Machine Apprendimento Forex 2012

Apprendimento automatico è un campo dell'intelligenza artificiale dove i programmi per computer imparano invece di seguire ciecamente uno script. Con i dati di formazione sufficiente si può insegnare a questi algoritmi a guidare una macchina, pilota di un elicottero o di costruire il miglior motore di ricerca al mondo. Ecco i risultati che ho ottenuto con il mio approccio iniziale ad applicare macchina di apprendimento al commercio di forex. Una varietà di algoritmi sono messi in atto per cercare di prevedere l'evoluzione di uno strumento con i dati a partire da soli 8 bar quotidiani nel passato. Per ogni giorno, quattro valori sono registrati, i primi tre registrare informazioni sui dalle dayrsquos precedenti vicino alle dayrsquos alto, basso e chiudere il movimento, in percen t mentre il quarto registra il volume per la giornata. In questo modo per 32 variabili totale indipendente. I dati sono ottenuti da tre strumenti nel database Dukascopy, EURUSD, AUDJPY e GBPCHF quotidiano Chiedi bar dal 1 ° gennaio 2008 al 31 dicembre 2011, con il fine settimana in miscela con il seguente Lunedi. Per ciascuno degli algoritmi testati, i primi due anni sono stati usati per formare i modelli, mentre 2012 è stato utilizzato per testare loro. La libreria Java aperto per algoritmi di apprendimento automatico utilizzato proviene da WEKA: Software di estrazione mineraria di dati in Java i. È possibile scaricare la libreria o il programma facile da usare liberamente cs. waikato. ac. nzmlweka. Prevedere la direzione del mercato Questi test valutano in che misura, eventualmente, è possibile prevedere il movimento complessivo di domani (da vicino a chiudere) sulla base di dati di otto giorni precedenti utilizzando una varietà di algoritmi di apprendimento automatico. Una correlazione elevata significa che il modello prevede le seguenti dayrsquos movimento complessivo bene. In questo caso, le correlazioni sono molto vicino a zero in modo modelli canrsquot predicono la circolazione complessiva del mercato a tutti. Predire la gamma del mercato per il forex, la gamma è qui definito come la differenza tra le dayrsquos alti e le dayrsquos basse come percentuale della chiusura precedente (in ordine di diversi strumenti per essere comparabili). Uno dei più semplici e migliori metodi, i vicini più prossimi, funziona in modo ottimale a questo compito. Questo metodo, per ogni caso, è sufficiente esamina i casi n del training set che sembrano più simile e prevede una media ponderata della loro gamma. Prevedere il movimento assoluto di uno strumento Il movimento assoluto di uno strumento è il movimento complessivo per un giorno, ma sempre positivo. Questo è in qualche modo simile alla gamma. È impossibile prevedere la direzione del mercato per il giorno seguente basata solo su otto bar e volumi precedenti, almeno utilizzando questi algoritmi. Eppure il primo difetto di questo approccio è che forse si cerca di prevedere ogni singolo giorno. Forse qualche processo di eliminazione potrebbe rimuovere una grande quantità di dati che è principalmente imprevedibile. D'altro canto esistono altri algoritmi come reti neurali ricorrenti che sono più appropriati per il compito a portata di mano. È possibile prevedere, in una certa misura, la gamma del giorno successivo e siasi logicamente il movimento assoluto (da vicino a chiudere). Questo tipo di informazioni potrebbe non essere rilevante per gli operatori che seguono le tendenze ma può essere rilevante per scalper che hanno bisogno di prevedere la gamma di una coppia di valute. Credo che tali algoritmi superano indicatori gamma come l'ATR, nel senso che essi sono predittivi piuttosto che indicativi. 1 Mark Hall, Eibe Frank, Geoffrey Holmes, Bernhard Pfahringer, Peter Reutemann, Ian H. Witten (2009) Il Software di estrazione mineraria WEKA dati: un aggiornamento SIGKDD Explorations, Volume 11, Issue 1.Machine Le applicazioni pratiche di Forex Learning macchina ci può aiutare ottimizzare le strategie di trading automatico. Studiando l'enorme quantità di informazioni passato, siamo in grado di identificare i modelli che ci aiutano a prevedere l'evoluzione del mercato in misura sufficiente. Questo è, naturalmente, quello che alcuni commercianti hanno fatto per molto tempo, ma l'automatizzazione del processo ci permette di trovare le strategie molto meglio e molto più velocemente di quanto ci sarebbe voluto un essere umano. Di seguito vi proponiamo una strategia speculativa che è stato testato e dimostra le possibilità portati a macchina-learning nel forex con successo. Trovare automaticamente una strategia speculativa vincente su EURUSD EURUSD è una coppia molto redditizio per una strategia speculativa costruita dagli algoritmi di apprendimento automatico, anche se il nostro metodo è in grado di trovare strategie vincenti da altri strumenti e alcune che funzionano su diversi strumenti, le strategie sviluppate per EURUSD dare i migliori rendimenti. Questo è il modo le strategie sono costruite. Non possiamo nutrire il prezzo effettivo per l'algoritmo perché vogliamo che il riconoscimento di situazioni indipendentemente dalla loro altezza in un grafico. Pertanto nutriamo movimenti di prezzo, da alto a alta e bassa a bassa (meglio di aprire per chiudere). Si tratta di un semplice tipo di indicatore con un potere discriminante sorprendente tra i modelli di forex. Ma quali intervalli dovremmo scegliere per i nostri indicatori e utilizzando l'alta e bassa per quanto tempo Il nostro algoritmo risponde a questa domanda per noi ottimizzando una serie di indicatori e segnando facendo quanto è buono una strategia che può costruire su di essa. Il metodo utilizzato per l'ottimizzazione è un algoritmo genetico. Abbiamo costruire alcuni gruppi di indicatori i più forti (punteggio più alto) hanno una migliore possibilità di ldquoreproducingrdquo e ldquomutatingrdquo mentre i più deboli vengono sostituiti. Questo metodo tende ad ottimizzare i set indicatore ed è migliaia di volte più veloce semplicemente provare ogni possibilità. Segniamo una serie di indicatori per quanto bene una strategia possiamo costruire con esso. Le strategie sono costruite automaticamente utilizzando una seconda fase di ottimizzazione e una struttura di dati, la rete neurale artificiale. La rete neurale prende come input i valori degli indicatori per un certo periodo ed emette alcune informazioni sul futuro dello strumento. Che cosa significa la rete neurale artificiale prevedere le reti neurali tentano di prevedere un fattore utile normalizzato (utile lordo dividedby la perdita lorda) su un singolo commercio per un certo periodo in futuro. Il periodo in questione può variare tra 3 e 10 giorni, è un parametro ottimizzabile della strategia. Pertanto, la nostra strategia di doesnrsquot necessariamente utilizzare stop loss e prendere profitto, invece, apriamo una posizione per un periodo di tempo predeterminato e chiudere la posizione al termine di tale periodo, qualunque cosa accadesse. La rete è classificato in base alla percentuale di previsioni corrette pesati da itrsquos precisione. In alternativa, le nostre reti neurali in grado di prevedere quale quota del saldo del conto deve essere investito, le reti sono poi classificate in base al saldo finale del conto o il fattore generale di profitto. trappole più comuni nelle strategie automatictrading Ci sono alcuni problemi comuni di essere a conoscenza di tali strategie in cui la strategia sembra offrire profitti incredibili, ma è inutile nella vita reale. La precauzione più importante è che il periodo in cui viene testata la strategia non dovrebbe essere lo stesso periodo su cui è costruito. In caso contrario, possiamo semplicemente generare migliaia di strategie casuali complesse e scegliere quello che funziona meglio su un periodo particolare, ma itrsquos solo quando abbiamo un risultato positivo su un insieme indipendente di dati che possiamo iniziare confidando la nostra strategia. In realtà, usiamo tre serie indipendenti dal tempo di dati, il training set viene utilizzato per costruire il sistema, l'insieme di validazione è utilizzato per evitare un eccesso di apprendimento e il set di prova utilizzato per i risultati riportati. Nel nostro caso, si raggiunge 60 corrette le scommesse sul set di prova che si estende nel corso dell'ultimo anno. E 'anche una cattiva pratica per ottimizzare un take-profit e stop loss fin dall'inizio. Quando l'ottimizzazione di una strategia in un periodo che è troppo breve, si può facilmente ottenere un profitto complessivo sorprendente impostando il take-profit molto vicino e la stop-loss molto lontano. Quando la stop-loss è finalmente raggiunto su un periodo più lungo, le conseguenze sono devastanti. Una volta che una strategia proficua è trovato tuttavia, il take profit e stop loss può essere ottimizzato, ma non devono mai essere troppo distanti l'uno dall'altro. Posizionamento di un take profit e stop loss non è mai una strategia in sé, piuttosto un modo per controllare il rischio. Una strategia ottimale testato con un simulatore di riconosciuta La nostra strategia ottiene un teorico 62,5 corrette scommesse su EURUSD. Ma siamo in grado di ottenere una migliore valutazione della strategia con una buona simulazione e una vera e propria applicazione di vita della strategia. Per questo motivo abbiamo implementato la strategia utilizzando l'API JForex e testato sulla piattaforma JForex. Ancora una volta, siamo stati attenti a non mescolare il periodo che abbiamo usato per ottimizzare la nostra strategia e il periodo che abbiamo usato per testarlo. Abbiamo inoltre perfezionato la nostra strategia un po 'di regolare l'importo investito in ogni posizione in modo da riflettere le previsioni strategyrsquos. Questo ha migliorato notevolmente il fattore di profitto (utile lordo diviso per la perdita lorda) della nostra strategia. Usiamo una leva per aumentare o diminuire il rischio e rendimento atteso. Negli 161 commerci, il fattore di profitto della nostra strategyon il periodo di prova è 2.87 Ciò significa che si ottiene 2,87 volte più profitto di prelievo nei traffici. Anche se abbiamo solo 60.24 fruttuosi scambi commerciali, sono molto più redditizie rispetto a quelle perdendo mestieri sono non-redditizie. La statistica finale che troviamo molto eloquente è il massimo drawdown consecutivi, 5, e il massimo profitto consecutivo, 18 del patrimonio netto. Abbiamo un conto live in esecuzione della strategia, ma ha fatto in modo di gran lunga troppo piccolo per un periodo di tempo per valutare in questo modo. Abbiamo inoltre ottimizzato un take-profit e uno stop-loss. Since ci rifiutiamo di vedere quelli a fattori come parametri di strategia, ma preferiamo vederli come parametri di controllo del rischio, teniamo sempre li uguale ad un altro. L'opposto crea uno squilibrio che rende difficile valutare la strategia. Ancora una volta, tali parametri sono stati ottimizzati in un periodo diverso dal periodo di prova. I risultati mostrano che uno stop-loss e take profit dovrebbero infatti essere utilizzati e che devono essere posizionati molto vicino, a circa 18 pips. Posizionamento di quelli più vicini al prezzo di apertura non migliora il fattore generale di profitto, ma a quei livelli, commissioni e spese diventano fastidiosi. La stop-loss e take profit migliorare il fattore di profitto e la stabilità complessiva della strategia mentre fanno impediscono il profitto totale, ma la leva può porre rimedio alla situazione. Inconvenienti di una strategia di trading automatico Una critica comune in materia di strategie di black-box come la nostra è che il mercato può sempre cambiare improvvisamente e le strategie che hanno lavorato prima di lavoro a tempo indeterminato. Wonrsquot Dobbiamo ammettere che questo è totalmente fondato, ed è nostra convinzione che nulla può essere fatto per evitare questo senza una sfera di cristallo per prevedere il futuro. Tuttavia è anche la nostra sensazione che questa è la verità con qualsiasi strategia speculativa, dall'uomo o altro. È chiaro che il forex ha subito grandi cambiamenti nel passato. Il volume è un grande indicatore per quella materia in realtà ci dà una panoramica sul momento in cui il modo in cui lo strumento è negoziato modifiche. Nel grafico sottostante è possibile osservare l'evoluzione del volume per EURUSD negli ultimi 16 anni. Una strategia costruito utilizzando i dati che è più lavoro doesnrsquot troppo lontano. Tuttavia, la nostra strategia ha funzionato ugualmente bene su EURUSD per gli ultimi anni e nulla accenna che cambierà presto. Ci sono due cose che possiamo fare per evitare un improvviso cambiamento nel modo in cui gli strumenti forex sono negoziati. In primo luogo, siamo in grado di monitorare il mercato e aspettare il momento in cui il nostro lavoro strategia doesnrsquot più utilizzando le statistiche che la strategia dovrebbe seguire come la massima perdita consecutiva e monitorando il volume. In secondo luogo, possiamo fare whatrsquos chiamate on-line di apprendimento in cui la nostra strategia è continuamente ottimizzato su nuovi dati. Questa seconda opzione è buona pratica, ma doesnrsquot guardia contro i cambiamenti repentini che sono tipici nel forex ogni pochi anni. La soluzione migliore è quella di implementare entrambi i metodi, ottimizzando regolarmente le nostre strategie pur nella consapevolezza che un più profondo cambiamento di strategia alla fine sarà necessario. L'altra critica è che non abbiamo mai davvero capire che cosa un modello black-box fa. Questo non è il caso per noi come nostro modello è davvero molto semplice, ma prenderemo il segreto nella tomba, o almeno fino a quando il depliant strategia proficua più. Grazie per la lettura, Traduci RussianMachine apprendimento in Forex Trading: perché molti studiosi stanno facendo tutto sbagliato costruzione strategie di apprendimento macchina in grado di ottenere risultati decenti in condizioni di mercato dal vivo è sempre stata una sfida importante nel trading algoritmico. Nonostante la grande quantità di interesse e le incredibili profitti potenziali, non ci sono ancora le pubblicazioni accademiche che sono in grado di mostrare buoni modelli di apprendimento macchina in grado di affrontare con successo il problema di trading nel mercato reale (al meglio delle mie conoscenze, pubblicare un commento se avete uno e I8217ll essere più che felice di leggerlo). Anche se molti lavori pubblicati non sembrano mostrare risultati promettenti, è spesso il caso che questi documenti rientrano in una varietà di diversi problemi di bias statistici che rendono il vero successo di mercato delle loro strategie di apprendimento della macchina altamente improbabili. Sul posto today8217s ho intenzione di parlare dei problemi che vedo nella ricerca accademica in relazione con apprendimento automatico sul Forex e come credo che questa ricerca potrebbe essere migliorata per produrre molto più utili informazioni sia per le comunità accademiche e commerciali. La maggior parte delle insidie ​​in macchina Learning Design strategia quando si fa trading Forex sono inevitabilmente ereditate dal mondo di problemi di apprendimento deterministici. Quando si costruisce un algoritmo di apprendimento automatico per qualcosa come il riconoscimento del volto o il riconoscimento lettera vi è un problema ben definito che non cambia, che è generalmente affrontato con la costruzione di un modello di apprendimento macchina su un sottoinsieme di dati (un training set) e poi testare se il modello era in grado di risolvere correttamente il problema utilizzando il promemoria dei dati (una serie di test). Questo è il motivo per cui si dispone di alcuni insiemi di dati noti e consolidati che possono essere utilizzate per stabilire la qualità delle tecniche di apprendimento automatico di nuova concezione. Il punto chiave qui però, è che i problemi affrontati da inizialmente apprendimento automatico erano per lo più deterministica e indipendente dal tempo. Quando si sposta in commercio, l'applicazione di questa stessa filosofia produce molti problemi legati sia con il carattere parzialmente non deterministica del mercato e la sua dipendenza dal tempo. Il semplice atto di tentare di selezionare formazione e test set introduce una quantità significativa di polarizzazione (bias di selezione di dati) che crea un problema. Se la selezione viene ripetuta per migliorare i risultati del test impostati 8211 che è necessario assumere avviene, almeno in alcuni casi 8211 allora il problema si aggiunge anche una grande quantità di pregiudizi data-mining. L'intera questione di fare un singolo esercizio trainingvalidation genera anche un problema di pertinenza come questo algoritmo deve essere applicato negoziazione sotto tensione. Per definizione il trading dal vivo sarà diversa in quanto la selezione di set trainingtesting deve essere riapplicato a dati diversi (come ora il set di test sono dati veramente sconosciuto). La polarizzazione inerente alla iniziale-sampleout-di-campione di selezione e la mancanza di regole collaudate per la negoziazione in Dati sconosciuto rende tali tecniche a fallire comunemente in trading dal vivo. Se un algoritmo è allenato con i dati 2000-2012 ed è stato croce validato con i dati 2012-2015 non vi è alcuna ragione di credere che lo stesso successo accadrà se addestrato nei dati 2003-2015 e poi vivere scambiato 2015-2017, i set di dati sono di natura molto diversa. Misurare successo algoritmo è anche un problema molto rilevante qui. Inevitabilmente la macchina algoritmi utilizzati per lo scambio di apprendimento dovrebbe essere misurata in merito per la loro capacità di generare rendimenti positivi, ma un po 'di letteratura misura il merito di nuove tecniche algoritmiche tentando di misurare la propria capacità di ottenere previsioni corrette. previsioni corrette non necessariamente uguale redditizio commercio, come si può facilmente vedere quando si costruisce classificatori binari. Se si tenta di prevedere la prossima direzione candle8217s è ancora possibile effettuare una perdita se si è per lo più a destra su piccole candele e sbagliato sulle candele più grandi. È un dato di fatto più di questo tipo di classificatori 8211 maggior parte di coloro che don8217t lavoro 8211 finiscono predire direzionalità con sopra 50 di precisione, ma non al di sopra del livello necessario per superare commissioni che permetterebbero redditizio trading di opzioni binarie. Per costruire strategie che sono per lo più liberarsi dei problemi di cui sopra ho sempre sostenuto per una metodologia in cui l'algoritmo di apprendimento automatico viene riqualificato prima della realizzazione di qualsiasi decisione di formazione. Utilizzando una finestra mobile per la formazione e non fare più di una decisione senza riqualificazione dell'intero algoritmo possiamo eliminare il bias di selezione che è insito nella scelta di un unico insieme in-sampleout-di-campione. In questo modo l'intero test è una serie di esercizi trainingvalidation che finiscono garantire che l'algoritmo di apprendimento automatico funziona anche sotto tremendamente diversi set di dati di addestramento. Sono favorevole anche per la misurazione della performance backtesting reale per misurare il merito di machine learning algorithm8217s e, inoltre, mi spingerei a dire che nessun algoritmo può valere il suo sale senza essere provata in vera out-of-sample condizioni. Lo sviluppo di algoritmi in questo modo è molto più difficile e ho haven8217t trovato un singolo documento accademico che segue questo tipo di approccio (se ho perso tatto per postare un link in modo che possa includere un commento). Questo non significa che questa metodologia è completamente senza problemi tuttavia, è ancora soggetto ai problemi classici relativi a tutti gli esercizi di costruzione strategia, tra pregiudizi curva-montaggio e pregiudizi data-mining. Questo è il motivo per cui è importante utilizzare una grande quantità di dati (io uso 25 anni per testare i sistemi, sempre riqualificazione dopo ogni decisione derivato machine learning) e di effettuare adeguati test di valutazione pregiudizi di data mining per determinare la sicurezza con cui possiamo dicono che i risultati non vengono da casualità. Il mio amico AlgoTraderJo 8211, che avviene anche per essere un membro della mia comunità commerciale 8211 è attualmente in crescita a un filo ForexFactory seguendo questo stesso tipo di filosofia per lo sviluppo di apprendimento automatico, mentre lavoriamo su alcuni nuovi algoritmi di apprendimento automatico per la mia comunità di trading. È possibile fare riferimento al suo filo o messaggi passati sul mio blog per diversi esempi di algoritmi di apprendimento automatico sviluppati in questo modo. Se volete saperne di più sui nostri sviluppi nel machine learning e come anche voi potete anche sviluppare le proprie strategie di apprendimento macchina utilizzando il framework F4 perche non unirsi Asirikuy. un sito web pieno di video educativi, sistemi di trading, sviluppo e un approccio solido, onesto e trasparente verso l'apprendimento automatizzato trading. MetaTrader Expert Advisor macchina presenta molti vantaggi unici e interessanti per i commercianti che cercano un vantaggio nel mercato. Proprio nel corso dell'ultimo anno abbiamo visto una quantità enorme di risorse dai mondi migliori fondi hedge, come Bridgewater Associates, dedicata ad esplorare queste tecniche. Durante l'utilizzo di apprendimento automatico o l'intelligenza artificiale sembra incredibilmente complesso e di difficile attuazione, ci sono ancora modi per sfruttare le loro capacità senza bisogno di un dottorato di ricerca in matematica o la scienza. In questo post, e passare attraverso 3 modi diversi che è possibile utilizzare le tecniche di apprendimento automatico per migliorare il proprio trading. Selezione Indicatore Una delle decisioni più importanti è decidere su quali indicatori da utilizzare per il commercio. Che tu sia un trader tecnico o fondamentale, o è sufficiente utilizzare l'azione dei prezzi per il commercio, il vostro successo sta per essere in gran parte dipendente da indicatori che si utilizza e come si interpretano. Per fortuna, ci sono molti metodi diversi per la selezione gli indicatori e questo è noto come selezione funzione nel mondo di apprendimento automatico. Utilizzo di un Albero decisionale per selezionare la alberi indicatori di decisione sono algoritmi molto versatili che hanno il vantaggio di essere facilmente interpretabili. Dato un grande insieme di dati degli indicatori e il movimento del prezzo del bene, un albero decisionale troverà gli indicatori ei valori degli indicatori, che meglio suddividere i dati tra gli aumenti dei prezzi e diminuzione dei prezzi. Gli indicatori più vicino alla cima dell'albero sono visti come predittori migliori di quelli più vicini alla parte inferiore della struttura, e in seguito ad un ramo particolare vi permetterà di trovare facilmente le interdipendenze e le relazioni tra gli indicatori. L'albero decisionale vi darà anche un insieme di regole che è possibile utilizzare per il commercio sulla base di tali indicatori, ma si deve essere sicuri di potare correttamente l'albero e prova per overfitting. L'albero decisionale è un potente strumento, visivo che può aiutarvi a decidere quale combinazione di indicatori al commercio e alle quali valori per il commercio di loro. È possibile trovare un tutorial su come costruire una strategia con un albero di decisione qui o per una guida più generale, nella R qui è una buona risorsa. Ottimizzazione Una volta che avete le basi per la vostra strategia, il passo successivo è l'ottimizzazione, o la scelta dei corretti parametri per massimizzare le possibilità di successo. Molte strategie hanno una grande varietà di parametri, come le impostazioni degli indicatori, le condizioni di ingresso e di uscita, stop loss e take livelli di profitto, e la posizione di dimensionamento, che rendono i metodi di forza bruta di cercare ogni singola combinazione estremamente difficile e richiede tempo, se non del tutto persino possibile. La soluzione di questi tipi di problemi è un altro settore in cui eccelle l'apprendimento automatico. Ottimizzare una strategia Utilizzando algoritmi genetici Algoritmi Genetici imitare il processo di selezione naturale con la creazione di un unico insieme di strategie figlio che contiene una miscela delle migliori strategie genitore, con una probabilità di mutazione casuale. Il processo inizia con la codifica la vostra strategia in un array. Per esempio si potrebbe leggere come qualcosa di simile: Indicatore 1 Periodo Si potrebbe quindi generare una vasta popolazione di strategie con variazioni casuali di questi parametri. Queste strategie hanno tutte diverse combinazioni di movimento periodi medi, le condizioni di ingresso e di uscita, e rapporto rischio-to-ricompensa. Successivamente, si dovrebbe verificare questa popolazione eseguendo ogni strategia su una serie di test e selezionando le strategie migliori in base a una metrica delle prestazioni della vostra scelta. Infine, si combinano in modo casuale i tratti delle strategie migliori, con una piccola possibilità di mutare alcuni dei parametri, per creare una nuova generazione di strategie bambino. È quindi ripetere la procedura di valutazione e ancora una volta il compagno strategie che svolgono migliori da questa nuova generazione. Questo porta ad una sopravvivenza di scenario più adatto dove solo le strategie migliori sopravvivono a passare lungo i loro geni al Ripetere generazione successiva di questo processo è raggiunto un gran numero di volte o fino a determinati criteri di rendimento e si sono lasciati con una strategia molto robusto costruito da generazioni delle migliori strategie performanti si ha a fare in modo che si seleziona una metrica delle prestazioni appropriato (come corretto per il rischio di ritorno) e verificare sempre la strategia finale sui dati che wasnt utilizzato per costruire la strategia per garantire che si arent sovradattamento ad un particolare insieme di dati. Questo è un metodo molto potente e robusto che ha avuto successo in un'ampia varietà di applicazioni, tra il mondo della negoziazione. È possibile trovare una descrizione più dettagliata qui e un tutorial su come implementarlo in R qui. Trading dal vivo Uno degli aspetti più interessanti di apprendimento automatico sta avendo un algoritmo che è in grado di apprendere e adattarsi alle mutevoli condizioni di mercato. Tuttavia, questo crea una strategia di Blackbox che, se non del tutto a capire come funzionano gli algoritmi e accuratamente testato da soli, è molto difficile fidarsi su un conto live. Non sapendo quando e perché una strategia sta entrando in un mestiere può essere una proposta spaventosa. Tuttavia, ci sono modi per ottenere i benefici di un approccio intelligente, algoritmico pur mantenendo la trasparenza e la comprensione nella vostra strategia. Associazione Regola Learning Association regola di apprendimento è il processo di derivare un insieme di regole, chiare comprensibili dai modelli scoperti da un algoritmo di apprendimento automatico. Algoritmi, come l'algoritmo Apriori, ricercare un insieme di dati di indicatori, valori degli indicatori, e il movimento dei prezzi risultante per produrre una serie di condizioni sostanzialmente if-then dichiarazioni, che portano a risultati più performanti. Tuttavia, la sua ancora difficile sapere esattamente dove queste regole sono provenienti da, l'algoritmo Apriori richiede un gran numero di parametri da sintonizzati e questo processo non si presta bene alle mutevoli condizioni di mercato. Con TRAIDE. abbiamo preso il processo di un passo avanti e ti permettono di vedere i modelli trovate da un insieme di algoritmi di apprendimento automatico, da cui è possibile creare le proprie regole di negoziazione. Queste regole sono quindi facili da implementare e adattato alle mutevoli condizioni di mercato, il tutto senza richiedere alcuna programmazione o esperienza matematica. Siete in grado di ottenere i vantaggi derivanti dall'utilizzo di algoritmi di apprendimento automatico al commercio, pur mantenendo la completa trasparenza, la comprensione della vostra strategia, compreso il proprio competenze di dominio nel tuo trading. Utilizzando apprendimento automatico e l'intelligenza artificiale per trovare un vantaggio nel mercato non ha bisogno di essere di proprietà esclusivamente da solo le più grandi istituzioni finanziarie. Dato che questa tecnologia diventa più accessibile e queste tecniche più comuni, è anche possibile utilizzare l'apprendimento automatico per migliorare il tuo trading.