Maschinelles Lernen präsentiert viele eindeutige und überzeugende Vorteile für Händler, die auf der Suche nach einer Kante auf dem Markt. Just in the last year we have seen a huge amount of resources from the world’s top hedge funds, wie Bridgewater Associates, erkunden diese Techniken gewidmet.
Bei der Verwendung der Maschine scheint Lern- oder künstliche Intelligenz unglaublich komplex und schwierig zu implementieren, gibt es noch Möglichkeiten, ihre Fähigkeiten zu nutzen, ohne einen Doktortitel in Mathematik oder Wissenschaft.
In diesem Beitrag, we’ll go through 3 verschiedene Möglichkeiten, die Verwendung von Techniken von Maschinelles Lernen, Ihr eigenes trading zu verbessern.
Indikator-Auswahl
Eine der wichtigsten Entscheidungen ist die Entscheidung auf welche Indikatoren verwenden, um den Handel. Ob Sie einen technischen oder fundamentalen Händler sind, oder Sie einfach Preis-Aktion für den Handel, Ihr Erfolg wird weitgehend abhängig von den Indikatoren, die Sie verwenden und wie Sie sie zu interpretieren sein.
Zum Glück, there are many different methods for selecting your indicators and this is known as “feature selection” in the machine-learning world.
Mit Hilfe eines Entscheidungsbaums Ihre Indikatoren auswählen
Entscheidungsbäume sind sehr vielseitig-Algorithmen, die haben den Vorteil des Seins leicht interpretierbar. Angesichts eines großen Datasets von Indikatoren und die Kursbewegung des Vermögenswertes, ein Entscheidungsbaum finden die Indikatoren, und Indikator Werte, am besten teilen Sie die Daten zwischen Preiserhöhungen und Preissenkungen. Indikatoren näher sind als bessere Prädiktoren als die näher auf den Grund des Baumes an die Spitze des Baumes gesehen., und Anschluss an eine bestimmte Teilstruktur können Sie leicht finden, Abhängigkeiten und Beziehungen zwischen den Indikatoren.
Der Entscheidungsbaum gibt Ihnen auch eine Reihe von Regeln, mit denen Sie den Handel auf der Grundlage dieser Indikatoren, aber Sie müssen sicher richtig den Baum beschneiden und testen Sie Überanpassung.
Der Entscheidungsbaum ist ein leistungsfähiges, visuelles Tool, das Ihnen helfen kann entscheiden, welche Kombinationen von Indikatoren für den Handel und an welche Werte sie Handel. Finden Sie einen Tutorial wie man eine Strategie mit einem Entscheidungsbaum bauen Hier oder eine allgemeine Anleitung, in R Hier ist eine gute Ressource.
Optimierung
Einmal haben Sie die Basis für Ihre Strategie, der nächste Schritt ist die Optimierung, oder die Auswahl des richtigen Parameterwerte zu maximieren Sie Ihre Erfolgsaussichten. Viele Strategien haben eine Vielzahl von Parametern, z. B. Indikator-Einstellungen, die ein- und Ausreise-Bedingungen, Stop-Loss und Profit-Ebenen zu nehmen, und Position sizing, that make “brute force” methods of trying every single combination extremely difficult and time consuming, sollten Sie zu alle geraden möglich.
Diese Art von Problemen zu lösen ist ein weiterer Bereich, wo Maschinelles Lernen zeichnet sich.
Eine Strategie, die mit genetischen Algorithmen optimieren
Genetic algorithms mimic the process of natural selection by creating a unique set of “child” strategies that contains a mixture of the best “parent’” strategies, mit einer Chance von zufällige mutation.
Der Prozess beginnt beim Codieren Ihre Strategie in ein array. Zum Beispiel könnte es so etwas wie lesen:
Indikator 1 Periode | Indikator 2 Periode | Zustand zu kaufen | Zustand zu verkaufen | Risiko:Rendite-Verhältnis |
Wo ein 50 – 200 Gleitender Durchschnitt Kreuz Periode, mit einer 50 PIP 100 Bib-Risiko-Rendite-Verhältnis wäre:
50 – Periode Moving Average | 100 – Periode Moving Average | Indikator 1 Kreuze über dem Kennzeichen 2 | Indikator 1 Kreuze unter Indikator 2 | 50:100
|
Sie würde dann eine große Population von Strategien mit zufälligen Variationen dieser Parameter generieren.. Alle diese Strategien haben verschiedene Kombinationen von bewegten Durchschnittsperioden, Einreise-und Ausfahrt, und Risiko-Rendite-Verhältnis.
Nächste, Sie würden diese Bevölkerung testen, indem jede Strategie eine Test-Gruppe, und wählen die besten Strategien basierend auf eine Steuerungsgröße Ihrer Wahl.
Schließlich, Kombinieren Sie zufällig die Züge der oberen Strategien, with a small chance of “mutating” some of the parameters, to create a new generation of “child” strategies. Sie wiederholen das Bewertungsverfahren und Paaren sich noch einmal die besten Strategien aus dieser neuen generation. This leads to a survival of fittest scenario where only the top strategies “survive” to pass along their genes to the next generation
Wiederholen Sie diesen Vorgang eine große Anzahl Mal oder bis eine bestimmte Leistungskriterien erreicht ist und eine sehr robuste Strategie bleibt, gebaut von Generationen der leistungsfähigsten Strategien!
Sie müssen sicherstellen, dass Sie eine entsprechende Performance-Metrik auswählen (wie risikoadjustierte Rendite) and always test the final strategy over data that wasn’t used to build the strategy to ensure that you aren’t overfitting to a particular data set.
Dies ist eine sehr leistungsstarke und robuste Methode, die in einer Vielzahl von Anwendungen erfolgreich war, einschließlich der Welt des Handels. Eine ausführlichere Beschreibung finden Sie Hier und eine Anleitung, wie sie in R realisiert Hier.
Handel zu leben
Ein attraktiver Aspekt des maschinellen Lernens ist einen Algorithmus, der ist in der Lage zu lernen und Anpassung an sich verändernde Marktbedingungen. Jedoch, this creates a “blackbox” strategy that, Wenn Sie nicht vollständig verstehen, wie die Algorithmen arbeiten und gründlich es selbst getestet, ist sehr schwierig, das Vertrauen auf ein live-Konto. Nicht zu wissen, wann und warum eine Strategie einen Handel eintritt, kann eine beängstigende Angelegenheit sein.
Jedoch, Es gibt Möglichkeiten, ein intelligentes nutzen, algorithmische Ansatz und noch gleichzeitig Transparenz und Verständnis für Ihre Strategie.
Verband regieren lernen
Verein-Regel lernen ist der Vorgang der Ableitung einer Reihe von klaren, verständlichen Regeln aus den Mustern, die durch Maschinelles Lernen Algorithmus aufgedeckt.
Algorithmen, wie der Apriori-Algorithmus, Suchen Sie ein Dataset Indikatoren, Indikator-Werte, und die daraus resultierende Preisbewegung, eine Reihe von Bedingungen zu produzieren; basically “if-then” statements, die dazu führen, dass die höchsten Performance-Ergebnisse. Jedoch, it’s still difficult to know exactly where these rules are coming from, der Apriori-Algorithmus erfordert eine relativ große Anzahl von Parametern optimiert werden und dieser Prozess eignet sich nicht gut an veränderte Marktbedingungen.
Mit TRAIDE, Wir nahmen den Prozess einen Schritt weiter und ermöglichen es Ihnen, die Muster zu sehen durch ein Ensemble von Computerlernen Algorithmen gefunden, aus dem Sie Ihre eigenen erstellen können Handelsregeln. Diese Regeln sind dann einfach zu implementieren und sich verändernden Marktbedingungen angepasst, ganz ohne Programmierung oder mathematische Vorkenntnisse. Sie sind in der Lage, die Vorteile der Verwendung von Computerlernen Algorithmen, um zu handeln und gleichzeitig völlige Transparenz, Verständnis Ihrer Strategie, und auch Ihr eigenes Fachwissen in Ihrem trading.
Mit maschinellen Lernens und der künstlichen Intelligenz um eine Kante auf dem Markt zu finden muss nicht ausschließlich im Besitz der größten Finanzinstitute werden. Da diese Technologie leichter zugänglich wird und diese Techniken häufiger, Maschinelles Lernen, Ihr trading zu verbessern können Sie auch.
Bisschen Slaff
CEO/Co-founder