سفم نظام التداول

Quintuitive.

وجهات نظر بديهية كميا على الأسواق.

التداول مع دعم آلات المتجهات (سفم)

وأخيرا جميع النجوم قد الانحياز وأستطيع أن تكرس بثقة بعض الوقت للاختبار الخلفي من أنظمة التداول الجديدة، ودعم آلات ناقلات (سفم) هي جديدة & # 8220؛ لعبة & # 8221؛ والتي سوف تبقى لي مشغول لفترة من الوقت.

سفمس هي أداة معروفة من مجال آلة التعلم تحت إشراف، وتستخدم كل من التصنيف والانحدار. لمزيد من التفاصيل راجع الأدب.

يبدو لي أن التطبيق الأكثر بديهية للتداول هو الانحدار، لذلك دعونا & # 8217؛ ق عن طريق بناء نموذج الانحدار سفم.

بعد تجربتنا مع نماذج أرما + غارتش، سنبدأ بمحاولة التنبؤ بالعائدات، بدلا من الأسعار. وبالمثل، في اختباراتنا الأولى، سوف نستخدم فقط عوائد الأيام الخمسة السابقة كميزات تحدد عودة يوم معين. سنبدأ مع التاريخ من 500 يوما كما مجموعة التدريب.

في مصطلحات رياضية أكثر، لمجموعة التدريب لدينا ميزات N، لكل واحد منهم لدينا عينات M. لدينا أيضا ردود M.

نظرا لصف من قيم الميزة، المصفوفة اليسرى، يتم تدريب سفم لإنتاج قيمة الاستجابة. في مثالنا المحدد، لدينا خمسة أعمدة (ميزات)، كل عمود مناظرة للعائدات بفارق زمني مختلف (من 1 إلى 5). لدينا 500 عينات و الردود المقابلة.

مرة واحدة يتم تدريب سفم على هذه المجموعة، يمكننا البدء في تغذية مع مجموعات من خمس ميزات، المقابلة للعائدات للأيام الخمسة السابقة، وسوف سفم توفر لنا مع الاستجابة، وهو العائد المتوقع. على سبيل المثال، بعد تدريب سفم على ال 500 يوم السابقة، سوف نستخدم العوائد للأيام 500، 499، 498، 497 و 496 (هذه هي لنا كمدخل للحصول على العائد المتوقع ليوم 501.

من جميع الحزم المتوفرة في R، قررت أن تختار حزمة e1071. وكان الخيار الثاني قريب حزمة كيرنلاب، التي ما زلت تخطط لمحاولة في المستقبل.

ثم حاولت بعض الاستراتيجيات. أولا حاولت شيئا مشابها جدا لنهج أرما + غارتش & # 8211؛ أي العائدات المتخلفة عن الأيام الخمسة السابقة. لقد فوجئت تماما لرؤية هذه الاستراتيجية أداء أفضل من أرما + غارتش (هذا هو أرض الوطن من أرما + غارتش، وكنت قد سعيدة جدا فقط مع أداء مماثل)!

بعد ذلك، حاولت نفس الميزات الخمس، ولكن في محاولة لتحديد أفضل مجموعة فرعية. تم اختيار باستخدام نهج الجشع، بدءا من 0 الميزات، وإضافة تفاعلي الميزة التي تقلل من الخطأ أفضل. وقد أدى هذا النهج إلى تحسين الأمور.

وأخيرا، حاولت نهجا مختلفا مع حوالي عشرة الميزات. وشملت الميزات عوائد على مدى فترة مختلفة من الزمن (يوم واحد، يومين، 5 أيام، الخ)، وبعض الإحصاءات (متوسط، وسيط، سد، الخ) والحجم. لقد استخدمت نفس النهج الجشع لتحديد الميزات. هذا النظام النهائي أظهر أداء جيدا جدا أيضا، ولكن أخذ الجحيم من الوقت لتشغيل.

الوقت لإنهاء هذه المشاركة، نتائج الاختبار الخلفي يجب أن تنتظر. حتى ذلك الحين يمكنك أن تلعب مع شفرة المصدر الكامل نفسك. في ما يلي مثال لاستخدامه:

مرحبا، هل من الممكن أن يكون مثالا للتطبيق إذا وظيفتك؟

تم تحديث المشاركة.

مشاركة رائعة حول سفم & # 8217؛ s. شكرا للمشاركة. أنا & # 8217؛ م R مبتدئ، هل يمكن أن تخبرني ما هو الفرق بين القيام بذلك.

في ويندوز دوسن & # 8217؛ ر العمل بسبب مشكلة متعددة النوى.

شيء آخر لا أفهمه ينعكس في هذا إلى صفوف من التعليمات البرمجية.

في رأيي أنه أكثر فعالية لدمج السلسلة.

وأن يكون هناك حجة واحدة فقط = كائن لتشغيل الدالة بدلا من 2.

العمل المثير للاهتمام، وذلك بفضل.

أرغ، ويندوز & # 8211؛ أنا استخدامه نادرا في الآونة الأخيرة. فوجئت تماما لا يزال، منذ حزمة موازية هي جزء من توزيع قاعدة R الآن. نأمل أنه سيتم تناولها قريبا.

وفي الوقت نفسه، ماذا عن عدم استخدام التنفيذ المتوازي؟ أيضا هناك حزم أخرى توفر التنفيذ المتوازي، ولكن هذا سيكون المزيد من العمل.

أنت على حق بشأن الدمج & # 8211؛ ما زلت أتساءل لماذا فعلت ذلك بهذه الطريقة هذه المرة. :)

I & # 8217؛ m تلقي أخطاء.

الآن الخطأ هو.

وGT. داتا = سفمفاتوريس (ت) [، c (1،2)]

خطأ في match. fun (فان): أوبجيكت & # 8216؛ سكيونيس & # 8217؛ غير معثور عليه.

ولكن عندما أقدم يدويا كائن البيانات أتلقى خطأ في التنبؤ.

سفمكومبوتونيفوريكاست & لوت؛ - وظيفة تتعلق الأبعاد و.

من الصعب علي التصحيح.

الانحراف يأتي من حزمة بيرفورمانساناليتيكش، التي تحتاج إلى تثبيت من كران. إضافة تتطلب (بيرفورمانساناليتيكش) كما السطر الأول من سفمفاتوريس يجب أن تعالج المشكلة الأولى.

خطأ في merge. xts (ريس، شتس (n. trim (لاغ (رولمان (ريتس، ​​k = 21، ألين = & # 8220؛ رايت & # 8221؛)،:

طول & # 8216؛ ديمنامس & # 8217؛ [2] ليس مساويا لمدى الصفيف.

يبدو أنه في رمز ويندوز يحتاج إلى الكثير من التغييرات.

مايك، أنا لم يعني رمز لاستخدامها مباشرة (حتى الآن كنت توفير مقتطفات فقط)، ولكن أنا مندهش أن R على ويندوز هو قبيح جدا. لست متأكدا ما هو هدفك، ولكن لتحليل أداء الاستراتيجيات، يمكنك استخدام سلسلة المؤشرات التي تم حسابها بالفعل.

إنه & # 8217؛ مجرد اهتمام أكاديمي نقي على سفم. اعتدت على العمل مع مجموعات، يكا وأنا غريبة كيف سفم يقوم بنفس العمل.

في ويندوز الكثير من الأخطاء تتعلق الكائنات مع التواريخ كما شتس هو أو إطارات البيانات.

أونيكس هو أفضل ولكن جميع الوسطاء إعطاء أبي للنوافذ. بعض منهم في جافا وفقط هذا قد نستخدم من أونيكس.

أنا لا & # 8217؛ ر مثل العمارة الفوز لكنه & # 8217؛ s عادة بالفعل وأنا لا & # 8217؛ ر يكون الوقت لتغيير نظام التشغيل.

أنا فقط حاولت ذلك على ويندوز 7، 64 بت، R الإصدار 2.15.2. أحصل على تحذير من سفمفاتوريس، وأنا أعرف كيفية إصلاح (الدعوة سد على كستس / حديقة الحيوان الكائن لا تحويل مثيرة للاهتمام لمصفوفة)، ولكن لا توجد مشاكل. جري:

سؤال واحد إذا كنت لا العقل.

لماذا تستخدم الحصول على وظيفة سيتسيمبولس من حزمة كوانتمود؟

يمكنني استخدام المكالمة.

سبي & لوت؛ - جيتسيمبولز (& # 039؛ سبي & # 039 ؛، auto. assign = فالس)

لديك الكثير لحساب والحصول على تستهلك الذاكرة ويستغرق وقتا للحصول على اسم الكائنات.

كسلسلة فار.

ولكن أنا & # 8217؛ م فاجأ مع هذه النتيجة قبل المكالمة.

1 (& # 8230 ؛، ليست = تشاراكتر ()، باكيج = نول، lib. loc = نول،

2 فيربوس = جيتوبتيون (& # 8220؛ مطول & # 8221؛)، إنفير =.GlobalEnv)

4 فيليكست & لوت؛ - فونكتيون (x)

يبدو أن البيانات محفوظة كلمة.

والآن أنا لا أعرف ما هو الذهاب إلى ميزات وظيفة.

أنا باستخدام R 2.15.2 على لينكس 64 بت. على البيانات نظام بلدي هو أيضا وظيفة، ولكن أنا لا & # 8217؛ ر أعتقد أن هذه هي المشكلة.

ربما تكون طريقة أفضل. لقد رأيت ذلك من قبل، ولكن لا & # 8217؛ ر الانتباه حتى الآن لتحقيق أنه يفعل ذلك بالضبط. شكر.

ماذا تعني عندما تتحدث عن العوائد المتأخرة؟ هل هي القيمة 500،499،498،497،496 للتنبؤ بالعودة 501؟

نعم، يتم استخدام هذه العائدات للتنبؤ بعودة 501، والذي يستخدم كموقع (طويل / قصير اعتمادا على علامة) ل 501. يتم تدريب النموذج على البيانات السابقة فقط، أي آخر & # 8220؛ صف & # 8220؛ 8221؛ في مجموعة التدريب هو 499،498،497،496،495.

حسنا، هذا الصوت جيد، والعودة هل تستخدم هذا النموذج:

عودة t = سجل (السعر t + 1 / السعر t)

وبعد تطبيع (مركز وحجم) عودة؟

يمكنك العثور على هذه التفاصيل في شفرة المصدر المصحوبة. يمكنني استخدام عوائد منفصلة:

أنا دون & # 8217؛ ر مركز البيانات، لا أنا قياس ذلك. ومع ذلك، كلا الحزم التي يمكنني استخدامها (كاريت + كيرنلاب و e1071) يبدو أن تفعل ذلك بشكل افتراضي.

أشياء أخرى، آسف، ولكن يمكنك بناء النموذج الخاص بك على 499 القيم السابقة، وهذا هو مجموعة بيانات التدريب الخاص بك،

و أفت، r لتوقع 501 العودة يمكنك استخدام الصف الأخير كما قيم الاختبار؟

لماذا بناء نموذج على القيم 500 واستخدام الصف الأخير أي 500،499 الخ وقت آخر لاختبار أو لتدريب؟

في البرنامج التعليمي الخاص بك قلت: على سبيل المثال، بعد تدريب سفم على الأيام ال 500 السابقة، وسوف نستخدم عائدات لأيام 500، 499، 498، 497 و 496 (هذه هي لنا كمدخل للحصول على العائد المتوقع ليوم 501 .

وفي ردكم قلت: نعم، يتم استخدام هذه العوائد للتنبؤ بعودة 501، والذي يستخدم كموقف (طويل / قصير اعتمادا على علامة) ل 501. يتم تدريب النموذج على البيانات السابقة فقط، أي آخر "الصف" في مجموعة التدريب هو 499،498،497،496،495.

هل أنت بخير إذا كنت ادعي، أنا بناء النموذج على القيم 500، وتوقع 501 ط استخدام نموذج بناء سابقا وأعطيه ل & # 8220؛ أكل & # 8221؛ الصف الأخير من مجموعة بيانات التدريب أي: 500،499 كمدخلات للحصول على قيمة 501 & # 8217 المتوقعة؟

تحيات وآسف على وظيفة متعددة، ولكن لقد حصلت على مشكلة مع الشبكة الخاصة بي.

بشكل عام، أعتقد أنه ينبغي أن يكون على ما يرام لاستخدام النهج الذي تقترحه. لاحظ أن هذا النهج سيكون أكثر تطلبا بكثير لتنفيذ في التداول في الحياة الحقيقية، أو على الأقل الطريق أفعل ذلك.

إذا كان المرء أن يحسب جميع أسعار الإغلاق المعقولة مسبقا، فإن النهج الجديد سوف تحتاج إلى أن تفعل واحدة مناسبة لكل وثيقة إغلاق واحد التنبؤ. مقارنة مع النهج الآخر & # 8211؛ فإن النموذج يصلح على أساس 500 يوما السابقة، ثم فقط يتم تغذية البيانات الجديدة (مختلفة لكل وثيقة). وبعبارة أخرى، هنا لدينا صالح واحد، يتوقع العديد.

حقا معجب زميل العمل الخاص بك، إم جديد ل سفم مع R، إم تحاول استخدام عشرة المؤشرات الفنية للتنبؤ مؤشر الأسهم تومورو & # 8217؛ ق الحركات (صعودا أو هبوطا كما 1 أو -1)، عند تدريب النموذج، ماذا كنت استخدم كعمود استجابة & # 8230؛ إذا كنت في 07/07/2018 & # 8230؛ يمكنك استخدام حركة ذلك اليوم أو 08/07 & # 8217 الصورة للحصول على المؤشرات الفنية 07/07 & # 8217؛ & # 8230؛ إذا كنت تستخدم 07 / 07 & # 8217؛ s المدخلات & # 8230؛ كيف كنت فوركاست تومورو & # 8217؛ s النتائج كما كنت لا أعرف تومورو & # 8217؛ المدخلات & # 8230؛ وآمل أن يكون منطقيا & # 8230؛

سيكون موضع تقدير أي مساعدة.

مرحبا لويس، إذا كان الهدف هو فقط طويلة / قصيرة، قد ترغب في استخدام التصنيف بدلا من الانحدار. يتم تحويل معظم الحزم بصمت إلى التصنيف إذا كان متجه الاستجابة هو & # 8220؛ فاكتورس & # 8221؛ بدلا من الأرقام. راجع الكمumfinancier. wordpress / 2018/06/26 / سوبورت-فيكتور-ماشين-رسي-سيستيم / على سبيل المثال.

قبل بدء عملية الخطوة إلى الأمام، أنا محاذاة الاستجابة المطلوبة مع البيانات التي تتنبأ به. بشكل عام، وهذا هو تأخر (1) من التنبؤات (البيانات). هذا يوازي القيمة المطلوبة من 08/07 (عودة 08/07) مع التنبؤات (المؤشرات اعتبارا من 07/07 وثيقة). ثم أنا تناسب النموذج باستخدام البيانات عن طريق استبعاد آخر موعد. وبعبارة أخرى، اسمحوا & # 8217؛ ق أقول أنا على وشك التنبؤ 08/07. آخر موعد أتطلع إليه هو 07/07. وبما أن البيانات متأخرة بالفعل، فإن آخر موعد للمؤشرات هو في الواقع 06/07. وأخيرا للتنبؤ قبل يوم واحد، أنا تغذية البيانات ل 08/07، وهو ما يتوافق مع المؤشرات في 07/07. الآن يمكنني مقارنة توقع مع القيمة الحقيقية. ويمكن تطبيق ذلك بسهولة نسبيا عمليا، طالما أن المؤشرات تستند إلى أسعار الإغلاق فقط. أي شيء باستخدام عالية / منخفضة / حجم / الخ (ستوشاستيك على سبيل المثال)، يحتاج إلى أن يتأخر عن طريق يوم إضافي، أو التداول لا يمكن أن يحدث الحق في نهاية & # 8230؛ انظر مشاركتي الأخرى: كينتيتيف / 2018/08/23 / ترادينغ-أت-ذي-كلوز-ذي مشانيكش /.

أتمنى أن يساعدك هذا.

ثاتس مفيدة حقا، وذلك بفضل زميله كثيرا & # 8230؛

معظم الأوراق عن سفم على الانترنت هي بلا جدوى جدا & # 8230؛ أعتقد ليس الجميع يحب لتبادل أسرارهم هاها.

آسف، سؤال واحد آخر: لنموذج مع أفضل أداء، ما المدخلات التي استخدمتها للتنبؤ تومورو & # 8217؛ s عودة ..

أس اقتباس & # 8221؛ وأخيرا، حاولت نهجا مختلفا مع حوالي عشرة الميزات. وشملت الميزات عوائد على مدى فترة مختلفة من الزمن (يوم واحد، يومين، 5 أيام، الخ)، وبعض الإحصاءات (متوسط، وسيط، سد، الخ) والحجم. لقد استخدمت نفس النهج الجشع لتحديد الميزات. هذا النظام النهائي أظهر أداء جيدا جدا كذلك، ولكن أخذ الجحيم من الوقت لتشغيل. & # 8221؛

النموذج مع أفضل أداء، من قبل قليلا، كان يستخدم المتخلفة (بواسطة 1،2،3،4 و 5 أيام) العوائد اليومية. وكان التطور الوحيد الذي كان يستخدم طريقة الجشع لتحديد & # 8220؛ أفضل & # 8221؛ مزيج من الميزات.

انتهيت للتو من عملي، واعتمدت نهج التصنيف للتنبؤ حركة تومورو & # 8217؛ s & # 8230؛

ودقة ما يقرب من 86٪ على اختبار 140days .. وأتساءل عما إذا كان هذا هو قليلا عالية جدا & # 8230؛

ومع ذلك & # 8230؛ شكرا جزيلا لك.

يبدو عالية جدا بالنسبة لي. أنا & # 8217؛ د بالتأكيد مراجعة عدة مرات قبل أن تأخذ على محمل الجد & # 8211؛ أن & # 8217؛ s مثل وجود الكرة وضوح الشمس ؛؛)

في ما يلي فكرة، عند تحديد مجموعة التدريب، حاول أن تخفف مجموعة التدريب الخاصة بك إلى جزأين متساويين، إحداهما هي إجابة الاستجابة فوق المتوسط، والآخر هو العوائد دون المتوسط ​​& # 8230؛ وبهذه الطريقة، قد تكون دقة توقعاتك لا تتغير كثيرا، ولكن يمكنك التنبؤ الحركات بيج أكثر دقة & # 8230؛

يجب تحسين الأداء & # 8230؛ أنا & # 8217؛ حاولت هذا والنتائج لطيفة جدا & # 8230؛ واسمحوا لي أن أعرف إذا كان هذا يعمل بالنسبة لك.

اسمي اسمي كريستوف وأنا & # 8217؛ م مؤلف هذا الموضوع.

في هذا المشروع كنت تستخدم خوارزميات التعلم الآلي مختلفة (بما في ذلك سفم) في محاولة للتنبؤ إذا كانت التجارة معينة مع تب ثابتة / سي تكون ناجحة أو لا تصنيف ذلك.

بعض التعليقات / الأسئلة إلى التعليمات البرمجية.

1) باستخدام التحقق من صحة الصليب (tune. control، عبر = الصليب). هل أنت متأكد من أن استخدام التحقق من صحة الصليب هو الصحيح في حالة السلاسل الزمنية ؟؟ في مثل هذه الحالة سيتم التدريب على البيانات الماضية وبتعريف السلاسل الزمنية أنها إدخال تسرب في المستقبل والنتائج تضخم. ربما يجب استخدام خيار الإصلاح بدلا من ذلك.

2) ثوابت النواة. أهم معلمات سفم هي ثوابت النواة. لماذا يتم استخدام تلك القيم الثابتة وليس آخر ؟؟

3) حجم العينة / اختيار سفم. يرتبط وقت تدريب هذا سفم أضعافا مضاعفة إلى حجم عينة التدريب بقدر ما أتذكر. ولكن هناك سفمس أخرى المتخصصة للاستخدام مع أكبر حجم عينة التدريب على سبيل المثال. كنت تدرب نظامي على ما يصل إلى 150 000 الحانات في غضون ساعات قليلة. على سبيل المثال بيغاسوس، وليبوكاس أو سفليت. وفي مثل هذه الحالة يكون من الممكن مثلا. لاستخدام البيانات كل ساعة وحجم عينة أكبر من شأنها أن تعطي أفضل بكثير دقة.

4) لماذا لا تستخدم حزمة رويكا ولها الوصول ربما أكثر من مائة مل ألغوس.

موضوع مثير للاهتمام، بالتأكيد شيء لإلقاء نظرة على & # 8211؛ شكرا لإحضاره. ماذا تعني ب & # 8220؛ تب / سي & # 8221 ؛؟

1) التعليمات البرمجية هي في الغالب لأغراض التوضيح، وأنا لم & # 8217؛ ر تجد أنه مفيد جدا عموما. أنا أوافق، فمن المشكوك فيه للنظر في كل صف في مجموعة التدريب على أنها مستقلة عن بقية في حالة السلاسل الزمنية مع ارتباطاتها، وإنما هو نهج. وفقا ل روبجيندمان / هيندسيت / كروسفاليداتيون /، قد يكون نهج أفضل خطوة واحدة عبر التحقق من صحة باستخدام البيانات السابقة، والتي ينبغي أن تكون سهلة نسبيا لإضافة.

2) لا شيء خاص حول هذه الثوابت كيرنيل & # 8211؛ مجرد مجموعة لتكرار من خلال. أعتقد أنني استخدمت القيم الموجودة في الأمثلة باستخدام الحزمة (ق). الأمثل يختار الأفضل.

3) من الجيد أن تعرف. حاليا أنا لا & # 8217؛ t التداول خلال اليوم، لذلك لم يكن لدي حاجة للتعامل مع مثل هذه كميات كبيرة من البيانات. للحصول على البيانات اليومية، وزيادة النافذة يحسن الأداء، ولكن ما يصل الى نقطة من تجربتي. وهناك عداد قليلا بديهية أن نافذة أطول فترة سيؤدي إلى تحسين التوقعات إلى أجل غير مسمى - في بعض نقطة البيانات هو أكثر من اللازم (كنسبة مقابل عدد المعلمات الأمثل).

4) هافن & # 8217؛ ر حقا بدا في رويكا. أصلا بدأت مع e1071 لأنه & # 8217؛ ق سريعة ومستقرة جدا. ثم تحولت إلى كاريت، الذي يوفر واجهة موحدة لكثير من حزم أخرى، بما في ذلك بعض خوارزميات من رويكا. في تجربتي، أنا ملاذ & # 8217؛ ر وجدت نهج مل التي تقف حقا للتنبؤ البيانات سلسلة زمنية. هل؟

شكرا للمشاركة،

1) باستخدام التحقق من صحة الصليب (tune. control، عبر = الصليب). هل أنت متأكد من أن استخدام التحقق من صحة الصليب هو الصحيح في حالة السلاسل الزمنية ؟؟ في مثل هذه الحالة سيتم التدريب على البيانات الماضية وبتعريف السلاسل الزمنية أنها إدخال تسرب في المستقبل والنتائج تضخم. ربما يجب استخدام خيار الإصلاح بدلا من ذلك.

يجب أن يكون & # 8216؛ في مثل هذه الحالة سيتم التدريب على البيانات المستقبلية & # 8217؛

لا ينفذ تطبيقي & # 8217؛ t (على الأقل حسب التصميم؛)) استخدام البيانات المستقبلية. إذا كان التاريخ هو 500 نقطة، يتم استخدام التحقق من صحة الصليب ضمن هذه 500 لتحديد أفضل تناسب.

تب / سي & # 8211؛ أخذ الربح / وقف الخسارة. كان النظام يحاول التداول في كل شريط (شراء أو بيع) من التسمية.

تم تحديد (التجارة ناجحة / غير ناجحة) يعتمد إذا تم ضرب تب أو سي أولا.

& # 8220؛ إذا كان التاريخ هو 500 نقطة، يتم استخدام التحقق من صحة الصليب ضمن هذه 500 لتحديد أفضل تناسب & # 8221؛

حسنا في مثل هذه الحالة في نتائج العينة سوف تضخم وليس له معنى. على سبيل المثال إذا قمت بتقسيم فترة التدريب لمدة 10 فترات فرعية وتدريب على فترات 1-8 و 10 من التقييم على فترة 9، يحدث تسرب في المستقبل كما فترة 10 بعد فترة 9 لذلك في المستقبل.

هذا كيف يعمل التحقق من صحة الصليب وأعتقد وأنه ينطبق فقط لأنماط ثابتة. فقط المشي إلى الأمام له معنى في حالة السلاسل الزمنية.

عندما أحاول رمز أجد روك 2 للصف 29/03/195: هو الفرق بين: قيمة 28/03 و 24/03 القسمة بقيمة 24/03، لماذا ليست قيمة 27/03 - قيمة 24/03 قسمة بقيمة 24/03 & # 8230؛.

الرمز هو للتوضيح. يمكنك تعديله على أي حال تريد واستخدام أي الميزات التي تعتقد أنها قد تحسن التنبؤات. تأتي وظيفة روك من حزمة تر.

هل من الممكن أن يكون مؤامرة من نموذج أرما و سفم خارج العينة لمقارنة أدائها؟

ليس من المرجح أن تحصل على الوقت للعودة إليها، ولكن سوف نضعها في الاعتبار.

التداول مع دعم آلات المتجهات (سفم)

وأخيرا جميع النجوم قد الانحياز، وأنا يمكن أن تكرس بثقة بعض الوقت للاختبار الخلفي من أنظمة التداول الجديدة، ودعم آلات ناقلات (سفم) هي "لعبة" الجديدة التي سوف تبقى لي مشغول لفترة من الوقت.

سفمس هي أداة معروفة من مجال آلة التعلم تحت إشراف، وتستخدم كل من التصنيف والانحدار. لمزيد من التفاصيل راجع الأدب.

يبدو لي أن التطبيق الأكثر بديهية للتجارة هو الانحدار، لذلك دعونا نبدأ من خلال بناء نموذج الانحدار سفم.

بعد تجربتنا مع نماذج أرما + غارتش، سنبدأ بمحاولة التنبؤ بالعائدات، بدلا من الأسعار. وبالمثل، في اختباراتنا الأولى، سوف نستخدم فقط عوائد الأيام الخمسة السابقة كميزات تحدد عودة يوم معين. سنبدأ مع التاريخ من 500 يوما كما مجموعة التدريب.

في مصطلحات رياضية أكثر، لمجموعة التدريب لدينا ميزات N، لكل واحد منهم لدينا عينات M. لدينا أيضا ردود M.

نظرا لصف من قيم الميزة، المصفوفة اليسرى، يتم تدريب سفم لإنتاج قيمة الاستجابة. في مثالنا المحدد، لدينا خمسة أعمدة (ميزات)، كل عمود مناظرة للعائدات بفارق زمني مختلف (من 1 إلى 5). لدينا 500 عينات و الردود المقابلة.

مرة واحدة يتم تدريب سفم على هذه المجموعة، يمكننا البدء في تغذية مع مجموعات من خمس ميزات، المقابلة للعائدات للأيام الخمسة السابقة، وسوف سفم توفر لنا مع الاستجابة، وهو العائد المتوقع. على سبيل المثال، بعد تدريب سفم على ال 500 يوم السابقة، سوف نستخدم العوائد للأيام 500، 499، 498، 497 و 496 (هذه هي لنا كمدخل للحصول على العائد المتوقع ليوم 501.

من جميع الحزم المتوفرة في R، قررت أن تختار حزمة e1071. وكان الخيار الثاني قريب حزمة كيرنلاب، التي ما زلت تخطط لمحاولة في المستقبل.

ثم حاولت بعض الاستراتيجيات. أولا حاولت شيئا مشابها جدا لنهج أرما + غارتش - العوائد المتأخرة من الأيام الخمسة السابقة. لقد فوجئت تماما لرؤية هذه الاستراتيجية أداء أفضل من أرما + غارتش (هذا هو أرض الوطن من أرما + غارتش، وكنت قد سعيدة جدا فقط مع أداء مماثل)!

بعد ذلك، حاولت نفس الميزات الخمس، ولكن في محاولة لتحديد أفضل مجموعة فرعية. تم اختيار باستخدام نهج الجشع، بدءا من 0 الميزات، وإضافة تفاعلي الميزة التي تقلل من الخطأ أفضل. وقد أدى هذا النهج إلى تحسين الأمور.

وأخيرا، حاولت نهجا مختلفا مع حوالي عشرة الميزات. وشملت الميزات عوائد على مدى فترة مختلفة من الزمن (يوم واحد، يومين، 5 أيام، الخ)، وبعض الإحصاءات (متوسط، وسيط، سد، الخ) والحجم. لقد استخدمت نفس النهج الجشع لتحديد الميزات. هذا النظام النهائي أظهر أداء جيدا جدا أيضا، ولكن أخذ الجحيم من الوقت لتشغيل.

الوقت لإنهاء هذه المشاركة، نتائج الاختبار الخلفي يجب أن تنتظر. حتى ذلك الحين يمكنك أن تلعب مع شفرة المصدر الكامل نفسك. في ما يلي مثال لاستخدامه:

التعليقات مغلقة.

المشاركات الشعبية الأخيرة.

أكثر المقالات التي تمت زيارتها في الأسبوع.

وظائف للمستخدمين R.

هو مدعوم من وورد باستخدام تصميم بافوتاسان.

كوبيرايت & كوبي؛ 2017 R - المدونين. كل الحقوق محفوظة. الشروط والأحكام لهذا الموقع.

سفم آلة التعلم نظام التداول - إعادة نشر - مفتوحة لتقديم العطاءات.

روزبوسيت دقيقة. $ 50 أوسد / هود.

فريلانسر زاك & أكوت؛ زكي ألغوريتمي سفم آلة التعلم نظام التداول - إعادة نشر - مفتوحة لتقديم العطاءات.

أسعى خبير في الذكاء الاصطناعي باستخدام سفم آلة تعلم البرمجة للمساعدة في تطوير نظام التداول الخاص بي للسوق المالية الفوركس يجب أن يكون لديك المعرفة والفهم لتنفيذ الأفكار التجارية، وخلق مؤشرات لاختبار باستخدام سفم. معالجة ما قبل البيانات (البيانات المالية)، وخوارزميات التنبؤ دقيقة، واختيار السمة اليمنى والميزات الخ ويرحب مقدم الطلب أيضا لإدخال أفكارهم الخاصة، والخبرة الخاصة بك تتطلب مشكلة الاعتراف وإيجاد الحلول.

يحتاج النظام لتطوير من البداية إلى النهاية نظام التداول الآلي الكامل بالكامل لاستخدامها والعمل على ميتا التاجر 4 أو 5.

M & أكوت؛ تي z & أكوت؛ جيم سي فيداتل؟

في زكراتس بوبي & سكارون؛ تي سفيج n & أكوت؛ فره.

نيشت سي زا فا & سكارون؛ i بيأر & أكوت؛ سي زابلاتيت.

Založen & iacute؛ & أواكوت؛ čtu a زفيجوف & أكوت؛ n & إاكوت؛ ناب & إاكوت؛ ديك نا بروجيكتي جي زدارما.

6 freelanceů نا تينتو بروجيكت زفيجنيلو نابيدكو v průměrné hodnotě $ 295 / هود.

مرحبا، أنا سرابه جين، أنا مهتم في المشروع. لقد وضعت إي على ميتاتريدر باستخدام آن (تغذية إلى الأمام مع انتشار الظهر) مع تفاصيل كبيرة عن ميزات إدارة التجارة. وأظهرت نتائج جيدة عند استخدام V & إاكوت؛ سي.

لدي خبرة في العمل مع خوارزميات التعلم الآلي. لقد عملت على تطبيق تحليل المشاعر باستخدام نايف بايزي مصنف وتدفق الموتر جوجل والعلم الخيال العلمي تعلم. أنا على دراية مختلفة V & إاكوت؛ سي.

بعد قراءة الوصف بعناية. شعرت إمكاناتي لنوعية ممتازة. السبب أنا & # 039؛ م المتاحة 20hours، 7days.

يجب أن نتحدث في الشخصية .. لقد عملت مع سفم في المشاريع ولدي معرفة استخراج البيانات والتلاعب. لدي خلفية جيدة في الذكاء الاصطناعي.

M & أكوت؛ تي z & أكوت؛ جيم سي فيداتل؟

في زكراتس بوبي & سكارون؛ تي سفيج n & أكوت؛ فره.

نيشت سي زا فا & سكارون؛ i بيأر & أكوت؛ سي زابلاتيت.

Založen & iacute؛ & أواكوت؛ čtu a زفيجوف & أكوت؛ n & إاكوت؛ ناب & إاكوت؛ ديك نا بروجيكتي جي زدارما.

Podobn و[إكت]؛ PROJEKTY.

بوتيبوجيت نا فا & سكارون؛ i زاك & أكوت؛ زكو زامستنات فريلانسيرا؟

Založen & iacute؛ & أواكوت؛ čtu جي زدارما، زاديجت، كو بوتيبوجيت a سينوف & إيكوت؛ ناب & إاكوت؛ دكي obdrž & إاكوت؛ تي بوهم نيكوليكا فتين.

Čeština - جمهورية التشيك.

N & أكوت؛ بوفدا a بودبورا.

مستقل.

باهلد o n & أكوت؛ s.

Aplikace.

فريلانسر & ريج؛ هي علامة تجارية مسجلة لشركة فريلانسر تيشنولوغي بتي ليميتد (أن 142 189 759)

كوبيرايت & كوبي؛ 2017 فريلانسر تيشنولوغي بتي ليميتد (أن 142 189 759)

سفم آلة التعلم نظام التداول - إعادة نشر - مفتوحة لتقديم العطاءات.

الميزانية دقيقة 50 دولار أمريكي / ساعة.

فريلانسر جوبس خوارزمية سفم ماشين ليارنينغ ترادينغ سيستيم - ريبوست - أوبين تو بيدينغ.

أسعى خبير في الذكاء الاصطناعي باستخدام سفم آلة تعلم البرمجة للمساعدة في تطوير نظام التداول الخاص بي للسوق المالية الفوركس يجب أن يكون لديك المعرفة والفهم لتنفيذ الأفكار التجارية، وخلق مؤشرات لاختبار باستخدام سفم. معالجة ما قبل البيانات (البيانات المالية)، وخوارزميات التنبؤ دقيقة، واختيار السمة اليمنى والميزات الخ ويرحب مقدم الطلب أيضا لإدخال أفكارهم الخاصة، والخبرة الخاصة بك تتطلب مشكلة الاعتراف وإيجاد الحلول.

يحتاج النظام لتطوير من البداية إلى النهاية نظام التداول الآلي الكامل بالكامل لاستخدامها والعمل على ميتا التاجر 4 أو 5.

تبحث لجعل بعض المال؟

تعيين ميزانيتك والإطار الزمني.

حدد مقترحك.

الحصول على أموال لعملك.

إنه مجاني للاشتراك وعرض الأسعار على الوظائف.

6 لحسابهم الخاص مناقصة في المتوسط ​​295 $ / ساعة لهذه الوظيفة.

مرحبا، أنا سرابه جين، أنا مهتم في المشروع. لقد وضعت إي على ميتاتريدر باستخدام آن (تغذية إلى الأمام مع انتشار الظهر) مع تفاصيل كبيرة عن ميزات إدارة التجارة. وأظهرت نتائج جيدة عندما تستخدم أكثر.

لدي خبرة في العمل مع خوارزميات التعلم الآلي. لقد عملت على تطبيق تحليل المشاعر باستخدام نايف بايزي مصنف وتدفق الموتر جوجل والعلم الخيال العلمي تعلم. أنا على دراية مختلفة أكثر.

بعد قراءة الوصف بعناية. شعرت إمكاناتي لنوعية ممتازة. السبب أنا & # 039؛ م المتاحة 20hours، 7days.

يجب أن نتحدث في الشخصية .. لقد عملت مع سفم في المشاريع ولدي معرفة استخراج البيانات والتلاعب. لدي خلفية جيدة في الذكاء الاصطناعي.

تبحث لجعل بعض المال؟

تعيين ميزانيتك والإطار الزمني.

حدد مقترحك.

الحصول على أموال لعملك.

إنه مجاني للاشتراك وعرض الأسعار على الوظائف.

وظائف مماثلة.

تحتاج إلى استئجار لحسابهم الخاص عن وظيفة؟

إنه مجاني للاشتراك، اكتب ما تحتاج إليه & أمب؛ تلقي اقتباسات مجانية في ثوان.

الإنجليزية - جنوب أفريقيا.

مستقل.

شروط.

فريلانسر & ريج؛ هي علامة تجارية مسجلة لشركة فريلانسر تيشنولوغي بتي ليميتد (أن 142 189 759)

كوبيرايت & كوبي؛ 2017 فريلانسر تيشنولوغي بتي ليميتد (أن 142 189 759)

سفم آلة التعلم نظام التداول - إعادة نشر.

الميزانية 274 دولار أمريكي / ساعة.

فريلانسر جوبس خوارزمية سفم آلة التعلم نظام التداول - إعادة نشر.

أسعى خبير في الذكاء الاصطناعي باستخدام سفم آلة تعلم البرمجة للمساعدة في تطوير نظام التداول الخاص بي للسوق المالية الفوركس يجب أن يكون لديك المعرفة والفهم لتنفيذ الأفكار التجارية، وخلق مؤشرات لاختبار باستخدام سفم. معالجة ما قبل البيانات (البيانات المالية)، وخوارزميات التنبؤ دقيقة، واختيار السمة اليمنى والميزات الخ ويرحب مقدم الطلب أيضا لإدخال أفكارهم الخاصة، والخبرة الخاصة بك تتطلب مشكلة الاعتراف وإيجاد الحلول.

يحتاج النظام لتطوير من البداية إلى النهاية نظام التداول الآلي الكامل بالكامل لاستخدامها والعمل على ميتا التاجر 4 أو 5.

تبحث لجعل بعض المال؟

تعيين ميزانيتك والإطار الزمني.

حدد مقترحك.

الحصول على أموال لعملك.

إنه مجاني للاشتراك وعرض الأسعار على الوظائف.

1 فريلانسر هو تقديم العطاءات في المتوسط ​​$ 274 لهذه الوظيفة.

يستأجرها صاحب العمل.

وظائف أخرى من هذا صاحب العمل.

وظائف مماثلة.

تحتاج إلى استئجار لحسابهم الخاص عن وظيفة؟

إنه مجاني للاشتراك، اكتب ما تحتاج إليه & أمب؛ تلقي اقتباسات مجانية في ثوان.

مستقل.

شروط.

فريلانسر & ريج؛ هي علامة تجارية مسجلة لشركة فريلانسر تيشنولوغي بتي ليميتد (أن 142 189 759)

كوبيرايت & كوبي؛ 2017 فريلانسر تيشنولوغي بتي ليميتد (أن 142 189 759)