Thread: Análise de Preços com Redes Neurais

Sobre este jornal

Este é meu diário particular detalhando meu desenvolvimento de uma rede neural artificial para tentar ganhar uma vantagem estatística no mercado em vários prazos. Vou postar meu progresso ao atingir os marcos, e veremos juntos se é de fato possível obter uma vantagem estatisticamente signifiiva com um método de aprendizado de máquina.

Também discutirei como processo o gerenciamento de dinheiro conectado a qualquer vantagem estatística que eu possa obter com meu aluno. Vou postar simulações probabilísticas do desempenho do meu aluno utilizando várias técnicas de gerenciamento de dinheiro.

Por favor, note que atualmente negocio com bastante sucesso (em um pouco, ~ 4K conta ao vivo) usando padrões gráficos simples e análise SR. Eu também sou um estudante de engenharia em tempo integral, mas pode ser altamente preferível que um agente automatizado negocie minha ausência ou me alerte de configurações de alta probabilidade. Caso meu desenvolvimento deste indicadorEA seja efetivo em ganhar uma vantagem, talvez eu deva liberá-lo na comunidade de alguma forma.

Eu adoraria sua entrada pensativa na fita. O desenvolvimento funciona melhor quando você está assistindo, cônjuges construtivamente críticos - ou assim o movimento do programa de mente aberta nos instruiu. Portanto, se você tem algo valioso para adicionar, por favor, por favor, poste-o.

Quais são as entradas? Puramente preço? BERÇO? Taxa de juros? CPI? Em segundo lugar, qual é o critério para entrarsair? A maioria ganha predicados em NNs em prazos? Eu sou bastante educado em NNs, e se você introduzir entradas não correlacionadas (dados sem dependência linear forte ao preço), você introduzirá erros em seu aprendizado. Eu aposto que você já sabia disso. Então a questão é: quais entradas estão fortemente conectadas? Eu apostaria que o Mercado de Moedas é muito eficiente, então novos dados externos como o COT e o CPI são provavelmente totalmente realizados a partir do preço em poucos minutos após o lançamento desses dados, o que é muito compacto e ineficiente. Muito bem, NNs não são conversa de mesa de jantar. Ou você entende o que eu estou dizendo ou você não entende. Espero que ajude.

Conceitos Iniciais de Design Primeiro de tudo, uma explicação da teoria das redes neurais. O arranjo de redes neurais que eu vou usar é comparável ao apresentado na figura abaixo. Http://www.gamedev.net/reference/pro...nn/figure1.png Cada círculo que você vê a partir da imagem é chamado de nó. Cada um desses nós funciona como um tipo de operador. A informação se move das entradas para as saídas, da esquerda para a direita na imagem. Em cada nó, as entradas são somadas para criar a saída. Cada entrada tem um peso flexível, ou variável de escala, pelo qual é multiplicado antes de todos serem somados no nó. Ok ... então temos nós que incluem valores escalados. Como no mundo vamos prever a ação do preço futuro para essa coisa? Bem, acontece que se você fixar esses pesos de uma maneira inteligente, você pode essencialmente treinar essa rede para reconhecer padrões na entrada e produzir as saídas desejadas de acordo com esses padrões. Então aqui está o design da rede: Entradas. Basicamente, são valores cujas magnitudes correspondem às dimensões de cada barra em um gráfico de um determinado período de tempo. Por exemplo, digamos que você tenha o seguinte gráfico:
Se sua rede neural fosse projetada para examinar padrões de quatro barras, ela teria 12 entradas totais. Isto é, para cada pub, ele teria uma entrada para o pavio inferior, o corpo da barra e também a parte superior das costas. Ambos os valores da mecha são zero ou positivos, e o valor do corpo da barra seria positivo ou negativo. Assim, para o seu gráfico de velas acima, você veria as seguintes entradas (aproximadamente) do arranjo topo | corpo | reduzido: 0,02 | -0,26 | 0,18 | 0,06 | -0,12 | 0,00 | 0,20 | -0,03 | 0,23 | 0,00 | 0,30 0.10 porque você pode ter visto, todos esses valores estão abaixo de 1.0; isso é porque as entradas para a rede neural tem que ser uma correspondência entre 1 e -1. Saídas Então agora temos entradas. O que queremos para os resultados? Vamos selecionar indicadores de risco negativos e positivos para vários prazos. Diga ... dois de cada lado. Em resumo: uma saída para o seu futuro após 1 hora. Uma saída para o seu futuro depois de 4 horas. Uma saída para o seu futuro é baixa após 1 hora. Uma saída para o seu futuro é baixa após 4 horas. Para treinar o sistema, observamos os altos e baixos após o padrão de entrada, calculamos as saídas e usamos o que é chamado de algoritmo de retropropagação para ajustar os pesos da rede de modo que as saídas desejadas surjam quando apresentamos esse padrão de entrada. Em seguida, fazemos isso com um grande número de combinações de entradasaída, e esperamos chegar com uma comunidade que, quando apresentada com um novo conjunto de insumos, possa prever os altos e baixos futuros com algum grau de precisão. Quando temos uma comunidade que pode prever altos e baixos futuros, podemos colocar negociações com níveis de TP e SL que maximizam nossa probabilidade de sucesso. Também podemos optar por fazer negócios que tenham uma boa relação risco-recompensa. A título de exemplo, podemos optar por comprar apenas quando a rede prevê uma proporção de 2: 1 para baixa e apenas vender para o inverso. Isso pode ajudar a restringir a exposição do mercado ao risco, maximizando a chance estatística de sucesso. Se você deseja mais informações sobre redes neurais, dê uma olhada na entrada da Wikipedia em
http://en.wikipedia.org/wiki/Artificial_neural_network. Espere outro artigo em breve sobre o software (personalizado) e as informações que usarei para treinamento e configuração da rede.

Bem, NNs não são conversa de mesa de jantar. Ou você entende o que estou dizendo ou não sabe. Espero que ajude.

Eles estão em minha casa
. Ou pelo menos quando trabalhei no departamento de Neuroengenharia da UPenn. A esperança é que a rede tenha a capacidade de aprender padrões complexos após um grande número de ilustrações. Estarei separando os dados em seções e realizando treinamentotestevalidação round-robin com muitas reencarnações das redes neurais em questão. Eu terei redes para prazos signifiivos. Talvez um para os 15min, um para os 1h, um para os 4h e um para os diários. Uma vez que cada um é devidamente treinado, terei que experimentar esquemas de conclusão de negociação diferentes. O mais óbvio é um processo de tomada de decisão por maioria ou talvez por unanimidade. Esses programas também podem funcionar apenas como um alerta para obter uma instalação de alta probabilidade e, em seguida, a análise técnica e mental discricionária pode notificar a última decisão de negociação.

Software Estarei escrevendo meus próprios programas CC customizados que lidam com os dados de entrada e montam coleções de informações de treinamentoteste. Meus programas também cuidarão do treinamento e teste dessas redes neurais criadas. Os sistemas neurais em si provavelmente serão executados usando um pacote de software de alto desempenho chamado Fast Artificial Neural Network (
http://leenissen.dk/fann/). Ele tem ligações para muitos idiomas, mas eu vou agrupar a biblioteca com um programa CC para máxima eficiência. Finalmente, provavelmente inspecionarei os resultados visualmente, programando um indicador MT4 que mostre as saídas do sistema no gráfico.

Tudo parece ótimo, parece que muitas pessoas se interessaram por redes neurais empregadas em câmbio após grande sucesso da EA de acordo com redes neurais no concurso EA.

tudo parece bom, parece que muitas pessoas se interessaram por redes neurais aplicadas no mercado cambial após grande sucesso da EA de acordo com redes neurais no concurso EA.

Eu suponho. Meu interesse foi certamente renovado depois de ver isso no MetaTrader Automated Trading Championship, mas inicialmente comecei a pesquisar NNs e outros métodos de aprendizado de máquina em relação à análise de mercado no final de 2006. Além disso, essa rede neural provavelmente lerá ação de preço diretamente indicadores calculados, como o EA do vencedor atual fez. Eu tenho algumas novas alterações no meu plano que postarei quando estiver mais alerta e não tiver que terminar um projeto de VHDL antes das 11h de amanhã
.

Em vez de converter o valor numérico dessas impressoras em valores de pip, provavelmente será preferível conduzir um tipo de histograma de probabilidade. Ou seja, para cada período de tempo em consideração, ter um par de resultados como segue (por exemplo): Probabilidade de alto potencial 100 pips Probabilidade de alto potencial 50 pips Probabilidade de alto potencial 30 pips Probabilidade de alto potencial 20 pips Probabilidade de prospecção alta 10 pips Probabilidade de prospecção baixa -10 pips Probabilidade de prospecção baixa -20 pips Probabilidade de prospecção baixa -30 pips Probabilidade de prospecção baixa -50 pips Probabilidade de prospecção baixa -100 pips Portanto, cada sinal de saída preveria o Probabilidade, dado o padrão atual no sinal de entrada, o futuro alto ou baixo são uma distância específica para além do preço atual. Estas impressoras provavelmente serão preferíveis por razões que se tornam aparentes uma vez que você tenha utilizado NNs por um tempo. Todas as ferramentas de aprendizado de máquina acabam sendo um tipo de análise estatística, mas as NNs são especialmente assim, uma vez que a finalidade abaixo da minimização é seu erro médio-quadrado dentro da coleta de dados de suas saídas versus os objetivos. Traduzido: os resultados geralmente tendem à média de seus objetivos. Então, se você tem 100 ilustrações de um padrão e suas próprias altas do futuro mudam em alguma média, a rede aprenderá a produzir apenas isso. É triste dizer que a média não nos diz nada sobre a forma dessa oferta. Imagine se 50 desses 100 casos movessem apenas dez pips para cima, junto com outros 50 de transferência de 100 pips para cima? A rede nos dirá que o movimento esperado é médio (10.100) = 55 pips, quando esse movimento nunca acontece! Trabalhando com um par de faíscas baseado em histograma, no entanto, veríamos que as forças de saída desses nós que correspondem a 10 e 100 são ambas 0,5, e as forças inerentes desses outros nós são 0. Assim, ao construir algoritmos que realmente usar esta saída para o comércio, poderíamos analisar não só a média da mudança de preço esperada, mas a oferta. Note que ao dividir o próximo intervalo em intervalos de tempo e intervalos de preço suficientes, acabaríamos obtendo um par de saídas que se parece com uma imagem como a seguinte:
Treinar, testar e notavelmente negociar automaticamente a partir da imagem consumiria muito tempo, por isso, vamos aderir a um par de caixas e prazos mais compactos por enquanto. Todos os parâmetros dessa rede e do sistema de treinamentoteste serão dispersos, portanto, se a rede for valiosa e treinartestar rapidamente, talvez possamos tentar aumentar a resolução incorporando mais caixas e cronogramas.

Oi baterista!
Espero que este tópico seja muito divertido e uma maravilhosa experiência de aprendizado! Eu tenho algumas perguntas, uma sobre entradas e outra sobre saídas. 1. Você estará mudando a quantidade de barras usadas para gerar os parâmetros de entrada facilmente? Se isso for verdade, isso cria outro grau de liberdade, mas pode fornecer uma percepção da maneira como o comprimento de um padrão preditivo afeta a funcionalidade. São NNs de 4 barras mais ou menos bem sucedidas do que NNs de 10 bar, esse tipo de coisa. 2. Eu sei por que você mudou para uma distribuição, como eu costumo ver quartis fracassos em minha pesquisa. No entanto, ainda é difícil trocar de uma distribuição. Que tal utilizar opções de negociação reais como a saída? Pode haver três fatores; uma variável de ação para comprar, manter ou vender com valor (-1,0,1), um valor de SL em pips e um valor de TP em pips (porque suas entradas são medidas em pips que eu acredito). Se você retro-propagar, então você estaria comparando as saídas reais com as saídas perfeitas. Por exemplo, se ao longo do período de teste, o preço atingiu um mínimo de 37 pips abaixo do fechamento da última produção e 19 pips ao longo desse fechamento, então o negócio ideal poderia ter se tornado uma venda com uma parada de 19 pips e um TP de 37 pips, ou seja, um resultado de (-1,19,37). Eu nunca trabalhei com o software da NN e só conheço o básico da teoria e organização das redes, então isso pode não fazer sentido.
O que você acredita?

1. Você estará variando o número de barras usadas para gerar os parâmetros de entrada prontamente? Se isso for verdade, isso cria outro nível de liberdade, mas pode fornecer uma visão da maneira como o período de um padrão preditivo afeta o desempenho. São NNs de 4 bar mais ou menos efetivas que NNs de 10 bar, esse tipo de coisa.

sim

2. Eu sei por que você mudou para uma fonte, como eu geralmente vejo quartis colapsos em minha própria pesquisa. No entanto, ainda é difícil trocar um suprimento. Que tal usar opções de negociação reais como sinal de saída? Pode haver três variáveis; uma variável de ação para comprar, manter ou vender com valor (-1,0,1), um valor de SL em pips e um valor de TP em pips (desde que suas entradas são medidas em pips que eu acredito). Quando você retropropaga, você estará comparando as saídas reais com as saídas perfeitas. Por exemplo, se ao longo do intervalo de avaliação, o preço atingisse uma baixa de 37 pips abaixo do fechamento da produção anterior e 19 pips acima disso, então o negócio perfeito poderia ter se transformado em uma venda com uma parada de 19 pips e um TP de 37 pips, ou seja, um sinal de resultado de (-1,19,37). Eu nunca trabalhei com o software NN e só conheço o básico do conceito e estrutura das redes, então isso pode não fazer sentido.
O que você acredita?

Os dados comerciais perfeitos que você mencionou são, na verdade, o que eu falei no próximo post desta revista. O que você está se referindo é direcionar o futuro baixo e alto para cada padrão de entrada. O sinal de compravenda é realmente redundante, desde que você possa calculá-lo pelo ditado (highgt; low) * 2-1. Depois de treinar em um grande conjunto desses padrões, a rede neural provavelmente aprenderá a produzir o sentido desses valores sobre o conjunto de padrões comparáveis. Pelo contrário, prefiro que a rede aprenda o suprimento. Conhecer a distribuição estatística anterior permite que você faça eégias com base na probabilidade calculada de atingir diferentes pontos de preço. Por exemplo, estamos acostumados ao conceito de fazer negócios com um TP 2: 1 ou 3: 1 em relação ao SL, mas não podemos ter certeza de que eles realmente aumentarão nossos ganhos, já que sem uma vantagem preditiva, uma parada mais próxima geralmente é mais provável que seja atingido do que o lucro adicional. Se soubéssemos a distribuição estatística dos pontos de preço durante a próxima hora (ou dia, ou semana ... qualquer coisa), poderíamos definir paradas que, historicamente, têm duas vezes menos probabilidade de serem atingidas do que o nosso nível de lucro. Idealmente, teríamos a habilidade de escolher negócios que são extremamente de alta probabilidade e alta recompensa, onde o fim provavelmente não será atingido, o take profit é bastante provável de ser atingido, e o take profit é signifiivamente mais distante do que o fim . Warren Buffet sempre atribui seu sucesso à criação de investimentos de baixo risco e alta recompensa. Nosso objetivo deve ser o mesmo - ou seja, maximizar a probabilidade de ganhar enquanto diminui a probabilidade de perder - ou nas condições do negociador: ter uma vantagem no mercado.