Saturday 3 March 2018

Estratégias de negociação de reconhecimento de padrões


Estratégias de negociação de reconhecimento de padrões
Eles eram todos os sinais em alguns dos maiores movimentos do mercado!
VOCÊ RECONHECERÁ O PRÓXIMO PADRÃO? Se assim, você saberá como comercializá-lo?
Quando comprar e quando vender pode muito bem ser a questão de todas as questões quando se trata de negociação ou investimento. A resposta, no entanto, pode muito bem ser encontrada na análise técnica. Tem sido sugerido uma e outra vez, que a análise técnica é de fato o método mais confiável para negociar os mercados. E o reconhecimento de padrões gráficos certamente se enquadra na categoria de análise técnica.
'PRS' significa sinais de reconhecimento de padrões. O método de usar reconhecimento de padrões gráficos como sinais para negociar os mercados.
Clique abaixo para toda e qualquer informação sobre análise de padrões de gráficos e serviços de reconhecimento.
Tenha acesso exclusivo aos segredos, dicas, técnicas e estratégias da Zacks em um local conveniente.
As informações contidas aqui foram coletadas de fontes consideradas confiáveis, no entanto, nenhuma reivindicação é feita quanto à sua precisão ou conteúdo. Isto não contém recomendações específicas para comprar ou vender a preços ou horários específicos, nem qualquer dos exemplos apresentados deve ser considerado como tal. Há um risco de perda na negociação de opções de futuros e futuros, contratos de câmbio e opções sobre contratos de câmbio e opções de ações e ações, e você deve considerar cuidadosamente sua posição financeira antes de fazer quaisquer negociações.
Negociações de futuros e opções trazem riscos significativos e você pode perder alguns, todos ou até mais do que seu investimento.
Negociação de ações envolve altos riscos e você pode perder uma quantidade significativa de dinheiro.
PRStrading é um site de Kevin Matras.
Para mais informações sobre padrões gráficos e análises técnicas,

Reconhecimento de padrões de negociação.
O reconhecimento de padrões é uma das habilidades mais versáteis que você pode aprender quando se trata de negociação. Este é o ramo da análise técnica que se concentra em encontrar padrões de preço (e muitas vezes volume) que podem ser isolados usando nada mais do que um lápis e uma régua.
A chave é gastar tempo aprendendo as regras básicas para que você possa usar esses métodos de forma mais eficaz com sua estratégia de negociação.
Embora a ideia de reconhecimento de padrões possa parecer estranha, ela se baseia em métodos cuidadosamente testados que enfatizam sua utilidade para os traders. É importante ressaltar que os padrões são fatores a serem considerados ao calcular onde inserir, definir ordens de stop-loss e onde definir suas metas de lucro. Esses fatores são, evidentemente, algumas das principais coisas que todos os comerciantes desejam considerar ao gerenciar seu portfólio geral.
Reconhecer como os movimentos de preços podem evoluir para padrões de preços Isolar pontos de entrada sensíveis Gerencie o risco com stop losses e estabeleça metas de lucro.
Tipos de padrões.
O reconhecimento de padrões vem da procura de padrões que aparecem nos preços dos instrumentos negociados. Você deve procurar formas como triângulos, retângulos e diamantes. Embora isso não inspire confiança no início, essas são formações que surgem e rastreiam as mudanças no suporte e na resistência.
Depois de ter aprendido essas habilidades, você será capaz de aplicá-las em qualquer mercado financeiro que você escolher, de ações para índices e forex. O reconhecimento de padrões pode formar a base de estratégias de negociação para day traders, swing traders e traders de posição de longo prazo e pode ser aplicado a qualquer coisa, desde gráficos de cinco minutos a gráficos semanais.
Retângulos e, em particular, triângulos, têm um grande número de variedades que podem ser usadas. Em essência, todos os padrões de preços estão olhando para a interação entre oferta e demanda ao longo do tempo e estabelecendo maneiras sensatas de reagir quando esses padrões se formam. Isso significa que você saberá como reagir em termos de gerenciamento de riscos e obtenção de lucros.
Existem vários tipos diferentes de triângulos que podem ser muito eficazes para a sua negociação. Uma vantagem é que não existe um viés para o lado longo ou curto, e isso os torna muito úteis do ponto de vista de um trader de CFD. Tenha em mente que, se você está sempre se inclinando para o lado mais longo do mercado, pode estar perdendo algumas das características mais atraentes desse padrão.
Triângulos são padrões dentro dos quais o preço se consolida. No entanto, como não há um viés lateral longo ou curto, você deve ficar de olho nos triângulos quando uma eventual quebra ocorrer. Existem duas grandes categorias de triângulo que formam:
O triângulo ascendente e descendente (o oposto do outro), e O triângulo simétrico.
O triângulo ascendente é possivelmente o padrão mais bem reconhecido nesta categoria, pois incorpora o uso de uma linha de resistência (que os comerciantes estão frequentemente à procura) e uma linha de suporte ascendente.
As partes importantes desta formação são as duas linhas marcadas em vermelho: a linha de resistência e a linha de tendência de alta. Você deve estar ciente dos volumes de negociação durante a formação do padrão e, em seguida, como os volumes são afetados quando a quebra ocorre.
Normalmente, você procuraria níveis de volume para diminuir ao longo do tempo que o padrão se forma. Uma maneira de pensar sobre esse declínio é que os compradores e vendedores gradualmente são empurrados para um equilíbrio mais estreito e estreito de apoio e resistência, o que efetivamente expulsa o interesse até que o preço possa estourar e começar a se movimentar mais uma vez. Se o volume não estiver diminuindo, isso não significa necessariamente que há um problema com o padrão; no entanto, algo que você deve estar atento é um pico de volume quando o breakout ocorre. Isso tende a ter um efeito benéfico sobre a força geral do padrão a partir de então.
Outro efeito que pode ser muito benéfico procurar quando as rupturas ocorrem é uma lacuna no preço. Isso mostra um aumento na demanda pelo instrumento (aumento na oferta se for um curto comércio), o que adiciona uma grande quantidade de confirmação de preços para o trader. Os comerciantes podem às vezes ser adiados por isso, porque sentem que o negócio se afastou deles, mas, na realidade, é provável que isso seja um reforço que você determinou corretamente que uma fuga está ocorrendo.
Algo que os traders temem quando se trata de negociações de breakout é o que é conhecido como false breakout ou whipsaw. Isso ocorre quando o preço viola o padrão, o que pode levar os operadores agressivos a entrarem diretamente no negócio. Infelizmente, o que acontece no caso da falsa fuga é que você obtém o que parece ser um sinal genuíno apenas para descobrir mais tarde que o preço retrocede dentro dos limites do padrão, e você fica com uma negociação que não está fazendo o que você esperava que fosse.
A única maneira que você pode tentar combater isso é aplicar um filtro de algum tipo, e o método mais óbvio é esperar até que haja X fechado fora do padrão. Se você estiver vendo gráficos diários, pode decidir esperar até que o preço seja fechado fora do padrão por dois dias antes da entrada. Existem outros meios para evitar esse tipo de falsa fuga. Alguns traders escolhem esperar até que o preço tenha movido o dobro do intervalo médio verdadeiro (2ATR) fora do padrão. Nenhum desses métodos garantirá que você não sofrerá falsos rompimentos, mas pelo menos reduzirá as chances.
O gráfico anterior demonstrou um exemplo de um triângulo ascendente com uma fuga ascendente. Como não há um viés direcional sobre a maneira como os padrões vão se desenrolar, também precisamos olhar para um exemplo de como uma quebra descendente em um triângulo ascendente se parece.
Você pode ver que a configuração básica é exatamente a mesma, exceto que a quebra ocorre na direção oposta, o que exige uma negociação curta. Você deve notar que, no caso de ambos os exemplos, mostramos um retrocesso para a linha a partir da qual eles surgiram. Isso é algo que pode acontecer sem que o sinal seja considerado uma falha - no entanto, você não deve presumir que isso sempre acontecerá. Na verdade, você assumiria que as instâncias em que isso não ocorre são quando você está recebendo os sinais mais fortes.
O outro lado do triângulo ascendente descrito anteriormente é o triângulo descendente, que tem características muito semelhantes, mas se coloca na direção oposta. Tal como acontece com a sua contraparte ascendente, a fuga pode ocorrer em qualquer direção, então você precisa observar a direção na qual a fuga ocorre.
Como em todos os padrões, eles raramente parecem exatamente iguais aos exemplos. Essas ilustrações fornecem um cenário de melhor cenário, mas na maioria das vezes você desejará ver os movimentos de preço se assemelharem ao gráfico o mais próximo possível.
Alguns traders sugeririam que o preço deveria sair claramente dos pontos de suporte e resistência e não gastar muito tempo vagando de lado. E quando se trata de padrões triangulares, você preferiria ver o preço sair do padrão antes de chegar a 75% do caminho para o ápice. Isso ocorre porque, se o padrão continuar lateralmente, ele começará a perder força e poderá continuar a derivar para os lados, o que está longe do que o operador de breakout deseja.
O triângulo simétrico tem algumas características em comum com o triângulo ascendente / descendente, em que o preço está sendo direcionado para uma faixa mais estreita de movimento de preços, e o comerciante está procurando uma quebra do preço. Além disso, você provavelmente verá o nível de volume de negociação no declínio do instrumento à medida que ele se move ao longo da formação e subseqüentemente subirá significativamente acima da média quando a quebra ocorrer.
Tal como acontece com outros triângulos, existe a possibilidade de fugas falsas, por isso vale a pena considerar a colocação de um filtro na fuga para reduzir suas chances de serem expostos a uma entrada whipsaw no comércio. Novamente, isso pode ser um número definido de closes acima do nível de quebra ou, alternativamente, usando um filtro como o intervalo médio verdadeiro.
Nestes comércios como com qualquer um dos triângulos, existem duas opções principais para onde as ordens stop-loss são colocadas. O comerciante mais agressivo pode fazer uma parada apenas no outro lado da linha de fuga, onde o whipsaw é provável que tenha ocorrido. Isso é o mais próximo que uma stop loss pode ser realisticamente colocada, porque senão você não está realmente dando ao trade uma chance decente de sucesso. O método alternativo e mais conservador é colocar a parada no lado mais distante do padrão completamente, o que mostraria uma falha total da configuração se esse nível for atingido.
Retângulos
Tendo olhado para configurações onde os níveis de suporte e resistência estão se aproximando, a configuração do retângulo mostra onde os dois níveis correm paralelos um ao outro. Embora o padrão pareça muito diferente de qualquer família triangular, os comportamentos em termos das configurações são bastante semelhantes, em termos de breakout e gerenciamento de risco.
Este gráfico ilustra novamente a fuga tendo um retrocesso subseqüente ao que era a linha de resistência, mas isso nem sempre será o caso. Como o triângulo, o melhor resultado é uma forte continuação desse nível em volume alto a partir do ponto da fuga.
Como a flâmula, a bandeira é uma versão de curto prazo de um padrão similar - neste caso, um canal. Bandeiras exigem muitas das mesmas características que a flâmula para serem confirmadas como genuínas.
Esse padrão é genuíno apenas se a quebra ocorrer na mesma direção em que o preço entrou nele. Você também tenderá a ver a direção da bandeira se mover na direção oposta ao movimento de preços vigente.
Tanto a bandeira quanto a flâmula ocorrem após um movimento brusco no preço - essa movimentação de preço quase vertical forma o "mastro de bandeira" no qual o flâmula ou a bandeira ocorre. É importante ver isso no processo porque o padrão não é genuíno sem ele. Por fim, é provável que você veja um aumento no volume em ambos os casos na fuga, o que aumentará a confirmação do padrão.
A colocação de stops obedece às mesmas regras básicas acima, com traders mais agressivos fechando negócios ao primeiro sinal de falha, enquanto um trader mais conservador pode procurar um preço para cruzar o padrão completamente antes de considerar um fracasso.
Metas de preço.
É possível usar todos os padrões discutidos para atingir um eventual ponto de obtenção de lucros. No caso dos triângulos e do retângulo, isso é feito facilmente medindo a altura do padrão e depois extrapolando o alvo para fora do ponto de quebra.
A mesma premissa básica é aplicada ao retângulo. No caso de bandeiras e galhardetes, o alvo é determinado pela medição da altura do mastro da bandeira que leva à formação e depois é adicionado na saída. Essas formações são, às vezes, chamadas de formações de medição, porque geralmente ocorrem na metade do balanço de preços.
Você deve reconhecer as condições básicas de preço exigidas para que um padrão seja genuíno. Você deve saber como identificar quando um padrão falhou. Você deve ser capaz de gerar um plano sensato de gerenciamento de riscos de acordo com suas habilidades de reconhecimento de padrões.
O CMC Markets é um provedor de serviços somente de execução. O material (com ou sem opiniões) é apenas para fins de informação geral e não leva em conta suas circunstâncias pessoais ou objetivos. Nada neste material é (ou deve ser considerado) financeiro, investimento ou outro conselho sobre o qual confiar deve ser colocado. Nenhuma opinião dada no material constitui uma recomendação da CMC Markets ou do autor de que qualquer estratégia específica de investimento, segurança, transação ou investimento seja adequada para qualquer pessoa específica.
Acesse nossa gama completa de mercados, ferramentas de negociação e recursos.
Perdas podem exceder seus depósitos.
Tente negociar CFDs com fundos virtuais em um ambiente livre de riscos.
Esse website utiliza cookies. Ao continuar a usar este site, você concorda com isso. Política de cookies.
+44 (0) 20 7170 8200.
Investir nos produtos derivados da CMC Markets acarreta riscos significativos e não é adequado para todos os investidores. Você pode perder mais do que seus depósitos. Você não possui ou tem interesse nos ativos subjacentes. Recomendamos que você procure aconselhamento independente e assegure-se de entender completamente os riscos envolvidos antes de negociar. Os spreads podem aumentar dependendo da liquidez e da volatilidade do mercado. As informações contidas neste site são preparadas sem considerar seus objetivos, situação financeira ou necessidades. Consequentemente, você deve considerar as informações à luz de seus objetivos, situação financeira e necessidades.
Digital 100s e Contagem Regressiva carregam um nível de risco para o seu capital, pois você pode perder todo o seu investimento. Esses produtos podem não ser adequados para todos os clientes, portanto, você deve entender os riscos e procurar aconselhamento independente. Invista apenas o que você pode perder.
A CMC Markets UK plc (173730) e a CMC Spreadbet plc (170627) são autorizadas e regulamentadas pela Financial Conduct Authority no Reino Unido.
CMC Markets Ásia Pacífico Pty Ltd ABN 11 100 058 213, AFSL No. 238054 (o emissor de produto derivado), CMC Markets Stockbroking Limited, Participante do ASX Group (Australian Securities Exchange) e APX (Asia Pacific Exchange), ABN 69 081 002 851, AFSL No. 246381 (o provedor de serviços de corretagem) fornece os produtos e / ou serviços financeiros. É importante que você considere a Declaração de Divulgação do Produto (PDS) relevante e quaisquer outros Documentos CMC Markets relevantes antes de decidir se deve ou não adquirir qualquer um dos produtos financeiros. Nosso Guia de Serviços Financeiros contém detalhes de nossas taxas e encargos. Todos esses documentos estão disponíveis em cmcmarkets. au ou você pode nos ligar em 1300 303 888.
Informações relacionadas à plataforma de negociação Marketmaker podem ser encontradas em nosso site Marketmaker.
Este site usa cookies para obter informações sobre seu uso geral da internet. A remoção de cookies pode afetar a operação de certas partes deste site. Para mais informações sobre cookies e como removê-los, leia nossa política de cookies.
O tratamento fiscal depende das circunstâncias individuais de cada cliente. A lei fiscal pode mudar ou pode variar dependendo da jurisdição em que você reside.

Algoritmo & amp; Probabilidade Aplicada.
Estratégias de Negociação de Alta Probabilidade - Capítulo 3 Reconhecimento de Padrões Parte I.
Uma inversão de momentum pode representar apenas a desaceleração da tendência de preço, não necessariamente uma reversão da tendência de preço. Mais importante, uma inversão de momentum não indica onde o mercado está dentro da tendência de preço ou se a tendência em si está em ou perto de uma reversão.
A posição do padrão é a segunda dos quatro fatores técnicos que fornecem as quatro principais informações que você usará para tomar uma decisão comercial.
Objetivos de Reconhecimento de Padrões:
1. Ajudar a identificar se um mercado está em uma tendência ou correção.
2. Verifique se as condições do padrão foram atendidas, que normalmente avisam uma tendência ou a correção está próxima ou na conclusão.
3. Preveja o que provavelmente seguirá a conclusão da tendência ou correção.
Análise baseada em ondas de Elliott (uma diretriz, três padrões)
Há uma série de informações importantes que queremos que a posição do padrão nos diga: um mercado está numa tendência ou correção e qual é a posição do mercado dentro dessa tendência ou correção?
Há uma diretriz de padrão simples que é muito confiável para avisar se um mercado provavelmente está fazendo uma correção e não uma nova tendência para um novo extremo. Se um mercado se sobrepuser a uma seção, é mais do que provável que esteja fazendo uma correção. Uma sobreposição ocorre quando um mercado faz um novo valor baixo ou alto e, em seguida, volta ao intervalo da seção anterior. (? Wait & # 8230; como definir uma seção !? Isso é o mais importante.)
Nem toda correção terá uma sobreposição de oscilações antes que a correção seja concluída. Nem toda sobreposição de oscilações fará parte de uma correção. (? & # 8230; Então, isso faz sentido? & # 8230; bem, quando terminar os capítulos posteriores, escreverei uma revisão completa)
Lembre-se sempre de que não há coisas seguras com qualquer tipo de estratégia comercial. No entanto, queremos colocar as probabilidades a nosso favor e nos dar uma vantagem, identificando as condições com um resultado de alta probabilidade.
Se as oscilações sobrepostas são típicas de uma correção, isso implica que uma correção geralmente terá pelo menos três oscilações. Um tipo freqüente de correção para todos os mercados e todos os prazos é três variações, chamadas de correção ABC. No entanto, as correções podem assumir muitas formas e ter mais de três oscilações. Traders obcecados com a onda de Elliott identificaram 13 padrões corretivos complexos, sem incluir os chamados ABCs irregulares. Para nossos propósitos, a informação mais importante é que uma correção deve ter pelo menos três variações distintas.
Termo de onda de Elliott: ziguezague ABC.
1.O Wave-C deve exceder o extremo da onda-A.
2. Se o mercado voltar à faixa do Wave-A, as condições mínimas para uma correção estarão completas.
3.Um comércio além do extremo da onda B é um sinal padrão de que a correção deve ser concluída.
Nós tomamos uma decisão comercial baseada no que sabemos. Usamos as informações que sabemos para identificar condições com um resultado de alta probabilidade. A suposição é que uma correção fará pelo menos três seções (também chamadas de oscilações ou ondas). (Mas de onde vem essa suposição? Sou totalmente nova no mercado. Então, por que a auther faz essa suposição? Ela vem de dados históricos?)
Se uma sobreposição é feita, ela atende aos três critérios da seção e é um sinal padrão de que uma correção provavelmente está sendo feita. Neste ponto, consideraríamos apenas negociações contra a direção de correção. Se o extremo Wave-B for retirado, mais do que provavelmente a correção de alta ou baixa foi feita e será um sinal longo ou curto, dependendo se o Wave-B for alto ou baixo, com uma parada não mais do que o potencial Wave-C extremo.
Lembre-se de que o objetivo de todas as estratégias de negociação é identificar condições com um resultado de alta probabilidade e uma exposição de capital aceitável.

Estratégia de Negociação de Curto Prazo Baseada no Reconhecimento de Padrão de Gráfico e Negociação de Tendência no Mercado de Ações da Biotecnologia da Nasdaq.
Saulius Masteika.
A principal tarefa deste trabalho é mostrar os resultados da estratégia de negociação do mercado de ações com base no padrão gráfico de curto prazo. O padrão de gráfico de curto prazo proposto é um padrão de tendência seguinte e é relativo às formações fractais e à teoria do caos. A estratégia de negociação proposta consiste em duas etapas: na primeira etapa, o algoritmo de rastreamento de ações é usado para selecionar ações voláteis no mercado de biotecnologia da Nasdaq; na segunda etapa, análise técnica e cálculos matemáticos para estoques selecionados são aplicados e a rentabilidade da estratégia é calculada. A estratégia de negociação proposta com base no padrão de gráfico de curto prazo foi testada usando registros de dados históricos do mercado de biotecnologia Nasdaq dos EUA (2008-2010). A estratégia de negociação aplicada no mercado de ações da Biotecnologia proporcionou retornos mais elevados se comparada aos principais índices do mercado acionário dos EUA (Dow Jones, S & P, Nasdaq).
Visualizar.
Referências.
Informações sobre direitos autorais.
Autores e Afiliações.
Saulius Masteika 1 1. Faculdade de Humanidades Universidade de Vilnius Kaunas Lituânia.
Sobre este papel.
Recomendações personalizadas.
Cite o papel.
Gerente de referência de papéis. RIS RefWorks Zotero.
.BIB BibTeX JabRef Mendeley.
Download instantâneo Legível em todos os dispositivos Possui-o para sempre Imposto sobre vendas local incluído, se aplicável.
Cite o papel.
Gerente de referência de papéis. RIS RefWorks Zotero.
.BIB BibTeX JabRef Mendeley.
Mais de 10 milhões de documentos científicos ao seu alcance.
Switch Edition.
&cópia de; 2017 Springer International Publishing AG. Parte da natureza de Springer.

Estratégia de Negociação de Curto Prazo Baseada no Reconhecimento de Padrão de Gráfico e Negociação de Tendência no Mercado de Ações da Biotecnologia da Nasdaq.
Saulius Masteika.
A principal tarefa deste trabalho é mostrar os resultados da estratégia de negociação do mercado de ações com base no padrão gráfico de curto prazo. O padrão de gráfico de curto prazo proposto é um padrão de tendência seguinte e é relativo às formações fractais e à teoria do caos. A estratégia de negociação proposta consiste em duas etapas: na primeira etapa, o algoritmo de rastreamento de ações é usado para selecionar ações voláteis no mercado de biotecnologia da Nasdaq; na segunda etapa, análise técnica e cálculos matemáticos para estoques selecionados são aplicados e a rentabilidade da estratégia é calculada. A estratégia de negociação proposta com base no padrão de gráfico de curto prazo foi testada usando registros de dados históricos do mercado de biotecnologia Nasdaq dos EUA (2008-2010). A estratégia de negociação aplicada no mercado de ações da Biotecnologia proporcionou retornos mais elevados se comparada aos principais índices do mercado acionário dos EUA (Dow Jones, S & P, Nasdaq).
Visualizar.
Referências.
Informações sobre direitos autorais.
Autores e Afiliações.
Saulius Masteika 1 1. Faculdade de Humanidades Universidade de Vilnius Kaunas Lituânia.
Sobre este papel.
Recomendações personalizadas.
Cite o papel.
Gerente de referência de papéis. RIS RefWorks Zotero.
.BIB BibTeX JabRef Mendeley.
Download instantâneo Legível em todos os dispositivos Possui-o para sempre Imposto sobre vendas local incluído, se aplicável.
Cite o papel.
Gerente de referência de papéis. RIS RefWorks Zotero.
.BIB BibTeX JabRef Mendeley.
Mais de 10 milhões de documentos científicos ao seu alcance.
Switch Edition.
&cópia de; 2017 Springer International Publishing AG. Parte da natureza de Springer.

Melhores estratégias 4: Machine Learning.
Deep Blue foi o primeiro computador que ganhou um campeonato mundial de xadrez. Isso foi em 1996, e levou 20 anos até que outro programa, AlphaGo, pudesse derrotar o melhor jogador de Go humano. O Deep Blue era um sistema baseado em modelos com regras de xadrez hardwired. O AlphaGo é um sistema de mineração de dados, uma rede neural profunda treinada com milhares de jogos Go. Não melhorou hardware, mas um avanço no software foi essencial para a etapa de bater os melhores jogadores de xadrez para bater os melhores jogadores de Go.
Nesta quarta parte da minissérie, analisaremos a abordagem de mineração de dados para o desenvolvimento de estratégias de negociação. Este método não se preocupa com os mecanismos de mercado. Ele apenas verifica curvas de preços ou outras fontes de dados para padrões preditivos. Aprendizado de máquina ou & # 8220; Inteligência Artificial & # 8221; nem sempre está envolvido em estratégias de mineração de dados. Na verdade, o mais popular # 8211; e surpreendentemente rentável & # 8211; O método de mineração de dados funciona sem nenhuma rede neural sofisticada ou máquina de vetores de suporte.
Princípios de aprendizado de máquina.
Um algoritmo de aprendizagem é alimentado com amostras de dados, normalmente derivadas de algum modo dos preços históricos. Cada amostra consiste em n variáveis ​​x 1 .. x n, comumente chamadas de preditores, recursos, sinais ou simplesmente input. Esses preditores podem ser os retornos de preço das últimas n barras, ou uma coleção de indicadores clássicos, ou quaisquer outras funções imagináveis ​​da curva de preço (eu mesmo vi os pixels de uma imagem do gráfico de preços usados ​​como preditores de um gráfico neural). rede!). Cada amostra também inclui normalmente uma variável-alvo y, como o retorno da transação seguinte após a amostra, ou o próximo movimento de preço. Na literatura você pode encontrar y também chamado rótulo ou objetivo. Em um processo de treinamento, o algoritmo aprende a predizer o alvo y a partir dos preditores x 1 .. x n. A memória erudita & # 8216; & # 8217; é armazenado em uma estrutura de dados denominada model que é específica para o algoritmo (não confundir com um modelo financeiro para estratégias baseadas em modelos!). Um modelo de aprendizado de máquina pode ser uma função com regras de predição no código C, geradas pelo processo de treinamento. Ou pode ser um conjunto de pesos de conexão de uma rede neural.
Os preditores, recursos ou o que quer que você os chame, devem conter informações suficientes para prever a meta com alguma precisão. Eles também geralmente cumprem dois requisitos formais. Primeiro, todos os valores de previsão devem estar no mesmo intervalo, como -1 .. +1 (para a maioria dos algoritmos R) ou -100 .. +100 (para algoritmos Zorro ou TSSB). Então você precisa normalizá-los de alguma forma antes de enviá-los para a máquina. Em segundo lugar, as amostras devem ser equilibradas, isto é, igualmente distribuídas por todos os valores da variável alvo. Portanto, deve haver tantos vencendo quanto perdendo amostras. Se você não observar esses dois requisitos, ficará imaginando por que está obtendo resultados ruins com o algoritmo de aprendizado de máquina.
Os algoritmos de regressão predizem um valor numérico, como a magnitude e o sinal do próximo movimento de preço. Algoritmos de classificação preveem uma classe de amostra qualitativa, por exemplo, se ela precede uma vitória ou uma perda. Alguns algoritmos, como redes neurais, árvores de decisão ou máquinas de vetores de suporte, podem ser executados em ambos os modos.
Alguns algoritmos aprendem a dividir amostras em classes sem precisar de nenhum destino. Isso é aprendizagem não supervisionada, ao contrário da aprendizagem supervisionada usando um alvo. Em algum lugar entre os dois está o aprendizado por reforço, em que o sistema se treina executando simulações com os recursos dados e usando o resultado como alvo de treinamento. AlphaZero, o sucessor do AlphaGo, usou o aprendizado de reforço ao jogar milhões de jogos Go contra si mesmo. Em finanças, há poucas aplicações para aprendizado não supervisionado ou de reforço. 99% das estratégias de aprendizado de máquina usam o aprendizado supervisionado.
Seja qual for o sinal que estamos usando para os preditores em finanças, eles provavelmente conterão muito ruído e pouca informação, e serão não-estacionários em cima dele. Portanto, a previsão financeira é uma das tarefas mais difíceis no aprendizado de máquina. Algoritmos mais complexos não atingem necessariamente melhores resultados. A seleção dos preditores é fundamental para o sucesso. Não é uma boa ideia usar muitos preditores, pois isso simplesmente causa overfitting e falha na operação de amostra. Portanto, as estratégias de mineração de dados geralmente aplicam um algoritmo de pré-seleção que determina um pequeno número de preditores de um conjunto de muitos. A pré-seleção pode se basear na correlação entre preditores, no significado, no conteúdo da informação ou simplesmente no sucesso da previsão com um conjunto de testes. Experimentos práticos com seleção de recursos podem ser encontrados em um artigo recente no blog Robot Wealth.
Aqui está uma lista dos métodos mais populares de mineração de dados usados ​​em finanças.
1. Sopa indicadora.
A maioria dos sistemas de negociação que estamos programando para clientes não é baseada em um modelo financeiro. O cliente queria apenas sinais comerciais de determinados indicadores técnicos, filtrados com outros indicadores técnicos em combinação com indicadores mais técnicos. Quando perguntado como essa miscelânea de indicadores poderia ser uma estratégia lucrativa, ele normalmente respondia: "Confie em mim." Eu estou trocando isso manualmente, e isso funciona. & # 8221;
Isso realmente aconteceu. Pelo menos às vezes. Embora a maioria desses sistemas não tenham passado no teste WFA (e alguns nem mesmo um simples backtest), um número surpreendentemente grande foi o que aconteceu. E esses também eram frequentemente lucrativos em negociações reais. O cliente tinha sistematicamente experimentado indicadores técnicos até encontrar uma combinação que funcionasse na negociação ao vivo com certos ativos. Essa forma de análise técnica de tentativa e erro é uma abordagem clássica de mineração de dados, executada apenas por um ser humano e não por uma máquina. Eu não posso realmente recomendar este método & # 8211; e muita sorte, para não falar de dinheiro, está provavelmente envolvida & # 8211; mas posso testemunhar que às vezes leva a sistemas lucrativos.
2. Padrões de vela.
Não deve ser confundido com aqueles Padrões Japoneses de Vela que tiveram seu melhor encontro antes, há muito tempo. O equivalente moderno é a negociação de ações de preço. Você ainda está olhando para as velas abertas, altas, baixas e fechadas. Você ainda está esperando encontrar um padrão que preveja uma direção de preço. Mas agora você está analisando as curvas de preços contemporâneas para coletar esses padrões. Existem pacotes de software para esse fim. Eles pesquisam padrões que são lucrativos por algum critério definido pelo usuário e os utilizam para criar uma função específica de detecção de padrões. Poderia se parecer com este (do analisador de padrões do Zorro):
Esta função C retorna 1 quando os sinais correspondem a um dos padrões, caso contrário, 0. Você pode ver no longo código que essa não é a maneira mais rápida de detectar padrões. Um método melhor, usado pelo Zorro quando a função de detecção não precisa ser exportada, está classificando os sinais pela sua magnitude e verificando a ordem de classificação. Um exemplo de tal sistema pode ser encontrado aqui.
O preço da negociação de ações realmente funciona? Assim como a sopa indicadora, ela não é baseada em nenhum modelo financeiro racional. Pode-se imaginar, na melhor das hipóteses, que sequências de movimentos de preços fazem com que os participantes do mercado reajam de uma determinada maneira, estabelecendo assim um padrão preditivo temporário. No entanto, o número de padrões é bastante limitado quando você olha apenas sequências de algumas velas adjacentes. O próximo passo é comparar velas que não são adjacentes, mas arbitrariamente selecionadas dentro de um período de tempo mais longo. Dessa forma, você está obtendo um número quase ilimitado de padrões & # 8211; mas ao custo de finalmente deixar o reino do racional. É difícil imaginar como um movimento de preço pode ser previsto por alguns padrões de velas de semanas atrás.
Ainda assim, muito esforço está sendo feito. Um colega blogueiro, Daniel Fernandez, administra um site de assinatura (Asirikuy) especializado em padrões de velas de mineração de dados. Ele refinou o padrão de negociação até os menores detalhes, e se alguém conseguisse algum lucro dessa maneira, seria ele. Mas para seus assinantes & # 8217; decepção, trocando seus padrões ao vivo (QuriQuant) produziu resultados muito diferentes dos seus maravilhosos backtests. Se realmente existem sistemas de ações lucrativas, aparentemente ninguém os encontrou ainda.
3. Regressão linear
A base simples de muitos algoritmos complexos de aprendizado de máquina: Preveja a variável de destino y por uma combinação linear dos preditores x 1 .. x n.
Os coeficientes a n são o modelo. Eles são calculados para minimizar a soma das diferenças quadráticas entre os valores verdadeiros de y das amostras de treinamento e seus y previstos da fórmula acima:
Para amostras distribuídas normais, a minimização é possível com alguma aritmética de matriz, portanto, nenhuma iteração é necessária. No caso n = 1 & # 8211; com apenas uma variável preditora x & # 8211; a fórmula de regressão é reduzida para.
que é a regressão linear simples, em oposição à regressão linear multivariada em que n & gt; 1 Regressão linear simples está disponível na maioria das plataformas de negociação, f. i. com o indicador LinReg no TA-Lib. Com y = preço e x = tempo, ele é frequentemente usado como alternativa a uma média móvel. A regressão linear multivariada está disponível na plataforma R através da função lm (..) que acompanha a instalação padrão. Uma variante é a regressão polinomial. Como a regressão simples, ele usa apenas uma variável preditora x, mas também seu quadrado e graus mais altos, de modo que x n == x n:
Com n = 2 ou n = 3, a regressão polinomial é freqüentemente usada para prever o próximo preço médio dos preços suavizados das últimas barras. A função polyfit do MatLab, R, Zorro e muitas outras plataformas podem ser usadas para a regressão polinomial.
4. Perceptron.
Muitas vezes referida como uma rede neural com apenas um neurônio. De fato, um perceptron é uma função de regressão como acima, mas com um resultado binário, chamado de regressão logística. Não é a regressão, é um algoritmo de classificação. A função de aviso do Zorro (PERCEPTRON, & # 8230;) gera o código C que retorna 100 ou -100, dependendo se o resultado previsto está acima de um limite ou não:
Você pode ver que a matriz de caracteres é equivalente aos recursos x n na fórmula de regressão e os fatores numéricos são os coeficientes a n.
5. Redes nacionais.
A regressão linear ou logística só pode resolver problemas lineares. Muitos não se enquadram nesta categoria & # 8211; Um exemplo famoso é prever a saída de uma função XOR simples. E provavelmente também prevê preços ou retornos comerciais. Uma rede neural artificial (RNA) pode lidar com problemas não-lineares. É um monte de perceptrons que estão conectados em uma matriz de camadas. Qualquer perceptron é um neurônio da rede. Sua saída vai para as entradas de todos os neurônios da próxima camada, assim:
Como o perceptron, uma rede neural também aprende determinando os coeficientes que minimizam o erro entre a previsão da amostra e o alvo da amostra. Mas isso requer agora um processo de aproximação, normalmente com retropropagação do erro da saída para as entradas, otimizando os pesos em seu caminho. Este processo impõe duas restrições. Primeiro, as saídas dos neurônios devem agora ser funções continuamente diferenciáveis, em vez do simples limiar do perceptron. Em segundo lugar, a rede não deve ser muito profunda & # 8211; não deve ter muitas & # 8216; camadas ocultas & # 8217; de neurônios entre entradas e saídas. Essa segunda restrição limita a complexidade dos problemas que uma rede neural padrão pode resolver.
Ao usar uma rede neural para prever negociações, você tem muitos parâmetros com os quais você pode brincar e, se você não for cuidadoso, produzirá um grande viés de seleção:
Número de camadas ocultas Número de neurônios por camada oculta Número de ciclos de retropropagação, épocas nomeadas Taxa de aprendizado, a largura do passo de uma época Momentum, um fator de inércia para a adaptação de pesos Função de ativação.
A função de ativação emula o limiar do perceptron. Para a retropropagação você precisa de uma função continuamente diferenciável que gere um & # 8216; soft & # 8217; passo em um determinado valor x. Normalmente, uma função sigmoid, tanh ou softmax é usada. Às vezes, também é uma função linear que apenas retorna a soma ponderada de todas as entradas. Nesse caso, a rede pode ser usada para regressão, para prever um valor numérico em vez de um resultado binário.
As redes neurais estão disponíveis na instalação padrão R (nnet, uma única rede de camada oculta) e em muitos pacotes, por exemplo, RSNNS e FCNN4R.
6. Aprendizagem profunda.
Os métodos de aprendizagem profunda usam redes neurais com muitas camadas ocultas e milhares de neurônios, que não poderiam ser efetivamente treinados pela retropropagação convencional. Vários métodos se tornaram populares nos últimos anos para o treinamento de redes tão grandes. Eles costumam pré-treinar as camadas de neurônios ocultos para alcançar um processo de aprendizado mais efetivo. Uma máquina restrita de Boltzmann (RBM) é um algoritmo de classificação não supervisionado com uma estrutura de rede especial que não tem conexões entre os neurônios ocultos. Um Autoencoder Escasso (SAE) usa uma estrutura de rede convencional, mas pré-treina as camadas ocultas de maneira inteligente, reproduzindo os sinais de entrada nas saídas da camada com o mínimo possível de conexões ativas. Esses métodos permitem redes muito complexas para lidar com tarefas de aprendizagem muito complexas. Tal como bater o melhor jogador humano do mundo.
Redes de aprendizagem profunda estão disponíveis nos pacotes R deep e darch. A Deepnet fornece um autoencoder, Darch uma máquina Boltzmann restrita. Eu ainda não experimentei o Darch, mas aqui está um exemplo do script R usando o autoencoder do Deepnet com 3 camadas ocultas para sinais de negociação através da função neural () do Zorro:
7. Máquinas de vetores de suporte.
Como uma rede neural, uma máquina de vetores de suporte (SVM) é outra extensão da regressão linear. Quando olhamos novamente para a fórmula de regressão,
podemos interpretar os recursos x n como coordenadas de um espaço de recurso n-dimensional. Definir a variável de destino y como um valor fixo determina um plano nesse espaço, chamado de hiperplano, pois possui mais de duas dimensões (na verdade, n-1). O hiperplano separa as amostras com y & gt; o das amostras com y & lt; 0 Os coeficientes an podem ser calculados de forma que as distâncias do plano às amostras mais próximas & # 8211; que são chamados os vetores de suporte & # 8216; & # 8217; do avião, daí o nome do algoritmo & # 8211; é o máximo. Desta forma, temos um classificador binário com separação ideal de amostras vencedoras e perdedoras.
O problema: normalmente essas amostras não são linearmente separáveis ​​& # 8211; eles estão espalhados irregularmente no espaço de recursos. Nenhum plano plano pode ser espremido entre vencedores e perdedores. Se pudesse, nós tínhamos métodos mais simples para calcular esse plano, f. i. análise discriminante linear. Mas, para o caso comum, precisamos do truque do SVM: Adicionar mais dimensões ao espaço do recurso. Para isso, o algoritmo SVM produz mais recursos com uma função kernel que combina quaisquer dois preditores existentes para um novo recurso. Isso é análogo ao passo acima da regressão simples à regressão polinomial, onde também mais características são adicionadas, tomando o único preditor da enésima potência. Quanto mais dimensões você adicionar, mais fácil será separar as amostras com um hiperplano plano. Este plano é então transformado de volta ao espaço n-dimensional original, ficando enrugado e amassado no caminho. Ao selecionar inteligentemente a função kernel, o processo pode ser executado sem realmente computar a transformação.
Como as redes neurais, as SVMs podem ser usadas não apenas para classificação, mas também para regressão. Eles também oferecem alguns parâmetros para otimizar e possivelmente sobrecarregar o processo de previsão:
Função de kernel. Você normalmente usa um kernel RBF (função de base radial, um kernel simétrico), mas você também tem a escolha de outros kernels, como sigmoid, polynomial e linear. Gama, a largura do parâmetro de Custo do kernel RBF C, a penalidade & # 8216; & # 8217; para classificações erradas nas amostras de treinamento.
Um SVM frequentemente usado é a biblioteca libsvm. Também está disponível em R no pacote e1071. Na próxima e última parte desta série pretendo descrever uma estratégia de negociação usando este SVM.
8. K-vizinho mais próximo.
Comparado com as coisas pesadas de ANN e SVM, é um algoritmo simples e agradável com uma propriedade única: ele não precisa de treinamento. Então as amostras são o modelo. Você poderia usar este algoritmo para um sistema de negociação que aprende permanentemente simplesmente adicionando mais e mais amostras. O algoritmo do vizinho mais próximo calcula as distâncias no espaço de feições a partir dos valores atuais do recurso para as amostras k mais próximas. Uma distância no espaço n-dimensional entre dois conjuntos de recursos (x 1 .. x n) e (y 1 .. y n) é calculada exatamente como em 2 dimensões:
O algoritmo simplesmente prevê o alvo a partir da média das k variáveis-alvo das amostras mais próximas, ponderadas pelas suas distâncias inversas. Pode ser usado para classificação, bem como para regressão. Os truques de software emprestados da computação gráfica, como uma árvore binária adaptativa (ABT), podem tornar o vizinho mais próximo bastante rápido. Na minha vida passada como programador de jogos de computador, usamos esses métodos em jogos para tarefas como a inteligência inimiga de autoaprendizagem. Você pode chamar a função knn em R para a previsão do vizinho mais próximo & # 8211; ou escreva uma função simples em C para esse propósito.
Este é um algoritmo de aproximação para classificação não supervisionada. Tem alguma semelhança, não apenas seu nome, com o vizinho mais próximo. Para classificar as amostras, o algoritmo primeiro coloca k pontos aleatórios no espaço de recurso. Em seguida, ele atribui a qualquer um desses pontos todas as amostras com as menores distâncias a ele. O ponto é então movido para a média dessas amostras mais próximas. Isso gerará uma nova atribuição de amostras, pois algumas amostras estão agora mais próximas de outro ponto. O processo é repetido até que a atribuição não mude mais movendo os pontos, ou seja, cada ponto fica exatamente na média de suas amostras mais próximas. Agora temos k classes de amostras, cada uma na vizinhança de um dos k pontos.
Esse algoritmo simples pode produzir resultados surpreendentemente bons. Em R, a função kmeans faz o truque. Um exemplo do algoritmo k-means para classificar os padrões de vela pode ser encontrado aqui: Classificação não-supervisionada de castiçal para diversão e lucro.
10. Naive Bayes.
Este algoritmo usa Bayes & # 8217; Teorema para classificar amostras de recursos não numéricos (ou seja, eventos), como os padrões de velas mencionados acima. Suponha que um evento X (por exemplo, que o Open da barra anterior esteja abaixo do Open da barra atual) apareça em 80% de todas as amostras vencedoras. Qual é então a probabilidade de que uma amostra esteja ganhando quando ela contém o evento X? Não é 0,8, como você pode pensar. A probabilidade pode ser calculada com Bayes & # 8217; Teorema:
P (Y | X) é a probabilidade de que o evento Y (f. i. ganhar) ocorra em todas as amostras contendo o evento X (no nosso exemplo, Open (1) & lt; Open (0)). De acordo com a fórmula, é igual à probabilidade de X ocorrer em todas as amostras vencedoras (aqui, 0,8), multiplicada pela probabilidade de Y em todas as amostras (em torno de 0,5 quando você estava seguindo o meu conselho de amostras balanceadas) e dividido por a probabilidade de X em todas as amostras.
Se somos ingênuos e assumimos que todos os eventos X são independentes uns dos outros, podemos calcular a probabilidade geral de que uma amostra está ganhando, simplesmente multiplicando as probabilidades P (X | ganhando) para cada evento X. Desta forma, acabamos com esta fórmula:
com um fator de escala s. Para que a fórmula funcione, as características devem ser selecionadas de forma que sejam tão independentes quanto possível, o que impõe um obstáculo ao uso de Naive Bayes na negociação. Por exemplo, os dois eventos Close (1) & lt; Close (0) e Open (1) & lt; Open (0) provavelmente não é independente um do outro. Os preditores numéricos podem ser convertidos em eventos dividindo o número em intervalos separados.
O algoritmo Naive Bayes está disponível no pacote onipresente R e1071.
11. Árvores de decisão e regressão.
Essas árvores predizem um resultado ou um valor numérico com base em uma série de decisões sim / não, em uma estrutura como os ramos de uma árvore. Qualquer decisão é a presença de um evento ou não (no caso de recursos não numéricos) ou uma comparação de um valor de recurso com um limite fixo. Uma típica função de árvore, gerada pelo construtor de árvores do Zorro, se parece com isto:
Como essa árvore é produzida a partir de um conjunto de amostras? Existem vários métodos; O Zorro usa a entropia de informação de Shannon, que já apareceu neste blog no artigo Scalping. No começo, ele verifica um dos recursos, digamos x 1. Ele coloca um hiperplano com a fórmula de plano x 1 = t no espaço de recurso. Este hiperplano separa as amostras com x 1 & gt; t das amostras com x 1 & lt; t. O limiar de divisão t é selecionado para que as informações ganhem & # 8211; a diferença de entropia de informação de todo o espaço, para a soma das entropias de informação dos dois sub-espaços divididos & # 8211; é o máximo. Esse é o caso quando as amostras nos subespaços são mais semelhantes entre si do que as amostras em todo o espaço.
Este processo é então repetido com o próximo recurso x 2 e dois hiperplanos dividindo os dois subespaços. Cada divisão é equivalente a uma comparação de um recurso com um limite. Por meio da divisão repetida, logo obtemos uma árvore enorme com milhares de comparações de limites. Em seguida, o processo é executado ao contrário, podando a árvore e removendo todas as decisões que não levam a um ganho substancial de informações. Finalmente acabamos com uma árvore relativamente pequena como no código acima.
As árvores de decisão possuem uma ampla variedade de aplicativos. Eles podem produzir previsões excelentes superiores às de redes neurais ou máquinas de vetores de suporte. Mas elas não são uma solução única, já que seus planos de divisão são sempre paralelos aos eixos do espaço de recursos. Isso limita um pouco suas previsões. Eles podem ser usados ​​não apenas para classificação, mas também para regressão, por exemplo, retornando a porcentagem de amostras que contribuem para um determinado ramo da árvore. A árvore do Zorro é uma árvore de regressão. O algoritmo de árvore de classificação mais conhecido é o C5.0, disponível no pacote C50 para R.
Para melhorar ainda mais a previsão ou superar a limitação do eixo paralelo, um conjunto de árvores pode ser usado, chamado de floresta aleatória. A previsão é então gerada pela média ou votação das previsões das árvores individuais. Florestas aleatórias estão disponíveis nos pacotes R randomForest, ranger e Rborist.
Conclusão.
Existem muitos métodos diferentes de mineração de dados e aprendizado de máquina à sua disposição. A questão crítica: o que é melhor, uma estratégia baseada em modelos ou em aprendizado de máquina? Não há dúvida de que o aprendizado de máquina tem muitas vantagens. Você não precisa se preocupar com a microestrutura do mercado, a economia, a psicologia do trader ou o material leve similar. Você pode se concentrar em matemática pura. O aprendizado de máquina é uma maneira muito mais elegante e atraente de gerar sistemas de comércio. Tem todas as vantagens do seu lado, mas um. Apesar de todos os tópicos entusiasmados em fóruns de trader, ele tende a falhar misteriosamente em negociações ao vivo.
A cada segunda semana, um novo artigo sobre negociação com métodos de aprendizado de máquina é publicado (alguns podem ser encontrados abaixo). Por favor, leve todas aquelas publicações com um grão de sal. De acordo com alguns documentos, taxas de ganho fantásticas na faixa de 70%, 80% ou mesmo 85% foram alcançadas. Embora a taxa de ganho não seja o único critério relevante & # 8211; você pode perder mesmo com uma alta taxa de vitória & # 8211; A exatidão de 85% em prever negócios é normalmente equivalente a um fator de lucro acima de 5. Com tal sistema, os cientistas envolvidos devem ser bilionários enquanto isso. Infelizmente, nunca consegui reproduzir as taxas de ganho com o método descrito e nem sequer cheguei perto. Então, talvez muitos preconceitos de seleção tenham entrado nos resultados. Ou talvez eu seja muito burro.
Em comparação com estratégias baseadas em modelos, não vi muitos sistemas de aprendizado de máquina bem-sucedidos até agora. E a partir do que se ouve sobre os métodos algorítmicos de fundos de hedge bem-sucedidos, o aprendizado de máquina parece ainda ser raramente usado. Mas talvez isso mude no futuro com a disponibilidade de mais poder de processamento e o surgimento de novos algoritmos para aprendizado profundo.
Classificação usando redes neurais profundas: Dixon. et. al.2016 Previsão da direção do preço usando ANN & amp; SVM: Kara. et. al.2011 Comparação empírica de algoritmos de aprendizagem: Caruana. et. al.2006 Tendência do mercado acionário de mineração usando GA & amp; SVM: Yu. Wang. Lai.2005.
A próxima parte desta série tratará do desenvolvimento prático de uma estratégia de aprendizado de máquina.
30 pensamentos sobre "Melhor Estratégias 4: Aprendizado de Máquina", rdquo;
Bela postagem. Há muito potencial nessa abordagem em relação ao mercado.
Btw você está usando o editor de código que vem com zorro? como é possível obter essa configuração de cores?
O script colorido é produzido pelo WordPress. Você não pode alterar as cores no editor do Zorro, mas pode substituí-lo por outros editores que suportem cores individuais, como o Notepad ++.
É possível então que o bloco de notas detecte as variáveis ​​zorro nos scripts? Quero dizer que o BarPeriod é observado como é com o editor do zorro?
Teoricamente sim, mas para isso você tinha que configurar o realce de sintaxe do Notepad ++, e inserir todas as variáveis ​​na lista. Tanto quanto eu sei, o Notepad ++ também não pode ser configurado para exibir a descrição da função em uma janela, como o editor Zorro faz. Não existe uma ferramenta perfeita & # 8230;
Concordo com o parágrafo final. Eu tentei muitas técnicas de aprendizado de máquina depois de ler várias revisões por pares & # 8217; papéis. Mas reproduzir seus resultados permanece indefinido. Quando vivo o teste com ML, não consigo ultrapassar a entrada aleatória.
ML falha ao vivo? Talvez o treinamento do ML tenha que ser feito com dados de preços que incluem também histórico de spread, roll, tick e assim por diante?
Eu acho que o motivo # 1 para falha ao vivo é o viés de mineração de dados, causado pela seleção tendenciosa de entradas e parâmetros para o algoritmo.
Obrigado ao autor pela grande série de artigos.
No entanto, deve-se notar que não precisamos restringir nossa visão com a previsão apenas do próximo movimento de preço. Pode acontecer que o próximo passo vá contra o nosso comércio em 70% dos casos, mas ainda vale a pena fazer uma troca. Isso acontece quando o preço finalmente chega à direção certa, mas antes disso pode dar alguns passos contra nós. Se atrasarmos a negociação por um preço, não entraremos nos 30% de negócios mencionados, mas para isso aumentaremos o resultado dos 70% restantes em uma única etapa de preço. Portanto, o critério é qual valor é maior: N * average_result ou 0.7 * N * (avergae_result + price_step).
Bela postagem. Se você quer apenas brincar com algum aprendizado de máquina, eu implementei uma ferramenta ML muito simples em python e adicionei uma GUI. É implementado para prever séries temporais.
Obrigado JCL eu achei muito interessante o seu artigo. Gostaria de lhe perguntar, a partir de sua experiência em negociação, onde podemos fazer o download de dados históricos confiáveis ​​de forex? Eu considero muito importante devido ao fato de que o mercado Forex é descentralizado.
Desde já, obrigado!
Não há dados Forex realmente confiáveis, já que todo corretor Forex cria seus próprios dados. Todos eles diferem um pouco dependendo de quais provedores de liquidez eles usam. O FXCM tem relativamente bons dados de M1 e tick com poucas lacunas. Você pode baixá-lo com o Zorro.
Obrigado por escrever uma ótima série de artigos JCL & # 8230; uma leitura muito agradável!
No entanto, devo dizer que não vejo estratégias baseadas em modelos e aprendizado de máquina como sendo mutuamente exclusivas; Eu tive algum sucesso OOS usando uma combinação dos elementos que você descreve.
Para ser mais exato, eu começo o processo de geração do sistema, desenvolvendo um & # 8216; tradicional & # 8217; modelo matemático, mas, em seguida, use um conjunto de algoritmos de aprendizado de máquina on-line para prever os próximos termos das várias séries temporais diferentes (não o próprio preço) que são usados ​​dentro do modelo. As regras de negociação reais são então derivadas das interações entre essas séries temporais. Então, em essência, não estou apenas lançando cegamente os dados de mercado recentes em um modelo de ML em um esforço para prever a direção da ação de preço, mas desenvolvo uma estrutura baseada em sólidos princípios de investimento para apontar os modelos na direção certa. Eu, então, dados meus os parâmetros e medir o nível de viés de mineração de dados, como você também descreveu.
Vale a pena mencionar, no entanto, que nunca tive muito sucesso com o Forex.
De qualquer forma, boa sorte com sua negociação e mantenha os ótimos artigos!
Obrigado por postar este ótimo mini-série JCL.
Recentemente, estudei alguns artigos mais recentes sobre negociação em ML, especialmente em aprendizado profundo. No entanto, descobri que a maioria deles avaliava os resultados sem um índice ajustado ao risco, ou seja, eles geralmente usavam a curva ROC, PNL para apoiar o experimento em vez do índice de Sharpe, por exemplo.
Além disso, raramente mencionaram a frequência de negociação nos resultados de experimentos, dificultando a avaliação da rentabilidade potencial desses métodos. Por que é que? Você tem alguma sugestão boa para lidar com essas questões?
Os papéis ML normalmente visam alta precisão. A variação da curva de capital não é de nenhum interesse. Isso é justificado porque a qualidade de previsão de ML determina a precisão, não a variância.
É claro que, se você quiser realmente negociar esse sistema, a variação e o rebaixamento são fatores importantes. Um sistema com menor precisão e pior previsão pode, de fato, ser preferível quando é menos dependente das condições de mercado.
"De fato, o mais popular - e surpreendentemente lucrativo - método de mineração de dados funciona sem qualquer rede neural ou máquinas de vetores de suporte."
Você poderia, por favor, nomear os mais populares & amp; surpreendentemente rentáveis. Então eu poderia usá-los diretamente.
Eu estava me referindo às estratégias da sopa de indicadores. Por razões óbvias, não posso divulgar detalhes de tal estratégia e nunca desenvolvi tais sistemas. Estamos simplesmente codificando-os. Mas posso dizer que criar uma lucrativa sopa de indicadores requer muito trabalho e tempo.
Bem, estou apenas começando um projeto que usa EMAs simples para prever o preço, basta selecionar os EMAs corretos com base no desempenho passado e na seleção de algoritmos que produzem algum grau rústico de inteligência.
Jonathan. orrego@gmail oferece serviços como programador MT4 EA.
Obrigado pelo bom writeup. Na realidade costumava ser uma conta de lazer.
Olhe complicado para mais entregues agradável de você!
Falando nisso, como podemos entrar em contato?
Existem os seguintes problemas com o ML e com os sistemas de negociação em geral, que são baseados na análise de dados históricos:
1) Dados históricos não codificam informações sobre movimentos futuros de preços.
O movimento futuro dos preços é independente e não está relacionado ao histórico de preços. Não há absolutamente nenhum padrão confiável que possa ser usado para extrair sistematicamente os lucros do mercado. Aplicar métodos de ML neste domínio é simplesmente inútil e fadado ao fracasso e não funcionará se você procurar um sistema lucrativo. É claro que você pode adaptar-se a qualquer período anterior e criar um sistema lucrativo para ele.
A única coisa que determina o movimento dos preços é a demanda e a oferta, e estes são frequentemente o resultado de fatores externos que não podem ser previstos. Por exemplo: uma guerra irrompe em algum lugar ou outras grandes catástrofes ou alguém só precisa comprar uma grande quantidade de moeda estrangeira para algum propósito de negócio / investimento. Esse tipo de evento causará mudanças significativas na estrutura de oferta de demanda do mercado de câmbio. Como conseqüência, os preços começam a se mover, mas ninguém se preocupa com o histórico de preços apenas sobre a execução das ordens recebidas. Um sistema de negociação automatizado só pode ser rentável se monitorar uma parte significativa do mercado e levar em conta a oferta e a demanda para tomar uma decisão comercial. Mas este não é o caso de nenhum dos sistemas discutidos aqui.
2) Corrida para o fundo.
Mesmo se (1) não fosse verdade e houvesse informações valiosas codificadas em dados históricos de preços, você ainda enfrentaria o seguinte problema: há milhares de escavadores de ouro por aí, todos usando métodos semelhantes e até mesmo o mesmo ferramentas para procurar sistemas rentáveis ​​e analisar os mesmos dados históricos de preços. Como resultado, muitos deles descobrirão o mesmo ou muito semelhante & # 8220; lucrativo & # 8221; sistemas de negociação e quando eles realmente começarem a negociar esses sistemas, eles se tornarão cada vez menos lucrativos devido à natureza do mercado.
Os únicos vencedores certos neste cenário serão os fornecedores de tecnologia e ferramentas.
Eu ainda estarei de olho nos seus posts, pois gosto da sua abordagem e do vigor científico que você aplica. Seu blog é o melhor desse tipo & # 8211; continue o bom trabalho!
Uma dica: existem sistemas automatizados lucrativos, mas eles não são baseados em dados de preços históricos, mas em conhecimento proprietário sobre a estrutura de mercado e as operações das principais instituições que controlam esses mercados. Digamos que existem muitas ineficiências no sistema atual, mas você não tem absolutamente nenhuma chance de encontrar as informações sobre elas analisando dados históricos de preços. Em vez disso, você precisa saber quando e como as instituições executarão ordens de movimentação de mercado e as executarão.
Obrigado pelo extenso comentário. Muitas vezes ouço esses argumentos e eles soam realmente intuitivos, o único problema é que eles são facilmente provados errados. O caminho científico é experimento, não intuição. Testes simples mostram que os preços passados ​​e futuros são frequentemente correlacionados & # 8211; de outra forma, cada segundo experimento neste blog teve um resultado muito diferente. Muitos fundos bem-sucedidos, por exemplo, o fundo Renaissance de Jim Simon, baseiam-se principalmente na previsão algorítmica.
Mais uma coisa: no meu comentário, tenho me referido implicitamente ao lado da compra (hedge funds, traders, etc.) e não ao lado da venda (market makers, bancos). O segundo tem sempre a vantagem, porque eles vendem no pedido e compram na oferta, embolsando o spread como um lucro adicional para qualquer estratégia que eles possam estar executando. Em relação ao Jim Simon's Renaissance: não tenho tanta certeza se eles não fizeram a transição ao longo do tempo para o lado de venda, a fim de permanecer rentável. Não há absolutamente nenhuma informação disponível sobre a natureza de seus negócios além da declaração vaga de que eles estão usando apenas modelos quantitativos de negociação algorítmica & # 8230;
Obrigado pelo post informativo!
Em relação ao uso de alguns desses algoritmos, uma queixa comum citada é que os dados financeiros são não-estacionários. Você acha que isso é um problema? Não era possível usar apenas os dados de retorno, o que é (eu acho) estacionário?
Sim, isso é um problema com certeza. Se os dados financeiros estivessem parados, todos ficaríamos ricos. Receio que tenhamos de viver com o que é. Os retornos não são mais estacionários do que outros dados financeiros.
Olá senhor, eu desenvolvi um conjunto de regras para minha negociação que identifica as zonas de demanda de fornecimento do que o volume e todos os outros critérios. Você pode me ajudar a entrar no sistema automatizado? Se eu vou fazer isso sozinho, então pode levar muito tempo. Por favor contacte-me em svadukia @ gmail se estiver interessado.
Claro, entre em contato com meu empregador em info@opgroup. de. Eles vão ajudar.
Percebi que você não monetiza sua página, não desperdice seu tráfego,
você pode ganhar dinheiro extra todo mês porque tem conteúdo de alta qualidade.
Se você quiser saber como fazer um extra, procure: Mrdalekjd methods for $$$
A análise técnica sempre foi rejeitada e desprezada por quants, acadêmicos ou qualquer pessoa que tenha sido treinada por teorias tradicionais de finanças. Eu trabalhei para uma mesa de negociação proprietária de um banco de primeira linha por boa parte da minha carreira, e rodeado por essas elites da liga de hera com experiência em finanças, matemática ou engenharia financeira. Eu devo admitir que nenhum desses caras sabia como trocar de direção. Eles eram bons em criação de mercado, estruturas de produto, índice de arbitragem, mas quase nenhum pode fazer direções de negociação de dinheiro. Por quê? Porque nenhum desses caras acreditava em análise técnica. Então, novamente, se você já está fazendo seus milhões, por que se preocupar em assumir o risco de direção de negociação com seu próprio dinheiro. Para mim, felizmente, meus anos de treinamento em análise técnica permitiram que eu realmente me aposentasse depois de me afastar da grande recessão. Eu olho apenas para EMA, Slow Stochastics e MACD; e eu ganhei dinheiro todos os anos desde que começou em 2009. Trabalhos de análise técnica, você só tem que saber como usá-lo !!

No comments:

Post a Comment