استراتيجيات التداول باستخدام الشبكات العصبية

استراتيجيات التداول باستخدام الشبكات العصبية

نظم التجارة أوقات مفتوحة
خيارات التداول اللعبة
ستراتيجيا فوريكس تشوميكوج


استراتيجيات التداول كتب بدف الأسهم حاسبة التداول الخيار ترادينغفيو اختبار استراتيجية إشارات التداول المنهجية ما هو تداول الخيار تورونتو خيارات البورصة

الشبكات العصبية: توقعات التنبؤ. والشبكات العصبية هي خوارزميات متطورة يمكن أن تحاكي جوانب رئيسية معينة في عمل الدماغ البشري. وهذا يعطيهم قدرة فريدة على التدريب الذاتي، والقدرة على إضفاء الطابع الرسمي على المعلومات غير المصنفة، والأهم من ذلك، القدرة على جعل التنبؤات استنادا إلى المعلومات التاريخية لديهم تحت تصرفهم. وقد استخدمت الشبكات العصبية بشكل متزايد في مجموعة متنوعة من التطبيقات التجارية، بما في ذلك التنبؤ وتسويق حلول البحث. في بعض المناطق، مثل الكشف عن الاحتيال أو تقييم المخاطر، هم قادة لا جدال فيه. المجالات الرئيسية التي وجدت الشبكات العصبية التطبيق هي العمليات المالية، وتخطيط المشاريع، والتجارة، وتحليلات الأعمال وصيانة المنتجات. الشبكات العصبية يمكن تطبيقها بكفاءة من قبل جميع أنواع التجار، لذلك إذا كنت تاجر ولم تكن قد أدخلت بعد إلى الشبكات العصبية، ونحن سوف يأخذك من خلال هذا الأسلوب من التحليل الفني وتظهر لك كيفية تطبيقه على نمط التداول الخاص بك. استخدام الشبكات العصبية للكشف عن الفرص. تماما مثل أي نوع من منتج كبير أو التكنولوجيا، بدأت الشبكات العصبية جذب كل أولئك الذين يبحثون عن سوق في مهدها. وقد أغرقت السيول من الإعلانات حول برنامج الجيل التالي من السوق - الإعلانات تحتفل أقوى من جميع خوارزميات الشبكة العصبية التي تم إنشاؤها من أي وقت مضى. حتى في تلك الحالات النادرة عندما تشبه الدعاوى الإعلانية الحقيقة، ضع في اعتبارك أن زيادة الكفاءة بنسبة 10٪ هي على الأرجح أكثر ما يمكن أن تحصل عليه من الشبكة العصبية. وبعبارة أخرى، فإنه لا ينتج عوائد خارقة وبغض النظر عن مدى نجاحه في حالة معينة، وسوف يكون هناك بعض مجموعات البيانات وفئات المهام التي الخوارزميات المستخدمة سابقا لا تزال متفوقة. تذكر هذا: انها ليست الخوارزمية التي لا خدعة. وتعد معلومات المدخلات المعدة جيدا عن المؤشر المستهدف أهم عنصر في نجاحك مع الشبكات العصبية. هل أسرع التقارب أفضل؟ العديد من أولئك الذين يستخدمون بالفعل الشبكات العصبية يعتقدون خطأ أن أسرع صافي نتائجها، كان ذلك أفضل. ومع ذلك، هذا هو الوهم. لا يتم تحديد شبكة جيدة بالمعدل الذي ينتج عنه النتائج ويجب على المستخدمين معرفة كيفية إيجاد أفضل توازن بين السرعة التي تدرب فيها الشبكة وجودة النتائج التي تنتجها. التطبيق الصحيح للشبكات العصبية. العديد من التجار تطبيق الشبكات العصبية بشكل غير صحيح لأنها تضع الكثير من الثقة في البرنامج الذي يستخدمونه جميعا دون أن يتم تزويدهم بتعليمات مناسبة حول كيفية استخدامه بشكل صحيح. لاستخدام الشبكة العصبية بالطريقة الصحيحة، وبالتالي، مكسب، تاجر يجب أن تولي اهتماما لجميع مراحل دورة إعداد الشبكة. إنه التاجر وليس شبكته المسؤولة عن ابتكار فكرة وإضفاء الطابع الرسمي على هذه الفكرة واختبارها وتحسينها وأخيرا اختيار اللحظة المناسبة للتخلص منها عندما لا تعود مفيدة. فلننظر في مراحل هذه العملية الحاسمة بمزيد من التفصيل: 1. إيجاد فكرة التداول وإضفاء الطابع الرسمي عليها. 2. تحسين معلمات النموذج الخاص بك. 3. التخلص من النموذج عندما يصبح عفا عليها الزمن. كل نموذج الشبكة العصبية على أساس العمر الافتراضي، ولا يمكن استخدامها إلى أجل غير مسمى. ويعتمد طول العمر الافتراضي لنموذج ما على حالة السوق وعلى مدى استمرار ترابط الأسواق في هذا المجال. ومع ذلك، عاجلا أو آجلا يصبح أي نموذج عفا عليها الزمن. عند حدوث ذلك، يمكنك إما إعادة تدريب النموذج باستخدام بيانات جديدة تماما (أي استبدال جميع البيانات التي تم استخدامها)، وإضافة بعض البيانات الجديدة إلى مجموعة البيانات الحالية وتدريب النموذج مرة أخرى، أو ببساطة سحب النموذج تماما. العديد من التجار يجعلون خطأ اتباع أبسط مسار - أنها تعتمد بشكل كبير على واستخدام النهج الذي برامجها يوفر وظيفة سهلة الاستخدام والأكثر سهولة. هذا أبسط النهج هو التنبؤ سعر بعض الحانات المقبلة واستنادا نظام التداول الخاص بك على هذه التوقعات. ويتوقع المتداولون الآخرون تغير الأسعار أو النسبة المئوية لتغير الأسعار. نادرا ما ينتج عن هذا النهج نتائج أفضل من التنبؤ بالسعر مباشرة. ويخفق النهجان التبسيطان في الكشف عن معظم الترابطات الهامة الطويلة الأجل واستغلالها بأكبر قدر من الأرباح، ونتيجة لذلك يصبح النموذج عفا عليه الزمن بسرعة مع تغير القوى الدافعة العالمية. أفضل نهج شامل لاستخدام الشبكات العصبية. الميكانيكية الفوركس. التداول في سوق الفوركس باستخدام استراتيجيات التداول الميكانيكية. الشبكات العصبية في التداول: بناء تجارة قوية & # 8220؛ الدماغ & # 8221؛ مع عدة ن. دعنا نبدأ الأسبوع مع بعض الأخبار الجيدة: o). خلال العامين الماضيين كان تطوير أنظمة التعلم الآلي أولوية كبيرة بالنسبة لي. هذه التقنيات توفر لنا حلم التكيف الذاتي بشكل دائم تطبيقات التداول حيث يتم تعديل قرارات التداول باستمرار لتتناسب مع أحدث البيانات. على الرغم من أنني أدرك أنه حتى هذا المستوى من القدرة على التكيف لا يضمن أي ربحية & # 8211؛ حيث قد تصبح النماذج الأساسية غير مجدية في ظل بعض الشروط الجديدة & # 8211؛ فإنه يوفر لنا قدرا أكبر من الثقة فيما يتعلق بقدرتنا على التنبؤ بأداة سوق معينة للمضي قدما. في اليوم & # 8217؛ s و رسكو؛ s s و رسكو؛ ليالي و رسكو؛ ليالي و رسكو؛ ليالي و رسكو؛ لي أن تظهر لك آخر التطورات بلدي في العالم من الشبكات العصبية، حيث لقد حققت أخيرا ما أعتبر نتائج الاختبارات التاريخية المعلقة على أساس تقنيات التعلم الآلي. سأقوم من خلال هذه المقالة بمناقشة الأساليب المختلفة التي ذهبت إلى هذا النظام الجديد، وكيف أن مفتاح نجاحه جاء من تجميع بعض ناجحة سابقا & # 8211؛ غير معلقة & # 8211؛ تطبيقات التداول. أولا وقبل كل شيء أود أن تصف الطريقة التي وضع استراتيجيات الشبكة العصبية بحيث يمكنك فهم أفضل أنظمتي وآخر التطورات. تم تصميم أنظمة تداول الشبكة العصبية لدينا بحيث يتم إعادة تدريبهم دائما من الأوزان المعشاة حديثا على كل شريط يومي جديد باستخدام أشرطة N السابقة (عادة ما تستخدم البيانات لحوالي 200-500 يوما)، ثم اتخاذ قرار تداول فقط للشريط اليومي التالي . تتم عملية إعادة التدريب على كل شريط من أجل تجنب أي منحنى المناسب لوقت بدء معين أو تردد التدريب وأوزان إعادة تعيين تماما لتجنب أي الاعتماد على السلوك التدريب السابق. الشبكات العصبية التي برمجتها الاستفادة من إطارنا F4 البرمجة ومكتبة فان (الشبكة العصبية الاصطناعية السريعة)، والتي هي جوهر تنفيذ التعلم الآلي. لم يتم تحسين طوبولوجيا الشبكة ضد الربحية بل تم تعيينها ببساطة كحد أدنى من الخلايا العصبية اللازمة لتحقيق التقارب ضمن عدد معقول من فترات التدريب. وبعض المتغيرات، مثل عدد مدخلات التدريب والأمثلة المستخدمة، تترك بالفعل كمعلمات نموذجية. الآن بعد أن فهمت أفضل كيف أقترب الشبكات العصبية يمكننا أن نذهب أعمق في عملي في ن. لا بد لي من الاعتراف بأن سعائي لتحسين استراتيجيات التداول الشبكة العصبية قد شغل مع الإحباط. استغرق الأمر وقتا طويلا لتطوير أول نموذج ناجح (نظام التداول سونكو & # 8212؛ الذي هو في الواقع في الربح بعد أكثر من سنة من التداول المباشر) ولكن بعد هذا التطور الأولي لم يكن قادرا على تحسينه (أبعد من بعض التحسينات الصغيرة). بعد هذا قررت ترك هذا النموذج وحده & # 8211؛ وهو أمر معقد حقا في الطبيعة & # 8211؛ ومحاولة تطوير نموذج أبسط نأمل أن يكون من الأسهل تحسينه. هذا هو عندما وضعت نظام بكارين، والذي يستخدم مجموعة أبسط من المدخلات والمخرجات من أجل الوصول إلى مستويات مماثلة من الربحية التاريخية على ور / أوسد. ومع ذلك & # 8211؛ لمواصلة الإحباط & # 8211؛ باكرين واسن & # 8217؛ t من السهل جدا لتحسين كذلك. لقد أحرزت بعض التقدم في تحسين هذه الاستراتيجية التجارية خلال الأسابيع القليلة الماضية ولكن أريد أن أترك هذه المناقشة لمرحلة ما بعد المستقبل (كما أنه يتناول المدخلات). كانت آخر محاولة للتغلب على المشاكل المذكورة أعلاه استراتيجية التداول تابوي، وهو النظام الذي كان مصدر إلهام على مقال يتناول استخدام ن على الصور. استخدام مكتبات تشارتدركتور و ديفيل و فان تمكنت من تنفيذ آلية إنشاء الصور ومعالجتها التي استخدمت الرسوم البيانية اليومية لزوج اليورو مقابل الدولار الأمريكي (انخفاض كبير في أسعارها) لإجراء تنبؤات بشأن يوم التداول التالي. هذا النظام هو مثير جدا للاهتمام لأنه يدل على أن بكسل بسيطة ضمن هذه الرسومات تحتوي على معلومات كافية لاتخاذ القرارات التي لها حافة تاريخية كبيرة. В تابوي هو أيضا مثيرة للاهتمام بمعنى أنه يعالج الرسوم البيانية التجارية، نفس المدخلات التي يستخدمها التجار اليدوي لمعالجة السوق. ولكن هذا النظام لم يكن علاجا سحريا، كما أن تحسين هذه الاستراتيجية كان صعبا للغاية. تابوي هو أيضا من الصعب أن يعود الاختبار (يستغرق وقتا طويلا جدا بسبب خلق صورة وعملية القراءة)، وبالتالي تم تقليل كمية التجارب التي يمكن إجراؤها. بعد إنشاء هذه ال 3 أنظمة كانت الإبداعات ن الجديدة لا شيء. لم أتمكن من تحسينها بشكل كبير ولم أتمكن من العثور على استراتيجية جديدة لإنشاء ن، كان هذا هو السبب الرئيسي الذي جعلني أبدأ بتجربة تقنيات تعلم الآلة الجديدة (مثل المصنفات الخطية، كلتنرز، آلات ناقلات الدعم، الخ ). ولكن خلال الأسبوع الماضي كان لدي نوع من الغطاس عندما كنت أفكر في الطرق التي يمكن أن تحد من تعرض السوق لهذه الأنظمة من خلال جعلها التجارة أقل بطريقة ما، وأدركت أن حل مشاكلي كان أمامي كل زمن. الحل لتحسين أداء ثلاثة المصنفات & # 8211؛ وكلها تظهر حواف تاريخية طويلة الأجل & # 8211؛ بسيط & # 8230؛ مجرد وضعها معا لاتخاذ قرارات التداول! : س) بالتأكيد خبرتي مع تقنيات التعلم الآلي الأخرى قال لي أن وضع المصنفين معا لجعل قرارات التداول عموما تحسين الأداء ولكن لم أفكر أبدا في وضع هذه النظم معا لأنني نظرت إليها أساسا كاستراتيجيات تجارية منفصلة وليس مجرد صانع القرار تعلم الآلات. ومع ذلك، فإنه من المنطقي تماما لوضع ثلاثة النوى صنع القرار في استراتيجية واحدة: ما أود الآن أن نسمي & # 8220؛ أسيريكويبراين & # 8221؛ ويأتي إلى استنتاجات بشأن قرارات التداول من التنبؤ الذي يتوافق مع التقنيات الثلاثة. وإذا كانت جميعها ذات حواف طويلة الأجل، ينبغي أن يكون لاتفاقها الكلي قدرة تنبؤية أكثر من اتفاقها الجزئي. النتيجة دهشت تماما لي. وقد حسنت استراتيجيات التداول بعض الإحصاءات الأخرى بشكل كبير (أكثر بكثير مما لو تم تداولها معا كنظم داخل محفظة)، علاوة على ذلك، فقد قللت من تعرض السوق بشكل عام للاستراتيجيات بفارق كبير. النظام فقط لديه موقف واحد مفتوح في أي وقت من الأوقات، لكنه يحتاج جميع التنبؤات للاتفاق من أجل الدخول أو الخروج من الموقف. إن الربحية الإجمالية هي الأعلى بين جميع الأنظمة وأن السحب هو الأدنى، وهذا يعني أن أسيريكويبراين يحقق متوسط ​​العائد السنوي إلى الحد الأقصى لنسبة السحب أعلى من أي من تقنيات التداول الفردية المستخدمة، فإن الحد الأقصى لطول فترة السحب هو أيضا انخفاض كبير، من أكثر من 1000 يوما لأنظمة ن الأخرى، إلى أقل من 750 يوما. كما أن خطية نظام التداول في المحاكاة غير المركبة تزيد بشكل كبير (إلى R ^ 2 = 0.98)، وذلك بفضل قوة التمهيد التي تم الحصول عليها من تأثير اللجنة (مما يعني أن الفكرة تعمل!). كما ترون على الصور داخل هذا المنصب، والمنحنيات للأنظمة الفردية هي أقل شأنا ملحوظا بالمقارنة مع منحنى الأسهم لاستراتيجية أسيريكويبرين. وسوف تستمر في إجراء بعض الاختبارات والتحسينات، لذلك نتوقع بعض الوظائف الجديدة على ن في غضون الأيام القليلة المقبلة وأسابيع (بما في ذلك بعض الوظائف حول المدخلات، ودقة التنبؤ فس الربحية والتنبؤات الربحية فس التنبؤات الاتجاه). إذا كنت ترغب في معرفة المزيد عن استراتيجيات الشبكة العصبية وكيف يمكنك أيضا بناء أنظمة إعادة التدريب باستمرار باستخدام فان التي يمكن تنفيذها على MQL4 / MQL5 / جفوريكس أو أواندا ريست أبي، В يرجى النظر في الانضمام إلى أسيريكوي، موقع على شبكة الانترنت مليئة التعليمية وأشرطة الفيديو، وأنظمة التداول، والتنمية، ونهج صريح وشفاف وشفاف نحو التداول الآلي بشكل عام. آمل أن يحظى هذا المقال بإعجابكم ! : س) 7 الردود على & # 8220؛ الشبكات العصبية في التداول: بناء قوية التداول & # 8220؛ الدماغ & # 8221؛ مع العديد من ن & # 8221؛ أنت ذاهب لإطلاق سراح هذا أسيريكويبراين إي في المستقبل القريب؟ شكرا لتعليقك: س) نعم، وسوف يكون على التحديث F4.3.14 المقبل نهاية الأسبوع، مفهوم مثير للاهتمام. I & # 8217؛ حساب معدل نمو سنوي مركب = 3.5٪ أو بالقرب منه. وأعتقد أن هذا منخفض جدا (سبس تر لنفس الفترة حوالي 10٪) وجنبا إلى جنب مع سحب طويلة جدا أعتقد أنك قد لا يزال أمامك طريق طويل لنقطعه مع هذا. انه لامر جيد كنت مستمرة على الرغم. :) ماذا عن إذا كنت ضبط حجم الموقف 2 التنبؤات توافق على 2/3 وحجم يصل إلى موقف كامل عندما يتفقون جميعا؟ هل تحتفظ بالموقف مفتوحا حتى لا يوافق المتنبأ أو أن تغلقه في نهاية اليوم؟ لا أعرف إذا فاتني ذلك. شكرا للنشر: o) مفهوم مثير للاهتمام. Ђ Ђ calcul حساب معدل نمو سنوي مركب = 3.5٪ أو بالقرب منه. وأعتقد أن هذا منخفض جدا (سبس تر لنفس الفترة حوالي 10٪) وجنبا إلى جنب مع سحب طويلة جدا أعتقد أنك قد لا يزال أمامك طريق طويل لنقطعه مع هذا. انه لامر جيد كنت مستمرة على الرغم. :) لا يمكن حساب معدل النمو السنوي المركب من هذه المحاكاة غير المركبة كما تفعل العادية، لأن الخطر هو مبلغ ثابت بالدولار الأمريكي (1٪ من الرصيد الأولي). عند استخدام إدارة الأموال العادية (1٪ خطر التوازن في التجارة المفتوحة) معدل النمو السنوي المركب هو في الواقع بالقرب من 10٪ و أر / ماكسد في المنطقة 0.8-0.9 (الحد الأقصى د هو حوالي 13.5٪). سوف تفاقم إدارة الأموال العادية توليد مخططات النمو الأسي (والتي يصعب تفسير بصريا بشكل صحيح) السبب أنا دائما نشر محاكاة غير معقدة. ولكن عند التداول مباشرة كنت دائما استخدام إدارة الأموال العادية، مخاطرة نسبة ثابتة من الرصيد على التجارة المفتوحة. I & # 8217؛ كما أحرز بعض التحسينات الهامة خلال الأيام القليلة الماضية وحصلت على الحد الأقصى لطول السحب تحت 500 يوم: س) ماذا عن إذا كنت ضبط حجم الموقف 2 التنبؤات توافق على 2/3 وحجم يصل إلى موقف كامل عندما يتفقون جميعا؟ إنها فكرة مثيرة للاهتمام! أنا & # 8217؛ ليرة لبنانية محاولة إعطائها ونرى ما أحصل عليه. هل تحتفظ بالموقف مفتوحا حتى لا يوافق المتنبأ أو أن تغلقه في نهاية اليوم؟ أنا لا أعرف إذا فاتني ذلك. حاولت على حد سواء، إغلاق المواقف على بعض الخلافات أعطاني أسوأ النتائج، وأنا فقط الصفقات وثيقة كلما ضرب سي أو إشارة عكسية (حيث جميع ننس يتفق) يبدو. شكرا مرة أخرى للتعليق بوج: س) & # 8220؛ العادية إدارة الأموال المتضاعفة سوف تولد الرسوم البيانية النمو الأسي (التي يصعب تفسير بصريا بشكل صحيح) السبب أنا دائما نشر المحاكاة غير معقدة. ومع ذلك عند التداول المباشر كنت دائما استخدام إدارة الأموال العادية، المخاطرة نسبة ثابتة من الميزان على التجارة المفتوحة. & # 8221؛ أنا من رأي أن [مم] عادية سوفت كنت استعملت في [باكتستس] لأن هو يكون مناسبة [أنتي-مارتينغل] أسلوب. ومن النادر أن نرى نموا هائلا بسبب عمليات السحب. أفضل طريقة ل باكتست هو أعتقد أن الطريقة التي التجارة في الواقع وهذا ينطوي مم. أنا من رأي أن [مم] عادية سوفت كنت استعملت في [باكتستس] لأن هو يكون مناسبة [أنتي-مارتينغل] أسلوب. ومن النادر أن نرى نموا هائلا بسبب عمليات السحب. أفضل طريقة ل باكتست هو أعتقد أن الطريقة التي التجارة في الواقع وهذا ينطوي مم. نعم بالطبع، وأنا أتفق تماما مع ذلك، وهذا (مع مم) ومن الواضح أن الطريقة التي نعيد اختبار أنظمة لتحليل قبل التداول المباشر. أنا فقط إجراء المحاكاة غير معقدة على بلوق لأنها & # 8217؛ أسهل للتحليل واستخلاص استنتاجات من (وجود فقط المخططات). محاكاة مم العادية دون الإحصاءات (المخطط فقط) هو أصعب لتحليل. في المرة القادمة، سأقوم بإرسال بعض إحصاءات مم العادية أيضا. شكرا مرة أخرى للتعليق بوب: س) خطية منحنى الأسهم هو دانيال مؤثرة جدا. شكرا لتقاسم عملك الشاق. الشبكات العصبية للتجارة الخوارزمية. بسيطة سلسلة الوقت التنبؤ. تحديث هام: هذا هو الجزء الأول من تجاربي على تطبيق التعلم العميق للتمويل، ولا سيما في التداول الخوارزمي. أريد أن أطبق نظام التداول من الصفر فقط على نهج التعلم العميق، وذلك لأي مشكلة لدينا هنا (التنبؤ السعر، واستراتيجية التداول، وإدارة المخاطر) ونحن ستعمل استخدام أشكال مختلفة من الشبكات العصبية الاصطناعية (أنس) والتحقق من مدى ما يمكن امسك هذا. الآن أعتزم العمل على الأقسام التالية: التنبؤ بالسلاسل الزمنية مع البيانات الأولية التنبؤ بالسلاسل الزمنية مع الميزات المخصصة تحسينات هيبرباراميترز تنفيذ استراتيجية التداول، باكتستينغ وإدارة المخاطر استراتيجيات التداول أكثر تطورا، والتعلم التعزيز العيش، وسطاء أبي، كسب (l̶o̶s̶i̶n̶g̶) المال. أنا أوصي لك للتحقق من رمز و إبيثون مفكرة في هذا المستودع. في هذا، الجزء الأول، أريد أن أظهر كيف يمكن أن تستخدم ملبس، كننس و رنس للتنبؤ سلسلة زمنية مالية. في هذا الجزء نحن لن تستخدم أي هندسة الميزة. لننظر فقط في مجموعة البيانات التاريخية لتحركات أسعار مؤشر S & أمب؛ P 500. لدينا معلومات من 1950 إلى 2016 حول مفتوحة، وثيقة، وارتفاع، وانخفاض الأسعار عن كل يوم في السنة وحجم الصفقات. أولا، سنحاول فقط للتنبؤ سعر وثيق في نهاية اليوم التالي، والثانية، وسوف نحاول التنبؤ العودة (سعر الإغلاق - سعر مفتوح). تحميل مجموعة البيانات من ياهو المالية أو من هذا المستودع. تعريف المشكلة. وسوف ننظر في مشكلتنا كما 1) مشكلة الانحدار (في محاولة للتنبؤ بالضبط سعر وثيق أو العودة في اليوم التالي) 2) مشكلة التصنيف الثنائي (السعر سيرتفع [1، 0] أو أسفل [0، 1]). لتدريب ننس نحن ستعمل استخدام إطار كيراس. أولا دعونا إعداد بياناتنا للتدريب. نريد أن نتوقع t + 1 قيمة استنادا إلى N أيام السابقة المعلومات. على سبيل المثال، وجود أسعار قريبة من 30 يوما الماضية في السوق نريد أن نتوقع، ما هو الثمن سيكون غدا، في اليوم ال 31. نستخدم أول 90٪ من السلاسل الزمنية كمجموعة تدريب (نعتبرها بيانات تاريخية) و 10٪ الأخيرة كاختبار محدد لتقييم النموذج. وفيما يلي مثال للتحميل، والانقسام إلى عينات تدريبية، والتجهيز المسبق لبيانات المدخلات الخام: مشكلة الانحدار. MLP. وسوف يكون مجرد 2 مخفي طبقة بيرسيبترون. يتم اختيار عدد من الخلايا العصبية المخفية تجريبيا، وسوف نعمل على تحسين هيبيرباراميترز في الأقسام التالية. بين طبقتين مخفي نضيف طبقة التسرب واحدة لمنع الإفراط. الشيء المهم هو كثيفة (1)، التنشيط ('الخطية') و 'مس' في قسم الترجمة. نريد مخرجا واحدا يمكن أن يكون في أي نطاق (نتوقع القيمة الحقيقية) وتعرف وظيفة الخسارة لدينا على أنها خطأ متوسط ​​التربيع. دعونا نرى ما يحدث إذا كنا مجرد تمرير قطع من 20 يوما أسعار وثيقة والتنبؤ الأسعار في اليوم ال 21. النهائي مس = 46.3635263557، ولكنها ليست معلومات تمثيلية جدا. وفيما يلي مؤامرة من التوقعات لأول 150 نقطة من مجموعة بيانات الاختبار. الخط الأسود هو البيانات الفعلية، واحد الأزرق - توقع. يمكننا أن نرى بوضوح أن خوارزمية لدينا ليست حتى قريبة من حيث القيمة، ولكن يمكن معرفة هذا الاتجاه. دعونا مقياس البيانات باستخدام طريقة سكلارن preprocessing.scale () لدينا الوقت سلسلة صفر يعني وحدة التباين وتدريب نفس ملب. الآن لدينا مس = 0.0040424330518 (ولكن على البيانات المقاسة). على مؤامرة أدناه يمكنك ان ترى الفعلية تحجيم سلسلة الوقت (أسود) وتوقعاتنا (الأزرق) لذلك: لاستخدام هذا النموذج في العالم الحقيقي يجب أن نعود إلى سلسلة زمنية ونزكاليد. يمكننا أن نفعل ذلك، عن طريق ضرب أو التنبؤ بالانحراف المعياري للسلاسل الزمنية التي استخدمناها للتنبؤ (20 خطوة زمنية غير منسقة) وإضافة القيمة المتوسطة: مس في هذه الحالة يساوي 937.963649937. هنا هو مؤامرة من التنبؤات استعادة (الأحمر) والبيانات الحقيقية (الأخضر): ليس سيئا، أليس كذلك؟ ولكن دعونا نحاول خوارزميات أكثر تطورا لهذه المشكلة! مشكلة الانحدار. CNN. أنا لن أذهب إلى نظرية الشبكات العصبية التلافيفية، يمكنك التحقق من هذه الموارد المدهشة: دعونا تعريف الشبكة العصبية التلافيفية 2-طبقة (مزيج من الالتفاف وطبقات التجميع القصوى) مع طبقة واحدة متصلة تماما ونفس الانتاج كما سبق: دعونا تحقق من النتائج. المشاريع الصغيرة ومتناهية الصغر للبيانات المعززة والمستعادة هي: 0.227074542433؛ +935.520550172. المؤامرات أدناه: حتى لو نظرنا إلى المشاريع الصغيرة ومتناهية الصغر على البيانات المقيسة، فقد تعلمت هذه الشبكة أسوأ بكثير. على الأرجح، تحتاج العمارة العميقة إلى مزيد من البيانات للتدريب، أو أنها تجاوزت فقط بسبب العدد المرتفع جدا من المرشحات أو الطبقات. وسوف ننظر في هذه المسألة في وقت لاحق. مشكلة الانحدار. RNN. كما العمارة المتكررة أريد أن استخدام اثنين من طبقات لستم مكدسة (اقرأ المزيد عن لستمس هنا). وفيما يلي عدد من التنبؤات: مسس = 0.0246238639582؛ +939.948636707. يبدو التنبؤ رن أشبه نموذج متحرك المتوسط، فإنه لا يمكن معرفة والتنبؤ جميع التقلبات. لذا، فإنھا نتیجة غیر متوقعة بعض الشيء، ولکننا نلاحظ أن ھذه الشرکات متعددة الأطراف تعمل بشکل أفضل للتنبؤ بسلسلة الوقت ھذه. دعونا تحقق ما سيحدث إذا كنا سويث من الانحدار إلى تصنيف المشكلة. الآن سوف نستخدم ليس إغلاق الأسعار، ولكن العائد اليومي (سعر إغلاق-- سعر مفتوح)، ونحن نريد أن نتوقع إذا كان سعر وثيق أعلى أو أقل من سعر مفتوح على أساس آخر 20 أيام العودة. مشكلة التصنيف. MLP. يتم تغيير رمز قليلا - نغير لدينا طبقة كثيفة الماضي أن يكون الناتج [0؛ 1] أو [1؛ 0] وإضافة سوفتماكس الإخراج إلى توقع الناتج الاحتمالي. لتحميل المخرجات الثنائية، تغيير في التعليمات البرمجية التالية السطر: كما نقوم بتغيير وظيفة الخسارة إلى ثنائي عبر إنتوبي وإضافة مقاييس الدقة. أوه، انها ليست أفضل من التخمين العشوائي (50٪ دقة)، دعونا نحاول شيئا أفضل. تحقق من النتائج أدناه. مشكلة التصنيف. CNN. مشكلة التصنيف. RNN. الاستنتاجات. يمكننا أن نرى، أن معالجة الوقت المالي التنبؤ سلسلة كمشكلة الانحدار هو نهج أفضل، فإنه يمكن معرفة الاتجاه والأسعار على مقربة من الفعلية. ما يثير الدهشة بالنسبة لي، أن ملبس معالجة بيانات تسلسل أفضل كما كنز أو رنس التي من المفترض أن تعمل بشكل أفضل مع سلسلة زمنية. أشرح ذلك مع مجموعة صغيرة جدا ( 16K الطوابع الزمنية) واختيار دمية هيبيرباراميترز. يمكنك إعادة إنتاج النتائج والحصول على أفضل استخدام التعليمات البرمجية من المستودع. أعتقد أننا يمكن أن نحصل على نتائج أفضل سواء في الانحدار والتصنيف باستخدام ميزات مختلفة (ليس فقط سلسلة زمنية متقنة) مثل بعض المؤشرات الفنية، وحجم المبيعات. أيضا يمكننا أن نحاول البيانات أكثر تواترا، دعونا نقول القراد دقيقة تلو الأخرى للحصول على مزيد من البيانات التدريب. كل هذه الأشياء سأفعلها لاحقا، حتى لا تنزعج :) عن طريق التصفيق أكثر أو أقل، يمكنك أن تشير لنا القصص التي تبرز حقا. أليكس هونشار. وآلات التدريس و الراب. آلة التعلم العالم. أفضل حول التعلم الآلي، رؤية الكمبيوتر، التعلم العميق، معالجة اللغة الطبيعية وغيرها. الشبكات العصبية للتجارة الخوارزمية: تعزيز الاستراتيجيات الكلاسيكية. تحية للجميع! في خمسة دروس الماضي كنا نناقش التنبؤ المالي مع الشبكات العصبية الاصطناعية حيث قارنا أبنية مختلفة للتنبؤ سلسلة زمنية مالية، أدرك كيفية القيام بهذا التنبؤ بشكل كاف مع المعالجة الصحيحة للبيانات وتنظيمها، نفذت توقعاتنا على أساس سلسلة زمنية متعددة المتغيرات ويمكن أن تنتج حقا نتائج طيبة للتنبؤ بالتقلبات وتنفيذ وظائف الخسارة المخصصة. في آخر واحد قمنا بتعيين وتجربة استخدام البيانات من مصادر مختلفة وحل مهمتين مع الشبكة العصبية واحدة والأفراط هيبيرباراميترز الأمثل للتنبؤات أفضل. اليوم أريد أن أجري نوعا من الاستنتاج من سلسلة زمنية مالية مع حالة استخدام التنبؤ العملي: سوف نعزز استراتيجية المتوسط ​​المتحرك الكلاسيكي مع الشبكة العصبية وتبين أنه يحسن حقا النتيجة النهائية ومراجعة أهداف التنبؤ الجديدة التي ربما ترغب للعب مع. المشاركات السابقة: يمكنك التحقق من رمز لتدريب الشبكة العصبية على بلدي جيثب. لقد رأينا بالفعل من قبل، أننا يمكن أن نتوقع قيم مختلفة جدا - من التغيرات في الأسعار إلى التقلب. قبل أن ننظر إلى هذه التوقعات على أنها شيء من المجردة وحتى حاولت التجارة مجرد النظر في هذه "أعلى إلى أسفل" التنبؤات، التي لم تكن جيدة. ولكننا نعلم أيضا، أن هناك الكثير من استراتيجيات التداول الأخرى، التي تقوم على التحليل الفني والمؤشرات المالية. على سبيل المثال، يمكننا أن نبني متوسطات متحركة لنافذة مختلفة (واحدة "طويلة"، لنفترض 30 يوما، وأخرى "قصيرة"، ربما 14 يوما) ونعتقد أن نقاط العبور هي اللحظات التي يتغير فيها الاتجاه: ولكن هذه الاستراتيجية التجارية لديها واحدة من الشوائب الرئيسية: على المناطق المسطحة ونحن سوف لا تزال تفعل الصفقات على النقاط حيث لا شيء يتغير فعلا، ولذا فإننا سوف تخسر المال: كيف يمكننا التغلب على هذا مع استخدام التعلم الآلي؟ دعونا نتحقق من فرضية الاستراتيجية التالية: في اللحظات التي تمر فيها المتوسطات المتحركة سنجعل توقعات تغيير بعض الخصائص، وإذا كنا نتوقع حقا قفزة، فإننا سوف نعتقد هذه إشارة التداول. وإلا، فإننا سوف تخطي ذلك، لأننا لا نريد أن تخسر المال على المناطق المسطحة. كهدف متوقع أريد أن أحاول الانحراف - مقياس عدم التماثل للتوزيع. دعونا نفترض، أنه إذا توقعنا حدوث تغيير في التوزيع فإن ذلك يعني أن اتجاهنا الحالي (ليس فقط المنطقة المسطحة) سيتغير في المستقبل. ادخال البيانات. هنا سوف نستخدم الباندا وبيتي لتوليد المزيد من المؤشرات لاستخدامها كمدخلات كذلك. وسوف نستخدم ماسد، إشيموكو سحابة، مؤشر القوة النسبية، وتقلب وغيرها. كل هذه القيم سوف تشكل سلاسل زمنية متعددة المتغيرات التي سيتم تسطيح لاستخدامها لاحقا في ملب أو البقاء ل كنن أو رن. الحصول على ميزات المؤشر أنا تتسلسل مع أوهلكف تيوبلز لتوليد ناقلات النهائي. هندسة الشبكات. هنا أريد أن أظھر أحد الخیارات کیفیة تدریب ملب المنظم للتنبؤ بالسلاسل الزمنیة: "الرواية" نقطة هنا هو إضافة ضوضاء صغيرة إلى المدخلات وإخراج طبقة واحدة من الشبكة العصبية لدينا. يمكن أن تعمل مشابهة جدا لترتيب L2، تفسير الرياضية يمكنك التحقق في هذا الكتاب المدهش. يتم تدريب الشبكة العصبية بطريقة معتادة، دعونا تحقق كيف يمكن للتنبؤ توقعاتنا تحسين (أو لا) استراتيجية المتوسطات المتحركة. نحن ندرب شبكتنا على أسعار آبل من 2012 إلى 2016 واختبارا على 2016-2017 كما فعلنا في واحدة من الدروس السابقة. بعد تدریب شبکة قمت بتخطیط أسعارنا الوثیقة، المتوسطات التحریریة والخطوط الرأسیة علی نقاط العبور: تمثل الخطوط الحمراء والبرتقالیة نقاطا نود أن نتعامل فیھا مع الأسواق الخضراء - حیث لا نفضل ذلك. انها لا تبدو مثالية، ولكن دعونا نفعل باكتستينغ للحكم عليه. النتائج دون الشبكة العصبية. لقد استخدمت باكتستينغ الموصوفة في هذا المنصب، ولذا فإنني سوف توفر فقط المقاييس والمؤامرات الرئيسية: ('شارب راتيو'، '16 .27 ')، ('مدة السحب'، '204')] النتائج مع الشبكة العصبية. كيف سوف نستخدم فقط "الأحمر" و "البرتقالي" إشارات التداول وتخطي تلك الخضراء. كما نستطيع أن نرى، هذه الاستراتيجية لم 2 الصفقات أقل وساعدنا على الحد من السحب الأول قليلا وزيادة العائد النهائي مرتين تقريبا! ('شارب راتيو'، '27 .99 ')، ('مدة السحب'، '102')] التحسينات الممكنة. يبدو أن هذه الفكرة على الأقل لديها بعض الشعور! أود أن أعرض لكم بعض التحسينات الممكنة أنا أوصي لك لمحاولة بنفسك: استراتيجيات مؤشر مختلفة: ماسد، رسي يمكن تحسين استراتيجيات التداول أزواج بشكل جيد للغاية مع النهج المقترح محاولة التنبؤ بخصائص سلسلة زمنية مختلفة: هورست أس، معامل الارتباط الذاتي، وربما لحظات الإحصائية الأخرى. مع هذا المنصب أود أن الانتهاء (على الأقل لفترة من الوقت) الوقت المالي سلسلة التنبؤ بالموضوع باستخدام الشبكات العصبية. دعونا نكون صادقين، انها بالتأكيد ليست المقدسة المقدسة ونحن لا يمكن استخدامها مباشرة للتنبؤ إذا كان السعر سوف ترتفع أو إلى أسفل لجعل الكثير من المال. لقد نظرنا في مصادر وأهداف البيانات المختلفة، تعاملت بعناية مع الإفراط في تحسين و هيبيرباراميترز الأمثل. ما هي الاستنتاجات التي يمكننا القيام بها؟ كن حذرا حول أوفيرفيتينغ! سوف تفعل ذلك في 99٪ من الحالات، لا تثق القيم كما 80٪ من دقة مؤامرات تبحث لطيفة جدا - يجب أن يكون خطأ محاولة للتنبؤ شيء مختلف ولكن أسعار قريبة أو العوائد - التقلب، الانحراف، وربما غيرها من الخصائص استخدام التعلم المتعدد الوسائط إذا كان لديك مصادر بيانات مختلفة لا تنسى أن تجد هيبيرباراميترز الصحيح! إنشاء استراتيجية التي يمكن أن تكون مزيجا من بعض الكلاسيكية واستنادا إلى تعلم الآلة و باكتست ذلك! آمل أن هذه السلسلة من الوظائف كانت مفيدة لشخص ما، وسوف أعود قريبا قريبا مع موضوعات الأخبار ... لا تنزعج! :) عن طريق التصفيق أكثر أو أقل، يمكنك أن تشير لنا القصص التي تبرز حقا. أليكس هونشار. وآلات التدريس و الراب. آلة التعلم العالم. أفضل حول التعلم الآلي، رؤية الكمبيوتر، التعلم العميق، معالجة اللغة الطبيعية وغيرها.
قوة الشموع بكسيل مؤشر الفوركس
عندما نأخذ في الاعتبار تأثير مخفف من خيارات الأسهم