Forex machine learning

Handel i uczenie maszynowe Dołączył do grudnia 2006 Status: Członek 3,845 Posty to wątek dyskusyjny dotyczący uczenia maszynowego i sposobu, w jaki będzie kształtował przyszłość handlu dla zysków. Po przeczytaniu tego, nad czym aktualnie pracują naukowcy (tworzenie chipów przypominających mózg) i przerabianiu oprogramowania do uczenia maszynowego, myślę, że może to przebiegać w obie strony - albo mamy wysoce wydajny rynek, albo będziemy mieć częstsze awarie flash, takie jak nowsze prymitywne algorytmy. Jednak myślę, że im lepiej te sztuczne inteligencje się dostaną i im więcej mocy komputerowej będzie łatwo dostępne, handlowcy ludzcy nie będą w stanie zaryzykować tych maszyn w dłuższej perspektywie. Teraz wyobrażam sobie, że komputer kwantowy D-Waves jest wykorzystywany do takiego zadania z 2000 Qubits, co daje 102000 scenariuszy, które komputer mógłby analizować jednocześnie (więcej scenariuszy, niż są atomy w znanym wszechświecie). Jak można konkurować z tym, co myślicie, że dołączyli do zespołu Jan 2017 Status: Członek 34 Postów Witam, to wątek dyskusji na temat uczenia maszynowego i jak będzie kształtował przyszłość handlu dla zysków. Po przeczytaniu tego, nad czym aktualnie pracują naukowcy (tworzenie chipów przypominających mózg) i przerabianiu oprogramowania do uczenia maszynowego, myślę, że może to przebiegać w obie strony - albo mamy wysoce wydajny rynek, albo będziemy mieć częstsze awarie flashowe, takie jak nowsze prymitywne algorytmy. Jednak myślę, że im lepsza jest ta sztuczna inteligencja i tym więcej mocy komputerowej jest łatwo dostępne, handlowcy ludzcy ją znajdą. Jeśli tak zwane sztuczna inteligencja może działać na naszą korzyść, to nie ma problemu, ale jedno jest pewne, że maszyna zawsze byłaby maszyną. Mogą czasami działać nieprawidłowo i pozostawić cię zestresowanego. Uczenie się na maszynie z algoTraderJo Dołączył grudzień 2017 Status: Członek 383 Posty Witajcie koledzy handlowi, zaczynam ten wątek mając nadzieję podzielić się z Wami niektórymi z moich osiągnięć w dziedzinie uczenia maszynowego. Chociaż mogę nie udostępnić Ci dokładnych systemów lub implementacji kodowania (nie spodziewaj się, że uzyskasz cokolwiek do wypowiedzenia i zdobycia bogactwa z tego wątku) podzielę się z Wami pomysłami, wynikami mojego eksperymentu i ewentualnie innymi aspektami mojej pracy. Rozpoczynam ten wątek w nadziei, że będziemy mogli dzielić się pomysłami i pomagać sobie nawzajem w ulepszaniu naszych implementacji. Zacznę od prostych strategii uczenia maszynowego, a następnie przejdę do bardziej skomplikowanych zadań w miarę upływu czasu. Mam nadzieję, że podoba ci się przejażdżka Dołączył grudzień 2017 Status: Członek 383 Posty Chciałbym zacząć od wypowiedzenia kilku podstawowych rzeczy. Przykro mi, jeśli struktura moich postów pozostawia wiele do życzenia, nie mam żadnego doświadczenia z publikowaniem na forum, ale mam nadzieję, że dostanę trochę czasu. W uczeniu maszynowym chcemy jedynie wygenerować prognozę przydatną dla naszego handlu. Aby dokonać tej prognozy generujemy model statystyczny za pomocą zestawu przykładów (znanych wyników i niektórych danych wejściowych mamy moc predykcyjną, aby przewidzieć te wyniki), następnie wykonujemy prognozę nieznanego wyniku (nasze najnowsze dane), korzystając z modelu, który stworzyliśmy przykłady. Podsumowując, jest to niewielki proces, w którym wykonujemy następujące czynności: Wybierz to, co chcemy przewidzieć (to będzie nasz cel (e)) Wybierz kilka zmiennych wejściowych, które według nas mogą przewidywać nasze cele Zbuduj zestaw przykładów, korzystając z przeszłych danych z naszymi danymi wejściowymi i naszymi celami Utwórz model, korzystając z tych przykładów. Model jest po prostu mechanizmem matematycznym, który wiąże dane wejściowe. Dokonaj prognozy celu przy użyciu ostatnich znanych danych wejściowych. Handel przy użyciu tej informacji. Chcę od początku powiedzieć, że bardzo ważne jest unikanie tego, co robi wiele prac naukowych na temat uczenia maszynowego. która ma na celu zbudowanie modelu z bardzo dużymi tablicami przykładów, a następnie podjęcie próby długoterminowej prognozy na zestawie quotout-of-samplequot. Budowanie modelu z 10-letnimi danymi, a następnie testowanie go na dwóch ostatnich, jest pozbawione sensu, podlega wielu typom statystycznych błędów, które omówimy później. Ogólnie zobaczysz, że modele uczenia maszynowego, które buduję, są wyszkolone na każdym pasku (lub za każdym razem, gdy muszę podjąć decyzję) za pomocą ruchomego okna danych do budowania przykładów (tylko najnowsze przykłady są uważane za istotne). Oczywiście, takie podejście nie jest obce niektórym typom statystycznych uprzedzeń, ale usuwamy quotelephant w teście pokojowym, gdy używamy szerokiej metody próbkowania w większości przypadków akademickich (co nie jest zaskoczeniem, często prowadzi do podejść, które nie są rzeczywiście przydatne do handlu). Zbudowanie modelu uczenia maszynowego wymaga przede wszystkim trzech rzeczy: Co przewidzieć (jaki cel) Czego można przewidzieć (jakie dane wejściowe) Jak odnieść cel i dane wejściowe (jaki model) Większość z tego, co wymieniłem na tym wątku skupimy się na odpowiadaniu na te pytania, wraz z rzeczywistymi przykładami. Jeśli chcesz napisać jakiekolwiek pytania, a ja postaram się udzielić ci odpowiedzi lub po prostu powiadomię cię, jeśli odpowiem ci później. Dołączył grudzień 2017 Status: Członek 383 Postów Przejdźmy teraz do rzeczy. Prawdziwy przykład praktyczny z wykorzystaniem uczenia maszynowego. Załóżmy, że chcemy zbudować bardzo prosty model za pomocą bardzo prostego zestawu inputstargets. Dla tego eksperymentu są to odpowiedzi na pytania: Co przewidzieć (jaki cel) - gt Kierunek następnego dnia (uparty lub niedźwiedzi) Co przewidzieć (wprowadzając) - gt Kierunek poprzednich 2 dni Jak aby powiązać cel i dane wejściowe (jaki model) - gt Klasyfikator mapy liniowej Ten model będzie próbował przewidzieć kierunkowość następnego dziennego słupka. Aby zbudować nasz model, bierzemy 200 ostatnich przykładów (kierunek dni jako cel i poprzednie dwudniowe kierunki jako dane wejściowe) i szkolimy liniowy klasyfikator. Robimy to na początku każdego codziennego baru. Jeśli mamy przykład, w którym dwa dni zwyżkowe prowadzą do niedźwiedzia, to dane wejściowe będą wynosić 1,1, a cel będzie wynosił 0 (0bishish, 1bullish), używamy 200 z tych przykładów, aby wyszkolić model na każdym pasku. Mamy nadzieję, że będziemy w stanie zbudować relację, w której kierunek dwóch dni daje pewne powyżej losowe prawdopodobieństwo prawidłowego przewidywania kierunku dni. Używamy stoploss równej 50 z 20-dniowego okresu Średni zakres rzeczywisty dla każdej transakcji. Załączony obraz (kliknij, aby powiększyć) Symulacja tej techniki z lat 1988-2017 na EURUSD (dane przed 1999 r. To DEMUSD) powyżej pokazuje, że model nie ma stabilnego generowania zysków. W rzeczywistości model ten jest oparty na negatywnym odchyleniu losowego spaceru, co powoduje, że traci on pieniądze w funkcji spreadu (3 pipsy w mojej sim). Spójrzmy na pozornie imponującą wydajność, jaką mamy w latach 1993-1995 oraz w latach 2003-2005, gdzie najwyraźniej mogliśmy z powodzeniem przewidzieć kierunkowość następnego dnia za pomocą prostego modelu liniowego i wyników dwóch ostatnich dni kierunkowych. Ten przykład pokazuje kilka ważnych rzeczy. Na przykład w krótkich ramach czasowych (które mogą być kilka lat) możesz łatwo dać się zwieść losowości --- możesz myśleć, że masz coś, co działa, a tak naprawdę nie działa. Pamiętaj, że model jest przebudowywany na każdym pasku, używając poprzednich 200 przykładów inputtarget. Jakich innych rzeczy możesz się nauczyć z tego przykładu Opublikuj swoje myśli Cóż. więc przewidywałeś, że wkroczyją kupujący lub sprzedający. Hmm, ale co to ma wspólnego z ceną rosnącą lub spadającą o 100 pipsów Cena może reagować na różne sposoby - może się po prostu zatankować przez jakiś czas (podczas gdy wszystkie zlecenia z limitem są wypełnione) i dalej idź dalej. Może również odtwarzać 5, 10, 50 lub nawet 99 pipsów. We wszystkich tych przypadkach miałeś rację co do kupujących lub sprzedających, ale musisz zrozumieć, że ta analiza nie ma wiele wspólnego z twoją wymianą z 90 na 100. Tak, masz rację Jest to duża część powodów, dla których uzyskujemy słabe wyniki podczas korzystania z algorytmu mapowania liniowego. Ponieważ nasza rentowność jest słabo powiązana z naszymi prognozami. Przewidywanie, że te dni są zwyżkowane, ma ograniczone zastosowanie, jeśli nie wiesz, ile cena zostanie przesunięta. Być może twoje prognozy są poprawne tylko w dniach, które dają ci 10 pipsów i dostajesz wszystkie dni, które mają 100 nieprawidłowych kierunków. Co uważasz za lepszy cel dla metody uczenia maszynowego? Tak, masz rację. Jest to duża część powodów, dla których uzyskujemy słabe wyniki przy korzystaniu z algorytmu mapowania liniowego. Ponieważ nasza rentowność jest słabo powiązana z naszymi prognozami. Przewidywanie, że te dni są zwyżkowane, ma ograniczone zastosowanie, jeśli nie wiesz, ile cena zostanie przesunięta. Być może twoje prognozy są poprawne tylko w dniach, które dają ci 10 pipsów i dostajesz wszystkie dni, które mają 100 nieprawidłowych kierunków. Co byś uznał za lepszy cel dla metody uczenia maszynowego Powiedzmy, że jeśli masz 100 pip TP i SL, chciałbym przewidzieć, co jest pierwsze: TP lub SL Przykład: TP była pierwsza 1 SL była pierwsza 0 (lub -1, jakkolwiek go odwzorujesz) Tucker Balch Background Im jest dostępny, aby doradzać absolwentom w rezydencji w Georgia Tech na temat projektów związanych z finansami i uczeniem maszynowym oraz śledzeniem i analizą zachowania wielu agentów. Pracuję z uczniami nad projektami wspólnego zainteresowania, których zwieńczeniem jest opublikowany artykuł lub znaczący projekt oprogramowania. Będziemy musieli współpracować przez kilka semestrów. Wymagam, abyś wziął udział w jednym z moich kursów i dobrze sobie radził, zanim wspólnie rozpoczniemy badania. Praktykanci i studenci odwiedzający nie mam funduszy na wspieranie stażystów lub uczonych, ale biorę stażystów, którzy spełniają następujące kryteria: Tło i zainteresowania badawcze, które są zgodne z tym, co robię (głównie ML dla finansów). 3 listy referencyjne. Możliwość pozostania w miejscu zamieszkania w Georgia Tech przez co najmniej 6 miesięcy. Możliwość pokrycia wszystkich kosztów podróży i pobytu w Atlancie. Jeśli jesteś zainteresowany współpracą ze mną i spotkasz się z powyższą krytyką, skontaktuj się ze mną. Jesień 2018, wiosna 2018, jesień 2018: CS 7646: Uczenie maszynowe dla handlu. W tym kursie poznajemy wiele technicznych wyzwań związanych z prowadzeniem opartej na maszynach operacji handlowej. Będzie to raczej intensywne doświadczenie związane z kodowaniem. Dowiedz się więcej o tym kursie. Kurs ten będzie oferowany jesienią 2018 r. W Udacity, a rezydencja w Georgia Tech w Atlancie. Poprzednio: jesień 2017, jesień 2017, jesień 2017. Lato 2018: David Byrd będzie wykładał kurs latem 2018. Jesień 2018, jesień 2018: CS 3651: Sztuka prototypowania Inteligentne urządzenia. Tworzymy artefakty za pomocą komputerów. Dowiedz się więcej o tym kursie. Poprzednio: jesień 2017, 2008. Wiosna 2017: CS 7631: Autonomiczne systemy Multirobot. W tym kursie dokonujemy przeglądu nowatorskich i nowych badań w systemach multirobot z prezentacjami badawczymi studentów. Uczniowie konstruują symulowane systemy multirobot, analizują je i raportują. Dowiedz się więcej o tym kursie. Ten kurs będzie prawdopodobnie prowadzony przeze mnie wiosną 2017 roku. Wcześniej: 2017. Computational Investing, Part I (via coursera) W tym kursie przedstawiam studentom dane i algorytmy wykorzystywane przez fundusze hedgingowe, banki inwestycyjne i innych zaawansowanych inwestorów zarządzać swoimi funduszami. Odpowiada on w przybliżeniu pierwszemu 12 CS 7646. Dowiedz się więcej o tym kursie. Inne zajęcia z Marią Hybinette. utworzono ThinkAI, algorytm prognozowania cen akcji w ciągu dnia, który działa na platformie klienta detalicznego thinkorswims. ThinkAI został konkretnie wymieniony w artykule Barronsa, który ogłosił, że thinkorswim jest 1 platformą high-tech do handlu w 2009 roku. Czy to działa Tak. Wiceprezydent Federacji RoboCup. Moje główne obowiązki jako wiceprezesa mają pomagać w projektowaniu i zarządzaniu operacjami finansowymi RoboCup, szczególnie dla amerykańskiego oddziału. oraz do obsługi różnych potrzeb informatycznych dla RoboCup, takich jak strony internetowe i listy mailingowe. Nadal jestem skarbnikiem amerykańskiej filii. Prezydent Georgia Robotics. organizacja non-profit, która produkuje i sprzedaje roboty edukacyjne. Do tej pory dostarczyliśmy ponad 3000 robotów uczniom i szkołom. To rekord dla robotów do edukacji CS. Zobacz mój blog o finansach ilościowych. Moje badania były możliwe dzięki wielu znakomitym studentom: Mertowi Cosgunowi Adamowi Feldmanowi, PhD Georgia Tech, teraz w Google Harikrishna Narayanan, MS Georgia Tech, teraz w Yahoo Finance Shreyas Joshi, MS Georgia Tech, teraz w AQR Capital Keith OHara, Doktorat (wkrótce) Georgia Tech, obecnie w Bard College Matt Powers, dr Georgia Tech, obecnie w CMU NREC Sanem Sariel. PhD Istanbul Technical University, obecnie profesor ITU Rohit Sharma, MS Georgia Tech, obecnie SVP w Morgan Stanley Ashley Stroupe. Doktor CMU, obecnie na JPL James Bruce, doktor CMU, obecnie w Google Max Dama, doktorant w UCB Rosemary Emery, doktor CMU, obecnie w Google Andrew Guillory, doktorant w UW Martin C Martin. Doktor CMU, obecnie szeregowy przedsiębiorca Hank Wilde, BS CS Georgia Tech, obecnie w CMU NREC Zia Khan, doktor (wkrótce) Princeton, na rynku pracy Jinhan Lee, doktorant w Georgia Tech Charles Pippin, doktorant w Georgia Tech, i GTRI Ram Ravichandran, BS CS Georgia Tech, obecnie na CMU i Twitterze Richard Roberts, doktorant w Georgia Tech Andrew Stein. Doktor CMU, teraz w Tandent Wyślij mi e-mail z poprawkami lub aktualizacjami :-). Moja żona Maria jest profesorem informatyki na UGA. Gunnar, Tucker i Emmy biegają po całym domu i ciężko uczą się do szkoły. Zdjęcia rodziny autorstwa Marii Hybinette.