Machine learning forex previsão

Não estou muito certo, se esta questão se encaixa aqui. Recentemente, comecei a ler e aprender sobre a aprendizagem mecânica. Alguém pode jogar alguma luz sobre como ir sobre ele ou melhor, qualquer pessoa pode compartilhar sua experiência e alguns ponteiros básicos sobre como ir sobre ele ou atleast começar a aplicá-lo para ver alguns resultados de conjuntos de dados Como ambicioso faz este som Também, Algoritmos padrão que devem ser testados ou observados ao fazer isso. Parece ser uma falácia básica que alguém pode vir junto e aprender alguns algoritmos de aprendizado de máquina ou AI, configurá-los como uma caixa preta, ir go, e sentar-se enquanto se aposentam. Meu conselho para você: Aprenda as estatísticas e o aprendizado de máquinas primeiro, depois se preocupe sobre como aplicá-las a um determinado problema. Não há almoço grátis aqui. A análise de dados é um trabalho árduo. Leia Os Elementos da Aprendizagem Estatística (o pdf está disponível gratuitamente no site) e não comece a tentar construir um modelo até entender pelo menos os primeiros 8 capítulos. Depois de entender as estatísticas e aprendizagem de máquina, então você precisa aprender a backtest e construir um modelo de negociação, contabilidade para os custos de transação, etc, que é uma outra área. Depois de ter uma alça sobre a análise e as finanças, então será um pouco óbvio como aplicá-lo. O ponto inteiro desses algoritmos está tentando encontrar uma maneira de ajustar um modelo a dados e produzir baixo viés e variância na predição (isto é, que o treinamento e o erro de previsão de teste serão baixos e similares). Aqui está um exemplo de um sistema comercial usando uma máquina de vetores de suporte em R. Mas basta ter em mente que você estará fazendo um enorme desserviço se você não gastar o tempo para entender o básico antes de tentar aplicar algo esotérico. Apenas para acrescentar uma atualização divertida: Recentemente me deparei com esta tese de mestrado: Uma nova estrutura de negociação algorítmica Aplicando a evolução e aprendizado de máquinas para otimização de portfólio (2017). É uma revisão extensiva de aproximações diferentes da aprendizagem da máquina comparadas de encontro à compra-e-espera. Depois de quase 200 páginas, eles chegam à conclusão básica: Nenhum sistema de negociação foi capaz de superar o benchmark ao usar os custos de transação. Escusado será dizer que isso não significa que ele não pode ser feito (eu havent gasto qualquer tempo revendo seus métodos para ver a validade da abordagem), mas certamente fornece alguma evidência mais a favor do teorema do almoço não-livre. Respondeu Feb 1 11 at 18:48 Jase Como um dos autores da tese de mestre mencionada posso citar o meu próprio trabalho e dizer: Se alguém realmente consegue resultados rentáveis ​​não há incentivo para compartilhá-los, como iria negar a sua vantagem. Embora nossos resultados possam dar suporte à hipótese de mercado, ele não impede a existência de sistemas que funcionam. Pode ser como a teoria da probabilidade: "É especulado que as descobertas no campo da teoria das probabilidades aconteceram várias vezes, mas nunca foram compartilhadas. Isso pode ser devido à sua aplicação prática no jogo. Então, novamente, talvez isso seja tudo alquimia moderna. Ndash Andr233 Christoffer Andersen 30 de abril às 10:01 Meu conselho para você: Existem vários ramos de Inteligência Artificial de Aprendizagem de Máquinas (MLAI) lá fora: www-formal. stanford. edujmcwhatisainode2.html Eu só tentei programação genética e algumas redes neurais, e Pessoalmente, penso que o ramo de aprendizagem da experiência parece ter o maior potencial. GPGA e redes neurais parecem ser as metodologias mais comumente exploradas com a finalidade de predições do mercado de ações, mas se você fizer alguma mineração de dados em Predict Wall Street. Você pode ser capaz de fazer algumas análises sentimento também. Gaste algum tempo aprendendo sobre as várias técnicas de MLAI, encontre alguns dados de mercado e tente implementar alguns desses algoritmos. Cada um terá seus pontos fortes e fracos, mas você pode ser capaz de combinar as previsões de cada algoritmo em uma previsão composta (semelhante ao que os vencedores do Prêmio NetFlix fez). O consenso geral entre os comerciantes é que a Inteligência Artificial é uma ciência voodoo, você não pode fazer um computador prever os preços das ações e você está certo de perder seu dinheiro se você tentar Fazendo. No entanto, as mesmas pessoas vão dizer-lhe que apenas sobre a única maneira de ganhar dinheiro no mercado de ações é construir e melhorar a sua própria estratégia de negociação e segui-lo de perto (que não é realmente uma má idéia). A idéia de algoritmos AI não é construir o chip e deixá-lo trocar para você, mas para automatizar o processo de criação de estratégias. É um processo muito tedioso e não é fácil :). Minimizando Overfitting: Como ouvimos antes, uma questão fundamental com algoritmos AI é overfitting (aka datamining bias): dado um conjunto de dados, o seu algoritmo AI pode encontrar um padrão que é particularmente relevante para o conjunto de treinamento. Mas pode não ser relevante no conjunto de teste. Existem várias maneiras de minimizar o overfitting: Use um conjunto de validação. Ele não dá feedback para o algoritmo, mas permite que você detecte quando seu algoritmo está potencialmente começando a overfit (ou seja, você pode parar de treinar se youre excesso demais). Use o aprendizado on-line da máquina. Ele elimina em grande parte a necessidade de back-testing e é muito aplicável para algoritmos que tentam fazer previsões de mercado. Aprendizagem Ensemble. Fornece-lhe uma maneira de ter vários algoritmos de aprendizagem da máquina e combinar suas previsões. A suposição é que vários algoritmos podem ter overfit os dados em alguma área, mas a combinação correta de suas previsões terá melhor poder preditivo. Dois aspectos da aprendizagem estatística são úteis para negociação 1. Primeiro os mencionados anteriormente: alguns métodos estatísticos focados em trabalhar em conjuntos de dados ao vivo. Isso significa que você sabe que está observando apenas uma amostra de dados e que deseja extrapolar. Você tem que lidar assim na amostra e fora das edições da amostra, overfitting e assim por diante. Desse ponto de vista, a mineração de dados está mais focada em conjuntos de dados mortos (isto é, você pode ver quase todos os dados, você tem um problema apenas na amostra) do que a aprendizagem estatística. Porque a aprendizagem estatística é sobre trabalhar em dados vivos, as matemáticas aplicadas que lidam com eles tiveram que se concentrar em um problema de duas escalas: left X ampamp Ftheta (Xn, xi) ampamp L (pi (Xn), n) end right. Onde X é o espaço de estado (multidimensional) a estudar (você tem em si suas variáveis ​​explicativas e as que prever), F contém a dinâmica de X que precisa de alguns parâmetros theta. A aleatoriedade de X vem da inovação xi, que é i. i.d. O objetivo da aprendizagem estatística é construir uma metodologia L ith como insumos uma observação parcial pi de X e ajustar progressivamente uma estimativa hattheta de theta, para que possamos saber tudo o que é necessário em X. Se você pensar em usar o aprendizado estatístico para encontrar Os parâmetros de uma regressão linear. Podemos modelar o espaço de estados como este: underbrace yx end right) left begin a amp b amp 1 1 amp 0 amp 0 end right cdot underbrace x 1 epsilon end right) o que permite observar (y, x) n em qualquer n Aqui theta (a, b). Então você precisa encontrar uma maneira de construir progressivamente um estimador de theta usando nossas observações. Por que não uma descida de gradiente na distância L2 entre y ea regressão: C (chapéu a, chapéu b) n soma (yk - (chapéu a, xk chapéu b)) 2 Aqui gamma é um esquema de ponderação. Normalmente, uma boa maneira de construir um estimador é escrever corretamente os critérios para minimizar e implementar uma descida gradiente que irá produzir o esquema de aprendizagem L. Voltando ao nosso problema genérico original. Precisamos de algumas matemáticas aplicadas para saber quando os sistemas dinâmicos de pares em (X, hattheta) convergem, e precisamos saber como construir esquemas de estimativa L que convergem para a teta original. Para dar-lhe indicações sobre tais resultados matemáticos: Agora podemos voltar para o segundo aspecto da aprendizagem estatística que é muito interessante para estrategistas comerciantes quant: 2. Os resultados usados ​​para provar a eficiência dos métodos de aprendizagem estatística pode ser usado para provar a eficiência de Algoritmos de negociação. Para ver que basta ler novamente o sistema dinâmico acoplado que permite escrever o aprendizado estatístico: left M ampamp Frho (Mn, xi) ampamp L (pi (Mn), n) end right. Agora M são variáveis ​​de mercado, rho é PnL subjacente, L é uma estratégia de negociação. Basta substituir minimizando um critério maximizando o PnL. Veja, por exemplo, a divisão óptima de ordens entre pools de liquidez: uma aproximação de algoritmo stochatic por: Gilles Pags, Sophie Laruelle, Charles-Albert Lehalle. Neste artigo, os autores mostram quem usar essa abordagem para dividir otimamente uma ordem entre diferentes piscinas escuras aprendendo simultaneamente a capacidade dos pools de fornecer liquidez e usar os resultados para negociar. As ferramentas de aprendizagem estatística podem ser usadas para construir estratégias de negociação iterativas (a maioria delas são iterativas) e provar sua eficiência. A resposta curta e brutal é: você não. Primeiro, porque ML e Estatísticas não é algo que você pode comandar bem em um ou dois anos. Meu horizonte de tempo recomendado para aprender nada não trivial é de 10 anos. ML não é uma receita para ganhar dinheiro, mas apenas outro meio para observar a realidade. Em segundo lugar, porque qualquer bom estatístico sabe que a compreensão dos dados e do domínio do problema é 80 do trabalho. É por isso que você tem estatísticos enfocando a análise de dados de Física, sobre genômica, sobre sabermetria etc. Para o registro, Jerome Friedman, co-autor de ESL citado acima, é um físico e ainda detém uma posição de cortesia em SLAC. Então, estude Estatísticas e Finanças por alguns anos. Seja paciente. Siga seu próprio caminho. A milhagem pode variar. Respondeu Feb 9 11 at 4:41 Eu concordo totalmente. Só porque você sabe a aprendizagem da máquina e as estatísticas, não implica que você sabe aplicá-lo ao financiamento. Ndash Dr. Mike Aug 10 11 at 20:25 Também uma coisa importante a lembrar é que won39t ser negociação contra as pessoas, você estará negociando contra outros algoritmos de inteligência artificial que estão assistindo a sua pilha de negócios, e estão furiosamente calculando as probabilidades de que o Coletivo yous seria assustado por um declínio fabricado e tendo essa pequena perda na criação de um spikedip e enganar todos os AI39s em parar, e depois rodar o mergulho de volta para ele e montar a onda, ganhando suas perdas. O mercado de ações é um jogo de soma zero, tratá-lo como entrar em um jogo de boxe profissional, se você aren39t um veterano de 20 anos, you39re vai perder ndash Eric Leschinski 13 de fevereiro em 1:56 Um aplicativo básico está prevendo sofrimento financeiro. Obter um monte de dados com algumas empresas que têm inadimplentes, e outros que havent, com uma variedade de informações financeiras e relações. Use um método de aprendizado de máquina como SVM para ver se você pode prever quais empresas serão padrão e quais não. Use esse SVM no futuro para curto empresas de probabilidade de alta probabilidade e longo probabilidade de baixa probabilidade empresas, com o produto das vendas a descoberto. Há um ditado quotPicking tostões na frente de rollersquot de vapor. Você está fazendo o equivalente a vender um out-of-the-money put. Neste caso, você vai fazer pequenos lucros durante anos e, em seguida, ficar totalmente limpo quando o mercado derrete a cada 10 anos ou assim. Há também uma estratégia equivalente que compra out-of-the-money coloca: eles perdem dinheiro por anos, em seguida, fazer uma matança quando o mercado derrete. Veja o Cisne Negro de Talab39s. Ndash Contango Jun 5 11 at 22:20 Lembre-se que as empresas internacionais gastaram centenas de bilhões de dólares e horas de trabalho nas melhores e mais brilhantes mentes de inteligência artificial nos últimos 40 anos. Falei com algumas das torres de mente responsáveis ​​pelos alfas sobre Citadel e Goldman Sachs, ea arrogância dos noviços de pensar que eles podem montar um algoritmo que irá toe to toe com eles, e ganhar, é quase tão idiota como Uma criança dizendo que ele vai pular para a lua. Garoto de boa sorte, e cuidado com o espaço marcianos. Para não dizer que os novos campeões não podem ser feitos, mas as probabilidades estão contra você. Ndash Eric Leschinski Feb 13 16 at 2:00 Uma possibilidade vale a pena explorar é usar a ferramenta de aprendizado de vetores de suporte na plataforma Metatrader 5. Em primeiro lugar, se você não está familiarizado com ele, Metatrader 5 é uma plataforma desenvolvida para usuários para implementar negociação algorítmica nos mercados de forex e CFD (Im não tenho certeza se a plataforma pode ser estendida para ações e outros mercados). É tipicamente usado para estratégias de análise técnica baseada (ou seja, usando indicadores baseados em dados históricos) e é usado por pessoas que procuram automatizar sua negociação. O Support Vector Machine Learning Tool foi desenvolvido por uma comunidade de usuários para permitir que máquinas vetoriais de suporte sejam aplicadas a indicadores técnicos e aconselhar sobre negócios. Uma versão demo gratuita da ferramenta pode ser baixada aqui se você quiser investigar mais. Conforme eu entendo, a ferramenta usa dados de preços históricos para avaliar se os negócios hipotéticos no passado teriam sido bem-sucedidos. Em seguida, leva esses dados juntamente com os valores históricos de uma série de indicadores personalizáveis ​​(MACD, osciladores, etc), e usa isso para treinar uma máquina de vetores de suporte. Em seguida, ele usa a máquina treinada do vetor do apoio ao sinal buysell futuros comércios. Uma descrição melhor pode ser encontrada no link. Eu joguei com ele um pouco com alguns resultados muito interessantes, mas como com todas as estratégias de negociação algorítmica eu recomendo teste backforward sólido antes de levá-lo para o mercado ao vivo. Respondeu Dec 10 12 at 11:59 Desculpe, mas apesar de ser usado como um exemplo popular na aprendizagem da máquina, ninguém nunca conseguiu uma previsão do mercado de ações. Não funciona por várias razões (verifique a caminhada aleatória por Fama e um monte de outros, falha racional de tomada de decisão, suposições erradas.), Mas o mais atraente é que, se funcionasse, alguém poderia tornar-se insanamente rico Dentro de meses, basicamente possuir todo o mundo. Como isso não está acontecendo (e você pode ter certeza que todo o banco tem tentado), temos boas provas, que simplesmente não funciona. Além disso: Como você acha que vai conseguir o que dezenas de milhares de profissionais não conseguiram, usando os mesmos métodos que eles têm, além de recursos limitados e apenas versões básicas de seus métodos respondidos Jun 4 15 às 7:47 Apenas um aparte sobre o seu Quotmost compellingquot razão: as estratégias têm limites de capacidade, ou seja, níveis além do qual seu impacto no mercado seria superior ao alfa disponível, mesmo assumindo que você tinha capital ilimitado. Não tenho certeza do que você quer dizer com uma previsão de mercado de quotas (índice de futuros ETF39s), mas certamente há uma abundância de pessoas fazendo previsões de curto prazo e beneficiando delas, todos os dias nos mercados. Ndash afekz Nov 23 15 at 13:19 Eu ecoo muito do que Shane escreveu. Além de ler ESL, gostaria de sugerir um estudo ainda mais fundamental de estatísticas em primeiro lugar. Além disso, os problemas que eu esbocei em outra questão sobre esta troca são altamente relevantes. Em particular, o problema do viés datamining é um obstáculo grave para qualquer máquina de aprendizagem baseado em estratégia. Aprendizagem de máquina com algoTraderJo Entrou dezembro 2017 Status: Member 383 Posts Olá companheiro comerciantes, Estou começando este segmento na esperança de compartilhar com você alguns dos meus desenvolvimentos No campo da aprendizagem mecânica. Embora eu não possa compartilhar com você sistemas exatos ou implementações de codificação (não espere obter nada para quotplug-and-playquot e ficar rico a partir deste segmento) vou compartilhar com você idéias, resultados da minha experiência e possivelmente outros aspectos do meu trabalho. Estou começando este tópico na esperança de que possamos compartilhar idéias e ajudar uns aos outros a melhorar nossas implementações. Vou começar com algumas estratégias de aprendizagem simples máquina e, em seguida, entrar em coisas mais complexas como o tempo passa. Espero que você aprecie o passeio Juntado dezembro 2017 Status: Member 383 Posts Quero começar por dizer algumas coisas básicas. Lamentamos se a estrutura dos meus posts deixa muito a desejar, eu não tenho nenhum fórum postagem experiência, mas espero obter alguns com o tempo. Na aprendizagem da máquina o que queremos fazer é simplesmente gerar uma previsão que é útil para o nosso comércio. Para fazer essa predição, geramos um modelo estatístico usando um conjunto de exemplos (saídas conhecidas e algumas entradas que as coisas têm poder preditivo para prever essas saídas), então fazemos uma previsão de uma saída desconhecida (nossos dados recentes) usando o modelo que criamos com Os exemplos. Para resumir é um processo quotsimplequot onde nós fazemos o seguinte: Selecione o que nós queremos predizer (este será nosso alvo) Selecionar algumas variáveis ​​de entrada que nós pensamos pode prever nossos alvos Construa um jogo dos exemplos usando dados passados Com nossas entradas e nossas metas Crie um modelo usando esses exemplos. Um modelo é simplesmente um mecanismo matemático que relaciona os inputstargets Faça uma previsão do alvo usando as últimas entradas conhecidas Comércio usando esta informação Eu quero dizer desde o início que é muito importante evitar fazer o que muitos trabalhos acadêmicos sobre a aprendizagem de máquina fazem, Que é tentar construir um modelo com matrizes muito grandes de exemplos e, em seguida, tentar fazer uma previsão de longo prazo em um conjunto quotout-of-samplequot. Construir um modelo com 10 anos de dados e testá-lo nos dois últimos é não-senso, sujeito a muitos tipos de preconceitos estatísticos que discutiremos mais adiante. Em geral, você verá que os modelos de aprendizagem de máquina que eu construo são treinados em cada barra (ou cada vez que eu preciso tomar uma decisão) usando uma janela de dados em movimento para a construção de exemplos (apenas exemplos recentes são considerados relevantes). Claro, esta abordagem não é estranha a alguns tipos de viés estatísticos, mas removemos o quotelefante na sala quando se usa a ampla abordagem de amostra da maioria dos trabalhos acadêmicos (o que, sem surpresa, muitas vezes leva a abordagens que não são Realmente útil para o comércio). Há principalmente três coisas a se preocupar com quando construir um modelo de aprendizagem de máquina: O que prever (o que o alvo) O que prever com (que insumos) Como relacionar o alvo e entradas (que modelo) A maioria do que vou estar mencionando Neste tópico irá focar em responder a estas perguntas, com exemplos reais. Se você quiser escrever quaisquer perguntas que você possa ter e eu vou tentar dar-lhe uma resposta ou simplesmente deixá-lo saber se vou responder isso mais tarde. Registrado em Dez 2017 Status: Member 383 Posts Vamos começar a trabalhar agora. Um verdadeiro exemplo prático usando a aprendizagem mecânica. Vamos supor que queremos construir um modelo muito simples usando um conjunto muito simples de inputstargets. Para esta experiência, estas são as respostas às perguntas: O que prever (o alvo) - gt A direção do próximo dia (otimista ou bearish) O que prever com (quais entradas) - gt A direção dos dois dias anteriores Como Para relacionar o alvo e as entradas (que modelo) - gt Um classificador linear de mapas Este modelo tentará prever a direcionalidade da próxima barra diária. Para construir nosso modelo, tomamos os últimos 200 exemplos (uma direção de dias como alvo e as direções anteriores de dois dias como entradas) e treinamos um classificador linear. Fazemos isso no início de cada bar diário. Se tivermos um exemplo em que dois dias de alta conduzem a um dia de baixa, os inputs seriam 1,1 eo alvo seria 0 (0bearish, 1bullish), usamos 200 destes exemplos para treinar o modelo em cada barra. Esperamos ser capazes de construir uma relação onde a direção de dois dias produz alguma probabilidade acima-aleatória para prever corretamente a direção dos dias. Usamos um stoploss igual a 50 do período médio de 20 dias True Range em cada comércio. Uma simulação desta técnica de 1988 a 2017 no EURUSD (dados anteriores a 1999 é DEMUSD) acima mostra que o modelo não tem geração de lucro estável. Na verdade, este modelo segue uma caminhada aleatória negativamente tendenciosa, o que faz com que ele perca dinheiro em função da propagação (3 pips no meu sim). Olhe para o desempenho aparentemente quotimpressive que temos em 1993-1995 e em 2003-2005, onde, aparentemente, poderíamos prever com sucesso a direcionalidade dos próximos dias usando um modelo linear simples e os resultados direcionais de dois dias anteriores. Este exemplo mostra várias coisas importantes. Por exemplo, que em curto prazo (que poderia ser um par de anos), você pode ser facilmente enganado por aleatoriedade --- você pode pensar que você tem algo que funciona que realmente não. Lembre-se de que o modelo é reconstruído em cada barra, usando os últimos 200 exemplos de inputtarget. Que outras coisas você acha que pode aprender com este exemplo Post seus pensamentos Bem. Assim que você predisse que os compradores ou os vendedores pisariam dentro. Hmm, mas o que exatamente tem que fazer com preço que vai acima ou para baixo 100 pips O preço pode reagir em várias maneiras - pôde apenas tanque por algum tempo (quando todas as ordens do limite forem enchidas) E depois continuar avançando. Pode também retrace 5, 10, 50 ou mesmo 99 pips. Em todos esses casos você estava meio certo sobre compradores ou vendedores entrando, mas você deve entender que esta análise não tem muito a ver com o seu comércio indo de 90pip para 100pip. Sim, você está certo Esta é uma grande parte da razão pela qual estamos recebendo maus resultados ao usar o algoritmo de mapeamento linear. Porque a nossa rentabilidade está mal relacionada com a nossa previsão. Prever que os dias são bullishbearish é de uso limitado se você não sabe quanto preço se moverá. Talvez suas previsões estejam corretas apenas nos dias que lhe dão 10 pips e você recebe todos os dias que têm 100 direcional pip totalmente errado. O que você consideraria um alvo melhor para um método de aprendizagem de máquina Sim, você está certo Esta é uma grande parte da razão pela qual estamos obtendo pobres resultados ao usar o algoritmo de mapeamento linear. Porque a nossa rentabilidade está mal relacionada com a nossa previsão. Prever que os dias são bullishbearish é de uso limitado se você não sabe quanto preço se moverá. Talvez suas previsões estejam corretas apenas nos dias que lhe dão 10 pips e você recebe todos os dias que têm 100 direcional pip totalmente errado. O que você consideraria um alvo melhor para um método de aprendizagem de máquina Vamos dizer se você tem 100 pip TP e SL, eu gostaria de prever o que vem primeiro: TP ou SL Exemplo: TP veio primeiro 1 SL veio primeiro 0 (ou -1, No entanto você mapeá-lo) Aprendizagem de máquina em Forex Trading: Por que muitos acadêmicos estão fazendo tudo errado Construindo estratégias de aprendizagem de máquina que pode obter resultados decentes em condições de mercado ao vivo sempre foi um desafio importante na negociação algorítmica. Apesar da grande quantidade de interesse e as incríveis recompensas potenciais, ainda não há publicações acadêmicas que são capazes de mostrar bons modelos de aprendizagem de máquina que pode enfrentar com êxito o problema de negociação no mercado real (ao meu melhor conhecimento, postar um comentário se Você tem um e I8217ll ser mais do que feliz para lê-lo). Embora muitos trabalhos publicados pareçam mostrar resultados promissores, muitas vezes é o caso que esses artigos se enquadram em uma variedade de diferentes problemas de tendência estatística que tornam o verdadeiro sucesso de mercado de suas estratégias de aprendizagem de máquina altamente improvável. No borne de today8217s eu estou indo falar sobre os problemas que eu vejo na pesquisa académica relacionada com a aprendizagem de máquina em Forex e como eu acredito que esta pesquisa poderia ser melhorada para render a informação muito mais útil para a comunidade académica e de troca. A maioria das armadilhas na concepção da estratégia de aprendizagem de máquina ao fazer o comércio de Forex são inevitavelmente herdadas do mundo de problemas de aprendizagem determinísticos. Ao construir um algoritmo de aprendizado de máquina para algo como reconhecimento de rosto ou reconhecimento de letras há um problema bem definido que não muda, que geralmente é abordado pela construção de um modelo de aprendizagem de máquina em um subconjunto dos dados (um conjunto de treinamento) e, em seguida, testando se O modelo foi capaz de resolver corretamente o problema usando o lembrete dos dados (um conjunto de teste). É por isso que você tem alguns conjuntos de dados famosos e bem estabelecidos que podem ser usados ​​para estabelecer a qualidade das técnicas de aprendizagem de máquinas recém-desenvolvidas. O ponto-chave aqui no entanto, é que os problemas abordados inicialmente pela aprendizagem mecânica foram principalmente deterministas e independentes do tempo. Ao passar para a negociação, a aplicação dessa mesma filosofia produz muitos problemas relacionados com o caráter parcialmente não determinístico do mercado e sua dependência temporal. O simples ato de tentar selecionar conjuntos de treinamento e teste introduz uma quantidade significativa de viés (um viés de seleção de dados) que cria um problema. Se a seleção for repetida para melhorar os resultados no conjunto de testes 8211 que você deve assumir acontece em pelo menos alguns casos 8211, então o problema também adiciona uma grande quantidade de viés de mineração de dados. Toda a questão de fazer um único treinamento valididation exercício também gera um problema relativo a como este algoritmo é para ser aplicado ao vivo trading. Por definição, a negociação ao vivo será diferente, uma vez que a seleção de conjuntos de testes de treinamento precisa ser reaplicada a dados diferentes (como agora o conjunto de testes é realmente dados desconhecidos). O viés inerente à seleção inicial do período de amostra da amostra de amostra e a ausência de quaisquer regras testadas para negociação com dados desconhecidos torna essas técnicas geralmente em falha na negociação ao vivo. Se um algoritmo for treinado com dados 2000-2017 e tiver sido validado cruzadamente com os dados de 2017-2017, não há razão para acreditar que o mesmo sucesso acontecerá se treinado em dados de 2003-2017 e depois viver negociado de 2017 a 2017, os conjuntos de dados São muito diferentes na natureza. O sucesso do algoritmo de medição também é um problema muito relevante aqui. Inevitavelmente, os algoritmos de aprendizado de máquina usados ​​para negociação devem ser medidos em mérito pela sua capacidade de gerar retornos positivos, mas alguma literatura mede o mérito de novas técnicas algorítmicas, tentando avaliar sua capacidade de obter previsões corretas. As previsões corretas não são necessariamente as negociações rentáveis, como você pode facilmente ver ao construir classificadores binários. Se você tentar prever a próxima direção de candle8217s você ainda pode fazer uma perda se você estiver na maior parte certo em velas pequenas e errado em velas maiores. Na verdade, a maior parte desse tipo de classificadores 8211 a maioria daqueles que não trabalham 8211 acabam predizendo direcionalidade com uma precisão acima de 50, mas não acima do nível necessário para ultrapassar as comissões que permitiriam negociações de opções binárias rentáveis. Para construir estratégias que são principalmente livre dos problemas acima eu sempre defendi uma metodologia em que o algoritmo de aprendizagem da máquina é treinada antes da tomada de qualquer decisão de formação. Usando uma janela em movimento para o treinamento e nunca fazendo mais de uma decisão sem reaproveitar todo o algoritmo, podemos nos livrar do viés de seleção que é inerente na escolha de um único conjunto de amostras de amostra. Desta forma, todo o teste é uma série de exercícios de validação de treinamento que acabam garantindo que o algoritmo de aprendizado da máquina funcione mesmo sob conjuntos de dados de treinamento tremendamente diferentes. Eu também defendo a medição do desempenho de backtesting real para medir um mérito algoritmo de aprendizagem de máquina e, além disso, eu iria tão longe como para dizer que nenhum algoritmo pode valer a pena o seu sal sem ser provado sob reais condições fora da amostra. Desenvolver algoritmos desta maneira é muito mais difícil e eu não encontrei um único artigo acadêmico que segue este tipo de abordagem (se eu perdi, sinta-se livre para postar um link para que eu possa incluir um comentário). Isso não significa que essa metodologia seja completamente livre de problemas, no entanto, ela ainda está sujeita aos problemas clássicos relevantes para todos os exercícios de construção de estratégia, incluindo viés de ajuste de curva e viés de mineração de dados. É por isso que também é importante usar uma grande quantidade de dados (uso 25 anos para testar sistemas, sempre treinando depois de cada máquina aprendendo decisão derivada) e realizar testes de avaliação de viés de mineração de dados adequados para determinar a confiança com a qual podemos Dizer que os resultados não vêm de acaso aleatório. Meu amigo AlgoTraderJo 8211 que também acontece de ser um membro da minha comunidade comercial 8211 está actualmente a crescer um fio na ForexFactory seguindo este mesmo tipo de filosofia para o desenvolvimento de aprendizagem de máquina, como trabalhamos em alguns novos algoritmos de aprendizagem de máquina para a minha comunidade comercial. Você pode consultar seu tópico ou posts anteriores no meu blog para vários exemplos de algoritmos de aprendizado de máquina desenvolvidos dessa maneira. Se você gostaria de aprender mais sobre nossos desenvolvimentos na aprendizagem de máquina e como você também pode também desenvolver suas próprias estratégias de aprendizagem de máquina usando a estrutura de F4 por favor considere juntar Asirikuy. Um site cheio de vídeos educacionais, sistemas de negociação, desenvolvimento e uma abordagem sólida, honesta e transparente para a negociação automatizada.