Forex Machine Learning

Como usar a Aprendizagem de Máquinas em sua Aprendizagem de Máquinas de Negociação apresenta muitas vantagens únicas e atraentes para os comerciantes que procuram uma vantagem no mercado. Apenas no último ano, vimos uma grande quantidade de recursos dos fundos hedge do topo do mundo, como a Bridgewater Associates, dedicado a explorar essas técnicas. Ao usar o aprendizado da máquina ou a inteligência artificial parece incrivelmente complexo e difícil de implementar, ainda há maneiras de alavancar suas capacidades sem precisar de doutorado em matemática ou ciência. Nesta publicação, passe por 3 maneiras diferentes de usar técnicas de aprendizado de máquina para melhorar sua própria negociação. Seleção de indicadores Uma das decisões mais importantes é decidir quais indicadores usar para o comércio. Se você é um comerciante técnico ou fundamental, ou você apenas usa a ação de preço para o comércio, seu sucesso dependerá em grande parte dos indicadores que você usa e de sua interpretação. Felizmente, existem muitos métodos diferentes para selecionar seus indicadores e isso é conhecido como seleção de recursos no mundo de aprendizagem em máquina. Usando uma árvore de decisão para selecionar seus indicadores As árvores de decisão são algoritmos muito versáteis que têm o benefício de ser facilmente interpretáveis. Dado um grande conjunto de dados de indicadores e o movimento de preços do recurso, uma árvore de decisão encontrará os indicadores e os valores dos indicadores, que melhor dividem os dados entre aumentos de preços e redução de preços. Os indicadores mais próximos do topo da árvore são vistos como melhores preditores do que aqueles mais próximos do fundo da árvore e, seguindo um ramo específico, você poderá encontrar facilmente interdependências e relacionamentos entre os indicadores. A árvore de decisão também lhe dará um conjunto de regras que você pode usar para negociar com base nesses indicadores, mas você deve ter certeza de podar adequadamente a árvore e testar a sobreposição. A árvore de decisão é uma poderosa ferramenta visual que pode ajudá-lo a decidir quais combinações de indicadores para negociar e quais valores os comercializam. Você pode encontrar um tutorial sobre como construir uma estratégia com uma árvore de decisão aqui ou para um guia mais geral, em R aqui é um bom recurso. Otimização Depois de ter a base para sua estratégia, o próximo passo é a otimização ou a escolha dos valores dos parâmetros corretos para maximizar suas chances de sucesso. Muitas estratégias têm uma grande variedade de parâmetros, como configurações de indicadores, condições de entrada e saída, perda de parada e níveis de lucro, e dimensionamento de posição, que fazem métodos de força bruta de tentar cada combinação extremamente difícil e demorado, se for caso disso Até mesmo possível. Resolver esses tipos de problemas é outra área onde o aprendizado de máquinas é excelente. Otimizando uma Estratégia Usando Algoritmos Genéticos Os algoritmos genéticos imitam o processo de seleção natural criando um conjunto único de estratégias infantis que contém uma mistura das melhores estratégias dos pais, com chance de mutação aleatória. O processo começa pela codificação de sua estratégia em uma matriz. Por exemplo, poderia ler como algo como: Período do Indicador 1 Você geraria então uma grande população de estratégias com variações aleatórias desses parâmetros. Essas estratégias têm diferentes combinações de períodos médios móveis, condições de entrada e saída e rácios de risco para recompensa. Em seguida, você testaria essa população executando cada estratégia em um conjunto de testes e selecionando as principais estratégias com base em uma métrica de desempenho de sua escolha. Finalmente, você combina aleatoriamente os traços das principais estratégias, com uma pequena chance de mutar alguns dos parâmetros, para criar uma nova geração de estratégias para crianças. Em seguida, repita o procedimento de avaliação e, uma vez mais, mate as melhores estratégias desta nova geração. Isso leva a uma sobrevivência do cenário mais forte onde apenas as melhores estratégias sobrevivem para passar ao longo de seus genes para a próxima geração. Repita este processo um grande número de vezes ou até que um certo critério de desempenho seja alcançado e você tenha uma estratégia muito robusta construída a partir de Gerações das estratégias de melhor desempenho Você precisa garantir que você selecione uma métrica de desempenho apropriada (como retorno ajustado ao risco) e sempre teste a estratégia final em relação aos dados que não foram usados ​​para construir a estratégia para garantir que você não esteja superando um Conjunto de dados específicos. Este é um método muito poderoso e robusto que tem sido bem sucedido em uma ampla variedade de aplicações, incluindo o mundo das negociações. Você pode encontrar uma descrição mais detalhada aqui e um tutorial sobre como implementá-la em R aqui. Live Trading Um dos aspectos mais atraentes do aprendizado de máquinas é ter um algoritmo que seja capaz de aprender e se adaptar às mudanças nas condições do mercado. No entanto, isso cria uma estratégia de blackbox que, se você não entender completamente como funcionam os algoritmos e testá-lo completamente, é muito difícil confiar em uma conta ao vivo. Não saber quando ou por que uma estratégia está entrando em um comércio pode ser uma proposição assustadora. No entanto, existem maneiras de obter os benefícios de uma abordagem algorítmica inteligente, mantendo a transparência e a compreensão em sua estratégia. Regra de Associação Associação de Aprendizagem A Aprendizagem de Regras é o processo de derivar um conjunto de regras claras e compreensíveis dos padrões descobertos por um algoritmo de aprendizado de máquina. Algoritmos, como o algoritmo Apriori, buscam um conjunto de dados de indicadores, valores de indicadores e o movimento de preços resultante para produzir um conjunto de condições, basicamente, instruções if-then, que levam aos resultados de maior desempenho. No entanto, ainda é difícil saber exatamente de onde essas regras estão vindo, o algoritmo Apriori requer um número bastante grande de parâmetros a serem sintonizados e este processo não se presta bem às mudanças nas condições do mercado. Com TRAIDE. Nós levamos o processo um passo adiante e permitimos que você veja os padrões encontrados por um conjunto de algoritmos de aprendizagem em máquina, dos quais você pode criar suas próprias regras de negociação. Essas regras são então fáceis de implementar e ajustadas às mudanças nas condições de mercado, tudo sem exigir qualquer programação ou experiência matemática. Você pode obter os benefícios do uso de algoritmos de aprendizagem em máquina para negociar, mantendo a transparência completa, a compreensão de sua estratégia e incluindo a sua própria experiência de domínio em sua negociação. Usar a aprendizagem de máquinas e a inteligência artificial para encontrar uma vantagem no mercado não precisa ser exclusivamente de propriedade das maiores instituições financeiras. À medida que essa tecnologia se torna mais acessível e essas técnicas mais comuns, você também pode usar o aprendizado de máquina para melhorar sua negociação. A aprendizagem da máquina é um campo de inteligência artificial onde os programas de computador aprendem em vez de seguir cegamente um script. Com dados de treinamento suficientes você pode ensinar esses algoritmos para dirigir um carro, pilotar um helicóptero ou criar o melhor mecanismo de busca do mundo. Aqui estão os resultados que obtive com a minha abordagem inicial na aplicação de aprendizagem de máquina para negociação forex. Uma variedade de algoritmos são implementados para tentar prever a evolução de um instrumento com dados de apenas 8 barras diárias para o passado. Para cada dia, quatro valores são gravados, as três primeiras informações de registro sobre o movimento do dia anterior próximo ao dayrsquos alto, baixo e próximo, em percentagem, enquanto o quarto registra o volume do dia. Isso faz 32 variáveis ​​independentes no total. Os dados são obtidos a partir de três instrumentos na base de dados dukascopy, EURUSD, AUDJPY e GBPCHF diariamente Permitam barras de 1 de janeiro de 2008 a 31 de dezembro de 2011, com fins de semana misturados na segunda-feira seguinte. Para cada um dos algoritmos testados, os dois primeiros anos foram usados ​​para treinar os modelos, enquanto o ano de 2012 foi usado para testá-los. A biblioteca java aberta para algoritmos de aprendizado de máquina usados ​​vem da WEKA: Data Mining Software em Java i. Você pode baixar a biblioteca ou o programa amigável ao usuário em cs. waikato. ac. nzmlweka. Previsão da direção do mercado. Esses testes avaliam em que medida, se houver, é possível prever o movimento global do amanhã (de perto para fechar) com base em dados de oito dias anteriores usando uma variedade de algoritmos de aprendizado de máquina. Uma alta correlação significa que o modelo prevê o bom movimento global do dia seguinte. Neste caso, as correlações são muito próximas de zero, de modo que os modelos não podem prever o movimento geral do mercado. Previsão da faixa do mercado Para o forex, o intervalo é definido aqui como a diferença entre o dayrsquos alto e o dayrsquos baixo como uma porcentagem do fechamento anterior (para que diferentes instrumentos sejam comparáveis). Um dos métodos mais simples e melhores, os vizinhos mais próximos, é o melhor para esta tarefa. Este método, para cada caso, simplesmente olha os n casos no conjunto de treinamento que se parecem mais e prevê uma média ponderada de seu alcance. Previsão do movimento absoluto de um instrumento O movimento absoluto de um instrumento é o movimento geral por um dia, mas sempre positivo. Isso é um pouco semelhante ao intervalo. É impossível prever a direção do mercado para o dia seguinte com base apenas em oito barras e volumes anteriores, pelo menos usando esses algoritmos. No entanto, a primeira falha desta abordagem é talvez que ela tente prever todos os dias. Talvez algum processo de eliminação possa remover uma grande quantidade de dados que é principalmente imprevisível. Por outro lado, existem outros algoritmos como redes neuronais recorrentes que são mais apropriados para a tarefa em questão. É possível prever, até certo ponto, o intervalo do dia seguinte e, de forma bastante lógica, o movimento absoluto (do próximo ao próximo). Este tipo de informação pode não ser relevante para os comerciantes que seguem as tendências, mas pode ser relevante para scalpers que precisam prever o alcance de um par de moedas. Eu acredito que tais algoritmos ultrapassam indicadores de alcance como o ATR no sentido de serem preditivos e não indicativos. 1 Mark Hall, Eibe Frank, Geoffrey Holmes, Bernhard Pfahringer, Peter Reutemann, Ian H. Witten (2009) O software WEKA Data Mining: uma atualização SIGKDD Explorations, Volume 11, Issue 1.