Forex trading machine learning

Como usar o aprendizado de máquina em sua máquina de negociação aprendizagem apresenta muitas vantagens únicas e atraentes para os comerciantes à procura de uma vantagem no mercado. Apenas no último ano, vimos uma enorme quantidade de recursos dos mundos top hedge funds, como a Bridgewater Associates, dedicado a explorar essas técnicas. Embora usando a aprendizagem de máquina ou inteligência artificial parece incrivelmente complexa e difícil de implementar, ainda existem maneiras de alavancar suas capacidades sem precisar de um doutorado em matemática ou ciências. Neste post, bem passar por 3 maneiras diferentes que você pode usar técnicas de aprendizagem de máquina para melhorar a sua própria negociação. Seleção de Indicadores Uma das decisões mais importantes é decidir quais indicadores usar para o comércio. Se você é um comerciante técnico ou fundamental, ou você apenas usar ação de preço para o comércio, o seu sucesso vai ser em grande parte dependente dos indicadores que você usa e como você interpretá-los. Felizmente, existem muitos métodos diferentes para a seleção de seus indicadores e isso é conhecido como seleção de recursos no mundo máquina-aprendizagem. Usando uma árvore de decisão para selecionar seus indicadores As árvores de decisão são algoritmos muito versáteis que têm o benefício de serem facilmente interpretáveis. Dado um grande conjunto de dados de indicadores e o movimento de preços do ativo, uma árvore de decisão encontrará os indicadores e os valores dos indicadores, que melhor dividem os dados entre aumentos de preços e diminuições de preços. Indicadores mais próximos da parte superior da árvore são vistos como melhores preditores do que aqueles mais próximos ao fundo da árvore, e seguindo um ramo específico permitirá que você facilmente encontrar interdependências e relações entre os indicadores. A árvore de decisão também lhe dará um conjunto de regras que você pode usar para negociar com base nesses indicadores, mas você deve ter certeza de podar corretamente a árvore e testar para overfitting. A árvore de decisão é uma poderosa ferramenta visual que pode ajudá-lo a decidir quais combinações de indicadores para o comércio e quais os valores para negociá-los. Você pode encontrar um tutorial sobre como construir uma estratégia com uma árvore de decisão aqui ou para um guia mais geral, em R aqui é um bom recurso. Otimização Uma vez que você tenha a base para sua estratégia, o próximo passo é a otimização, ou escolher os valores dos parâmetros corretos para maximizar suas chances de sucesso. Muitas estratégias têm uma grande variedade de parâmetros, tais como configurações de indicadores, as condições de entrada e saída, stop loss e tomar níveis de lucro e dimensionamento de posição, que fazem métodos de força bruta de tentar cada combinação única extremamente difícil e demorado, se em tudo Mesmo possível. Resolver esses tipos de problemas é outra área onde a aprendizagem de máquinas se destaca. Otimizando uma Estratégia Usando Algoritmos Genéticos Algoritmos genéticos imitam o processo de seleção natural, criando um conjunto único de estratégias de criança que contém uma mistura das melhores estratégias de pai, com uma chance de mutação aleatória. O processo começa codificando sua estratégia em uma matriz. Por exemplo, poderia ler-se como algo como: Indicador 1 Período Você, então, geraria uma grande população de estratégias com variações aleatórias desses parâmetros. Essas estratégias têm combinações diferentes de períodos médios móveis, condições de entrada e saída e relações risco-recompensa. Em seguida, você testaria essa população executando cada estratégia em um conjunto de testes e selecionando as principais estratégias com base em uma métrica de desempenho de sua escolha. Finalmente, você combina aleatoriamente os traços das estratégias de topo, com uma pequena chance de mutação de alguns dos parâmetros, para criar uma nova geração de estratégias de criança. Você, então, repetir o procedimento de avaliação e mais uma vez mate as principais estratégias de desempenho a partir desta nova geração. Isso leva a uma sobrevivência do cenário mais apto onde apenas as estratégias top sobrevivem para passar ao longo de seus genes para a próxima geração Repita este processo um grande número de vezes ou até que um determinado critério de desempenho é atingido e você é deixado com uma estratégia muito robusta construída a partir de Gerações das melhores estratégias de desempenho Você precisa ter certeza de que você seleciona uma métrica de desempenho apropriada (como retorno ajustado ao risco) e sempre testa a estratégia final sobre os dados que não foram usados ​​para construir a estratégia para garantir que você não esteja Determinado conjunto de dados. Este é um método muito poderoso e robusto que tem sido bem sucedido em uma ampla variedade de aplicações, incluindo o mundo da negociação. Você pode encontrar uma descrição mais detalhada aqui e um tutorial sobre como implementá-lo em R aqui. Live Trading Um dos aspectos mais atraentes da aprendizagem da máquina é ter um algoritmo que é capaz de aprender e adaptar-se às condições do mercado em mudança. No entanto, isso cria uma estratégia de caixa negra que, se você não entender completamente como funcionam os algoritmos e testá-lo você mesmo, é muito difícil confiar em uma conta real. Não saber quando ou por que uma estratégia está entrando em um comércio pode ser uma proposição assustadora. No entanto, existem maneiras de obter os benefícios de uma abordagem inteligente, algorítmica, mantendo a transparência ea compreensão na sua estratégia. Associação Rule Learning Association Rule Aprendizagem é o processo de derivar um conjunto de regras claras e compreensíveis a partir dos padrões descobertos por um algoritmo de aprendizado de máquina. Algoritmos, como o algoritmo Apriori, buscam um conjunto de dados de indicadores, valores de indicadores eo movimento de preço resultante para produzir um conjunto de condições basicamente if-then declarações, que levam aos resultados de maior desempenho. No entanto, ainda é difícil saber exatamente de onde essas regras vêm, o algoritmo Apriori requer um número bastante grande de parâmetros a serem ajustados e este processo não se presta bem às condições de mercado em mudança. Com TRAIDE. Levamos o processo um passo adiante e permitimos que você veja os padrões encontrados por um conjunto de algoritmos de aprendizado de máquina, a partir do qual você pode criar suas próprias regras de negociação. Essas regras são, então, fáceis de implementar e ajustadas às condições de mercado em mutação, sem necessidade de qualquer programação ou experiência matemática. Você é capaz de obter os benefícios do uso de algoritmos de aprendizado de máquina para o comércio, mantendo a transparência completa, uma compreensão da sua estratégia e incluindo a sua perícia própria domínio em sua negociação. Usando a aprendizagem de máquina e inteligência artificial para encontrar uma borda no mercado não precisa ser exclusivamente de propriedade de apenas as maiores instituições financeiras. Como esta tecnologia torna-se mais acessível e essas técnicas mais comuns, você também pode usar a aprendizagem da máquina para melhorar o seu comércio. Aprendizagem de máquina Se alguém está interessado em desenvolver estratégias de aprendizagem de máquina baseada, confira deep-thought. co. Máquinas Do Vetor Do Suporte. Árvores inclinadas inclinação. Florestas aleatórias. Árvores Extremamente Randomizadas. Perceptron de várias camadas, também conhecido como Rede Neural. Conjuntos: Combinar as previsões de qualquer número de preditores. Reforma contínua, sempre adaptando-se ao mercado. Por favor, note que esta é uma ferramenta para desenvolver suas próprias estratégias e sistemas, e não uma estratégia de negociação pré-enlatada. Também estão incluídos dois MT4 EAs, com fonte, para trocar os sinais ou combinar com qualquer outro sistema que você pode ter. Aprendizagem de máquina é um campo de inteligência artificial onde os programas de computador aprendem em vez de seguir cegamente um script. Com dados de treinamento suficientes você pode ensinar esses algoritmos para dirigir um carro, pilotar um helicóptero ou construir o melhor motor de busca do mundo. Aqui estão os resultados que eu obtive com a minha abordagem inicial na aplicação de aprendizagem de máquinas para negociação forex. Uma variedade de algoritmos são colocados em prática para tentar prever a evolução de um instrumento com dados de apenas 8 barras diárias para o passado. Para cada dia, são gravados quatro valores, os três primeiros registram a informação sobre o movimento dos dias anteriores, próximo do dia, alta, baixa e próxima, em percen t, enquanto a quarta registra o volume do dia. Isso faz com que 32 variáveis ​​independentes total. Os dados são obtidos a partir de três instrumentos na base de dados dukascopy, EURUSD, AUDJPY e GBPCHF diariamente Pergunte barras de 1 de Janeiro de 2008 a 31 de Dezembro de 2017, com fins de semana misturados na segunda-feira seguinte. Para cada um dos algoritmos testados, os primeiros dois anos foram utilizados para treinar os modelos enquanto que 2017 foi utilizado para testá-los. A biblioteca java aberta para algoritmos de aprendizado de máquina usada vem de WEKA: Data Mining Software em Java i. Você pode baixar gratuitamente a biblioteca ou o programa amigável em cs. waikato. ac. nz/ml/weka/. Prever a direção do mercado Esses testes avaliam em que medida, se houver, é possível prever o movimento global do amanhã (de perto para fechar) com base em dados de oito dias anteriores usando uma variedade de algoritmos de aprendizado de máquina. Uma alta correlação significa que o modelo prevê o seguinte movimento geral do dia também. Neste caso, as correlações são muito próximas de zero para que os modelos não possam prever o movimento global do mercado. Previsão do intervalo do mercado Para o forex, o intervalo é definido aqui como a diferença entre o dayrsquos alto e o dayrsquos baixo como uma porcentagem do fechamento anterior (para que diferentes instrumentos sejam comparáveis). Um dos métodos mais simples e melhores, os vizinhos mais próximos, executa melhor nesta tarefa. Este método, para cada caso, simplesmente observa os n casos no conjunto de treinamento que mais parecem com ele e prevê uma média ponderada de seu intervalo. Prever o movimento absoluto de um instrumento O movimento absoluto de um instrumento é o movimento global de um dia, mas sempre positivo. Isso é um pouco semelhante ao intervalo. É impossível prever a direção do mercado para o dia seguinte baseado apenas em oito barras e volumes anteriores, pelo menos usando esses algoritmos. No entanto, a primeira falha desta abordagem é talvez que ele tenta prever todos os dias. Talvez algum processo de eliminação possa remover uma grande quantidade de dados que são na maioria imprevisíveis. Por outro lado, existem outros algoritmos como redes neuronais recorrentes que são mais apropriados para a tarefa em questão. É possível prever, até certo ponto, o alcance do dia seguinte e, portanto, logicamente o movimento absoluto (de perto para perto). Este tipo de informação pode não ser relevante para os comerciantes que seguem as tendências, mas pode ser relevante para scalpers que precisam prever o intervalo de um par de moedas. Eu acredito que tais algoritmos ultrapassam os indicadores de alcance como o ATR no sentido de que eles são mais preditivos do que indicativos. (2009) O Software de Mineração de Dados WEKA: Uma Atualização SIGKDD Explorations, Volume 11, Edição 1.