الفوركس آلة التعلم

كيفية استخدام آلة التعلم في التداول الخاص بك آلة التعلم يقدم العديد من المزايا الفريدة ومقنعة للتجار تبحث عن حافة في السوق. فقط في العام الماضي رأينا قدرا هائلا من الموارد من صناديق التحوط في العالم، مثل بريدج ووتر شركاه، مكرسة لاستكشاف هذه التقنيات. في حين أن استخدام التعلم الآلي أو الذكاء الاصطناعي يبدو معقدا للغاية وصعبة التنفيذ، لا تزال هناك وسائل للاستفادة من قدراتهم دون الحاجة إلى درجة الدكتوراه في الرياضيات أو العلوم. في هذا المنصب، تذهب جيدا من خلال 3 طرق مختلفة يمكنك استخدام تقنيات من التعلم الآلي لتحسين التداول الخاصة بك. اختيار المؤشر واحد من أهم القرارات هو اتخاذ قرار بشأن المؤشرات لاستخدامها في التجارة. سواء كنت متداولا تقنيا أو أساسيا، أو كنت مجرد استخدام حركة السعر للتداول، نجاحك سوف تعتمد إلى حد كبير على المؤشرات التي تستخدمها وكيفية تفسيرها. لحسن الحظ، هناك العديد من الطرق المختلفة لاختيار المؤشرات الخاصة بك وهذا يعرف باسم اختيار ميزة في عالم التعلم الآلي. استخدام شجرة القرار لتحديد المؤشرات الخاصة بك أشجار القرار هي خوارزميات متعددة الاستخدامات التي لديها فائدة من سهولة تفسيرها. وبالنظر إلى مجموعة كبيرة من المؤشرات وحركة سعر األصل، ستجد شجرة القرارات المؤشرات وقيم المؤشرات التي تقسم البيانات بين الزيادات في األسعار وانخفاض األسعار على أفضل وجه. وتعتبر المؤشرات الأقرب إلى قمة الشجرة منبئات أفضل من تلك التي تقترب من الجزء السفلي من الشجرة، وبعد فرع معين سوف يسمح لك بسهولة العثور على الترابط والعلاقات بين المؤشرات. سوف شجرة القرار أيضا تعطيك مجموعة من القواعد التي يمكنك استخدامها للتداول على أساس تلك المؤشرات، ولكن يجب التأكد من تقليم شجرة بشكل صحيح واختبار للالبث الزائد. شجرة القرار هي أداة قوية، البصرية التي يمكن أن تساعدك على أن تقرر أي مجموعات من المؤشرات للتجارة وما هي القيم لتداولها. يمكنك العثور على البرنامج التعليمي حول كيفية بناء استراتيجية مع شجرة القرار هنا أو للحصول على دليل أكثر عمومية، في R هنا هو مورد جيد. التحسين بمجرد أن يكون لديك أساس لاستراتيجيتك، فإن الخطوة التالية هي التحسين، أو اختيار قيم المعلمة الصحيحة لتحقيق أقصى قدر من فرص نجاحك. العديد من الاستراتيجيات لديها مجموعة واسعة من المعلمات، مثل إعدادات المؤشر، وظروف الدخول والخروج، ووقف الخسارة ومستويات الربح، وموقف التحجيم، التي تجعل أساليب القوة الغاشمة لمحاولة كل مجموعة واحدة صعبة للغاية وتستغرق وقتا طويلا، إذا كان على الإطلاق حتى ممكن. حل هذه الأنواع من المشاكل هو مجال آخر حيث يتفوق تعلم الآلة. تحسين الاستراتيجية باستخدام الخوارزميات الجينية تحاكي الخوارزميات الوراثية عملية الانتقاء الطبيعي من خلال إنشاء مجموعة فريدة من الاستراتيجيات الطفلية التي تحتوي على خليط من أفضل الاستراتيجيات الأم، مع احتمال حدوث طفرة عشوائية. تبدأ العملية بترميز استراتيجيتك في مصفوفة. على سبيل المثال يمكن أن تقرأ على أنها شيء مثل: المؤشر 1 الفترة سوف ثم إنشاء مجموعة كبيرة من الاستراتيجيات مع الاختلافات العشوائية لهذه المعلمات. ولكل هذه الاستراتيجيات مجموعات مختلفة من الفترات المتوسطة المتحركة، وظروف الدخول والخروج، ونسب المخاطر إلى المكافأة. بعد ذلك، ستختبر هذه المجموعة السكانية عن طريق تشغيل كل إستراتيجية على مجموعة اختبار وتحديد أفضل الاستراتيجيات استنادا إلى مقياس الأداء الذي تختاره. وأخيرا، يمكنك الجمع بشكل عشوائي سمات الاستراتيجيات العليا، مع فرصة صغيرة لتحوير بعض المعلمات، لخلق جيل جديد من الاستراتيجيات الطفل. ثم كرر إجراء التقييم ومرة ​​أخرى تزاوج الاستراتيجيات أعلى أداء من هذا الجيل الجديد. وهذا يؤدي إلى البقاء للأصلح السيناريو حيث فقط الاستراتيجيات العليا البقاء على قيد الحياة لتمرير الجينات إلى الجيل القادم كرر هذه العملية عدد كبير من المرات أو حتى يتم التوصل إلى معايير أداء معينة وتترك لك مع استراتيجية قوية جدا بنيت من أجيال من أفضل الاستراتيجيات أداء لديك للتأكد من أن قمت بتحديد مقياس الأداء المناسب (مثل العائد المعدلة المخاطر) ودائما اختبار الاستراتيجية النهائية على البيانات التي لم تكن تستخدم لبناء استراتيجية للتأكد من أنك ترينت الإفراط في تجهيز ل مجموعة بيانات معينة. هذه هي طريقة قوية جدا وقوية التي كانت ناجحة في مجموعة واسعة من التطبيقات، بما في ذلك عالم التداول. يمكنك العثور على وصف أكثر تفصيلا هنا وبرنامج تعليمي حول كيفية تنفيذها في R هنا. التداول المباشر واحدة من الجوانب الأكثر جاذبية للتعلم الآلي هو وجود خوارزمية قادرة على التعلم والتكيف مع ظروف السوق المتغيرة. ومع ذلك، فإن هذا يخلق استراتيجية بلاكبوكس، إذا كنت لا تفهم تماما كيف تعمل الخوارزميات واختبارها بدقة بنفسك، من الصعب جدا أن تثق في حساب حقيقي. إن معرفة متى أو لماذا تدخل إستراتيجية ما في التجارة يمكن أن يكون اقتراح مخيف. ومع ذلك، هناك طرق للحصول على فوائد نهج ذكي، خوارزمية مع الحفاظ على الشفافية والفهم في الاستراتيجية الخاصة بك. جمعية التعلم القاعدة القاعدة التعلم القاعدة هو عملية اشتقاق مجموعة من قواعد واضحة ومفهومة من الأنماط التي كشفتها خوارزمية التعلم الآلي. الخوارزميات، مثل خوارزمية أبريوري، البحث في مجموعة من المؤشرات، وقيم المؤشر، وحركة السعر الناتجة لإنتاج مجموعة من الشروط أساسا إذا - ثم البيانات، التي تؤدي إلى أعلى النتائج أداء. ومع ذلك، فإنه لا يزال من الصعب معرفة بالضبط أين تأتي هذه القواعد من، خوارزمية أبريوري يتطلب عدد كبير نسبيا من المعلمات إلى ضبطها وهذه العملية لا تتناسب بشكل جيد لظروف السوق المتغيرة. مع ترايد. أخذنا العملية خطوة أخرى إلى الأمام، وتسمح لك أن ترى أنماط وجدت من قبل مجموعة من خوارزميات التعلم الآلي، والتي يمكنك من خلالها إنشاء قواعد التداول الخاصة بك. هذه القواعد هي ثم سهلة التنفيذ وتعديلها مع ظروف السوق المتغيرة، كل ذلك دون الحاجة إلى أي برمجة أو تجربة رياضية. كنت قادرا على الحصول على فوائد استخدام خوارزميات التعلم الآلي للتداول مع الحفاظ على الشفافية الكاملة، وفهم الاستراتيجية الخاصة بك، بما في ذلك الخبرة الخاصة بك المجال الخاص بك في التداول الخاص بك. استخدام آلة التعلم والذكاء الاصطناعي للعثور على حافة في السوق لا تحتاج إلى أن تكون مملوكة حصرا من قبل أكبر المؤسسات المالية فقط. كما تصبح هذه التكنولوجيا أكثر سهولة وهذه التقنيات أكثر شيوعا، يمكنك أيضا استخدام آلة التعلم لتحسين التداول الخاص بك. التعلم الآلي هو مجال الذكاء الاصطناعي حيث تتعلم برامج الكمبيوتر بدلا من عمياء اتباع السيناريو. مع ما يكفي من البيانات التدريب يمكنك تعليم تلك الخوارزميات لقيادة سيارة، طيار طائرة هليكوبتر أو بناء أفضل محرك بحث في العالم. وفيما يلي النتائج التي حصلت عليها مع نهجي الأولي في تطبيق التعلم الآلي لتداول العملات الأجنبية. يتم وضع مجموعة متنوعة من الخوارزميات في محاولة للتنبؤ تطور أداة مع بيانات من 8 الحانات اليومية فقط في الماضي. لكل يوم، يتم تسجيل أربعة قيم، أول ثلاثة معلومات قياسية عن حركة من يوم سابق على مقربة من ديرسكوس عالية، منخفضة وقريبة، في بيرسن t بينما الرابع يسجل حجم اليوم. وهذا يجعل ل 32 متغيرات مستقلة الكلي. يتم الحصول على البيانات من ثلاثة أدوات في قاعدة بيانات دوكاسكوبي، اليورو مقابل الدولار الأميركي، أودجبي و غبشف يوميا الحانات الطلب من 1 يناير 2008 إلى 31 ديسمبر 2011، مع عطلة نهاية الأسبوع المخلوطة في يوم الاثنين التالي. لكل من الخوارزميات التي تم اختبارها، تم استخدام السنتين الأوليين لتدريب النماذج في حين تم استخدام 2012 لاختبارها. مكتبة جافا المفتوحة لخوارزميات التعلم الآلي المستخدمة تأتي من ويكا: برامج التعدين البيانات في جافا ط. يمكنك تحميل المكتبة أو برنامج سهل الاستعمال بحرية في cs. waikato. ac. nzmlweka. توقع اتجاه السوق تقيس هذه الاختبارات إلى أي مدى، إن وجدت، من الممكن التنبؤ بالحركة الشاملة للغد (من قرب الإغلاق) استنادا إلى بيانات من ثمانية أيام سابقة باستخدام مجموعة متنوعة من خوارزميات التعلم الآلي. ويعني الارتباط المرتفع أن النموذج يتنبأ جيدا بالحركة الشاملة التالية. في هذه الحالة، فإن الارتباطات قريبة جدا من الصفر حتى النماذج كانرسكوت التنبؤ الحركة الشاملة للسوق على الإطلاق. توقع نطاق السوق بالنسبة لفوركس، يتم تعريف النطاق هنا على أنه الفرق بين ارتفاع درسكوس و دايرسكوس منخفض كنسبة مئوية من الإغلاق السابق (من أجل أدوات مختلفة لتكون قابلة للمقارنة). واحدة من أبسط وأفضل الطرق، أقرب الجيران، أداء أفضل في هذه المهمة. هذا الأسلوب، لكل حالة، ببساطة ينظر في الحالات n في مجموعة التدريب التي تبدو أكثر مثل ذلك ويتوقع المتوسط ​​المرجح من نطاقها. التنبؤ بالحركة المطلقة لأداة إن الحركة المطلقة لأداة ما هي الحركة الشاملة ليوم واحد ولكنها إيجابية دائما. وهذا يشبه إلى حد ما النطاق. فمن المستحيل التنبؤ اتجاه السوق لليوم التالي استنادا فقط على ثمانية أشرطة السابقة وأحجام، على الأقل باستخدام هذه الخوارزميات. ومع ذلك فإن أول عيب في هذا النهج هو ربما أنه يحاول التنبؤ كل يوم واحد. ولعل بعض عمليات القضاء يمكن أن تزيل كمية كبيرة من البيانات التي لا يمكن التنبؤ بها في الغالب. من ناحية أخرى هناك خوارزميات أخرى مثل الشبكات العصبية المتكررة التي هي أكثر ملاءمة للمهمة في متناول اليد. فمن الممكن التنبؤ، إلى حد ما، مجموعة من اليوم التالي ومنطقيا تماما الحركة المطلقة (من وثيقة إلى وثيقة). هذا النوع من المعلومات قد لا تكون ذات صلة للتجار الذين يتبعون الاتجاهات ولكن يمكن أن تكون ذات صلة للمتزلجين الذين يحتاجون إلى التنبؤ بنطاق زوج العملات. وأعتقد أن هذه الخوارزميات تتجاوز مؤشرات المدى مثل أتر بمعنى أنها تنبؤية بدلا من دلالة. 1 مارك هول، إيبي فرانك، جيفري هولمز، برنارد بفهرينجر، بيتر ريوتمان، إيان ه. ويتن (2009) ويكا داتا مينينغ سوفتوار: تحديث سيغكد إكسبلوراتيونس، المجلد 11، العدد 1.