Maschinelles Lernen präsentiert viele eindeutige und überzeugende Vorteile für Händler, die auf der Suche nach einer Kante auf dem Markt. Gerade im letzten Jahr sahen wir eine riesige Menge von Ressourcen aus der weltweit Top Hedge-Fonds, 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, Wir gehen durch 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, Es gibt viele verschiedene Methoden für die Auswahl der Indikatoren und dies ist bekannt als "Feature Selection" Maschinelles Lernen weltweit.
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, machen, dass "brute Force" Methoden versuchen jede einzelne Kombination extrem schwierig und zeitaufwendig, 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
Genetische Algorithmen imitieren den Prozess der natürlichen Selektion durch Erstellen einen eindeutigen Satz von "Child"-Strategien, die eine Mischung der besten enthält "übergeordneten" "Strategien, 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, mit einer kleinen Chance von "Mutation" einige Parameter, eine neue Generation von "Child" Strategien erstellen. Sie wiederholen das Bewertungsverfahren und Paaren sich noch einmal die besten Strategien aus dieser neuen generation. Dies führt zu einem Überleben der stärksten Szenario wo "überleben nur die besten Strategien" ihre Gene an die nächste Generation sehr dankbar
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) und testen Sie immer über die Daten, die zur Erstellung der Strategie, um sicherzustellen, dass Sie zu einem bestimmten Datensatz Überanpassung sind nicht war nicht die endgültige Strategie.
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, Dadurch entsteht eine "Blackbox"-Strategie, die, 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; im Grunde "Wenn-dann"-Anweisungen, die dazu führen, dass die höchsten Performance-Ergebnisse. Jedoch, Es ist noch schwierig zu wissen genau wo diese Regeln kommen, 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
Rajeev goel sagt
sehr geehrter Herr ,
Ich bin Rajeev Goel aus New delhi , Indien
m + 91 9643622698
e-Mail– goelanilkumar3@gmail.com
Ich tausche im Rohstoffmarkt speziell in Goldbarren
Ich will AUTO Markt Muster Erkennung mit Algorithmus und MACHINE LEARNING ARTIFICIAL INTELLIGENCE SOFTWARE für GOLD , Silber und unedlen Metallen die mir einen Kopf des Marktes im Rohstoffhandel halten .
die Vorhersage/Prognose wann betreten und verlassen des Handwerks.
u kann mir in jeder Hinsicht helfen.
pls Antwort.
Vielen Dank
Bisschen Slaff sagt
Hallo Rajeev,
Vielen Dank für Ihren Kommentar. Wir arbeiten, um Rohstoffe zu unterstützen, wie gold, Silber, und unedle Metalle.
Wenn Sie auf die neuesten Veröffentlichungen auf dem Laufenden bleiben möchten, gerne ausprobieren, die Plattform selbst an oder melden Sie sich für unseren newsletter https://traide.inovancetech.com/.
Vielen Dank,
Tad
CEO/Co-founder
Inovance
t.slaff@inovancetech.com