التنبؤ الفوركس سفم

الوقت المالي، تسلسل، التنبؤ، الاستعمال، دعم، سهم التوجيه، ماشينس.

تعد وسائل دعم النواقل (سفمس) طرقا واعدة للتنبؤ بالمؤشرات المالية لأنها تستخدم وظيفة خطر تتألف من الخطأ التجريبي ومصطلح منظم مستمد من مبدأ تقليل المخاطر الهيكلية. وتطبق هذه الدراسة سفم على التنبؤ بمؤشر أسعار الأسهم. وبالإضافة إلى ذلك، تبحث هذه الدراسة جدوى تطبيق سفم في التنبؤ بالمالية من خلال مقارنة بين الشبكات العصبية انتشار الانتشار والاستدلال القائم على الحالة. وتظهر النتائج التجريبية أن سفم توفر بديلا واعدا لتنبؤ سوق الأسهم.

ويعتبر التنبؤ سوق الأسهم مهمة صعبة من التنبؤ بالمسلسل الزمني - المالية. كانت هناك العديد من الدراسات التي تستخدم الشبكات العصبية (أنز) في هذا المجال. وقد أظهر عدد كبير من التطبيقات الناجحة أن أن يمكن أن تكون أداة مفيدة جدا لنمذجة السلاسل الزمنية والتنبؤ [24]. في الأيام الأولى من هذه الدراسات ركزت على تطبيق أنس لتوقعات سوق الأسهم (على سبيل المثال [2،6،11،13،19،23]). البحوث الأخيرةالتباين لتهجين العديد من الذكاء الاصطناعي (أي) تقنيات (على سبيل المثال [10،22]). يميل بعض الباحثين إلى تضمين عوامل جديدة في عملية التعلم. كوهارا إت آل. [14] المعرفة السابقة لتحسين أداء التنبؤ سوق الأسهم. تسايهيت آل. [20] دمج التكنولوجيا القائمة على القاعدة و آن للتنبؤ اتجاه S & أمب؛ P 500 مؤشر الأسهم الآجلة على أساس يومي.

واقترح كواهاند سرينيفاسان (17) نظام اختيار أسهم الشبكة الوطنية (أن) لاختيار المخزونات الأكثر أداء من السوق ولتجنب الاختيار تحت فناني الأداء. وخلصوا إلى أن حافظة النموذج المقترح تفوق أداء حافظات النموذج المعياري من حيث مضاعفة العائد الفعلي الإضافي. اقترح كيم وهان [12] نهج الخوارزميات الجينية لميزة التحوط وتحديد أوزان التوصيل لل أن للتنبؤ بمؤشر أسعار الأسهم. واقترحوا أن نهجهم يقلل من أبعاد الفضاء ميزة وتعزيز أداء التنبؤ.

ومع ذلك، أظهرت بعض هذه الدراسات أن الشبكة الوطنية الأنغولية لديها بعض القيود في تعلم الأنماط لأن بيانات سوق الأسهم لديها ضجيج هائل وأبعاد معقدة. غالبا ما يظهر أن أداء غير متناسق وغير متوقع في البيانات الصاخبة. ومع ذلك، شبكة الانتشار العصبي (بب) العصبية، الأكثر شعبية نموذج الشبكة العصبية، سويرس من ديفكولتي في اختيار عدد كبير من المعلمات السيطرة التي تشمل المتغيرات المدخلات ذات الصلة، وحجم طبقة خفية، ومعدل التعلم، الزخم المدى. في الآونة الأخيرة، تم تطوير آلة ناقلات الدعم (سفم)، خوارزمية الشبكة العصبية الرواية، من قبل فابنيك وزملائه [21].

وقد طبقت العديد من نماذج الشبكات العصبية التقليدية المبدأ التجريبي للتقليل من المخاطر، وتقوم سفم بتنفيذ مبدأ تقليل المخاطر الهيكلية. ويسعى الأول إلى التقليل إلى أدنى حد من خطأ سوء التصنيف أو الانحراف عن الحل الصحيح لبيانات التدريب، ولكن الأخير يبحث عن تقليل الحد الأعلى لخطأ التعميم. وبالإضافة إلى ذلك، قد يكون حل سفم الأمثل العالمي في حين أن نماذج الشبكة العصبية الأخرى قد تميل إلى الوقوع في الحل الأمثل المحلي. وبالتالي، من غير المرجح أن تحدث مع تراكب سفم. وتطبق هذه الورقة سفم على التنبؤ بمؤشر أسعار الأسهم. وبالإضافة إلى ذلك، تبحث هذه الورقة جدوى تطبيق سفم في التنبؤ بالمالية من خلال مقارنتها مع أن والاستدلال القائم على الحالة (كبر). تتكون هذه الورقة من أقسام - ف. القسم 2 يقدم المفهوم الأساسي سفم وتطبيقاتها في - nance.

ويقترح القسم 3 نهج سفم في التنبؤ بمؤشر أسعار الأسهم. القسم 4 يصف البحوث والتجارب. في القسم 4، يتم تلخيص النتائج التجريبية ومناقشتها. القسم 5 يعرض استنتاجات وحدود هذه الدراسة.

تعلم الآلة وتطبيقها في أسواق الفوركس [نموذج العمل]

في آخر مشاركة غطينا آلة التعلم (مل) مفهوم باختصار. في هذا المنصب نشرح بعض المصطلحات أكثر مل، ومن ثم وضع قواعد لاستراتيجية الفوركس باستخدام خوارزمية سفم في R.

لاستخدام مل في التداول، نبدأ مع البيانات التاريخية (سعر السهم / بيانات الفوركس) وإضافة مؤشرات لبناء نموذج في R / بيثون / جافا. ثم نحدد الحق خوارزمية التعلم الآلي لجعل التنبؤات.

أولا، دعونا ننظر إلى بعض المصطلحات المتعلقة مل.

خوارزميات التعلم الآلي - هناك العديد من خوارزميات مل (قائمة الخوارزميات) مصممة للتعلم وجعل التنبؤات على البيانات. يمكن أن تستخدم خوارزميات مل إما للتنبؤ فئة (معالجة مشكلة التصنيف) أو للتنبؤ اتجاه وحجم (معالجة مشكلة الانحدار).

توقع سعر السهم في 3 أشهر من الآن، على أساس النتائج الفصلية الماضية للشركة. توقع ما إذا كان بنك الاحتياطي الفيدرالي سوف يرفع سعر الفائدة.

المؤشرات / الميزات - يمكن أن تشمل المؤشرات المؤشرات الفنية (إما، بباندز، ماسد، الخ)، المؤشرات الأساسية، أو / ومؤشرات الاقتصاد الكلي.

المثال 1 & # 8211؛ رسي (14)، السعر - سما (50)، و تسي (30). يمكننا استخدام هذه المؤشرات الثلاثة، لبناء نموذجنا، ومن ثم استخدام خوارزمية مل المناسبة للتنبؤ القيم المستقبلية.

مثال 2 & # 8211؛ (10)، مؤشر القوة النسبية (15)، مؤشر القوة النسبية (15)، مؤشر القوة النسبية (5)، مؤشر القوة النسبية (14)

في هذا المثال اخترنا 8 مؤشرات. وقد تكون بعض هذه المؤشرات غير ذات صلة بنموذجنا. من أجل اختيار مجموعة فرعية مناسبة من المؤشرات التي نستخدمها تقنيات اختيار الميزة.

اختيار ميزة - هو عملية اختيار مجموعة فرعية من الميزات ذات الصلة لاستخدامها في النموذج. يتم وضع تقنيات اختيار ميزة في 3 فئات واسعة: طرق التصفية، والطرق القائمة على التراب وطرق المضمنة. لتحديد مجموعة فرعية الحق نحن أساسا استخدام خوارزمية مل في بعض الجمع. وتعرف الخصائص المختارة بالتنبؤات في التعلم الآلي.

دعم ناقلات آلة (سفم) - سفم هو خوارزمية معروفة للتعلم آلة أشرف، ويستخدم لحل كل من مشكلة التصنيف والانحدار.

تعمل خوارزمية سفم على نقاط البيانات المعينة، وتفصلها عبر الحدود أو هيبربلان. يحاول سفم تحقيق أقصى قدر من الهامش حول اللوحة الفاصلة. ناقلات الدعم هي نقاط البيانات التي تقع أقرب إلى سطح القرار.

قواعد تأطير لاستراتيجية الفوركس باستخدام سفم في R & # 8211؛ في ضوء فهمنا للميزات و سفم، دعونا نبدأ بالرمز في R. لقد اخترنا زوج العملات ور / أوسد مع إطار زمني لمدة ساعة واحدة يعود إلى عام 2018. المؤشرات المستخدمة هنا هي ماسد (12، 26، 9)، و بارابوليك سار مع الإعدادات الافتراضية (0.02، 0.2).

أولا، نقوم بتحميل المكتبات اللازمة في R، ومن ثم قراءة بيانات ور / أوسد. ثم نحسب ماكد و بارابوليك سار باستخدام وظائف كل منها المتاحة في حزمة "تر". لحساب هذا الاتجاه، نطرح سعر إغلاق ور / أوسد من قيمة سار لكل نقطة بيانات. نحن تأخر القيم مؤشر لتجنب نظرة نظرة المسبقة التحيز. نحن أيضا إنشاء أعلى / أسفل الطبقة على أساس تغيير الأسعار.

وبعد ذلك نقوم بدمج المؤشرات والطبقة في إطار بيانات واحد يسمى بيانات النموذج. ثم يتم تقسيم البيانات النموذجية إلى التدريب، وبيانات الاختبار.

ثم نستخدم وظيفة سفم من حزمة "e1071" وقم بتدريب البيانات. نحن جعل التنبؤات باستخدام وظيفة التنبؤ وأيضا رسم نمط. نحن نحصل على دقة 53٪ هنا.

من المؤامرة نرى منطقتين متميزتين، وهي منطقة أكبر كبيرة باللون الأحمر حيث جعلت الخوارزمية تنبؤات قصيرة، ومنطقة أصغر في الأزرق حيث ذهب طويلا.

مؤشر سعر السهم مع اتجاه يمتد مع مرور الوقت. سار أقل من الأسعار عندما ترتفع الأسعار وتتجاوز الأسعار عندما تنخفض الأسعار. يتوقف السهم وينعكس عندما ينعكس اتجاه السعر ويكسر فوقه أو فوقه. نحن مهتمون بعبور السعر و سار، وبالتالي نتخذ مقياس الاتجاه على أنه الفرق بين السعر و سار في التعليمات البرمجية. وبالمثل، نحن نستخدم القيم الماكد الرسم البياني، وهو الفرق بين خط الماكد وقيم خط الإشارة.

وبالنظر إلى مؤامرة نحن الإطار لدينا قواعد اثنين واختبار هذه على بيانات الاختبار.

شورت رول = (برايس-سار) & غ؛ -0.0025 & أمب؛ (السعر - ريال سعودي) & لوت؛ 0.0100 & أمب؛ ماسد & غ؛ -0.0010 & أمب؛ ماسد & لوت؛ 0.0010.

لونغ رول = (برايس-سار) & غ؛ -0.0150 & أمب؛ (السعر - ريال سعودي) & لوت؛ -0.0050 & أمب؛ ماسد & غ؛ -0.0005.

نحن نحصل على دقة 54٪ لتداولاتنا قصيرة ودقة 50٪ لدينا الصفقات طويلة. يبدو أن خوارزمية سفم تقوم بعمل جيد هنا. ونحن نتوقف عند هذه النقطة، وفي مشاركتنا القادمة على التعلم الآلي سوف نرى كيف يمكن وضع قواعد مؤطرة مثل تلك المنصوص عليها أعلاه ترميز و باكتستد للتحقق من جدوى استراتيجية التداول.

كيفية استخدام آلة دعم ناقلات (سفم) في التداول اليومي؟

كمتداول من المهم جدا بالنسبة لك لدخول التجارة في الاتجاه الصحيح. على سبيل المثال، يجب أن تكون على يقين من أن السوق سوف ترتفع قبل الدخول في تجارة شراء. إذا قمت بإدخال تجارة شراء والسوق ينخفض، والتجارة في نهاية المطاف ضرب وقف الخسارة. إذا كان لديك طريقة يمكن التنبؤ اتجاه السوق مع دقة أعلى من 70٪، يمكنك خفض المخاطر العامة الخاصة بك من فقدان بنسبة 70٪. في آخر مشاركة قلت لك عن لغة R والبرمجيات وكيف يمكنك استخدام R في تحسين نظام التداول الخاص بك. R هو برنامج تحليل إحصائي قوي ومفتوح المصدر. هناك أكثر من 2000 حزم R التي تتوفر لك التي يمكنك استخدامها لجعل النماذج التنبؤية الخاصة بك.

هدفنا هو تحسين نظام التداول لدينا. الاستراتيجية هي الجمع بين النموذج الإحصائي التنبؤي الخاص بك مع نموذج التداول عارية الخاص بك الذي يقوم فقط على التحليل الفني للعمل السعر. على سبيل المثال كنت بقعة نمط غارتلي على الرسم البياني الخاص بك وكان لديك إشارة شراء. نموذج تنبؤك الإحصائي يخبرك أن هناك فرصة سوق 75٪ سوف تنخفض اليوم. ماذا عليك ان تفعل؟ يجب عدم الدخول في صفقة شراء. سترى بحلول نهاية اليوم كنت قد انقذت نفسك من التجارة سيئة. في هذا المنصب سوف نناقش كيفية التنبؤ اتجاه السوق باستخدام آلة دعم ناقلات (سفم). يمكنك استخدام جهاز ناقل الدعم في أي إطار زمني. لنفترض أنك تخطط للدخول في صفقة شراء على الإطار الزمني H1. نموذج سفم الخاص بك يتوقع أن الشمعة المقبلة لتكون هبوطية. يمكنك استخدام هذا التنبؤ للدخول بسعر أفضل بكثير في الساعة القادمة.

كيفية استخدام دعم ناقلات آلة (سفم) في التنبؤ اتجاه السوق في أي إطار زمني؟

يجب تحميل R البرمجيات و رستوديو البرامج وتثبيته قبل أن تستمر مع هذا المنصب. دعم آلات المتجهات هي المصنفات غير الخطية التي تستخدم دالة كيرنيل لتحويل مشكلة تصنيف غير خطية إلى مشكلة تصنيف خطية. شاهد الفيديو أدناه الذي يشرح ما هو سفم:

دعم آلة ناقلات هو خوارزمية تعلم آلة مهمة. الآن أنت لا تحتاج إلى إتقان كيفية القيام النمذجة مع سفم. يجب أن يكون لديك مجرد فهم واسع ما هي هذه الخوارزمية وكيف يمكنك استخدامها لخفض الخسائر الخاصة بك في التداول اليومي.

نوع سف: إبس-سفر (الانحدار)

المعلمة: إبسيلون = 0.1 التكلفة C = 5.

غوسية شعاعي أساس النواة وظيفة.

هيبيرباراميتر: سيغما = 0.05.

عدد ناقلات الدعم: 1884.

الهدف الدالة القيمة: -3870.229.

خطأ في التدريب: 0.285461.

خطأ في التحقق من الخطأ: 0.08664.

وGT. #calculate الوقت المستغرق لجعل سفم.

وGT. نظام المستخدم المنقضي.

كما ترون من الحسابات أعلاه استغرق حوالي 6.65 ثانية ل R لأداء جميع الحسابات المذكورة أعلاه. خطأ التدريب هو 28٪ يعني الدقة التنبؤية لهذا النموذج سفم هو 72٪. لقد استخدمنا وظيفة أساس شعاعي كما النواة. نحن بحاجة إلى القيام ببعض التغيير والتبديل ونرى ما اذا كان يمكننا تحسين دقة التنبؤ. وقد أجريت الحسابات المذكورة أعلاه باستخدام 5 تأخر عوائد بسيطة. مع هذه 5 تأخر العودة بسيطة نحن الحصول على خطأ التدريب من 28٪. دعونا تكرار الحسابات مع 10 تأخر ومعرفة ما اذا كنا ننجح في الحد من التدريب.

كما ترون أعلاه فعلنا الحسابات مع 10 متخلفة وكانت قادرة على تقليل الخطأ التدريب إلى 22٪ مما يعني أننا حققنا دقة التنبؤية من 78٪. الوقت الذي يستغرقه R للقيام بجميع الحسابات هو فقط 5.13 ثانية مما يعني أننا يمكن أيضا استخدام نموذجنا على الأطر الزمنية خلال اليوم مثل M15 و M30. يمكننا تداول الخيارات الثنائية مع هذا النموذج على الأطر الزمنية لحظية M15 و M30. خطأ التدريب هو دائما مبالغة في تقديرها. عندما نفعل من عينة الاختبار، وسوف تحصل على خطأ من شأنها أن تكون شيئا بين 22٪ إلى 28٪. طالما لدينا دقة تنبؤية فوق 70٪، يمكننا استخدام هذا النموذج سفم في التداول اليومي. الآن دعونا نفعل العمليات الحسابية للإطار الزمني لحظيا من M15. هذه المرة نحن جعل التنبؤ ل يوروس.

وكانت هذه الحسابات لحساب الشموع EURUSDM15. كما ترون R جعل الحسابات بسرعة كبيرة في 5 ثوان. خطأ التدريب حوالي 25٪ يعني أننا حققنا دقة تنبؤية من 75٪. الآن إذا قمنا بتعديل النموذج أكثر يمكننا أن نجعل من دقة التنبؤ بشكل أفضل.

هذا ما افعله. لدي هذا النموذج جعل التنبؤ. كما رأيت أعلاه هذا النموذج بالكاد يستغرق بضع ثوان للتنبؤ شمعة المقبل. مرة واحدة لدي التنبؤ، وأنا استخدام نظام التداول الشمعدان ومعرفة ما اذا كان يؤكد مع التنبؤ. عندما كل من التنبؤات تؤكد بعضها البعض، وأنا فتح التجارة وإلا تخطي التجارة. وهذا يساعد في الحد من الخسائر.

يمكنك أن ترى في الحسابات المذكورة أعلاه خفضنا عدد من التأخر من 10 إلى 5. نحن خفضت من الوقت من الحسابات بنسبة 1 ثانية عن طريق الخطأ التدريب ارتفع إلى 30٪. وهذا مؤشر على أنه لا ينبغي لنا أن نحاول تقليص عدد التأخيرات. كما ترون يمكننا تنفيذ هذه العمليات الحسابية في بضع ثوان فقط. بعد هذه النمذجة الإحصائية ونحن نعرف مع 70٪ على الأقل اليقين اتجاه الشمعة المقبلة. إذا كان التنبؤ هو شمعة حتى، يجب علينا تجنب تجارة بيع. استخدام معرفتك من أنماط شمعدان والدخول في تجارة شراء.

0 تعليق.

تحميل نظام الفوركس بسيط مجانا أن الزوجي الحساب كل شهر مع 3-4 انخفاض المخاطر مجموعة وتنسى الصفقات على H4 الإطار الزمني ويمكن أيضا تداول الخيارات الثنائية على M5، M15 و M30 الأطر الزمنية!

معلوماتك آمنة 100٪ معنا ولن تكون مشتركة.

كوبيرايت & كوبي؛ 2018 · Forex. TradingNinja · جميع الحقوق محفوظة.

الحصول على استراتيجية الخيارات الثنائية التي لديها 92٪ متوسط ​​وينرات مجانا!

دارينغ لتحديد الأسواق |

الذكاء الاصطناعي.

سفم مقابل قرد. جعل الرهانات الخاصة بك.

15/09/2018.

السيدات والسادة، ضع الرهانات الخاصة بك! اليوم نحن & # 8217؛ سوف نبذل قصارى جهدنا للتغلب على واحدة من المعارضين الأكثر إثارة للخوف التي يمكن أن تواجه في التمويل: قرد.

اليوم، نحن نحاول التنبؤ بعلامة عودة الغد لأزواج العملات المختلفة، ويمكنني أن أؤكد لكم أن قرد جعل الرهانات العشوائية على علامة والحصول عليها الحق 50٪ من الوقت سيكون معيارا صعبا.

نحن & # 8217؛ الذهاب إلى استخدام قبالة الرف آلة التعلم خوارزمية: دعم ناقلات المصنف. دعم ناقلات الآلات هي طريقة قوية بشكل لا يصدق لحل الانحدار وتصنيف المهام.

دعم، سهم التوجيه، ماشينس.

ويستند سفم على فكرة أننا يمكن فصل الطبقات في مساحة ميزة p الأبعاد عن طريق لوحة مفرغة. تستخدم خوارزمية سفم لوحة مفرغة وهامش لإنشاء حدود قرار للفئتين.

وفي الحالة الأكثر بساطة، يكون التصنيف الخطي ممكنا، وتختار الخوارزمية حدود القرار بطريقة تزيد من هامش المسافة بين الطبقات.

في معظم المسلسلات المالية أنت & # 8217؛ لن تواجه سهلة، مجموعات قابلة للقسمة خطيا، ولكن القضية غير قابلة للانقسام سيكون هو القاعدة. و سفم يحصل حول هذه المشكلة من خلال تنفيذ ما يسمى أسلوب الهامش لينة.

وفي هذه الحالة، يسمح ببعض حالات سوء التصنيف ولكنها تعاقب الوظيفة على التقليل بعامل يتناسب مع C (تكلفة أو ميزانية الأخطاء المسموح بها) ومسافة الأخطاء إلى الهامش.

في الأساس، الجهاز سوف تعظيم الهامش بين الطبقات مع التقليل من مدة العقوبة التي يتم ترجيحها من قبل C، وأن هذا هو في الأساس حدود لعدد الملاحظات الخاطئة.

وهناك ميزة باردة جدا من تصنيف سفم هو أن موقف وحجم الهامش لا يقرر إلا من قبل مجموعة فرعية من البيانات، وهي واحدة الأقرب إلى الهامش. هذه الخوارزمية مميزة يجعلها قوية جدا ضد القيم المتطرفة أو القيم المتطرفة التي هي بعيدة عن الهامش.

معقدة جدا بالنسبة لك؟ حسنا، أنا & # 8217؛ خ يخاف متعة فقط بدأت للتو.

الحبات.

تخيل الآن الوضع التالي:

هل تعتقد أن هذا الوضع سيكون من السهل لدينا المصنف الهامش الخطي؟ حسنا، انها بسيطة لتصنيف ولكن من الواضح أنه لا يمكن القيام به خطيا. ومع ذلك، يمكننا أن نحاول خدعة النواة.

خدعة النواة هي تقنية رياضية ذكية جدا تسمح لنا بحل ضمنا مشكلة الفصل الخطي في مساحة مميزة ذات أبعاد أعلى. دعونا نرى كيف يتم ذلك:

وعندما لا تكون مجموعة البيانات قابلة للتصنيف خطيا، على سبيل المثال، ℝ 2، يمكنك استخدام دالة التعيين Φ (x)، التي تخزن مجموعة البيانات بأكملها من ℝ 2 إلى ℝ 3. في بعض الأحيان يكون من الممكن أن تفصل مجموعة البيانات في ℝ 3 (الحد الخطي سوف يكون طائرة الآن بدلا من خط!) ويعود بعد ذلك إلى ℝ 2، و بتطبيق الخرائط العكسية على الطائرة، يمكن الحصول على حدود القرار غير الخطية على مساحة الإدخال الأصلي الخاص بك.

بشكل عام، إذا كان لديك د المدخلات يمكنك استخدام رسم الخرائط من مساحة الإدخال ديمنزيونال الخاص بك إلى مساحة ميزة p الأبعاد. تنفيذ مشكلة التقليل المذكورة أعلاه سوف تسفر عن حل و p-- الأبعاد فصل هيبيربلان التي سيتم تعيينها مرة أخرى إلى مساحة الإدخال الأصلي الخاص بك.

في المثال أعلاه، يتم تعيين لوحة مفرغة ثلاثية الأبعاد (في الأساس طائرة فقط) مرة أخرى في القطع الناقص في الفضاء 2-د الأصلي. بارد، أليس كذلك؟

ولكن هناك & # 8217؛ s (لا يزال) أكثر.

إذا كان رأسك ينفجر بالفعل، لا تتردد في تخطي مباشرة إلى تحد القرد & # 8230؛

من الحل الرياضي لمشكلة الأمثل المذكورة أعلاه، مع القليل من العمل الشاق، يمكن أن يظهر أن الحل يعتمد فقط على المنتجات نقطة من العينة في الفضاء ميزة.

هذه النتيجة الرياضية هي المفتاح لأداء خدعة النواة. طالما أنك تحتاج فقط المنتجات نقطة لأداء تحسين الهامش، ورسم الخرائط لا تحتاج إلى أن تكون صريحة، والمنتجات نقطة في مساحة ميزة الأبعاد عالية يمكن حسابها بأمان ضمنيا من مساحة المدخلات عن طريق وظيفة النواة ( و القليل من المساعدة من نظرية ميرسر).

على سبيل المثال، لنفترض أنك تريد حل مشكلة التصنيف الخاصة بك في مساحة واسعة جدا، دعونا نقول 100000 - الأبعاد. هل يمكنك تخيل القوة الحسابية التي تحتاجها؟ أنا أشك على محمل الجد أنه & # 8217؛ ق حتى ممكن. من ناحية أخرى، حبات تسمح لك لحساب هذه المنتجات نقطة، وبالتالي الهامش، من الراحة من الفضاء المدخلات أقل الأبعاد.

بعض الحبات المستخدمة على نطاق واسع هي:

نواة غاوس في الواقع يسمح لك لحساب المنتجات النقطية التي يتم تنفيذها ضمنيا في مساحة لانهائية الأبعاد، ولكن لا تحاول معرفة ما هو بالضبط مساحة لانهائية ميزة الأبعاد أو الدماغ قد تنفجر.

كما أننا & # 8217؛ رأيت للتو في صياغة النواة، وهناك & # 8217؛ s فرط هيبيرباراميتر الثانية التي تحتاج إلى ضبط إذا كنت ترغب في استخدام نواة. وتتحكم هذه المعلمة the في المسافة المميزة لتأثير الملاحظة الواحدة.

يجب اختيار كل من C و carefully بعناية من أجل إجراء تصنيف لطيف:

لمزيد من المعلومات هناك تفسير واضح جدا من خدعة النواة من قبل اريك كيم. أيضا، قد تكون مهتمة في هذا ملخص لطيفة ودقيقة من سفم التي كتبها اليكس سمولا.

التحدي والقرود.

الآن نحن على استعداد لمواجهة التحدي المتمثل في ضرب قدرات جيف التنبؤ. دعونا نجتمع مع جيف:

جيف هو خبير في سوق العملات ومجرد الرهان العشوائي هو قادرة على الحصول على 50٪ دقة التنبؤ في التنبؤ علامة في اليوم التالي & # 8217؛ ق العودة.

نحن نذهب لاستخدام سلسلة أساسية مختلفة بالإضافة إلى سلسلة من الأسعار الفورية، بما في ذلك عودة تصل إلى 10 الفترات لكل سلسلة، مما يجعل 55 الميزات في المجموع.

سفم أننا ذاهبون لتدريب هو الذهاب الى استخدام نواة بولينوم من درجة 3. اختيار النواة المناسبة هو مهمة أخرى صعبة حقا، كما يمكنك أن تتخيل. لمعايرة المعلمات C و،، يتم تنفيذ التحقق من صحة 3 أضعاف عبر على شبكة من مجموعات المعلمة الممكنة ويتم اختيار أفضل مجموعة أخيرا.

والنتائج ليست مشجعة للغاية:

يمكننا أن نرى أن كلا الانحدار الخطي و سفم قادران على الفوز على جيف. على الرغم من أن النتائج ليست واعدة، ونحن قادرون على استخراج بعض المعلومات من البيانات & # 8211؛ والتي هي بالفعل أخبار جيدة، لأن العائدات اليومية في سلسلة المالية ليست بالضبط سلسلة الأكثر بالمعلومات في علم البيانات.

بعد التحقق من صحة الصليب، يتم تقسيم مجموعة البيانات إلى التدريب واختبار مجموعات، ونحن تسجيل القدرة التنبؤ من سفم المدربين. نكرر العشوائية تقسيم 1000 مرة لكل عملة من أجل الحصول على فكرة عن استقرار الأداء.

لذلك يبدو أن سفم يفوق في بعض الحالات الانحدار الخطي البسيط، ولكن التباين في الأداء هو أيضا أعلى قليلا. في حالة أوسجبي نحن قادرون على توقع علامة 54٪ من الوقت، في المتوسط. إنها & # 8217؛ s نتيجة جيدة إلى حد ما. دعونا نلقي نظرة فاحصة.

تيد هو ابن عم جيف. تيد هو، بالطبع أيضا قرد، لكنه & # 8217؛ ق أكثر ذكاء من ابن عمه. بدلا من الرهان العشوائي، تيد ينظر في عينة التدريب، والرهانات أن علامة هو دائما أن يكون هو الأكثر شيوعا في الناتج التدريب. دعونا نستخدم تيد السراويل سمارتي كمعيار الآن:

كما نستطيع أن نرى الآن، فإن معظم أداء سفم جاء للتو من حقيقة أن الجهاز علمت أن الطبقات لم يكن من المرجح على قدم المساواة مسبقا. في الواقع، الانحدار الخطي ليس قادرا على الحصول على أي معلومات على الإطلاق من الميزات، ولكن فقط اعتراض هو مفيد في الانحدار وحسابات لحقيقة أن واحدة من الطبقات كان أكثر بالسكان.

قليلا من الأخبار الجيدة، سفم غير قادرة على الحصول على بعض المعلومات غير الخطية إضافية من البيانات التي تسمح لنا للحصول على 2٪ إضافية من دقة التنبؤ.

للأسف، ليس لدينا أي فكرة عن ما يمكن أن تكون هذه المعلومات كما سفم لديه عيب أنه & # 8217؛ s ليس كما تفسر كما كنا نتمنى ل.

الميكانيكية الفوركس.

التداول في سوق الفوركس باستخدام استراتيجيات التداول الميكانيكية.

اتخاذ خطوة كبيرة في التعلم الآلي: نتائج تاريخية مربحة عبر أزواج الفوركس متعددة.

في الماضي كنت قادرا على استخدام آلة التعلم لإنشاء أنظمة التداول المربحة بنجاح، وهذا يشمل بلدي تطبيقات الشبكة العصبية (التي ولدت استراتيجيات سونكو، تابوي وباقارين، في وقت لاحق بناء أسيريكويبراين) وكذلك محاولاتي في التصنيف الخطي وغيرها أنواع الخوارزميات. ومع ذلك، واحدة من الأشياء أن كل هذه التطورات المشتركة هي أنها قد تداولت على اليورو / دولار البيانات اليومية وفشلت في توليد نتائج لائقة عبر أزواج و / أو الأطر الزمنية الأخرى. وهذا يعني أنه على الرغم من أنني قد تعاملت مع هذا الزوج / الإطار الزمني بنجاح بنجاح (العديد من هذه الأنظمة تم تداولها مباشرة مع نتائج مربحة) ما زلت قد تمكنت من تطوير أي شيء لأدوات أخرى. في اليوم & # 8217؛ الصورة سوف أتحدث عن واحد من أحدث التطورات (في جزء كبير بسبب عضو أسيريكوي وسوف أذكر لاحقا) التي سمحت لي لتحقيق مربحة نتائج التعلم آلة عبر أزواج أخرى إلى جانب اليورو /دولار أمريكي. لاحظ أن جميع نتائج الاختبار الخلفي أظهرت غير مركب (بحيث يمكن الحكم عليها بسهولة عن طريق الخطية).

حقيقة أن تقنيات التعلم الآلي يبدو أنها كذلك & # 8220؛ سهلة & # 8221؛ لتطوير على ور / أوسد يوميا، ولكن من الصعب جدا لتطوير على أزواج أخرى على نفس الإطار الزمني دائما التنصت لي. لماذا هو ور / أوسد يوميا خاصة جدا، أن البيانات السابقة يبدو أن التنبؤ بسهولة نتائج شريط اليومية في المستقبل بينما في أزواج أخرى هذا ببساطة لا يعمل؟ يبدو أن الإجابة هي نفس وجهة النظر نفسها & # 8212؛ ما أحاول التنبؤ به. فابيو & # 8211؛ عضو في مجتمعنا & # 8211؛ أشار إلى أنه سيكون من المثير للاهتمام محاولة تصنيف ما إذا كانت نتيجة تجارية معينة ستكون ناجحة، بدلا من محاولة تصنيف ببساطة ما إذا كان الشريط التالي سيكون & # 8220؛ صاعد أو هبوطي & # 8221 ؛. إن التنبؤ بما إذا كان دخول تجاري معين سيكون ناجحا أم لا، لأنك تحاول أن تتنبأ بما إذا كانت تجارتك الفعلية داخل بعض حدود الخروج ستصل إلى الربح أو الخسارة، بدلا من ما إذا كانت الاتجاه العام سيكون لصالحك أو ضدك .

عند تنفيذ الفكرة المذكورة أعلاه في F4، رأيت أن ليس كل التنبؤات نتائج التجارة كانت ناجحة على حد سواء، في حين توقع حواف كبيرة لم تعمل على الإطلاق (على سبيل المثال محاولة للتنبؤ حيث خطر 1: 2 لمكافأة التجارة سيكون ناجحا )، والتنبؤ حواف أصغر عملت أفضل بكثير. خوارزميات مختلفة أيضا أعطت نتائج مختلفة بشكل ملحوظ، في حين أن المصنفات الخطية كانت تعتمد اعتمادا كبيرا على بيانات الأعلاف (تغيرت بشكل ملحوظ بين مجموعتي بيانات فكس)، أعطتني آلات دعم المتجهات (سفم) أفضل النتائج الإجمالية مع انخفاض الاعتماد على العلف وتحسين الربح إلى السحب مميزات. أعطت تقنيات بسيطة كتلر كيلتنر يعني أيضا نتائج مثيرة للاهتمام، على الرغم من أن الربحية انخفضت مقارنة مع سفم. كما هو الحال في كل ما عندي من تطبيقات التعلم الآلي، ويتم التدريب على كل شريط يومي جديد باستخدام الحانات X الماضية، وبالتالي فإن تقنية التعلم آلة يعيد باستمرار من خلال كامل فترة الاختبار الخلفي.

ومن المثير للاهتمام أن هذه التقنية تحقق نتائج مربحة (25 عاما من الاختبارات الخلفية) في جميع العملات الأربعة الرئيسية (نفس الإعدادات)، مع نتائج جيدة بشكل خاص على زوج اليورو / الدولار الأمريكي والجنيه الإسترليني / الدولار الأمريكي والأسوأ من ذلك، ولكن نتائج مربحة على الدولار / الفرنك السويسري والدولار الأمريكي /ين يابانى. ويبدو أن القدرة على التنبؤ بالنتائج قد فقدت بشكل كبير على أوسد / جبي، حيث هناك فترة طويلة بشكل كبير (حوالي 10 سنوات) حيث تكون الاستراتيجية غير قادرة على تحقيق أي مستوى كبير من النجاح. وأود أيضا أن أشير إلى أن اختبار التعلم الآلي الحالي يستخدم مجرد مثيل التعلم آلة واحدة و أنا ملجأ حاولت زيادة الربحية من قبل لجان البناء أو غيرها & # 8220؛ الحيل & # 8221؛ التي قد تساعد على تحسين ونتائج سلسة عند استخدام تقنيات التعلم الآلي. في هذه الحالة محاولة تنبؤات مجموعة تجارية مختلفة داخل لجنة أو حتى وضع سفم فقط وتقنيات كيلتنر للعمل معا قد يؤدي إلى تحسن كبير في النتائج.

بالنسبة لي حقيقة أن هذه التقنية قد أخيرا & # 8220؛ كسر حاجز متعدد الزوج & # 8221؛ كان كبيرا جدا لأنه يكشف شيئا أساسيا حول استخدام التعلم الآلي الذي، حتى الآن، ويبدو لي أن غاب. هذا يعزز أيضا حقيقة أن اختيارات الانتاج حاسمة للغاية عند وضع استراتيجيات التعلم الآلي كمحاولة للتنبؤ مخرجات خاطئة يمكن أن يؤدي بسهولة إلى تقنيات غير مربحة (كما حدث لي عند محاولة إنشاء استراتيجيات مل على رموز أخرى). اختيار النواتج التي هي ذات مغزى للتداول ولكن لا يزال يمكن التنبؤ بها ضمن دقة جيدة، يؤدي إلى تطوير استراتيجيات التعلم الآلي أكثر نجاحا. وفي هذه الحالة على وجه الخصوص، كان لتغيير التركيز على التنبؤ الذي له آثار مباشرة في الربحية التجارية تأثير جيد.

على الرغم من أن النتائج حتى الآن لا شيء كميا ل & # 8220؛ حزب حول & # 8221 ؛، حقيقة أن هناك الآن الطريق مفتوحة نحو تطوير استراتيجيات مرب مربحة التي قد تعمل في جميع المجالات (وليس فقط على زوج واحد) يعطيني الثقة في حقيقة أن أنا المشي على الطريق الصحيح (بفضل فابيو لاقتراحاته). بعد الوصول إلى هذا المعلم الرئيسي هدفي الآن هو لتلميع ودراسة هذه التطبيقات التعلم آلة للعثور على أفضل التنبؤات وتحسين النتائج على أزواج غير اليورو مقابل الدولار الأميركي، وهدفي النهائي سيكون أن يكون استراتيجية التعلم الآلي التي يمكن أن تقدم نتائج تاريخية عالية الخطية ( على حد سواء أسيريكويبراين) عبر ما لا يقل عن 4 التخصصات (نأمل حتى أكثر أزواج) حتى أتمكن من الحصول على مصدر للتنويع التي يتم تكييفها باستمرار مع ظروف السوق الجديدة.

إذا كنت ترغب في معرفة المزيد عن استراتيجيات التعلم الآلي وكيف يمكنك أيضا بسهولة بناء المصنفات الخطية والغابات العشوائية، كيلتنر يعني تجميع والشبكة العصبية واستراتيجيات سفم في F4В В يرجى النظر في الانضمام إلى أسيريكوي، موقع على شبكة الانترنت مليئة أشرطة الفيديو التعليمية وأنظمة التداول ، واتباع نهج سليم وصادق وشفاف تجاه التداول الآلي بشكل عام. آمل أن يحظى هذا المقال بإعجابكم ! : س)

7 ردود على & # 8220؛ اتخاذ خطوة كبيرة في التعلم الآلي: نتائج تاريخية مربحة عبر أزواج الفوركس متعددة & # 8221؛

& # 8220؛ حقيقة أن تقنيات التعلم الآلي يبدو أن ذلك حتى Ђњeasy” لتطوير على ور / أوسد يوميا، ولكن من الصعب جدا لتطوير على أزواج أخرى على نفس الإطار الزمني دائما التنصت لي. & # 8221؛

هل دفعت اهتماما استثنائيا لهذا الزوج ربما؟ إذا كان هذا سي الحالات، وسهولة ويرجع ذلك إلى دمب (بالمعنى العام للمصطلح، أي محاولة باستمرار على نفس السطور).

شكرا على التعليق: س) أشك في ذلك. إذا كان أي شيء كنت قد دفعت المزيد من الاهتمام لتعلم الآلة على أزواج أخرى (وخاصة أوسجبي) بعد تطوير أول تقنيات التعلم الآلي التي عملت على اليورو مقابل الدولار الأميركي، ولكن أنا ملاذ & # 8217؛ t قادرة على الحصول على أي شيء تقريبا مربحة على USDJPY. وعلاوة على ذلك، فإن محاولة التنبؤ عشوائيا مع العديد من أنواع خوارزمية التعلم الآلي لديها نجاح أكثر بكثير على اليورو مقابل الدولار الأميركي من على أزواج أخرى (حيث لا شيء تقريبا يعمل). الآن أعتقد أن المسألة تتعلق أكثر بنوع المخرجات المستخدمة، كما نوقشت في هذه المقالة. ومع ذلك، فإنه & # 8217؛ s بالتأكيد لأنني قد دفعت المزيد من الاهتمام ل يوروس في تعلم الآلة (قد يبدو فقط بهذه الطريقة لأنني لم تكن ناجحة إلا على هذا الزوج باستخدام مل). شكرا مرة أخرى على الكتابة،

شكرا لكم على الاعتراف. أتابع باهتمام التطورات الخاصة بك من داخل المجتمع أسيريكوي.

كما تعلمون أنني تصور الفكرة في سياق مختلف تماما عن التعلم الآلي، وأنا في الاعتبار لاستغلالها بطرق مختلفة جدا، ولكن رؤية أنه كان مفهوما واعدا أيضا في خط البحث الخاص بك هو علامة مشجعة بشكل عام.

& # 8221؛ شك في ذلك. إذا كان أي شيء لقد دفعت المزيد من الاهتمام لتعلم الآلة على الأزواج الأخرى (وخاصة أوسجبي) بعد تطوير أول تقنيات التعلم الآلي التي عملت على اليورو مقابل الدولار الأميركي، & # 8221؛

هم & # 8230؛ أنت تقول & # 8220؛ بعد & # 8230؛ يوروس & # 8221 ؛. ربما إذا كنت بدأت مع أوسجبي الأولى التي من شأنها أن تكون أكثر سهولة. هل اعتبرت إمكانية وجود تقنيات تعدين البيانات الخاصة بك هي أكثر ملاءمة ل يوروس وكنت وضعت لهم مع هذا الزوج في الاعتبار؟

أنا في حيرة من بعض البيانات الخاصة بك من وقت لآخر والآن جاء هذا واحد عن الأنظمة التي يصعب تطويرها على أزواج أخرى. على سبيل المثال، أفضل أنظمةي هي أوسدشف و أوسجبي. لم أكن قد دفعت الكثير من الاهتمام إلى اليورو مقابل الدولار الأميركي.

هل لي أن أطلب منكم توضيح قليلا على & # 8220؛ توقع ما إذا كان دخول تجاري معين سيكون ناجحا & # 8221 ؛. هل تفعل شيئا مثل الخطوات التالية؟

& # 8211؛ كل يوم يمكنك جمع الحانات X الماضية واستخدامها كما التنبؤات.

& # 8211؛ ل N استراتيجيات الخروج كنت تدريب سفم على أساس آخر T فترات.

& # 8211؛ إذا كان اليوم الحالي لديه احتمال نجاح التجارة أكبر ثم P تذهب طويلة / قصيرة تعتمد على استراتيجية خروج معينة.

& # 8211؛ إذا تم العثور على أكثر من واحد احتمال كبير الصفقات الناجحة اختيار واحد مع أعلى احتمال.

هل هو مثل هذا؟ هل تتدخل إلى الصفقات المفتوحة في حالة تعارض نتائج التداول أو السماح لها بالخروج بناء على الخطة الأولية؟

شكرا لكتابة: س) أنا أفضل للحفاظ على شرح مفصل حول هذا الجهاز تقنية التعلم داخل أسيريكوي. إذا كنت أنت عضو لا تتردد في طرحه داخل المنتدى هناك. شكرا مرة أخرى على الكتابة،

[& # 8230؛] إطارات (أسفل اليومية). على الرغم من أنني قد أحرزت بعض التقدم فيما يتعلق بأنظمة متعددة العملات (انظر هذا المنصب)، كان إنشاء أنظمة إطار زمني أقل صعوبة دائما بسبب كل من [& # 8230؛