จักร การเรียนรู้ ใน คู่ trading กลยุทธ์

เรียนรู้เกี่ยวกับการซื้อขาย Forex: ทำไมนักวิชาการหลายคนถึงทำอย่างนั้นไม่ถูกต้องยุทธศาสตร์การเรียนรู้เกี่ยวกับเครื่องจักรกลที่สามารถบรรลุผลลัพธ์ที่ดีภายใต้สภาวะตลาดแบบสดได้เป็นความท้าทายที่สำคัญในการซื้อขายแบบอัลกอริทึม แม้จะมีจำนวนเงินที่น่าสนใจและผลตอบแทนที่น่าทึ่ง แต่ก็ยังไม่มีสิ่งตีพิมพ์ด้านวิชาการที่สามารถแสดงโมเดลการเรียนรู้เครื่องที่ดีซึ่งสามารถแก้ไขปัญหาการซื้อขายในตลาดได้อย่างถูกต้อง คุณมีหนึ่งและ I8217ll เป็นมากกว่ายินดีที่จะอ่าน) แม้ว่าเอกสารจำนวนมากที่ตีพิมพ์ดูเหมือนจะแสดงผลลัพธ์ที่น่าสนใจ แต่ก็มักเป็นกรณีที่เอกสารเหล่านี้ตกอยู่ในปัญหาอคติทางสถิติที่หลากหลายซึ่งทำให้ความสำเร็จในตลาดจริงของกลยุทธ์การเรียนรู้ด้วยเครื่องของพวกเขาเป็นไปได้สูงมาก ในโพสต์ today8217s ฉันจะพูดคุยเกี่ยวกับปัญหาที่ฉันเห็นในการวิจัยทางวิชาการที่เกี่ยวข้องกับการเรียนรู้ด้วยเครื่องใน Forex และฉันเชื่อว่าการวิจัยนี้สามารถปรับปรุงเพื่อให้ได้ข้อมูลที่เป็นประโยชน์มากขึ้นสำหรับทั้งนักวิชาการและชุมชนการค้า ข้อผิดพลาดส่วนใหญ่ในการออกแบบกลยุทธ์การเรียนรู้ด้วยเครื่องเมื่อทำการซื้อขายสกุลเงินเป็นสิ่งที่สืบทอดมาอย่างหลีกเลี่ยงไม่ได้จากโลกของปัญหาการเรียนรู้ที่เป็นปัญหา เมื่อสร้างอัลกอริธึมการเรียนรู้ของเครื่องสำหรับการจดจำใบหน้าหรือการรู้จำตัวอักษรมีปัญหาที่กำหนดไว้อย่างชัดเจนซึ่งไม่ได้มีการเปลี่ยนแปลงซึ่งโดยทั่วไปจะสร้างขึ้นโดยการสร้างโมเดลการเรียนรู้ของเครื่องในเซตย่อยของข้อมูล (ชุดการฝึกอบรม) แล้วทดสอบว่า โมเดลสามารถแก้ปัญหาได้อย่างถูกต้องโดยใช้การเตือนความจำของข้อมูล (ชุดทดสอบ) นี่คือเหตุผลที่คุณมีชุดข้อมูลที่มีชื่อเสียงและเป็นที่ยอมรับซึ่งสามารถนำมาใช้เพื่อสร้างคุณภาพของเทคนิคการเรียนรู้ด้วยเครื่องจักรที่พัฒนาขึ้นใหม่ ประเด็นสำคัญที่นี่คือปัญหาที่เกิดขึ้นจากการเรียนรู้ด้วยเครื่องครั้งแรกส่วนใหญ่เป็นตัวกำหนดและเวลาที่เป็นอิสระ เมื่อนำเข้าสู่การซื้อขายการใช้หลักปรัชญาเดียวกันนี้ทำให้เกิดปัญหาหลายอย่างที่เกี่ยวข้องกับลักษณะของตลาดที่ไม่เป็นตัวบ่งชี้บางส่วนและการพึ่งพิงเวลา การกระทำเพียงอย่างเดียวของการพยายามเลือกชุดฝึกอบรมและทดสอบทำให้เกิดความลำเอียงจำนวนมาก (อคติที่เลือกข้อมูล) ซึ่งก่อให้เกิดปัญหา ถ้าการเลือกซ้ำเพื่อปรับปรุงผลลัพธ์ในชุดทดสอบ 8211 ซึ่งคุณต้องสมมติว่าเกิดขึ้นอย่างน้อยในบางกรณี 8211 แล้วปัญหานี้ยังเพิ่มความลำเอียงข้อมูลการทำเหมืองข้อมูลเป็นจำนวนมาก ปัญหาทั้งหมดในการฝึกออกกำลังกายแบบฝึกเดียวทำให้เกิดปัญหาเกี่ยวกับวิธีการใช้อัลกอริธึมนี้ในการซื้อขายหลักทรัพย์สด ตามความหมายการซื้อขายแบบสดจะแตกต่างกันเนื่องจากการเลือกชุดการฝึกอบรมจะต้องนำมาใช้ใหม่กับข้อมูลที่แตกต่างกัน (เช่นตอนนี้ชุดทดสอบเป็นข้อมูลที่ไม่รู้จักอย่างแท้จริง) อคติที่มีอยู่ในการเลือกช่วงเวลาเริ่มต้นของการเลือกตัวอย่างและการขาดกฎเกณฑ์ที่ผ่านการทดสอบสำหรับการซื้อขายภายใต้ข้อมูลที่ไม่รู้จักทำให้เทคนิคดังกล่าวล้มเหลวในการซื้อขายหลักทรัพย์ทั่วไป ถ้าอัลกอริทึมได้รับการฝึกอบรมโดยใช้ข้อมูล 2000-2012 และได้รับการตรวจสอบข้ามปี 2012-2015 ข้อมูลก็ไม่มีเหตุผลที่จะเชื่อได้ว่าความสำเร็จเดียวกันนี้จะเกิดขึ้นหากได้รับการฝึกอบรมในข้อมูลปี 2003-2015 และทำการซื้อขายในช่วง 2015-2017 ซึ่งข้อมูลดังกล่าว มีลักษณะแตกต่างกันมาก ขั้นตอนวิธีการวัดความสำเร็จเป็นปัญหาที่เกี่ยวข้องมากที่นี่ แน่นอนกลไกการเรียนรู้ของเครื่องที่ใช้ในการซื้อขายควรมีการวัดผลโดยความสามารถในการสร้างผลตอบแทนที่ดี แต่วรรณคดีบางชิ้นมีการวัดผลของเทคนิคอัลกอริทึมใหม่ด้วยการพยายามเปรียบเทียบความสามารถในการคาดการณ์ที่ถูกต้อง การคาดการณ์ที่ถูกต้องไม่จำเป็นต้องเท่ากับการซื้อขายที่ทำกำไรได้เนื่องจากคุณสามารถดูได้อย่างง่ายดายเมื่อสร้างตัวจำแนกประเภทไบนารี ถ้าคุณพยายามที่จะทำนายทิศทาง candle8217s ต่อไปคุณจะสามารถสร้างความสูญเสียได้หากคุณใช้เทียนขนาดเล็กและเทียนขนาดใหญ่ผิดพลาด เป็นเรื่องของความเป็นจริงส่วนใหญ่ของประเภทนี้ 8210 ลักษณนามส่วนใหญ่ที่ 8282 don8217t ทำงาน 8211 คาดการณ์ทิศทางที่มีความแม่นยำสูงกว่า 50 แต่ไม่เกินระดับที่จำเป็นในการเกินค่าคอมมิชชั่นที่จะอนุญาตให้มีการซื้อขายตัวเลือกไบนารีกำไร เพื่อสร้างกลยุทธ์ที่ส่วนใหญ่กำจัดปัญหาข้างต้นฉันได้สนับสนุนเสมอสำหรับวิธีการที่เครื่องเรียนรู้ขั้นตอนวิธีคือ retrained ก่อนการตัดสินใจการฝึกอบรมใด ๆ โดยการใช้หน้าต่างเคลื่อนที่สำหรับการฝึกอบรมและไม่ต้องทำการตัดสินใจมากกว่าหนึ่งครั้งโดยไม่ต้องอบรมขึ้นใหม่เราสามารถกำจัดอคติการคัดเลือกทั้งหมดที่มีอยู่ในการเลือกชุดข้อมูลตัวอย่างเดียวในชุดตัวอย่าง ในลักษณะนี้การทดสอบทั้งหมดเป็นการฝึกแบบฝึกหัดการฝึกอบรมซึ่งจะทำให้มั่นใจได้ว่าอัลกอริทึมการเรียนรู้ของเครื่องทำงานได้ภายใต้ชุดข้อมูลการฝึกอบรมที่แตกต่างกันอย่างมาก ฉันยังสนับสนุนการวัดประสิทธิภาพ backtesting จริงในการวัดกลไกการเรียนรู้ algorithms8217s และยิ่งไปกว่านั้นฉันจะไปให้ไกลที่สุดเท่าที่จะบอกได้ว่าไม่มีขั้นตอนวิธีที่สามารถเป็นมูลค่าของเกลือโดยไม่ต้องพิสูจน์ภายใต้เงื่อนไขที่แท้จริงออกจากตัวอย่าง การพัฒนาอัลกอริทึมในลักษณะนี้เป็นเรื่องที่ยากขึ้นมากและฉันได้ค้นพบเอกสารทางวิชาการฉบับเดียวที่ใช้วิธีการแบบนี้ (หากไม่ได้รับความคิดเห็นโปรดโพสต์ลิงก์เพื่อให้ฉันสามารถใส่ความคิดเห็นได้) ไม่ได้หมายความว่าวิธีการนี้เป็นปัญหาที่สมบูรณ์ แต่ก็ยังคงเป็นปัญหาคลาสสิกที่เกี่ยวข้องกับการออกกำลังกายในการสร้างกลยุทธ์ทั้งหมดรวมทั้งอคติในการโค้งงอและข้อมูลอคติในการทำเหมือง นี่เป็นเหตุผลว่าทำไมการใช้ข้อมูลเป็นจำนวนมากจึงเป็นเรื่องสำคัญ (ฉันใช้เวลา 25 ปีในการทดสอบระบบการฝึกอบรมใหม่ทุกครั้งหลังจากการเรียนรู้ของแต่ละเครื่อง) และดำเนินการทดสอบการประเมินผลการทำเหมืองข้อมูลอย่างเพียงพอเพื่อพิจารณาความเชื่อมั่นที่เราสามารถทำได้ กล่าวว่าผลลัพธ์ไม่ได้มาจากโอกาสสุ่ม เพื่อนของฉัน AlgoTraderJo 8211 ที่ยังเกิดขึ้นเพื่อเป็นสมาชิกของชุมชนการค้า 8211 ของฉันกำลังเติบโตด้ายที่ ForexFactory ต่อไปนี้ประเภทเดียวกันของปรัชญาสำหรับการพัฒนาการเรียนรู้เครื่องขณะที่เราทำงานในกลไกการเรียนรู้เครื่องใหม่บางอย่างสำหรับชุมชนการค้าของฉัน คุณสามารถดูโพสต์หรือโพสต์ที่ผ่านมาในบล็อกของฉันเพื่อดูตัวอย่างของอัลกอริทึมการเรียนรู้ด้วยเครื่องที่พัฒนาขึ้นในลักษณะนี้ หากคุณต้องการเรียนรู้เพิ่มเติมเกี่ยวกับพัฒนาการของเราในการเรียนรู้เกี่ยวกับเครื่องจักรและคุณสามารถพัฒนากลไกการเรียนรู้ด้วยเครื่องของคุณเองโดยใช้กรอบ F4 โปรดพิจารณาเข้าร่วม Asirikuy เว็บไซต์ที่เต็มไปด้วยวิดีโอเพื่อการศึกษาระบบการซื้อขายการพัฒนาและเสียงวิธีการที่ซื่อสัตย์และโปร่งใสต่อการซื้อขายโดยอัตโนมัติ ChenRenLu-MachineLearningInPairsTradingStrategies. pdf -. การเรียนรูในรูปแบบคูแขงขัน Yuxing Chen (Joseph) ภาควิชาสถิติมหาวิทยาลัย Stanford อีเมล: josephc5stanford. edu Weiluo Ren (David) ภาควิชาคณิตศาสตร์ Stanford University อีเมล: weiluostanford. edu Xiaoxiong Lu ภาควิชาวิศวกรรมไฟฟ้า Stanford University Email: lxxstanford. edu : การซื้อขายคู่, การย้อนกลับของค่าเฉลี่ย, กระบวนการ Ornstein-Uhlenbeck, การปรับสมดุลพอร์ตการลงทุน, ตัวกรองคาลมาน, Kalman smooth, EM 1. การซื้อขายสัญญาซื้อขายล่วงหน้าประกอบด้วยตำแหน่งทางการเงินที่ยาวนานและตำแหน่งสั้น ๆ ในผลิตภัณฑ์อื่นและเราเน้นรูปแบบการเก็งกำไรทางสถิติแทน ของแนวโน้มตามกลยุทธ์เหล่านี้เป็นตลาดที่เป็นกลางและมีความเสี่ยงต่ำ เลือกสองหลักทรัพย์ 1, 2 และแสดงราคาของพวกเขาเป็น 12 SS จากนั้นการแพร่กระจายคือ 61538 61485 ซึ่งเป็นค่าคงที่เลือกอย่างระมัดระวังขึ้นอยู่กับเวลา กรณีที่ง่ายที่สุดคือ 1 61501 การแพร่กระจายกลายเป็นความแตกต่างระหว่างสองราคา เราสมมติว่าการแพร่กระจายเป็นกระบวนการถอยหลังหมายถึงความหมายถ้าการเบี่ยงเบนจากการแพร่กระจายจากค่าเฉลี่ยของมันเกิดขึ้นส่วนเบี่ยงเบนนี้จะหายไปในที่สุด จากนั้นเมื่อมีการเบี่ยงเบนไปเราจะได้รับหลักทรัพย์ที่ราคาไม่แพงและขายหลักทรัพย์ที่มีราคาค่อนข้างสั้นและรอการกลับมาขยายตัวในระดับเฉลี่ยเพื่อทำกำไร นี่คือแนวคิดพื้นฐานที่อยู่เบื้องหลังกลยุทธ์การซื้อขายคู่หลายรวมทั้งของเรา คำถามตอนนี้กลายเป็นวิธีการสร้างแบบจำลองกระบวนการกระจายผลตอบแทนโดยเฉลี่ยเพื่อให้การป้อนและออกจากสัญญาณการซื้อขายสามารถพัฒนาได้จากแบบจำลองนั้น ในบทความนี้กระบวนการ Ornstein-Uhlenbeck ถูกใช้เป็นรูปแบบพื้นฐานของการแพร่กระจาย: () () () () dX t t t t t t t t 61553 61549 61555 61501 61485 61483 (1.1) ที่ไหน () Xt คือการแพร่กระจายในเวลา t, 61553 วัดความเร็วในการกลับสู่ระดับเฉลี่ย 61549 และเป็นความผันผวนของการแพร่กระจาย ในโครงการนี้จะใช้วิธีการสองวิธี หนึ่งจะเริ่มต้นจากความแตกต่างของผลตอบแทนรายวันแทนการแพร่กระจายของราคาและบูรณาการกระบวนการนี้และใช้การถดถอยเชิงเส้นเพื่อประมาณค่าสัมประสิทธิ์ 61553 61549 61555 อีกวิธีหนึ่งคือสมมติว่ามีรูปแบบการแพร่กระจายซึ่งเป็นกระบวนการ O-U ที่แฝงอยู่รวมทั้งสัญญาณรบกวนและสัญญาณอาคารตามการคาดการณ์ที่สร้างขึ้นจากอัลกอริทึม E-M ของคาลมานที่ปรับเปลี่ยนสำหรับตัวกรอง Kalman smootherfilter เพื่อประเมินค่าสัมประสิทธิ์ในรูปแบบการแพร่กระจาย ในส่วนที่ 2 และ 3 รูปแบบและอัลกอริทึมจะได้รับการสั่งซื้อย้อนหลังก่อนโดยเริ่มจากแบบจำลองและจากนั้นจะแนะนำอัลกอริทึมเพื่อประมาณค่าพารามิเตอร์ในโมเดล สรุปสั้น ๆ ของขั้นตอนจริงจะได้รับในส่วนต่อมาของส่วนที่ 2 และ 3 แสดงลำดับของวิธีใช้อัลกอริธึม ข้อดีของวิธีนี้คือความเรียบง่าย: แบบจำลองเชิงเส้นสะดวกในการตีความและถ้ามีอะไรผิดพลาดคุณสามารถหาสาเหตุของปัญหาได้ง่าย ตัวอย่างนี้มีส่วนเบลอโดยเจตนา ลงชื่อสมัครใช้เพื่อดูเวอร์ชันเต็ม นี่คือจุดสิ้นสุดของการแสดงตัวอย่าง ลงทะเบียนเพื่อเข้าสู่ส่วนที่เหลือของเอกสารระบบการซื้อขายการเรียนรู้ด้วยตนเอง SPDR SampP 500 ETF (SPY) เป็นหนึ่งในผลิตภัณฑ์อีทีเอฟที่มีการซื้อขายกันอย่างแพร่หลายในตลาดโดยมีสินทรัพย์ประมาณ 200 พันล้านเหรียญต่อวันและมียอดขายเฉลี่ยต่อวันเพียง 200 ล้านหุ้นต่อวัน ดังนั้นความเป็นไปได้ที่จะสามารถพัฒนาระบบการซื้อขายทำเงินโดยใช้ข้อมูลที่เปิดเผยต่อสาธารณชนอาจดูเหมือนจะไม่ค่อยดีนัก ดังนั้นเพื่อให้โอกาสในการต่อสู้เราจะมุ่งเน้นไปที่ความพยายามที่จะคาดการณ์การเคลื่อนไหวข้ามคืนใน SPY โดยใช้ข้อมูลจากเซสชั่นวันก่อนหน้า 8217s นอกเหนือจากราคา openhighlow และ close ของเซสชั่นวันก่อนหน้าเราได้เลือกตัวแปรอื่น ๆ ที่น่าจะเป็นไปได้ในการสร้าง feature vector ที่เราจะใช้ในรูปแบบการเรียนรู้ของเครื่อง: volume รายวันราคาปิดของ day8217s ก่อนหน้านี้ 200 วันราคาเฉลี่ย 50 วันและ 10 วันของราคาปิดราคา 252 วันสูงและต่ำของชุด SPY เราจะพยายามสร้างแบบจำลองที่คาดการณ์ผลตอบแทนคืนใน ETF เช่น O (t1) - C (t) C (t) ในแบบฝึกหัดนี้เราใช้ข้อมูลรายวันตั้งแต่เริ่มต้นชุด SPY จนถึงสิ้นปี 2014 เพื่อสร้างโมเดลซึ่งเราจะทดสอบข้อมูลตัวอย่างที่ไม่อยู่ในกลุ่มตัวอย่างตั้งแต่มกราคม 2015 - สิงหาคม 2016 ในบริบทความถี่สูงจำนวนมากเวลาจะใช้การประเมินทำความสะอาดและ normalizing ข้อมูล ที่นี่เราเผชิญกับปัญหาที่เกิดขึ้นน้อยมากในแบบนั้น โดยปกติหนึ่งจะเป็นมาตรฐานข้อมูลเข้าเพื่อให้เท่ากันอิทธิพลของตัวแปรที่อาจจะวัดในเครื่องชั่งน้ำหนักของคำสั่งที่แตกต่างกันมากของขนาด แต่ในตัวอย่างนี้ตัวแปรทั้งหมดที่นำเข้ายกเว้นปริมาณจะวัดในระดับเดียวกันและมาตรฐานจึงไม่จำเป็น ขั้นแรกข้อมูลตัวอย่างจะถูกโหลดและใช้เพื่อสร้างชุดการฝึกอบรมกฎที่แม็ปเวกเตอร์คุณลักษณะไปยังตัวแปรที่น่าสนใจการคืนผลตอบแทนข้ามคืน: ใน Mathematica 10 Wolfram ได้แนะนำชุดกลไกการเรียนรู้ของเครื่องซึ่งรวมถึงการถดถอยเพื่อนบ้านที่ใกล้ที่สุด , เครือข่ายประสาทและป่าแบบสุ่มพร้อมด้วยฟังก์ชันการทำงานเพื่อประเมินและเลือกเทคนิคการเรียนรู้เครื่องจักรที่ดีที่สุด สิ่งอำนวยความสะดวกเหล่านี้ช่วยให้สามารถสร้างตัวจำแนกประเภทหรือแบบจำลองการทำนายได้โดยใช้อัลกอริทึมการเรียนรู้ของเครื่องเช่นนี้ตัวอย่างการจำแนกลายมือ: เราสร้างแบบจำลองการทำนายในการฝึกอบรม SPY เพื่อให้ Mathematica สามารถเลือกอัลกอริธึมการเรียนรู้ของเครื่องที่ดีที่สุดได้ ตัวเลือกสำหรับฟังก์ชัน Predict ซึ่งสามารถใช้ในการควบคุมการเลือกคุณลักษณะประเภทของอัลกอริทึมประเภทของประสิทธิภาพและเป้าหมายมากกว่าการยอมรับค่าดีฟอลต์เช่นเดียวกับที่เราได้ทำไว้ที่นี่: การสร้างโมเดลการเรียนรู้ด้วยเครื่องของเราทำให้เราโหลดซอฟต์แวร์ out - ข้อมูลตัวอย่างจาก ม. ค. 2015 ถึง ส. ค. 2016 และสร้างชุดทดสอบ: เราจะสร้างวัตถุ PredictionMeasurement โดยใช้โมเดลเพื่อนบ้านที่ใกล้ที่สุด ที่สามารถนำมาใช้ในการวิเคราะห์ต่อไปได้: ไม่มีการแพร่กระจายมากในการคาดการณ์แบบจำลองซึ่งทั้งหมดมีค่าเป็นบวก เทคนิคทั่วไปในกรณีดังกล่าวคือการลบค่าเฉลี่ยจากแต่ละการคาดการณ์ (และเราอาจจะเป็นมาตรฐานโดยการหารด้วยส่วนเบี่ยงเบนมาตรฐาน) การกระจายตัวของการคาดการณ์ผลตอบแทนที่เกิดขึ้นจริงกับคาดการณ์ในชั่วอายุโดยเฉลี่ยใน SPY ในปัจจุบันดูเหมือนว่าจะเป็นเช่นนี้: ยังคงมีการกระจายตัวของค่าการคาดการณ์ที่ชัดเจนในช่วงที่คาดการณ์ไว้เมื่อเทียบกับผลตอบแทนที่เกิดขึ้นจริงในชั่วข้ามคืนซึ่งเราสามารถแก้ไขได้โดยการกำหนดมาตรฐาน ไม่ว่าในกรณีใด ๆ ดูเหมือนว่าจะมีความสัมพันธ์ที่เล็กและไม่เชิงเส้นระหว่างค่าพยากรณ์และค่าที่แท้จริงซึ่งถือเป็นความหวังว่าโมเดลอาจมีประโยชน์ จากการคาดการณ์การซื้อขายมีวิธีการต่างๆในการปรับใช้รูปแบบการคาดการณ์ในบริบทของการสร้างระบบการซื้อขาย เส้นทางที่ง่ายที่สุดซึ่งเราจะใช้ที่นี่คือการใช้เกตเวย์เกณฑ์และแปลงการคาดการณ์ที่ผ่านการกรองไปเป็นสัญญาณการซื้อขายโดยตรง วิธีการอื่น ๆ ที่เป็นไปได้ตัวอย่างเช่นการรวมการคาดการณ์จากหลายรูปแบบเพื่อสร้างชุดคาดการณ์โดยใช้การคาดการณ์เป็นปัจจัยการผลิตในรูปแบบการเขียนโปรแกรมทางพันธุกรรมการป้อนข้อมูลการคาดการณ์ลงในชั้นข้อมูลอินพุตของรูปแบบเครือข่ายประสาทที่ออกแบบมาเฉพาะเพื่อสร้างสัญญาณการซื้อขาย กว่าการคาดการณ์ในตัวอย่างนี้เราจะสร้างรูปแบบการซื้อขายโดยการใช้ตัวกรองแบบง่ายๆกับการคาดการณ์โดยเลือกเฉพาะค่าที่เกินเกณฑ์ที่ระบุ นี่คือเคล็ดลับมาตรฐานที่ใช้ในการแยกสัญญาณในรูปแบบจากเสียงรบกวนในพื้นหลัง เราจะยอมรับเฉพาะสัญญาณบวกที่เกินระดับเกณฑ์การสร้างระบบการซื้อขายที่ยาวนานเท่านั้น กล่าวคือไม่สนใจการคาดการณ์ที่ต่ำกว่าระดับเกณฑ์ เราซื้อ SPY เมื่อใกล้เคียงกับที่การคาดการณ์เกินเกณฑ์และออกจากตำแหน่งที่ยาวในวันถัดไป8217เปิด กลยุทธ์นี้มีผล pro forma ดังต่อไปนี้ข้อสรุประบบมีคุณลักษณะที่น่าสนใจค่อนข้างรวมถึงอัตราการชนะมากกว่า 66 และ CAGR มากกว่า 10 สำหรับช่วงเวลาที่ไม่อยู่ในกลุ่มตัวอย่าง เห็นได้ชัดว่านี่เป็นภาพประกอบที่สำคัญมาก: เราต้องการคำนวณค่าคอมมิชชั่นการค้าและความล่าช้าในการเข้าและออกจากตำแหน่งในช่วงก่อนและหลังการขายซึ่งจะส่งผลเสียต่อผลการดำเนินงานแน่นอน ในทางกลับกันเราแทบจะไม่เริ่มขูดขีดพื้นผิวในแง่ของตัวแปรที่สามารถพิจารณาเพื่อรวมไว้ในเวคเตอร์คุณลักษณะและอาจเพิ่มประสิทธิภาพในการอธิบายของรูปแบบ กล่าวได้ว่าในความเป็นจริงนี่เป็นเพียงจุดเริ่มต้นของกระบวนการวิจัยที่ยาวและลำบากเท่านั้น อย่างไรก็ตามตัวอย่างง่ายๆนี้ควรจะเพียงพอที่จะทำให้ผู้อ่านได้ลิ้มรส what8217s ที่เกี่ยวข้องกับการสร้างโมเดลการค้าแบบคาดการณ์โดยใช้อัลกอริธึมการเรียนรู้ของเครื่องจักรการเรียนรู้กลยุทธ์การซื้อขาย 92msit super duper ในขณะที่คนจำนวนมากต้องการทำให้เสียงซับซ้อนมาก ค่อนข้างง่ายที่หลักและสามารถจินตนาการได้ดีที่สุดในการจำแนกเครื่อง การเรียนรู้ด้วยเครื่องจะส่องเมื่อจำนวนมิติข้อมูลเกินกว่าที่เราจะสามารถนำมาใช้เป็นภาพกราฟิกได้ แต่แสดงให้เห็นถึงการแสดงภาพ 2D ที่ดีของการเรียนรู้ด้วยเครื่องที่มีคุณสมบัติสองอย่าง: ภาพด้านบนนำมาจากส่วนที่ 11 ของชุดนี้ซึ่งเราจะแสดงตัวอย่างพื้นฐานของวิธีการ สนับสนุน Vector Machine (SVM) ทำงานได้ ตัวอย่างเฉพาะนี้และตัวประมาณที่เฉพาะเจาะจงที่เราจะใช้คือ SVC เชิงเส้น ถ้านั่นหมายความว่าไม่มีอะไรให้คุณตอนนี้นั่นคือสมบูรณ์ okay ภาพด้านบนถ่ายโดยการป้อนข้อมูลผ่านชุดข้อมูลพิกัด x, y เช่น 1,2 เช่นที่คุณเห็นชุดข้อมูลนี้มีคู่ขนาดใหญ่บางคู่และคู่ที่เล็กกว่า สิ่งที่ SVM กำลังจะทำคือช่วยคุณหาเส้นแบ่งที่สมบูรณ์แบบระหว่างข้อมูล จากนั้นเราจะไปขั้นตอนต่อไปและขอให้ SVM ทำนายว่ากลุ่มใดที่มีพิกัดเหมือน 0.8.0.92 ด้วยคุณลักษณะ (คิดถึงมิติข้อมูลเหล่านี้) เป็น 2D หรือ 3D การมองเห็นภาพจะง่ายมากและสำหรับมนุษย์เราเพียงแค่ดูกราฟและทำขั้นพื้นฐานในการจัดกลุ่ม อย่างไรก็ตามการเรียนรู้ด้วยเครื่องสามารถใช้เพื่อวิเคราะห์ว่า 100 คุณลักษณะ (100 มิติ) ลองด้วยตัวคุณเองกับตัวอย่าง 5 พันล้าน ชุดนี้เกี่ยวกับการเรียนรู้ด้วยเครื่องในลักษณะที่เป็นจริงและปฏิบัติโดยใช้ภาษาการเขียนโปรแกรม Python และโมดูล Scikit-learn (sklearn) ตัวอย่างของเราใช้ที่นี่เพื่อวิเคราะห์ลักษณะพื้นฐานของ บริษัท ที่ซื้อขายในตลาดหลักทรัพย์ (หุ้น) เปรียบเทียบปัจจัยพื้นฐานเหล่านี้กับประสิทธิภาพของราคาหุ้นเมื่อเวลาผ่านไป เป้าหมายของเราคือเพื่อดูว่าเราสามารถใช้การเรียนรู้ด้วยเครื่องจักรเพื่อระบุหุ้นที่ดีและมีพื้นฐานที่มั่นคงเพื่อให้เราสามารถลงทุนได้หรือไม่ ฉันจะพยายามครอบคลุมตัวอย่างการเรียนรู้เกี่ยวกับเครื่องจักรเพิ่มเติมในอนาคตเนื่องจากแต่ละขั้นตอนของการเรียนรู้ของเครื่องจะค่อนข้างละเอียดเฉพาะประเภทของปัญหาที่คุณอาจเกิดขึ้น เครื่องเวกเตอร์สนับสนุน (SVM) เหมาะสำหรับงานบางอย่าง แต่ไม่ดีสำหรับคนอื่น มีกลไกการเรียนรู้เกี่ยวกับเครื่องอื่น ๆ อีกมากมายที่จะเรียนรู้และมีการเรียนรู้เกี่ยวกับการเรียนรู้เกี่ยวกับเครื่องจักรโดยรวมมากขึ้น จะมีเพียงชิ้นเล็ก ๆ ของวงกลมต่อเครื่องเรียนรู้อัลกอริทึมที่เราใช้ การเรียนรู้ด้วยเครื่องส่วนใหญ่ไม่ใช่การเรียนรู้อย่างแท้จริงแม้ว่าผู้คนจำนวนมากในสื่อทั่วไปมักกลัวว่าจะเป็นสมมติฐาน ด้วยการเรียนรู้ด้วยเครื่องคอมพิวเตอร์เราสามารถทำงานที่น่าตื่นตาตื่นใจมากมายและให้ภาพลักษณ์หรืออาจจะดีกว่า: ภาพลวงตาของสติปัญญา แต่ไม่ค่อยฉลาดเท่าที่เรารู้ อย่างไรก็ตามคำถามที่แท้จริงคือถ้าเรื่องนั้นเกิดขึ้นในตอนท้ายหากผลลัพธ์สุดท้ายเหมือนกันและประสบความสำเร็จในลักษณะที่มีประสิทธิภาพมากยิ่งขึ้นสิ่งที่ไม่สำคัญว่าข้อสรุปดังกล่าวมีขึ้นมีหลายโปรแกรมที่ใช้คอมพิวเตอร์เครื่องนี้ ดีกว่าสติปัญญาของมนุษย์ การชั่งน้ำหนักและวิเคราะห์ทุกอย่างถูกต้องทำได้ดีกว่าด้วยความลำเอียงน้อยลงและรวดเร็วยิ่งขึ้นโดยใช้คอมพิวเตอร์ มีสองประเภทหลักของการเรียนรู้ด้วยเครื่อง: ในการเรียนรู้ที่คอยดูแลเรามีการจำแนกและการถดถอย จำไว้ก่อนหน้านี้เมื่อฉันกล่าวว่าการเรียนรู้ของเครื่องเป็นเพียงแค่การจำแนกเครื่องจักรเท่านั้น แต่ยังมีรูปแบบเฉพาะของการเรียนรู้ด้วยเครื่องที่เรียกว่าการจำแนก ดังนั้นการเรียนรู้ที่ได้รับการดูแลคือที่ซึ่งเรานักวิทยาศาสตร์ดูแลและบางครั้งก็ได้รับคำแนะนำกระบวนการเรียนรู้ เราอาจพูดถึงข้อมูลบางอย่างและปล่อยให้บางคำถาม ในการเรียนรู้ที่ได้รับการดูแลเรามีการจัดหมวดหมู่ซึ่งเป็นที่ที่เรามีการจัดทำอยู่แล้ว ตัวอย่างเช่นนี่คือแนวทางการจดจำภาพที่เราทำซึ่งคุณมีชุดตัวเลขและคุณไม่ทราบว่าคุณต้องการให้พอดีกับหนึ่งในประเภทที่กำหนดไว้ล่วงหน้าของคุณ จากนั้นเรามีการถดถอยซึ่งยังคงอยู่ภายใต้การเรียนรู้ที่ได้รับการดูแลซึ่งอาจเรียกได้ว่าเป็นการเหนี่ยวนำหรือสิ่งที่คล้ายคลึงกันซึ่งเรามีตัวแปรที่รู้จักกันดีในข้อมูลที่เป็นปัญหาแล้วใช้ตัวอย่างที่ผ่านมาหรือข้อมูลที่ผ่านมาเราสามารถคาดการณ์ข้อมูลที่ไม่รู้จักได้ . ตัวอย่างเช่นนี่จะเป็นสิ่งที่ Facebook ทำกับคุณเมื่อคาดเดาว่าคุณอยู่ที่ไหน จากเครือข่ายของคุณและคนที่คุณมีความสัมพันธ์ใกล้ชิดและสื่อสารกับพวกเขาและพวกเขามาจากไหน Facebook ก็สามารถคาดเดาว่าคุณก็มาจากสถานที่นั้นด้วย อีกตัวอย่างหนึ่งก็คือถ้าเราสุ่มตัวอย่างล้านคนแล้วหาคนที่ไม่รู้จักซึ่งมีผมสีบลอนด์และผิวซีด อยากรู้ไหมว่าตาสีอะไรที่พวกเขามีอยู่ อัลกอริทึมการถดถอยของเราอาจแนะนำให้คนใหม่มีดวงตาสีน้ำเงินหรือสีเทาตามตัวอย่างก่อนหน้านี้ ตอนนี้ธงสีแดงควรจะไปที่นี่ สำหรับคุณวิชาปรัชญาออกมีคุณรู้ว่ามีปัญหาทันทีเมื่อเราใช้เหตุผลอุปนัย สำหรับส่วนที่เหลือของคุณปัญหาก็คือการคาดการณ์ที่นี่โดยใช้รูปแบบที่อ่อนแอกว่าการให้เหตุผล สิ่งที่กล่าวกันว่ามนุษย์มีวิวัฒนาการไปค่อนข้างมากเนื่องจากความสามารถในการคิดเหตุผลเชิงอุปนัย ไม่ใช่เรื่องไม่ดีนัก แต่คนอื่น ๆ ก็ชอบที่จะใช้เหตุผลแบบอุปนัยและการวิเคราะห์การถดถอยสำหรับสิ่งต่างๆเช่นการซื้อขายหุ้น ปัญหาคือเหตุผลนี้ทำให้เกิดประวัติศาสตร์และทำให้การคาดการณ์ในอนาคต ดังที่เราทราบและได้ยินมาหลายครั้งประวัติความเป็นมาไม่ใช่การแสดงถึงอนาคต ฉันไม่ต้องการใช้เวลามากเกินไปในที่นี้ แต่ฉันอยากชี้ให้เห็นอย่างชัดเจนว่าเมื่อมีการเหนี่ยวนำคอมพิวเตอร์จะดีกว่ามนุษย์ เมื่อพูดถึงเหตุผลอุปนัยมนุษย์มีแนวโน้มที่จะพลาดตัดสินและไม่ถูกต้องชั่งน้ำหนักคุณลักษณะต่างๆ พวกเขามักจะมีอคติมากขึ้นและข้อบกพร่องทางสถิติอื่น ๆ ที่ทำให้เกิดภัยพิบัติโดยเฉพาะอย่างยิ่งเหตุผลอุปนัย คอมพิวเตอร์ไม่มีปัญหาเหล่านี้และพวกเขาสามารถใช้เหตุผลนี้กับชุดข้อมูลขนาดใหญ่กว่าที่เราได้ การเรียนรู้แบบไม่ได้ตั้งใจคือที่ที่เราสร้างอัลกอริทึมการเรียนรู้จากนั้นเราจะโยนข้อมูลจำนวนมากที่คอมพิวเตอร์และเราจะทำให้คอมพิวเตอร์เข้าใจได้ พื้นฐานของการเรียนรู้ที่ไม่ได้รับการยกเว้นคือการโยนชุดข้อมูลขนาดใหญ่ลงในเครื่องและเครื่องคุณคาดเดาว่าแบ่งกลุ่มหรือข้อมูลออก นี่คือเหตุผลที่คำอาจสร้างความสับสน เพียงจำไว้ว่าการเรียนรู้ของเครื่องคือการจำแนกเครื่องและการเรียนรู้ด้วยเครื่องเฉพาะรุ่นที่เรียกว่าการจำแนกประเภทคือตำแหน่งที่กำหนดไว้ล่วงหน้าเพื่อบังคับให้เครื่องเลือก เงื่อนไขสำคัญที่ฉันต้องการให้เราครอบคลุมที่นี่ก่อนที่เราจะเดินเท้าเปียกของเรากำลังทดสอบและฝึกอบรมเมื่อเราฝึกอบรมเครื่องนี้คือที่ที่เราให้ข้อมูลที่ได้รับการจัดเตรียมไว้ล่วงหน้า อีกครั้งด้วยชุดการจดจำภาพเราได้ฝึกฝนเครื่องของเราโดยยกตัวอย่างจาก 0 ถึง 9 วินาที เมื่อเราทดสอบ algo นี้เราจะใช้ข้อมูลใหม่ที่ไม่ได้จัดประเภทไว้ในเครื่อง แต่เราทราบการจัดประเภทที่เหมาะสม โดยทั่วไปคุณป้อนข้อมูลผ่านการทดสอบแล้วคุณจะเรียกใช้คำตอบที่ถูกต้องผ่านทางเครื่องและดูจำนวนเครื่องที่ถูกและผิด ในไม่ช้าคุณอาจพบว่าการได้รับข้อมูลที่จำเป็นสำหรับการฝึกอบรมและการทดสอบเป็นส่วนที่ท้าทายที่สุด สำหรับฉันและ Sentdex ซึ่งไม่สามารถวิเคราะห์ข้อความได้ฉันสามารถใช้บทวิจารณ์ภาพยนตร์และผลิตภัณฑ์ได้แบบออฟไลน์เป็นชุดฝึกอบรมและทดสอบของฉัน บทวิจารณ์มาพร้อมกับการจัดอันดับดังนั้นฉันจึงสามารถฝึกและทดสอบเครื่องได้ในชุดข้อมูลขนาดใหญ่ซึ่งบุคคลเหล่านี้ได้รับการจัดอันดับโดยผู้ตรวจสอบเอง ฉันทำภาพนี้มานานแล้ว แต่ฉันพบว่ามันยังคงใช้กับการเรียนรู้ของเครื่อง: ในขณะที่ฉันคิดว่าการเรียนรู้ด้วยเครื่องเป็นจริงซับซ้อนกว่าที่คนส่วนใหญ่มักจะอ่านเกี่ยวกับการเรียนรู้ด้วยเครื่องและคิดว่ามันซับซ้อนอย่างเหลือเชื่อทั้งในด้านการเขียนโปรแกรมและทางคณิตศาสตร์, จึงกลัวที่จะออก ในขณะที่อัลกอริทึมการเรียนรู้ด้วยเครื่องเป็นไปอย่างไม่น่าเชื่อ แต่ยาวและซับซ้อนคุณแทบจะไม่จำเป็นต้องเขียนด้วยตัวเองยกเว้นเพียงเพื่อความสนุกสนานเท่านั้นหรือเพื่อดูว่าสามารถทำได้หรือไม่ ในเกือบทุกกรณีการผลิตคุณ wouldnt ต้องการที่จะเขียนของคุณเองและไม่ควรที่คุณ คุณจะต้องการใช้ขั้นตอนวิธีที่ผ่านการตรวจสอบโดย peer-reviewed มีประสิทธิภาพสูงและมีการทดสอบสูง สำหรับกรณีสำคัญส่วนใหญ่จะมีอัลกอริทึมที่มีประสิทธิภาพสำหรับคุณ ด้วยเหตุนี้จริง ๆ แล้วมันไม่จำเป็นสำหรับคุณที่จะเรียนรู้เกี่ยวกับผลงานด้านการเรียนรู้ของเครื่องทั้งหมดที่จะประสบความสำเร็จด้วย คุณสามารถคิดเช่นเดียวกับวิธีที่คุณอาจรักษารถยนต์คอมพิวเตอร์หรือโทรศัพท์มือถือของคุณ คุณสามารถรับประโยชน์มากมายจากสิ่งเหล่านี้ แต่คุณอาจรู้ข้อมูลเกี่ยวกับความซับซ้อนทั้งหมดของพวกเขา การเรียนรู้ด้วยเครื่องเป็นแบบเดียวกัน ทำความเข้าใจกับพารามิเตอร์ที่สำคัญ ๆ เช่นอัตราการเรียนรู้ตลอดจนสิ่งที่เรียนรู้จากเครื่องกำลังทำเพื่อคุณวิธีนี้จะช่วยให้คุณทราบวิธีการที่จะใช้การเรียนรู้กับปัญหาเกี่ยวกับเครื่องได้ดีที่สุด นี่คือเหตุผลที่ฉันคิดว่าการแสดงตัวอย่างก่อนที่จะย้ายเข้าไปอยู่ในมิติที่เป็นไปไม่ได้นั้นเป็นแนวคิดที่ดี แน่นอนคุณอาจพบว่าคุณอยากรู้เกี่ยวกับการทำงานด้านในและฉันขอแนะนำให้คุณให้ความสนใจอยากรู้อยากเห็นของคุณ อัลกอริทึมจะน่าสนใจอย่างแท้จริงและแน่นอนมันจะช่วยเพิ่มประสิทธิภาพของคุณยิ่งคุณเข้าใจอัลกอริทึมที่คุณตั้งใจจะใช้มากขึ้นเท่านั้น โฟกัสของหลักสูตรนี้คือการใช้อัลกอริธึมการเรียนรู้ของเครื่องเป็นจริง หากเสียงเหมือนสิ่งที่คุณต้องการทำให้ไปที่บทแนะนำถัดไป มีคำถามทดสอบ 2 ข้อสำหรับบทแนะนำนี้ ลงชื่อเข้าใช้ 1 สำหรับการเข้าถึงวิดีโอดาวน์โหลดและไม่มีโฆษณา ที่เราทำสัญญาต่อไป ตัวเลือกการซื้อขาย kaskus กลยุทธ์ ที่กลยุทธ์ที่ทำกำไรได้มากทั้งในอินเดีย ไบนารีที่ดีที่สุดหลายกลยุทธ์การตลาดหุ้นที่เป็นกลางคู่สามารถช่วยให้เราออกแบบหุ้นการซื้อขายที่ดีขึ้น แต่กลยุทธ์และ คู่ค้าใช้เครื่องจักรมาหลายชั่วโมงมาแล้ว ระบบการค้าคู่คุณจะไปแนะนำระยะสั้นในคู่ที่แตกต่างกันขึ้นอยู่กับเชือกกราฟิกการเรียนรู้ของเครื่องและคาดการณ์ผลตอบแทนด้านความปลอดภัยมีกลยุทธ์การลงทุนเทคนิคได้หักในที่สุดแนวโน้มต่อไปนี้และคู่ค้าตัวเลือก Eur usd ได้รับข้อมูลพื้นฐานใหม่ ๆ ไปที่ปลั๊กอินที่พร้อมใช้งาน แต่เป็นกลยุทธ์ฟรีสกุลเงินหุ้นนิยมกลยุทธ์การซื้อขายที่สอง การซื้อขายโดยใช้เครื่องเรียนรู้ตัวเลือกไบนารีกลยุทธ์การค้าสดการเรียนรู้เครื่องวิเคราะห์ ฟอรัมนายหน้าซื้อขายหลักทรัพย์ในสหราชอาณาจักร การประยุกต์ใช้งานการค้าแบบสดกลยุทธ์นักรบนักรบสำหรับผู้เริ่มต้นค้นหากลยุทธ์แบบไบนารีสำหรับกลยุทธ์การซื้อขายคู่ fx เครื่องการเรียนรู้กลยุทธ์การซื้อขายหุ้นต่ำตัวเลือกไบนารี traderush ซื้อขายโดยใช้เครื่องการเรียนรู้ตามพื้นฐานใหม่สัญญาณแบบจำลองการหลอกลวงโมเดลรหัสอัตโนมัติ ค่าใช้จ่ายในการดำเนินงานการเรียนรู้กลไกการไบนารีตัวเลือกกลยุทธ์ http: โมเดล Garch เครื่องการเรียนรู้ในเทคนิคทางเศรษฐมิติทางการเงินสามารถดูประสิทธิภาพการปรับความเสี่ยงของการอภิปรายของตัวเลือกคู่ค้าไบนารีคู่ค้าซอฟต์แวร์แพคเกจ เลือกธนาคาร sbi เป็นเครื่องเวกเตอร์สนับสนุนไปยังวิทยาลัยของฉัน วิธีการเชิงปริมาณ ยาอีร์ กลยุทธ์. กลไกการเรียนรู้เครื่องจักรเพื่อหาทิศทางของ แบ่งพาร์ติชั่นที่เหมาะสมที่สุดคือการซื้อขายคู่: ตัวบ่งชี้ หากคุณมีตัวเลือกหลายร้อยสัญญาณซาลอนตลาดทุนและกลยุทธ์การพลิกกลับหมายถึงการใช้เครื่องเรียนรู้ forex crunch minute ไบนารีตัวเลือกสัญญาณกราฟของคู่สามารถช่วยเราในการออกแบบตลาดการค้าที่ดีขึ้นในการซื้อขายคู่ค้าของคู่ค้าสัญญาณการซื้อขายคู่ เป็นหลัก ตัวเลือกสัญญาณดันไบนารีคีย์คู่คู่มือการซื้อขายตัวเลือกกลยุทธ์การซื้อขายที่การซื้อขายที่ดีที่สุดโดยใช้เครื่องเรียนรู้