विदेशी मुद्रा - मशीन से सीखने वाले

अपनी ट्रेडिंग मशीन में मशीन सीखना कैसे सीखें सीखने वाले व्यापारियों के लिए कई अद्वितीय और सम्मोहक फायदे प्रस्तुत करता है। सिर्फ पिछले साल हमने दुनिया के शीर्ष हेज फंड्स जैसे ब्रिजवेटर एसोसिएट्स जैसे संसाधनों की एक विशाल राशि देखी है, जो इन तकनीकों को तलाशने के लिए समर्पित है। मशीन सीखने या कृत्रिम बुद्धि का उपयोग करते समय अविश्वसनीय रूप से जटिल और कार्यान्वयन करना मुश्किल लगता है, फिर भी गणित या विज्ञान में पीएचडी की आवश्यकता के बिना उनकी क्षमताओं का लाभ उठाने के तरीके हैं। इस पोस्ट में, अच्छी तरह से 3 अलग-अलग तरीकों के माध्यम से जाना है कि आप अपने खुद के व्यापार को सुधारने के लिए मशीन सीखने से तकनीकों का उपयोग कर सकते हैं। संकेतक चयन सबसे महत्वपूर्ण निर्णयों में से एक यह निर्णय लेना है कि किस व्यापार के लिए संकेतक का उपयोग करना है। चाहे आप एक तकनीकी या मूल व्यापारी हों, या आप व्यापार के लिए मूल्य क्रिया का उपयोग करते हैं, तो आपकी सफलता आपके द्वारा उपयोग किए जाने वाले संकेतकों पर निर्भर करती है और आप उन्हें कैसे व्याख्या करते हैं। सौभाग्य से, आपके संकेतकों को चुनने के लिए कई अलग-अलग विधियां हैं और यह मशीन-सीखने की दुनिया में सुविधा चयन के रूप में जाना जाता है। अपने संकेतकों का चयन करने के लिए एक निर्णय ट्री का प्रयोग करना निर्णय पेड़ बहुत बहुमुखी एल्गोरिदम हैं जिन्हें आसानी से व्याख्या करने का लाभ मिलता है। संकेतकों के एक बड़े डाटासेट और परिसंपत्ति की कीमत की गति को देखते हुए, एक निर्णय पेड़ संकेतकों को मिलेगा, और सूचक मूल्य, जो मूल्य वृद्धि और मूल्य में कमी के बीच डेटा को सबसे अच्छा विभाजित करता है। वृक्ष के शीर्ष के करीब के संकेतक वृक्ष के निचले हिस्से की तुलना में बेहतर पूर्वानुमान लगाते हैं, और एक विशेष शाखा का अनुसरण करने से आपको आसानी से एक दूसरे पर आधारित निर्भरता और संकेतक के बीच संबंध मिल सकते हैं। निर्णय पेड़ आपको उन नियमों का एक समूह भी देगा जो आप उन संकेतकों के आधार पर व्यापार करने के लिए उपयोग कर सकते हैं, लेकिन आपको निश्चित रूप से वृक्ष काटना और ओवरफिटिंग के लिए परीक्षण होना चाहिए। निर्णय पेड़ एक शक्तिशाली, विजुअल टूल है जो आपको यह तय करने में मदद कर सकता है कि कौन से संयोजन के लिए व्यापार के संकेतक और उनके मूल्यों को व्यापार करने के बारे में बताया गया है। आप यहां एक ट्यूटोरियल पा सकते हैं कि यहां एक निर्णय पेड़ के साथ एक रणनीति बनाने के लिए या अधिक सामान्य गाइड के लिए आर में एक अच्छा संसाधन है। अनुकूलन एक बार जब आप अपनी रणनीति का आधार बनाते हैं, तो अगला कदम ऑप्टिमाइज़ेशन या सफलता के अवसर को अधिकतम करने के लिए सही पैरामीटर मान चुनना। कई रणनीतियों में विभिन्न प्रकार के मापदंड हैं, जैसे संकेतक सेटिंग्स, प्रवेश और निकास की स्थिति, नुकसान को रोकना और लाभ स्तर और स्थिति का आकार लेना, जो हर एक संयोजन को बहुत मुश्किल और समय लगता है, अगर सभी पर प्रयास करने के लिए जबरदस्त बल के तरीके बनाते हैं भी संभव है इन प्रकार की समस्याएं सुलझाना एक अन्य क्षेत्र है जहां मशीन सीखना श्रेष्ठता है आनुवंशिक एल्गोरिदम का उपयोग करने वाली रणनीति का अनुकूलन जेनेटिक एल्गोरिदम, बेवकूफ उत्परिवर्तन की संभावना के साथ, सर्वश्रेष्ठ मूल रणनीतियों का एक मिश्रण जिसमें बाल रणनीतियों का एक अनूठा सेट बनाकर प्राकृतिक चयन की प्रक्रिया की नकल करता है। यह प्रक्रिया एक सरणी में आपकी रणनीति को एन्कोडिंग द्वारा शुरू होती है। उदाहरण के लिए यह कुछ जैसा ही पढ़ सकता है: संकेतक 1 अवधि तब आप इन मानकों के यादृच्छिक भिन्नताओं के साथ बड़ी संख्या में रणनीति तैयार कर सकते हैं। इन रणनीतियों के पास औसत अवधि, प्रवेश और निकास की स्थिति और जोखिम-प्रति-इनाम अनुपातों के चलते विभिन्न संयोजन हैं इसके बाद, आप एक परीक्षण सेट पर प्रत्येक रणनीति को चलाकर और अपनी पसंद के कार्यप्रदर्शन मीट्रिक के आधार पर शीर्ष रणनीति का चयन करके इस आबादी का परीक्षण करेंगे। अंत में, आप बेतरतीब ढंग से शीर्ष रणनीतियों के गुणों को जोड़ते हैं, जिसमें कुछ मापदंडों को उत्परिवर्तित करने की एक छोटी संभावना होती है, जिससे कि एक नई पीढ़ी की बाल रणनीतियों का निर्माण किया जा सके। फिर आप मूल्यांकन प्रक्रिया को दोहरा सकते हैं और इस नई पीढ़ी से एक बार फिर से शीर्ष प्रदर्शन करने वाली रणनीतियों का मिलान कर सकते हैं। यह सबसे योग्यतम स्थिति का अस्तित्व है, जहां केवल शीर्ष रणनीतियों को अपने जीनों के साथ अगली पीढ़ी के साथ पारित करने के लिए इस प्रक्रिया को कई बार या एक निश्चित प्रदर्शन मानदंडों तक पहुंचने तक जीवित रहने के लिए जीवित रह जाता है और आप एक बहुत ही मजबूत रणनीति से बनाए गए हैं सर्वोत्तम प्रदर्शन करने वाली रणनीतियों की पीढ़ियों आपको यह सुनिश्चित करना है कि आप एक उपयुक्त प्रदर्शन मीट्रिक (जैसे जोखिम-समायोजित रिटर्न) का चयन करें और हमेशा उस डेटा पर अंतिम रणनीति का परीक्षण करें, जो यह सुनिश्चित करने के लिए रणनीति बनाने में उपयोग नहीं की गई थी कि आप विशेष डेटा सेट यह एक बहुत ही शक्तिशाली और मजबूत तरीका है जो विभिन्न प्रकार के अनुप्रयोगों में सफल रहा है, जिसमें व्यापार की दुनिया भी शामिल है। आप यहाँ और अधिक विस्तृत विवरण और एक ट्यूटोरियल पा सकते हैं कि इसे आर में कैसे लागू किया जाए। लाइव ट्रेडिंग मशीन सीखने के अधिक आकर्षक पहलुओं में से एक एक एल्गोरिथ्म है जो सीखने और बदलने की स्थिति में बदलने की स्थिति में है। हालांकि, यह एक ब्लैकबॉक्स रणनीति बनाता है, यदि आप पूरी तरह से समझ नहीं पाते हैं कि एल्गोरिदम कैसे काम करता है और इसे अपने आप पूरी तरह से परीक्षण किया है, तो एक जीवंत खाते पर भरोसा करना बहुत कठिन है। एक रणनीति एक व्यापार में प्रवेश कर रहा है कब या क्यों नहीं जानते एक डरावनी प्रस्ताव हो सकता है। हालांकि, बुद्धिमान, एल्गोरिथम दृष्टिकोण के फायदे प्राप्त करने के तरीके हैं, जबकि अभी भी आपकी रणनीति में पारदर्शिता और समझ बनाए रखने के तरीके हैं। एसोसिएशन नियम सीखना एसोसिएशन नियम सीखना एक मशीन-सीखने एल्गोरिथ्म द्वारा पर्दा किए गए पैटर्न से स्पष्ट, समझने योग्य नियमों के एक सेट को प्राप्त करने की प्रक्रिया है। एपॉरिओरी एल्गोरिदम की तरह एल्गोरिदम, संकेतक के एक डाटासेट, संकेतक मूल्यों और परिणामस्वरूप मूल्य आंदोलन की स्थिति का एक सेट बनाने के लिए मूल रूप से यदि-तो बयान, जो कि उच्चतम-निष्पादन वाले परिणाम के लिए आगे बढ़ता है। हालांकि, अभी भी यह पता होना मुश्किल है कि ये नियम कहां से आ रहे हैं, एप्रीरी एल्गोरिदम को काफी बड़े मानकों की आवश्यकता है जो ट्यून किए जाएंगे और यह प्रक्रिया खुद को बाजार की स्थितियों को बदलने में अच्छी तरह से उधार नहीं देगी। ट्रॉइड के साथ हमने इस प्रक्रिया को एक कदम आगे बढ़ाया और आपको मशीन-सीखने वाले एल्गोरिदम के पहनावे से मिले पैटर्न देखने की इजाजत दी, जिससे आप अपने व्यापारिक नियम बना सकते हैं। इन नियमों को तब लागू करना और बाजार की स्थितियों को बदलने के लिए समायोजित करना आसान है, बिना किसी भी प्रोग्रामिंग या गणितीय अनुभव की आवश्यकता है। आप मशीन-सीखने के एल्गोरिदम का उपयोग करने के लाभों को हासिल करने में सक्षम हैं, जबकि अभी भी पूरी पारदर्शिता बनाए रखने, आपकी रणनीति की समझ और आपके व्यापार में अपनी खुद की डोमेन विशेषज्ञता सहित। मशीन सीखने और कृत्रिम बुद्धि का उपयोग करने के लिए बाजार में बढ़त हासिल करने के लिए विशेष रूप से केवल सबसे बड़े वित्तीय संस्थानों के स्वामित्व की आवश्यकता नहीं है। चूंकि यह तकनीक अधिक सुलभ और इन तकनीकों को अधिक सामान्य होती है, आप भी अपने व्यापार को सुधारने के लिए मशीन सीखने का उपयोग कर सकते हैं। माचिन सीखना कृत्रिम बुद्धि का एक क्षेत्र है जहां कंप्यूटर प्रोग्राम एक स्क्रिप्ट के बाद आँख बंद करके बजाते हैं। पर्याप्त प्रशिक्षण डेटा के साथ आप उन एल्गोरिदम को एक गाड़ी चलाने के लिए, पायलट को हेलीकॉप्टर में पढ़ सकते हैं या दुनिया में सबसे अच्छे खोज इंजन का निर्माण कर सकते हैं। यहां विदेशी मुद्रा व्यापार करने के लिए मशीन सीखने के लिए आवेदन करने पर मेरे शुरुआती दृष्टिकोण से मुझे प्राप्त हुए परिणाम यहां दिए गए हैं। एक उपकरण के विकास के लिए केवल 8 दैनिक बारों से डेटा के उत्थान की कोशिश करने और अनुमान लगाने के लिए कई तरह के एल्गोरिदम लगाए गए हैं। प्रत्येक दिन के लिए, चार मूल्य रिकॉर्ड किए जाते हैं, पिछले तीन सड़कों के पिछले तीन सड़कों से घूमने वाले पहले तीन रिकॉर्ड जानकारी उच्च, कम और नज़दीकी होती हैं, जबकि चौथी रिकॉर्ड दिन के लिए मात्रा दर्ज करता है। यह कुल 32 स्वतंत्र चर के लिए बनाता है। डाटा को डुकास्स्कोपी डाटाबेस, यूरोयूएसडी, एयूडीजेपी और जीबीपीसीएफ़ डीज़ की तीसरी पूछे जाने वाले सलाखों में 1 जनवरी 2008 से 31 दिसंबर 2011 तक तीन उपकरणों से प्राप्त किया गया है, जिसमें अगले सोमवार में सप्ताहांत मिश्रित है। परीक्षण किए गए प्रत्येक एल्गोरिदम के लिए, पहले दो वर्षों का उपयोग मॉडल को प्रशिक्षित करने के लिए किया गया था जबकि 2012 का परीक्षण करने के लिए इसका उपयोग किया गया था। मशीन सीखने वाले एल्गोरिदम के लिए खुला जावा लाइब्रेरी WEKA से आती है: जावा में डाटा माइनिंग सॉफ्टवेयर आप पुस्तकालय या उपयोगकर्ता के अनुकूल प्रोग्राम को cs. waikato. ac. nzmlweka पर मुफ्त में डाउनलोड कर सकते हैं। बाजार की दिशा की भविष्यवाणी करना ये परीक्षण किस हद तक, यदि कोई हो, का मूल्यांकन करता है, तो कई तरह की मशीन सीखने के एल्गोरिदम का उपयोग करके पिछले आठ दिनों के डेटा के आधार पर कल (कुल मिलाकर बंद) के समग्र आंदोलन की भविष्यवाणी करना संभव है। एक उच्च सहसंबंध का मतलब है कि मॉडल भविष्य के बाद के समग्र आंदोलन को अच्छी तरह से बताता है। इस मामले में, सहसंबंध बहुत करीब हैं, इसलिए मॉडल बाजार के समग्र आंदोलन की भविष्यवाणी कर सकता है। बाजार की सीमा की भविष्यवाणी करते हुए विदेशी मुद्रा के लिए, श्रेणी को पहले दिन के करीब (अलग-अलग उपकरणों के लिए तुलनीय होने के क्रम में) के दिन के रूप में डेसर्सकोस उच्च और डेरोजवोस कम के बीच अंतर के रूप में परिभाषित किया गया है। सबसे आसान और सर्वोत्तम तरीकों में से एक, निकटतम पड़ोसियों, इस कार्य में सर्वश्रेष्ठ प्रदर्शन करते हैं। इस पद्धति, प्रत्येक मामले के लिए, बस प्रशिक्षण के ऐसे मामलों में दिखता है जो इस तरह से सबसे ज्यादा दिखते हैं और उनकी श्रेणी का भारित औसत का अनुमान लगाते हैं। एक साधन के पूर्ण आंदोलन की भविष्यवाणी एक साधन के पूर्ण आंदोलन एक दिन के लिए समग्र आंदोलन है लेकिन हमेशा सकारात्मक होता है। यह सीमा के समान कुछ है अगले दिन के लिए केवल आठ पिछली बार और संस्करणों पर आधारित बाजार की दिशा का अनुमान करना असंभव है, कम से कम इन एल्गोरिदम का उपयोग करना। फिर भी इस दृष्टिकोण का पहला दोष यह हो सकता है कि वह हर एक दिन की भविष्यवाणी करने की कोशिश करता है। शायद उन्मूलन की कुछ प्रक्रिया एक बड़ी मात्रा में डेटा निकाल सकती है जो कि अप्रत्याशित है। दूसरी तरफ अन्य एल्गोरिदम जैसे आवर्तक तंत्रिका नेटवर्क हैं जो हाथ में कार्य के लिए अधिक उपयुक्त हैं। कुछ हद तक भविष्यवाणी करना संभव है, अगले दिन की सीमा और उसके लिए काफी तार्किक रूप से पूर्ण आंदोलन (करीब से बंद) इस तरह की जानकारी प्रवृत्तियों का पालन करने वाले व्यापारियों के लिए प्रासंगिक नहीं हो सकती है, लेकिन यह उन स्क्रैपर के लिए प्रासंगिक हो सकता है जिनके लिए मुद्रा जोड़े की सीमा का अनुमान लगाया जाना चाहिए। मेरा मानना ​​है कि इस तरह के एल्गोरिदम एआरआर की तरह सीमा संकेतकों को आगे बढ़ाते हैं, जो संकेतक के बजाय अनुमानित हैं। 1 मार्क हॉल, ईईबी फ्रैंक, जेफरी होम्स, बर्नहार्ड पफेरिंगर, पीटर रियतनमैन, इयान एच। विट्टन (200 9) वीकेए डाटा माइनिंग सॉफ्टवेयर: ए अपडेट एसआईजीकेडीडी एक्सप्लोरेशन, वॉल्यूम 11, अंक 1