Pembelajaran mesin membentangkan banyak kelebihan yang unik dan menarik untuk peniaga mencari kelebihan dalam pasaran. Hanya pada tahun lepas kita telah melihat sejumlah besar sumber-sumber daripada dana lindung nilai yang terbaik di dunia, seperti Bridgewater Associates, berdedikasi untuk menjelajah teknik.
Semasa menggunakan pembelajaran mesin atau kecerdasan buatan kelihatan sangat kompleks dan sukar untuk melaksanakan, masih ada cara untuk memanfaatkan keupayaan mereka tanpa perlu PhD dalam matematik atau sains.
Dalam post ini, kami akan pergi melalui 3 cara yang berbeza yang anda boleh menggunakan teknik dari pembelajaran mesin untuk memperbaiki perdagangan anda sendiri.
Petunjuk Pemilihan
Salah satu keputusan yang paling penting adalah memutuskan yang petunjuk untuk digunakan untuk perdagangan. Sama ada anda adalah seorang peniaga teknikal atau asas, atau anda hanya menggunakan tindakan harga untuk berdagang, kejayaan anda akan menjadi sebahagian besarnya bergantung kepada petunjuk yang anda gunakan dan bagaimana anda mengartikannya.
Nasib baik, terdapat banyak kaedah yang berbeza untuk memilih penunjuk anda dan ini dikenali sebagai "pemilihan ciri" di dunia mesin-pembelajaran.
Menggunakan Pokok Keputusan untuk Pilih Petunjuk anda
Pokok keputusan adalah algoritma yang sangat serba boleh yang mempunyai manfaat yang mudah ditafsirkan. Memandangkan dataset besar petunjuk dan pergerakan harga aset, pokok keputusan akan mencari petunjuk, dan nilai-nilai penunjuk, yang berpecah terbaik data antara kenaikan harga dan penurunan harga. Petunjuk lebih dekat dengan bahagian atas pokok itu dilihat sebagai peramal yang lebih baik daripada yang lebih dekat dengan bahagian bawah pokok, dan berikut cawangan tertentu akan membolehkan anda untuk dengan mudah mencari saling bergantungan dan hubungan antara petunjuk.
Pokok keputusan juga akan memberikan anda satu set peraturan yang boleh anda gunakan untuk berdagang berdasarkan petunjuk-petunjuk, tetapi anda mesti pastikan anda betul prun pokok dan ujian untuk overfitting.
Pokok keputusannya ialah yang kuat, alat visual yang boleh membantu anda membuat keputusan yang gabungan penunjuk untuk berdagang dan di nilai apa untuk berdagang mereka. Anda boleh mencari tutorial tentang bagaimana untuk membina strategi dengan pokok keputusan di sini atau untuk panduan yang lebih umum, dalam R di sini adalah sumber yang baik.
Pengoptimuman
Setelah anda mempunyai asas bagi strategi anda, langkah seterusnya adalah pengoptimuman, atau memilih nilai-nilai parameter yang betul untuk memaksimumkan peluang anda untuk berjaya. Banyak strategi mempunyai pelbagai parameter, seperti tetapan penunjuk, masuk dan keluar syarat, berhenti kerugian dan mengambil tahap keuntungan, dan kedudukan saiz, yang membuat "kekerasan" kaedah cuba setiap gabungan tunggal amat sukar dan memakan masa, jika pada semua walaupun mungkin.
Menyelesaikan jenis masalah adalah satu lagi bidang di mana pembelajaran mesin cemerlang.
Mengoptimumkan Strategi Menggunakan Algoritma Genetik
Algoritma genetik meniru proses pilihan semula jadi dengan mewujudkan satu set unik "anak" strategi yang mengandungi campuran terbaik "induk" strategi, dengan peluang mutasi rawak.
Proses ini bermula dengan pengekodan strategi anda ke dalam array. Sebagai contoh, ia boleh dibaca sebagai sesuatu seperti:
Petunjuk 1 Tempoh | Petunjuk 2 Tempoh | Beli Keadaan | Jual Keadaan | Risiko:Nisbah Ganjaran |
Jika sesuatu 50 – 200 tempoh purata bergerak balas, dengan 50 pip untuk 100 nisbah risiko-untuk-ganjaran pip akan:
50 – tempoh Purata Bergerak | 100 – tempoh Purata Bergerak | Petunjuk 1 melintasi di atas Petunjuk 2 | Petunjuk 1 melintasi di bawah Petunjuk 2 | 50:100
|
Anda kemudian akan menjana penduduk yang besar strategi dengan variasi rawak parameter ini. Strategi semua mempunyai kombinasi bergerak tempoh purata, masuk dan keluar syarat, nisbah dan risiko-untuk-ganjaran.
Seterusnya, anda akan menguji penduduk ini dengan menjalankan setiap strategi ke atas satu set ujian dan memilih strategi utama berdasarkan metrik prestasi pilihan anda.
Akhirnya, anda secara rawak menggabungkan ciri-ciri strategi atas, dengan peluang kecil "mutasi" beberapa parameter, untuk melahirkan generasi baru "kanak-kanak" strategi. Anda kemudian ulangi prosedur penilaian dan sekali lagi mengawan strategi berprestasi tinggi dari generasi baru ini. Ini membawa kepada survival senario paling kuat di mana hanya strategi atas "hidup" untuk lulus bersama gen mereka kepada generasi akan datang
Ulangi proses ini banyak kali atau sehingga satu kriteria prestasi tertentu dicapai dan anda ditinggalkan dengan strategi yang teguh yang dibina dari generasi strategi berprestasi terbaik!
Anda perlu memastikan bahawa anda memilih metrik prestasi yang sesuai (seperti pulangan terlaras risiko) dan sentiasa menguji strategi akhir ke atas data yang tidak digunakan untuk membina strategi untuk memastikan bahawa anda tidak overfitting untuk satu set data yang tertentu.
Ini adalah satu kaedah yang sangat kuat dan mantap yang telah berjaya dalam pelbagai aplikasi, termasuk dunia perdagangan. Anda boleh mencari maklumat lebih lanjut di sini dan tutorial tentang bagaimana untuk melaksanakannya dalam R di sini.
Trading Live
Salah satu aspek yang lebih menarik daripada pembelajaran mesin mempunyai algoritma yang mampu untuk belajar dan menyesuaikan diri dengan keadaan pasaran yang berubah-ubah. Walau bagaimanapun, ini mewujudkan satu "kotak hitam" strategi yang, jika anda tidak benar-benar memahami bagaimana algoritma bekerja dan diuji sendiri, adalah amat sukar untuk percaya pada akaun live. Tidak tahu bila atau mengapa strategi yang memasuki perdagangan boleh menjadi satu cadangan yang menakutkan.
Walau bagaimanapun, ada cara untuk mendapatkan manfaat yang bijak, pendekatan algoritma sementara masih mengekalkan ketelusan dan pemahaman dalam strategi anda.
Persatuan Peraturan Pembelajaran
Persatuan Peraturan Pembelajaran adalah proses memperolehi satu set yang jelas, peraturan difahami dari corak didedahkan oleh algoritma mesin-pembelajaran.
Algoritma, seperti algoritma apriori yang, mencari yang dataset penunjuk, nilai penunjuk, dan pergerakan harga yang terhasil untuk menghasilkan satu set keadaan; pada dasarnya "jika-maka" penyata, yang membawa kepada keputusan tertinggi berbayar. Walau bagaimanapun, ia masih sukar untuk tahu di mana peraturan-peraturan yang datang dari, algoritma apriori yang memerlukan jumlah yang agak besar parameter yang akan ditala dan proses ini tidak meminjamkan sendiri juga kepada keadaan pasaran yang berubah-ubah.
Dengan Bantu diri, kami mengambil proses satu langkah ke hadapan dan membolehkan anda melihat corak ditemui oleh ensemble algoritma mesin-pembelajaran, dari mana anda boleh membuat kaedah-kaedah trading anda sendiri. Peraturan ini maka mudah untuk dilaksanakan dan diselaraskan untuk keadaan pasaran yang berubah-ubah, semua tanpa memerlukan apa-apa pengaturcaraan atau pengalaman matematik. Anda boleh mendapat manfaat daripada menggunakan algoritma mesin-pembelajaran untuk berdagang tetapi tetap mempertahankan ketelusan lengkap, memahami strategi anda, dan termasuk kepakaran domain anda sendiri dalam trading anda.
Menggunakan pembelajaran mesin dan kecerdasan buatan untuk mencari kelebihan dalam pasaran yang tidak perlu semata-mata hanya dimiliki oleh institusi kewangan yang terbesar. Apabila teknologi ini menjadi lebih mudah dan teknik-teknik ini lebih biasa, anda juga boleh menggunakan mesin pembelajaran untuk memperbaiki perdagangan anda.
Daripada Slaff
Ketua Pegawai Eksekutif / Co-pengasas
Rajeev Goel berkata
saudara yg terhormat ,
i am Goel Rajeev dari delhi baru , india
m + 91 9643622698
mel– goelanilkumar3@gmail.com
i berdagang dalam pasaran komoditi khas dalam bulion
i mahu AUTO CORAK PASARAN PENGESANAN DENGAN ALGORITMA DAN MESIN PEMBELAJARAN PERISIAN KEPINTARAN BUATAN UNTUK GOLD , SILVER DAN BASE LOGAM yang menjaga saya seorang ketua pasaran dalam perdagangan komoditi .
yang meramalkan / ramalan untuk masuk dan keluar perdagangan.
u dapat membantu saya dalam apa-apa cara.
pls reply.
Terima kasih
Daripada Slaff berkata
Hi Rajeev,
Terima kasih untuk komen anda. Kami sedang berusaha untuk menyokong komoditi, seperti emas, perak, dan logam asas.
Jika anda mahu kekal sehingga tarikh siaran berita, berasa bebas untuk mendaftar untuk surat berita kami atau mencuba platform diri anda https://traide.inovancetech.com/.
Terima kasih,
Kemudian
Ketua Pegawai Eksekutif / Co-pengasas
Inovance
t.slaff@inovancetech.com