัน (เช่นตอนนี้ชุดทดสอบเป็นข้อมูลที่ไม่รู้จักอย่างแท้จริง) อคติที่มีอยู่ในการเลือกช่วงเวลาเริ่มต้นของการเลือกตัวอย่างและการขาดกฎเกณฑ์ที่ผ่านการทดสอบสำหรับการซื้อขายภายใต้ข้อมูลที่ไม่รู้จักทำให้เทคนิคดังกล่าวล้มเหลวในการซื้อขายหลักทรัพย์ทั่วไป ถ้าอัลกอริทึมได้รับการฝึกอบรมโดยใช้ข้อมูล 2000-2012 และได้รับการตรวจสอบข้ามปี 2012-2015 ข้อมูลก็ไม่มีเหตุผลที่จะเชื่อได้ว่าความสำเร็จเดียวกันนี้จะเกิดขึ้นหากได้รับการฝึกอบรมในข้อมูลปี 2003-2015 และทำการซื้อขายในช่วง 2015-2017 ซึ่งข้อมูลดังกล่าว มีลักษณะแตกต่างกันมาก ขั้นตอนวิธีการวัดความสำเร็จเป็นปัญหาที่เกี่ยวข้องมากที่นี่ แน่นอนกลไกการเรียนรู้ของเครื่องที่ใช้ในการซื้อขายควรมีการวัดผลโดยความสามารถในการสร้างผลตอบแทนที่ดี แต่วรรณคดีบางชิ้นมีการวัดผลของเทคนิคอัลกอริทึมใหม่ด้วยการพยายามเปรียบเทียบความสามารถในการคาดการณ์ที่ถูกต้อง การคาดการณ์ที่ถูกต้องไม่จำเป็นต้องเท่ากับการซื้อขายที่ทำกำไรได้เนื่องจากคุณสามารถดูได้อย่างง่ายดายเมื่อสร้างตัวจำแนกประเภทไบนารี ถ้าคุณพยายามที่จะทำนายทิศทาง candle8217s ต่อไปคุณจะสามารถสร้างความสูญเสียได้หากคุณใช้เทียนขนาดเล็กและเทียนขนาดใหญ่ผิดพลาด เป็นเรื่องของความเป็นจริงส่วนใหญ่ของประเภทนี้ 8210 ลักษณนามส่วนใหญ่ที่ 8282 don8217t ทำงาน 8211 คาดการณ์ทิศทางที่มีความแม่นยำสูงกว่า 50 แต่ไม่เกินระดับที่จำเป็นในการเกินค่าคอมมิชชั่นที่จะอนุญาตให้มีการซื้อขายตัวเลือกไบนารีกำไร เพื่อสร้างกลยุทธ์ที่ส่วนใหญ่กำจัดปัญหาข้างต้นฉันได้สนับสนุนเสมอสำหรับวิธีการที่เครื่องเรียนรู้ขั้นตอนวิธีคือ retrained ก่อนการตัดสินใจการฝึกอบรมใด ๆ โดยการใช้หน้าต่างเคลื่อนที่สำหรับการฝึกอบรมและไม่ต้องทำการตัดสินใจมากกว่าหนึ่งครั้งโดยไม่ต้องอบรมขึ้นใหม่เราสามารถกำจัดอคติการคัดเลือกทั้งหมดที่มีอยู่ในการเลือกชุดข้อมูลตัวอย่างเดียวในชุดตัวอย่าง ในลักษณะนี้การทดสอบทั้งหมดเป็นการฝึกแบบฝึกหัดการฝึกอบรมซึ่งจะทำให้มั่นใจได้ว่าอัลกอริทึมการเรียนรู้ของเครื่องทำงานได้ภายใต้ชุดข้อมูลการฝึกอบรมที่แตกต่างกันอย่างมาก ฉันยังสนับสนุนการวัดประสิทธิภาพ backtesting จริงในการวัดกลไกการเรียนรู้ algorithms8217s และยิ่งไปกว่านั้นฉันจะไปให้ไกลที่สุดเท่าที่จะบอกได้ว่าไม่มีขั้นตอนวิธีที่สามารถเป็นมูลค่าของเกลือโดยไม่ต้องพิสูจน์ภายใต้เงื่อนไขที่แท้จริงออกจากตัวอย่าง การพัฒนาอัลกอริทึมในลักษณะนี้เป็นเรื่องที่ยากขึ้นมากและฉันได้ค้นพบเอกสารทางวิชาการฉบับเดียวที่ใช้วิธีการแบบนี้ (หากไม่ได้รับความคิดเห็นโปรดโพสต์ลิงก์เพื่อให้ฉันสามารถใส่ความคิดเห็นได้) ไม่ได้หมายความว่าวิธีการนี้เป็นปัญหาที่สมบูรณ์ แต่ก็ยังคงเป็นปัญหาคลาสสิกที่เกี่ยวข้องกับการออกกำลังกายในการสร้างกลยุทธ์ทั้งหมดรวมทั้งอคติในการโค้งงอและข้อมูลอคติในการทำเหมือง นี่เป็นเหตุผลว่าทำไมการใช้ข้อมูลเป็นจำนวนมากจึงเป็นเรื่องสำคัญ (ฉันใช้เวลา 25 ปีในการทดสอบระบบการฝึกอบรมใหม่ทุกครั้งหลังจากการเรียนรู้ของแต่ละเครื่อง) และดำเนินการทดสอบการประเมินผลการทำเหมืองข้อมูลอย่างเพียงพอเพื่อพิจารณาความเชื่อมั่นที่เราสามารถทำได้ กล่าวว่าผลลัพธ์ไม่ได้มาจากโอกาสสุ่ม เพื่อนของฉัน AlgoTraderJo 8211 ที่ยังเกิดขึ้นเพื่อเป็นสมาชิกของชุมชนการค้า 8211 ของฉันกำลังเติบโตด้ายที่ ForexFactory ต่อไปนี้ประเภทเดียวกันของปรัชญาสำหรับการพัฒนาการเรียนรู้เครื่องขณะที่เราทำงานในกลไกการเรียนรู้เครื่องใหม่บางอย่างสำหรับชุมชนการค้าของฉัน คุณสามารถดูโพสต์หรือโพสต์ที่ผ่านมาในบล็อกของฉันเพื่อดูตัวอย่างของอัลกอริทึมการเรียนรู้ด้วยเครื่องที่พัฒนาขึ้นในลักษณะนี้ หากคุณต้องการเรียนรู้เพิ่มเติมเกี่ยวกับพัฒนาการของเราในการเรียนรู้เกี่ยวกับเครื่องจักรและคุณสามารถพัฒนากลไกการเรียนรู้ด้วยเครื่องของคุณเองโดยใช้กรอบ F4 โปรดพิจารณาเข้าร่วม Asirikuy เว็บไซต์ที่เต็มไปด้วยวิดีโอการศึกษาระบบการซื้อขายการพัฒนาและเสียงวิธีการที่ซื่อสัตย์และโปร่งใสต่อการซื้อขายโดยอัตโนมัติการทำขั้นตอนใหญ่ในการเรียนรู้ด้วยเครื่อง: ผลกำไรที่ผ่านมาในหลายคู่ Forex ในอดีตฉันสามารถใช้การเรียนรู้ด้วยเครื่อง สร้างระบบการซื้อขายที่ทำกำไรได้สำเร็จซึ่งรวมถึงการใช้งานเครือข่ายประสาทเทียมของฉัน (ซึ่งสร้างกลยุทธ์ Sunqu, Tapuy และ Paqarin หลังจากสร้าง AsirikuyBrain) รวมทั้งความพยายามของฉันในการจำแนกเชิงเส้นและอัลกอริทึมประเภทอื่น ๆ อย่างไรก็ตามสิ่งหนึ่งที่การพัฒนาเหล่านี้มีเหมือนกันคือการซื้อขายข้อมูลรายวันของ EURUSD และไม่สามารถสร้างผลลัพธ์ที่ดีในคู่ค้าและกรอบเวลาอื่น ๆ ได้ ซึ่งหมายความว่าแม้ว่าฉันจะจัดการกับคู่นี้ได้สำเร็จแล้ว (หลายระบบเหล่านี้ได้รับการซื้อขายด้วยผลกำไร) ฉันก็ยังไม่สามารถพัฒนาอะไรสำหรับเครื่องมืออื่นได้ เมื่อโพสต์ today8217s ฉันจะพูดคุยเกี่ยวกับการพัฒนาล่าสุดของฉัน (ส่วนใหญ่เนื่องจากสมาชิก Asirikuy ฉันจะกล่าวถึงในภายหลัง) ซึ่งอนุญาตให้ฉันเพื่อให้ได้ผลการเรียนรู้เครื่องกำไรทั่วคู่อื่น ๆ นอกจาก EURUSD โปรดทราบว่าผลการทดสอบทั้งหลังแสดงให้เห็นว่าไม่มีส่วนผสม (เพื่อให้สามารถตัดสินได้ด้วยความเป็นเส้นตรง) ความจริงที่ว่าเทคนิคการเรียนรู้ของเครื่องดูเหมือนจะเป็นเช่นนั้น 8220easy8221 ที่จะพัฒนาใน EURUSD ทุกวัน แต่ก็ยากที่จะพัฒนาในคู่อื่น ๆ ในช่วงเวลาเดียวกันได้เสมอ bugged ฉัน เพราะเหตุใด EURUSD เป็นรายวันที่พิเศษมากที่ข้อมูลก่อนหน้าดูเหมือนว่าจะสามารถคาดเดาผลของบาร์ในอนาคตได้อย่างง่ายดายในขณะที่คู่อื่น ๆ เพียงแค่นี้ไม่ได้ผลคำตอบดูเหมือนจะเป็นจุดที่เหมือนกันในมุมมองนี้ 8212 สิ่งที่ฉันกำลังพยายามทำนาย Fabio 8211 ซึ่งเป็นสมาชิกของชุมชนของเรา 8211 ชี้ให้เห็นว่าน่าจะเป็นการพยายามที่จะจำแนกว่าผลการค้าบางอย่างอาจประสบความสำเร็จได้หรือไม่แทนที่จะพยายามแยกแยะว่าแถบถัดไปน่าจะเป็น 8220 หรือไม่เป็นที่พอใจ 8221 การคาดการณ์ว่ารายการการค้าบางอย่างอาจประสบความสำเร็จได้หรือไม่นั้นเป็นเส้นทางที่น่าสนใจเนื่องจากคุณพยายามที่จะคาดเดาว่าการค้าที่แท้จริงของคุณภายในขอบเขตที่ได้รับจะมีผลกำไรหรือขาดทุนมากกว่าว่าทิศทางโดยรวมจะเป็นอย่างไรหรือต่อต้านคุณ เมื่อใช้แนวคิดข้างต้นใน F4 ผมเห็นว่าการคาดการณ์ผลการค้าไม่ได้ประสบความสำเร็จอย่างเท่าเทียมกันในขณะที่การทำนายขอบใหญ่ไม่ได้ผลเลย (ตัวอย่างเช่นการพยายามทำนายความเสี่ยง 1: 2 ที่จะตอบแทนการค้าจะประสบความสำเร็จ) ขอบทำงานได้ดีมากขึ้น อัลกอริทึมต่างๆยังให้ผลลัพธ์ที่แตกต่างกันอย่างเห็นได้ชัดขณะที่ตัวแบ่งประเภทเชิงเส้นขึ้นอยู่กับข้อมูลฟีด (เปลี่ยนอย่างมากระหว่างชุดข้อมูล FX ของฉันสองชุด) เครื่องเวคเตอร์เวคเตอร์ (SVM) ให้ผลลัพธ์ที่ดีที่สุดโดยลดการพึ่งพาอาหารและเพิ่มผลกำไรให้กับการเบิกจ่าย ลักษณะ เทคนิค keltner clustering แบบง่าย ๆ ยังให้ผลลัพธ์ที่น่าสนใจถึงแม้ว่าความสามารถในการทำกำไรจะลดลงเมื่อเทียบกับ SVM เช่นเดียวกับการใช้งานการเรียนรู้ด้วยเครื่องของฉันการฝึกอบรมจะทำในแต่ละวันโดยใช้บาร์ X ที่ผ่านมาและดังนั้นเทคนิคการเรียนรู้ของเครื่องตลอดเวลาจะผ่านการทดสอบกลับตลอด 8211 8211 น่าสนใจที่เทคนิคนี้บรรลุผลกำไร (25 ปีหลังการทดสอบ) ในสาขาวิชา Forex ทั้งหมด 4 แห่ง (การตั้งค่าเดียวกัน) โดยมีผลดีอย่างยิ่งต่อ EURUSD และ GBPUSD และผลลัพธ์ที่เลวร้ายยิ่ง แต่ก็ยังให้ผลกำไรใน USDCHF และ USDJPY ความสามารถในการทำนายผลดูเหมือนจะสูญเสียมากที่สุดอย่างมีนัยสำคัญใน USDJPY ซึ่งมีระยะเวลานานอย่างมาก (ประมาณ 10 ปี) ซึ่งกลยุทธ์นี้ไม่สามารถบรรลุผลสำเร็จใด ๆ ได้ ฉันยังต้องการชี้ให้เห็นว่าการทดสอบการเรียนรู้เครื่องในปัจจุบันใช้เพียงกรณีการเรียนรู้ทางเครื่องเดียวและฉันพยายามเพิ่มผลกำไรโดยการสร้างคณะกรรมการหรือ 8220tricks8221 อื่น ๆ ที่อาจช่วยปรับปรุงและเรียบผลเมื่อใช้เทคนิคการเรียนรู้ด้วยเครื่อง ในกรณีนี้พยายามคาดการณ์ช่วงการค้าที่แตกต่างกันภายในคณะกรรมการหรือแม้เพียงวาง SVM และหมายความว่าเทคนิค Keltner เพื่อทำงานร่วมกันอย่างมีนัยสำคัญอาจปรับปรุงผลลัพธ์ สำหรับฉันความจริงที่ว่าเทคนิคนี้มีที่สุด 8220broken อุปสรรคหลายคู่ได้รับความสำคัญมากเนื่องจากพบสิ่งพื้นฐานเกี่ยวกับการใช้การเรียนรู้เครื่องซึ่งจนถึงขณะนี้ฉันดูเหมือนจะพลาด นอกจากนี้ยังเป็นการตอกย้ำข้อเท็จจริงที่ว่าการเลือกเอาท์พุทเป็นสิ่งสำคัญอย่างยิ่งเมื่อการพัฒนากลยุทธ์การเรียนรู้ของเครื่องเป็นความพยายามที่จะคาดเดาผลลัพธ์ที่ไม่ถูกต้องอาจนำไปสู่เทคนิคที่ไม่ได้ประโยชน์ (เช่นเดียวกับที่เกิดขึ้นกับฉันเมื่อพยายามสร้างกลยุทธ์ ML ในสัญลักษณ์อื่น ๆ ) การเลือกเอาท์พุทที่มีความหมายสำหรับการซื้อขาย แต่ยังสามารถคาดการณ์ได้ด้วยความถูกต้องแม่นยำนำไปสู่การพัฒนากลยุทธ์การเรียนรู้ด้วยเครื่องที่ประสบความสำเร็จมากขึ้น ในกรณีนี้โดยเฉพาะการเปลี่ยนโฟกัสไปที่การคาดการณ์ที่มีผลกระทบโดยตรงต่อความสามารถในการทำกำไรด้านการค้ามีผลกระทบที่ดี 8211 8211 แม้ว่าผลที่ได้จนถึงขณะนี้ยังไม่มีอะไรเกิดขึ้นกับ 8220party about8221 ความจริงที่ว่าขณะนี้มีถนนที่เปิดกว้างสำหรับการพัฒนากลยุทธ์ ML ที่ให้ผลกำไรซึ่งอาจทำงานได้ทั่วทั้งคณะ (ไม่ใช่เฉพาะคู่เดียวเท่านั้น) ทำให้ฉันมั่นใจในข้อเท็จจริงที่ว่า ฉันกำลังเดินอยู่ในเส้นทางที่ถูกต้อง (ขอบคุณ Fabio สำหรับคำแนะนำของเขา) หลังจากบรรลุเป้าหมายขั้นสูงนี้เป้าหมายของฉันคือการขัดเกลาและศึกษาการใช้งานการเรียนรู้ของเครื่องเพื่อหาตัวทำนายที่ดีขึ้นและปรับปรุงผลลัพธ์ในคู่ที่ไม่ใช่ EURUSD เป้าหมายปลายทางของฉันก็คือการมีกลยุทธ์การเรียนรู้ด้วยเครื่องซึ่งสามารถให้ผลลัพธ์ทางประวัติศาสตร์เชิงเส้นสูงได้ เหมือน AsirikuyBrain) อย่างน้อย 4 สาขาวิชา (หวังว่าจะมีคู่มากขึ้น) เพื่อให้ฉันสามารถมีแหล่งกระจายความหลากหลายที่ปรับตัวเข้ากับสภาวะตลาดใหม่ ๆ ได้ตลอดเวลา หากคุณต้องการเรียนรู้เพิ่มเติมเกี่ยวกับกลยุทธ์การเรียนรู้ด้วยเครื่องและวิธีที่คุณสามารถสร้างตัวจำแนกเชิงเส้นได้ง่ายป่าแบบสุ่มการจัดกลุ่มแบบ keltner หมายถึงการจัดกลุ่มเครือข่ายประสาทเทียมและกลยุทธ์ SVM ใน F4 โปรดพิจารณาเข้าร่วม Asirikuy ซึ่งเป็นเว็บไซต์ที่เต็มไปด้วยวิดีโอการศึกษาระบบการซื้อขาย, การพัฒนาและเสียงวิธีการที่ซื่อสัตย์สุจริตและโปร่งใสต่อการซื้อขายอัตโนมัติโดยทั่วไป ฉันหวังว่าคุณจะชอบบทความนี้ o)