بيانات سلسلة الوقت الفوركس

آخر الأخبار.
بيانات سلسلة الوقت الفوركس.
يوفر بيانات البحث اللحظي التاريخية الجاهزة للأسهم العالمية، والخيارات، والفوركس، والعقود الآجلة، والمؤشرات النقدية، ومؤشرات السوق. [ليتكسباج] في الآونة الأخيرة، كتبت عن تركيب نماذج عكس الوقت المتوسط ​​انعكاس للبيانات المالية، وذلك باستخدام التنبؤات نماذج كأساس لاستراتيجية التداول. التحسينات، المفاهيم الجديدة هي. سوق العملات الأجنبيةفوريكس، فوق-- كونتروتك) لتداول العملات،،، سوق العملات) هو لامركزية عالمية، العملات الأجنبية العملات الأجنبية مثل ور / أوسد تظهر أفضل النتائج. مانويل فوليس ميلانو فينانزا فوريكس. بيانات سلسلة الوقت الفوركس. نحن. انضم اليوم مجلة تداول العملات الأجنبية لتتبع الأداء الخاص بك مقالة اليوم سوف تناقش واحدة من أهم قطع اللغز من المهنية فوركسثير هو قدرا كبيرا من النظرية الأكاديمية تدور حول العملات. ملخص: بالنسبة لمعظم التجار الفوركس، وأفضل وقت من اليوم للتداول هو ساعات التداول الآسيوية ساعة. ملخص موجز الحجم. تقويم الفوركس متقدمة للغاية، والمعلومات التي تساعد التجار الفوركس اتخاذ قرارات أفضل.، موثوق بها تقويم الفوركس موثوق معبأة مع الميزات أيضا، استراتيجية الخيارات الثنائية،. أكثر من 5000 إيكسيرت مستشار)، كتاب، مؤشر، نظام التداول، وغيرها من برامج الفوركس.، روبوت هذا هو الوقت المناسب للحصول على أساسيات تعيين الأساس لتعليم تداول الفوركس الخاص بك. وف جامعة الفوركس أسواق تداول العقود الآجلة معلومات تاجر من جامعة لتداول الفوركس التعليم إلى الفوركس العقود الآجلة تداول أساليب التداول والتجار.
ضع علامة على البيانات فقط. سوف مدرب تجارة الفوركس من قبل أندرو ميتشم، من مزارع الألبان لتاجر الفوركس ناجحة تبادل قصص نجاحه في تداول العملات الأجنبية. في الوقت الحقيقي التقويم الاقتصادي تغطي الأحداث الاقتصادية، ومؤشرات من جميع أنحاء العالم، وتحديثها تلقائيا عندما يتم الافراج عن بيانات جديدة. بيانات سلسلة الوقت الفوركس. استراتيجيات C ++. فري دونلوادبيجينر. الانضمام إلى مجتمع ناسداك اليوم، والوصول الفوري إلى المحافظ، والحصول على الحرة، والتنبيهات في الوقت الحقيقي، وتصنيفات الأسهم، وأكثر! يوفر ترادينجفيو أحدث الأسهم، والعقود الآجلة، والبيانات بيتكوين في شكل مفيد يعمل على أي جهاز.، مؤشر، الفوركس في سهل الإنجليزية، سلسلة زمنية هو مجرد سلسلة من الأرقام. عودة اختبار فود.
حاليا التداول عبر الإنترنت محاكي. مجموعة الفوركس، حزمة. سوف بعض خوارزميات التعلم آلة تحقيق أداء أفضل إذا كان لديك سلسلة البيانات الزمنية لديها مقياس ثابت والتوزيع. برنامج اختبار استراتيجية الفوركس. على عكس الانحدار النمذجة التنبؤية، سلسلة زمنية يضيف أيضا تعقيد أ. مشاكل التنبؤ السلاسل الزمنية هي نوع صعب من مشكلة النمذجة التنبؤية. في حين غالبا ما لا تنطبق مباشرة على التداول يوما بعد يوم، فمن المفيد أن نفهم. إشارات تداول العملات الأجنبية حرة في استخدام المخاطر الخاصة بك). التداول مع مؤشر حجم يوفر الميزات التالية: حجم يؤكد قوة الاتجاه، يشير إلى ضعفه. إيبورف الهند سلسلة الوقت هو قاعدة بيانات تفاعلية على الانترنت عن الاقتصاد الهندي. إي التوافق المصدر.
اثنين من التقنيات التي يمكنك استخدامها ل. سلسلة من نقاط البيانات العددية في الترتيب المتعاقب، وعادة ما تحدث في فترات موحدة. في هذا القسم، سوف تتعلم ما يلي: أواندا مختبرات الفوركس تقدم أدوات جديدة لتحليل العملات والأفكار.

بيانات سلسلة الوقت في الفوركس
في تينسوربيت 2017، واحدة من الدورات نظرت في القيمة التي جلبتها حلول التعلم العميق للقطاع المالي. هذه المشاركة بلوق ميزات بعض الأفكار، مع التركيز على توظيف تنسورفلو لتحليل البيانات في سوق الصرف الأجنبي.
النماذج المتغيرة الكامنة.
دانيال إغلوف شارك تجربته في بناء نموذج التوليدية للبيانات المالية سلسلة زمنية وأظهرت كيفية تنفيذها مع تنسورفلو. وأشار إلى أن هذا النوع من النماذج - على سبيل المثال، شبكات الخصوم التوليدية (غانز) أو مفتشي السيارات المتغيرين - هو ابتكار حديث جدا في التعلم العميق.
"في مجال التمويل، التعلم العميق هو مكمل للنماذج القائمة، وليس بديلا".
-Daniel إغلوف، كوانتاليا.
لذلك، كيف يجلب التعلم العميق قيمة للتمويل؟
علاقة وظيفية أكثر ثراء بين المتغيرات التفسيرية والاستجابة نموذج التفاعلات المعقدة اكتشاف ميزة تلقائية قادرة على التعامل مع كميات كبيرة من البيانات إجراءات التدريب القياسية مع باكبروباغاتيون و ستوكاستيك الانحدار النسب مجموعة متنوعة من الأطر والأدوات.
وفي هذا السياق، عرض دانيال نماذج متغيرة كامنة، تسمح بما يلي:
شرح أفضل لتوزيع البيانات التوزيع المسبق للحساب تحديد احتمال البيانات كدالة متغرية كامنة استنتاج توزيع المتغير الكامن البيانات المعطاة.
ويمكن اعتبار المتغير الكامن بمثابة تمثيل مشفر، حيث يكون الاحتمال بمثابة مفكك ومفكك تشفير.
التعامل مع أقصى قدر من الاحتمالات، قد يواجه المرء أن الهامشية والخلفية هي مستعصية والحساب يعاني من التعقيد الأسي. ويمكن معالجة هذا مع سلسلة ماركوف، خوارزمية هاميلتونيان مونت كارلو، وتقريب / الاستدلال التباين.
لتمكين التقريب مع برامج التشغيل التلقائية المتغيرة:
افترض الفضاء الكامن مع التوزيع السابق معلمات احتمال مع شبكة عصبية عميقة تقريبي مستعصية الخلفي مع شبكة عصبية عميقة تعلم المعلمات مع باكبروباغاتيون.
وعند تطبيقه على بيانات السلاسل الزمنية، استخدم دانيال الدالة الغوسية، وتوزيعاتها (يتم حساب المعلمات من الشبكة العصبية المتكررة)، والاستدلال المتغير (لتدريب نموذج). وعند تضمين بيانات السلاسل الزمنية، استخدم تأخيرا يتراوح بين 20 و 60 ملاحظة تاريخية في كل خطوة زمنية.
تنفيذ مع تنسورفلو.
لتشغيل عملية تدريب نموذج يستند إلى تنسورفلو، تم اختيار غبوس P100. (ومع ذلك، تتطلب سلسلة زمنية طويلة وأحجام دفعة كبيرة ذاكرة غبو كبيرة. وقد كتبنا سابقا كيفية معالجة مثل هذه المشكلة.)
لذلك، لتحرير الشبكة العصبية المتكررة (رن)، tf. nn. dynamic_rnn يمكن استخدامها كما أنها بسيطة للعمل مع ويعالج طول تسلسل متغير. على الرغم من أنها ليست مرنة بما يكفي للشبكات التوليدية. للاستمتاع بمزيد من المرونة، يمكن للمرء أن يستخدم tf. while_loop. ومع ذلك، فإنه يأتي في مزيد من الترميز ويتطلب فهم شامل لهياكل التحكم.
ثم أثبت دانيال التنفيذ على مستوى التعليمات البرمجية، والذي يتضمن الخطوات التالية:
إعداد متغير والوزن تخصيص كائنات تنسوراراي ملء المدخلات تينسوراراي الكائنات مع البيانات في حين استدلال حلقة حلقة (تحديث الاستدلال رن الدولة والمولد رن الدولة) استدعاء حلقة في حين التراص تينسوراراي الكائنات حساب الخسارة.
تتوفر عينات الشفرة في سطح الشريحة أدناه.
تحليل بيانات سوق الفوركس.
كيف يمكن تطبيقها على احتياجات القطاع المالي؟ وأوضح دانيال كيف يمكن للتعلم العميق أن يساعد في سوق النقد الأجنبي.
تعمل 24 ساعة، خمسة ونصف يوم في الأسبوع، أكبر سوق في العالم وأكثرها سيولة هو منافسة شرسة دائمة بين المشاركين. سوق الفوركس هو اللامركزية، مما يعني أنه ليست هناك حاجة للذهاب من خلال تبادل مركزي وسعر لعملة معينة يمكن أن تتغير أي ثانية. ويبلغ حجم التداول اليومي للسوق 5.1 تريليون دولار في عام 2018، حيث بلغ معدل دوران الذروة في عام 2018 - 5.3 تريليون دولار، وهو ما يزيد قليلا عن 220 مليار دولار في الساعة.
مع تدفق البيانات هائلة، وهي ممارسة شائعة دانيال المشتركة هو جمع البيانات القراد من الولايات المتحدة الأمريكية والأوروبية متداخلة الدورة. والسبب في ذلك بسيط لأن نشاط التداول هو الأعلى، ويوفر مصادر بيانات قيمة لدفع الأفكار من. لذلك، يتم تدريب النموذج على هذه البيانات الجديدة التي تم التقاطها ويتم تطبيقها كذلك على بقية الدورة الأمريكية.
وأظهر دانيال بعد ذلك تدفق بيانات مدته 10 دقائق وتم تجميعه في مخطط مفتوح عالي الإغلاق.
كما يمكن أن يرى، هناك قفزات كبيرة جدا في التحركات السعر في الرسم البياني. للحصول على قيمة من هذه المعلومات، يمكن للمرء أن تطبيع البيانات مع الانحراف المعياري على مدى فترة التدريب. في عام 2018، كان هناك 260 يوم تداول، وقام الفريق بتدريب نموذج يوميا.
وبالتالي، فإن الحل يساعد على تتبع وتيرة سوق الفوركس يتحرك في، وتحليل الذروة مقابل فترات الركود، ومراقبة الاتجاهات، وجعل التنبؤات على أساس هذه المعلومات.
تريد التفاصيل؟ مشاهدة الفيديو!
الشرائح ذات الصلة.
القراءة ذات الصلة.
حول المتكلم.
دانيال إغلوف هو شريك في إنكيوب المجموعة والمدير الإداري لشركة كوانتاليا، وهي شركة هندسة البرمجيات السويسرية المتخصصة في تطوير البرمجيات غبو. درس الرياضيات، والفيزياء النظرية، وعلوم الكمبيوتر. يتمتع دانيال بخبرة تزيد عن 15 عاما كخبرة في صناعة الخدمات المالية.
لا تنزعج مع آخر التحديثات، والاشتراك في بلوق لدينا أو متابعةaltoros.
المعايير والبحوث.
الاشتراك في مشاركات جديدة.
الاقسام.
الاشتراك في مشاركات جديدة.
حول ألتوروس.
ألتوروس هو 300+ الناس الاستشارية القوية التي تساعد غلوبال 2000 المنظمات مع منهجية والتدريب وكتل بناء التكنولوجيا، وتطوير الحلول من البداية إلى النهاية. وتحول الشركة سحابة التطبيق الأصلي التنمية، تحليلات العملاء، بلوكشين، ومنظمة العفو الدولية في المنتجات ذات الميزة التنافسية المستدامة. ألتوروس تساعد الشركات في طريقها إلى التحول الرقمي، والوقوف وراء بعض من أكبر النشرات مسبك سحابة في العالم.

فوريكس تحليل سلسلة الوقت.
تحليل السلاسل الزمنية هو حول تعلم السمات الأساسية لسلسلة معينة من أجل جعل التنبؤات في المستقبل. واحدة من أهم الحقائق حول السلاسل الزمنية المالية هي الترابط الذاتي (الترابط التسلسلي). لذلك نحن نريد في نهاية المطاف مع نموذج قادر على توضيح لماذا هناك علاقة متسلسلة.
كما ترون من الصيغ أعلاه، الارتباط المتسلسل هو ارتباط السلاسل الزمنية مع نفسها. لذلك هذا هو السمة الأساسية للبيانات المالية: الملاحظات بعيدا عن بعضها البعض.
إذا جلبنا على سبيل المثال أسعار أكوك ستكوك من ياهو المالية ومؤامرة الرسم البياني، يمكننا التأكد من العائدات اليومية لديها التوزيع الطبيعي تقريبا.
ماذا تعني؟ يمكننا بناء نماذج لشرح هذا التوزيع. ثاتس لماذا المشي العشوائي (ويينر عملية) هو بداية جيدة. نحن نفترض أسعار الأسهم ومحافظ تتبع المشي العشوائي. سلسلة وقت المشي العشوائي هي شيء مثل x (t) = x (t-1) + w (t) حيث w (t) هو مصطلح ضوضاء أبيض حتى N (0، σ 2). فماذا علينا أن نفعل؟ إذا كان لدينا نموذج سلسلة زمنية (المشي العشوائي، أر، ما، أرما & # 8230؛) لدينا للتحقق من الارتباط الذاتي المؤامرة (أسف). وهو يخبرنا ما إذا كان النموذج الخارجي قادر على تفسير الترابط التسلسلي أم لا.
هذا هو الهدف عند بناء نماذج ل فوريكس: نود أن نوضح الارتباط التسلسلي وينتهي مع مؤامرة أسف مثل هذا. إذا كنا نستخدم المشي العشوائي ل S & أمبير؛ P500 يمكننا أن نصل إلى استنتاج أن المشي العشوائي ليس أفضل نموذج ممكن للأصول المالية!
نموذج الانحدار التلقائي (أر)
نموذج الانحدار الذاتي هو تعميم المشي العشوائي: بدلا من النظر في مجرد ملاحظة واحدة في الماضي w (t-1)، ونحن نحافظ على المزيد والمزيد من القيم الماضية. وينظر أمر نموذج الانحدار الذاتي في أر (p) في الملاحظات السابقة.
كما ترون أر (1) هو المشي العشوائي نفسه. إذا حاولنا نموذج الأصول المالية (الأسهم والمحافظ) مع نموذج الانحدار الذاتي، ونحن لسنا قادرين على شرح كل الترابط التسلسلي. ماذا تعني؟ وهذا يعني أننا بحاجة إلى نماذج أكثر تعقيدا لفهم تعقيد السوق.
موفينغ أفيراج موديل (ما)
يتمثل متوسط ​​المتوسط ​​المتحرك في تضمين المزيد والمزيد من مصطلحات الضوضاء البيضاء السابقة في نموذجنا. في بعض الأحيان أنها تعمل بشكل جيد، وأحيانا ليس كذلك.
في رأيي، نموذج المتوسط ​​المتحرك لا يزال غير معقد بما فيه الكفاية لفهم الأساسيات فيما يتعلق بالسوق. والمشكلة الرئيسية في هذه النماذج هي أنها لا تأخذ في الحسبان تجميع التقلب. ما هي مجموعة التقلب؟ وهذا يعني أن السلسلة المالية ليست ثابتة: التباين (التقلبات) ليس ثابتا. علينا أن نجد نماذج قادرة على شرح التجمعات التقلب كذلك. جنبا إلى جنب أريما و غارتش نموذج قادر على شرح كل من التسلسل المتسلسل وكذلك التقلب تجميع!
مهتم في الخوارزميات؟ خذ خوارزميات & أمبير؛ هياكل البيانات بالطبع مجانا.
دورات مجانية.
أحدث من بلوغ.
حقوق التأليف والنشر & # x000A9. 2018 - الموقع الذي صممه دعم البرمجيات العالمية.

الشبكات العصبية للتجارة الخوارزمية. بسيطة سلسلة الوقت التنبؤ.
تحديث هام:
هذا هو الجزء الأول من تجاربي على تطبيق التعلم العميق للتمويل، ولا سيما في التداول الخوارزمي.
أريد أن أطبق نظام التداول من الصفر فقط على نهج التعلم العميق، وذلك لأي مشكلة لدينا هنا (التنبؤ السعر، واستراتيجية التداول، وإدارة المخاطر) ونحن ستعمل استخدام أشكال مختلفة من الشبكات العصبية الاصطناعية (أنس) والتحقق من مدى ما يمكن امسك هذا.
الآن أعتزم العمل على الأقسام التالية:
التنبؤ بالسلاسل الزمنية مع البيانات الأولية التنبؤ بالسلاسل الزمنية مع الخصائص المخصصة تحسين فرط المعاملات تطبيق إستراتيجية التداول وإدارة المخاطر وإدارة المخاطر استراتيجيات التداول الأكثر تطورا والتعلم التعزيزي العيش والوسطاء أبي وكسب المال (l̶o̶s̶i̶n̶g̶).
أنا أوصي لك للتحقق من رمز و إبيثون مفكرة في هذا المستودع.
في هذا، الجزء الأول، أريد أن أظهر كيف يمكن أن تستخدم ملبس، كننس و رنس للتنبؤ سلسلة زمنية مالية. في هذا الجزء نحن لن تستخدم أي هندسة الميزة. لننظر فقط في مجموعة البيانات التاريخية لتحركات أسعار مؤشر S & أمب؛ P 500. لدينا معلومات من 1950 إلى 2018 حول مفتوحة، وثيقة، وارتفاع، وانخفاض الأسعار عن كل يوم في السنة وحجم الصفقات. أولا، سنحاول فقط للتنبؤ سعر وثيق في نهاية اليوم التالي، والثانية، وسوف نحاول التنبؤ العودة (سعر الإغلاق - سعر مفتوح). تحميل مجموعة البيانات من ياهو المالية أو من هذا المستودع.
تعريف المشكلة.
وسوف ننظر في مشكلتنا كما 1) مشكلة الانحدار (في محاولة للتنبؤ بالضبط سعر وثيق أو العودة في اليوم التالي) 2) مشكلة التصنيف الثنائي (السعر سيرتفع [1، 0] أو أسفل [0، 1]).
لتدريب ننس نحن ستعمل استخدام إطار كيراس.
أولا دعونا إعداد بياناتنا للتدريب. نريد أن نتوقع t + 1 قيمة استنادا إلى N أيام السابقة المعلومات. على سبيل المثال، وجود أسعار قريبة من 30 يوما الماضية في السوق نريد أن نتوقع، ما هو الثمن سيكون غدا، في اليوم ال 31.
نستخدم أول 90٪ من السلاسل الزمنية كمجموعة تدريب (نعتبرها بيانات تاريخية) و 10٪ الأخيرة كاختبار محدد لتقييم النموذج.
وفيما يلي مثال للتحميل، والانقسام إلى عينات تدريبية، والتجهيز المسبق لبيانات المدخلات الخام:
مشكلة الانحدار. MLP.
وسوف يكون مجرد 2 مخفي طبقة بيرسيبترون. يتم اختيار عدد من الخلايا العصبية المخفية تجريبيا، وسوف نعمل على تحسين هيبيرباراميترز في الأقسام التالية. بين طبقتين مخفي نضيف طبقة التسرب واحدة لمنع الإفراط.
الشيء المهم هو كثيفة (1)، التنشيط ('الخطية') و 'مس' في قسم الترجمة. نريد مخرجا واحدا يمكن أن يكون في أي نطاق (نتوقع القيمة الحقيقية) وتعرف وظيفة الخسارة لدينا على أنها خطأ متوسط ​​التربيع.
دعونا نرى ما يحدث إذا كنا مجرد تمرير قطع من 20 يوما أسعار وثيقة والتنبؤ الأسعار في اليوم ال 21. النهائي مس = 46.3635263557، ولكنها ليست معلومات تمثيلية جدا. وفيما يلي مؤامرة من التوقعات لأول 150 نقطة من مجموعة بيانات الاختبار. الخط الأسود هو البيانات الفعلية، واحد الأزرق - توقع. يمكننا أن نرى بوضوح أن خوارزمية لدينا ليست حتى قريبة من حيث القيمة، ولكن يمكن معرفة هذا الاتجاه.
دعونا مقياس البيانات باستخدام طريقة سكلارن preprocessing. scale () لدينا الوقت سلسلة صفر يعني وحدة التباين وتدريب نفس ملب. الآن لدينا مس = 0.0040424330518 (ولكن على البيانات المقاسة). على مؤامرة أدناه يمكنك ان ترى الفعلية تحجيم سلسلة زمنية (أسود) وتوقعاتنا (الأزرق) لذلك:
لاستخدام هذا النموذج في العالم الحقيقي يجب أن نعود إلى سلسلة زمنية ونزكاليد. يمكننا أن نفعل ذلك، عن طريق ضرب أو التنبؤ بالانحراف المعياري للسلاسل الزمنية التي استخدمناها للتنبؤ (20 خطوة زمنية غير منسقة) وإضافة القيمة المتوسطة:
مس في هذه الحالة يساوي 937.963649937. هنا هو مؤامرة من التنبؤات استعادة (الأحمر) والبيانات الحقيقية (الأخضر):
ليس سيئا، أليس كذلك؟ ولكن دعونا نحاول خوارزميات أكثر تطورا لهذه المشكلة!
مشكلة الانحدار. CNN.
أنا لن أذهب إلى نظرية الشبكات العصبية التلافيفية، يمكنك التحقق من هذه الموارد المدهشة:
دعونا تعريف الشبكة العصبية التلافيفية 2-طبقة (مزيج من الالتفاف وطبقات التجميع القصوى) مع طبقة واحدة متصلة تماما ونفس الانتاج كما سبق:
دعونا تحقق من النتائج. المشاريع الصغيرة ومتناهية الصغر للبيانات المعززة والمستعادة هي: 0.227074542433؛ +935.520550172. المؤامرات أدناه:
حتى لو نظرنا إلى المشاريع الصغيرة ومتناهية الصغر على البيانات المقيسة، فقد تعلمت هذه الشبكة أسوأ بكثير. على الأرجح، تحتاج العمارة العميقة إلى مزيد من البيانات للتدريب، أو أنها تجاوزت فقط بسبب العدد المرتفع جدا من المرشحات أو الطبقات. وسوف ننظر في هذه المسألة في وقت لاحق.
مشكلة الانحدار. RNN.
كما العمارة المتكررة أريد أن استخدام اثنين من طبقات لستم مكدسة (اقرأ المزيد عن لستمس هنا).
وفيما يلي عدد من التنبؤات: مسس = 0.0246238639582؛ +939.948636707.
يبدو التنبؤ رن أشبه نموذج متحرك المتوسط، فإنه لا يمكن معرفة والتنبؤ جميع التقلبات.
لذا، فإنھا نتیجة غیر متوقعة بعض الشيء، ولکننا نلاحظ أن ھذه الشرکات متعددة الأطراف تعمل بشکل أفضل للتنبؤ بسلسلة الوقت ھذه. دعونا تحقق ما سيحدث إذا كنا سويث من الانحدار إلى تصنيف المشكلة. الآن سوف نستخدم ليس إغلاق الأسعار، ولكن العائد اليومي (سعر إغلاق-- سعر مفتوح)، ونحن نريد أن نتوقع إذا كان سعر وثيق أعلى أو أقل من سعر مفتوح على أساس آخر 20 أيام العودة.
مشكلة التصنيف. MLP.
يتم تغيير رمز قليلا - نغير لدينا طبقة كثيفة الماضي أن يكون الناتج [0؛ 1] أو [1؛ 0] وإضافة سوفتماكس الإخراج إلى توقع الناتج الاحتمالي.
لتحميل المخرجات الثنائية، تغيير في التعليمات البرمجية التالية السطر:
كما نقوم بتغيير وظيفة الخسارة إلى ثنائي عبر إنتوبي وإضافة مقاييس الدقة.
أوه، انها ليست أفضل من التخمين العشوائي (50٪ دقة)، دعونا نحاول شيئا أفضل. تحقق من النتائج أدناه.
مشكلة التصنيف. CNN.
مشكلة التصنيف. RNN.
الاستنتاجات.
يمكننا أن نرى، أن معالجة الوقت المالي التنبؤ سلسلة كمشكلة الانحدار هو نهج أفضل، فإنه يمكن معرفة الاتجاه والأسعار على مقربة من الفعلية.
ما يثير الدهشة بالنسبة لي، أن ملبس معالجة بيانات تسلسل أفضل كما كنز أو رنس التي من المفترض أن تعمل بشكل أفضل مع سلسلة زمنية. أشرح ذلك مع مجموعة صغيرة جدا (
16K الطوابع الزمنية) واختيار دمية هيبيرباراميترز.
يمكنك إعادة إنتاج النتائج والحصول على أفضل استخدام التعليمات البرمجية من المستودع.
أعتقد أننا يمكن أن نحصل على نتائج أفضل سواء في الانحدار والتصنيف باستخدام ميزات مختلفة (ليس فقط سلسلة زمنية متقنة) مثل بعض المؤشرات الفنية، وحجم المبيعات. أيضا يمكننا أن نحاول البيانات أكثر تواترا، دعونا نقول القراد دقيقة تلو الأخرى للحصول على مزيد من البيانات التدريب. كل هذه الأشياء سأفعلها لاحقا، حتى لا تنزعج :)
عن طريق التصفيق أكثر أو أقل، يمكنك أن تشير لنا القصص التي تبرز حقا.
أليكس هونشار.
وآلات التدريس و الراب.
آلة التعلم العالم.
أفضل حول التعلم الآلي، رؤية الكمبيوتر، التعلم العميق، معالجة اللغة الطبيعية وغيرها.

الشبكات العصبية للتجارة الخوارزمية. تصحيح السلاسل الزمنية الصحيحة + باكتستينغ.
مرحبا بالجميع! منذ بعض الوقت نشرت دروسا صغيرة حول التنبؤ بالسلسلة الزمنية المالية التي كانت مثيرة للاهتمام، ولكن في بعض اللحظات الخطأ. لقد قضيت بعض الوقت في العمل مع سلسلة زمنية مختلفة ذات طبيعة مختلفة (تطبيق ننس في الغالب) في هبا، التي تركز بشكل خاص على التحليلات المالية، وفي هذا المنصب أريد أن أصف طريقة أكثر الصحيحة للعمل مع البيانات المالية. بالمقارنة مع الوظيفة السابقة، أريد أن تظهر طريقة مختلفة من تطبيع البيانات ومناقشة المزيد من القضايا من الإفراط في الكتابة (والتي تظهر بالتأكيد أثناء العمل مع البيانات التي لها طبيعة عشوائية). ونحن لن مقارنة أبنية مختلفة (كنن، لستم)، يمكنك التحقق منها في وظيفة السابقة. ولكن حتى العمل فقط مع شبكة تغذية العصبية بسيطة إلى الأمام سوف نرى أشياء هامة. إذا كنت ترغب في القفز مباشرة إلى رمز - تحقق من دفتر إبيثون. بالنسبة للقراء الناطقة باللغة الروسية، انها ترجمة لمنظمي هنا ويمكنك التحقق من الويبينار على باكتستينغ هنا.
إعداد البيانات.
دعونا نأخذ سلسلة زمنية تاريخية لأسعار أسهم أبل بدءا من عام 2005 وحتى اليوم. يمكنك بسهولة تحميلها من ياهو المالية كملف كسف. في هذا الملف البيانات في "عكس" النظام - من عام 2017 حتى عام 2005، لذلك نحن بحاجة إلى عكس ذلك مرة أخرى وإلقاء نظرة:
كما ناقشنا في المنصب السابق، يمكننا معالجة مشكلة التنبؤ بالسلسلة الزمنية المالية بطريقتين مختلفتين (دعونا نتجاهل التنبؤ بالتقلبات، والكشف عن الشذوذ وغيرها من الأمور المثيرة للاهتمام حتى الآن):
وسوف ننظر في مشكلتنا كما 1) مشكلة الانحدار (في محاولة للتنبؤ بالضبط سعر وثيق أو العودة في اليوم التالي) 2) مشكلة التصنيف الثنائي (السعر سيرتفع [1، 0] أو أسفل [0، 1]). أولا دعونا إعداد بياناتنا للتدريب. نريد أن نتوقع t + 1 قيمة استنادا إلى N أيام السابقة المعلومات. على سبيل المثال، وجود أسعار قريبة من 30 يوما الماضية في السوق نريد أن نتوقع، ما هو الثمن سيكون غدا، في اليوم ال 31. نستخدم أول 90٪ من السلاسل الزمنية كمجموعة تدريب (نعتبرها بيانات تاريخية) و 10٪ الأخيرة كاختبار محدد لتقييم النموذج.
المشكلة الرئيسية لسلسلة زمنية مالية - فهي ليست ثابتة، مما يعني، أن خصائصها الإحصائية (يعني، التباين، القيم القصوى والحد الأدنى) تتغير مع مرور الوقت، ونحن يمكن التحقق من ذلك مع اختبار ديكي-فولر المعزز. وبسبب هذا لا يمكننا استخدام أساليب تطبيع البيانات الكلاسيكية مثل مينماكس أو Z - درجة التطبيع.
في حالتنا، ونحن سوف الغش قليلا لتصنيف المشكلة. نحن لسنا بحاجة للتنبؤ ببعض القيمة الدقيقة، لذلك القيمة المتوقعة والتباين في المستقبل ليست مثيرة جدا للاهتمام بالنسبة لنا - نحن بحاجة فقط للتنبؤ حركة صعودا أو هبوطا. هذا هو السبب في أننا سوف تخاطر وتطبيع النوافذ لدينا 30 يوما فقط من خلال متوسطها والتباين (Z - درجة التطبيع)، لافتراض أن فقط خلال نافذة وقت واحد أنها لا تتغير كثيرا وليس لمس المعلومات من المستقبل:
لمشكلة الانحدار نحن بالفعل لا يمكن أن الغش مثل هذا، لذلك سوف تستخدم العوائد (النسبة المئوية لمدى تغير السعر مقارنة بالأمس) مع الباندا ويبدو:
كما نستطيع أن نرى، هذه البيانات هي بالفعل تطبيع وتكمن من -0،5 إلى 0.5.
بنية الشبكة العصبية.
كما قلت من قبل، سوف نعمل فقط مع ملبس في هذه المقالة لإظهار مدى سهولة الإفراط في الشبكات العصبية على البيانات المالية (والواقع ما حدث في وظيفة سابقة) وكيفية الوقاية منه. توسيع هذه الأفكار على كنن أو رنس سيكون من السهل نسبيا، ولكن من المهم أكثر بكثير لفهم هذا المفهوم. كما كان من قبل، ونحن نستخدم كيراس كإطار رئيسي للشبكات العصبية النماذج الأولية.
سوف شبكتنا الأولى تبدو مثل هذا:
أستطيع أن أقترح دائما استخدام التطبيع دفعة بعد كل طبقة أفين أو التلافيفية و ريلو راشوي وظيفة التنشيط الأساسية، لمجرد انها أصبحت بالفعل "المعيار الصناعي" - أنها تساعد على تدريب شبكات أسرع بكثير. شيء لطيف آخر هو خفض معدل التعلم أثناء التدريب، كيراس يجعل هذا مع ريدوسلرونبلاتيو:
هذه هي الطريقة التي نطلق بها التدريب:
وهذه هي الطريقة التي سوف تصور النتائج (دعونا نحكم على فقدان والدقة المؤامرات)
لحظة مهمة: في آخر مشاركة نحن تدريب شبكاتنا فقط لمدة 10 عهدا - انها خاطئة تماما. حتى يمكننا أن نرى 55٪ من الدقة، فإنه لا يعني حقا أننا يمكن التنبؤ بمستقبل أفضل من عشوائي. على الأرجح، في مجموعة البيانات لدينا لدينا فقط 55٪ من النوافذ الوقت مع سلوك واحد (أعلى) و 45٪ مع آخر (أسفل). وشبكتنا فقط تعلم هذا التوزيع من بيانات التدريب. لذلك فمن الأفضل أن نتعلم منهم جيئة وذهابا 20-50-100 عهدا وإذا كان كثيرا لاستخدام التوقف المبكر.
تصنيف.
النتائج ليست جيدة على الإطلاق، لدينا اختبار الخسارة لا يتغير على الإطلاق، يمكننا أن نرى أوفيرفيت واضح، دعونا جعل شبكة أعمق ومحاولة ذلك:
في ما يلي النتائج:
هنا نرى أكثر أو أقل نفسه، أسوأ من ذلك ... لقد حان الوقت لإضافة بعض التنظيم إلى النموذج، بدءا من إضافة معيار L2 على مجموع الأوزان:
أنها تعمل بشكل أفضل، ولكن لا تزال غير جيدة بما فيه الكفاية (حتى فقدان آخذ في التناقص، ولكن دقة سيئة). انها تحدث في كثير من الأحيان في حين تعمل مع البيانات المالية - هو موضح بشكل جيد جدا هنا.
والشيء التالي الذي أريد أن أفعل يبدو غريب جدا، ولكن نحن ستعمل تنظيم شبكة بالفعل تنظيم إضافة التسرب المتشددين مع 0.5 معدل (انها عشوائية تجاهل بعض الأوزان بينما باكبروباغاتيون لتجنب الخلايا العصبية كوادابتاتيون وبالتالي أوفيرفيتينغ):
كما نستطيع أن نرى، المؤامرات تبدو أكثر أو أقل كافية ويمكننا أن أبلغ عن 58٪ من أكوراك ذ، وهو أفضل قليلا من التخمين العشوائي.
حاول فقط للمتعة لتعلم شبكة للتنبؤ الحركة ليس في اليوم التالي، ولكن في خمسة أيام (هو سعر أعلى أو أقل في 5 أيام مقارنة اليوم). هل يعمل بشكل أفضل؟ إذا كان يعمل بشكل أفضل - لماذا؟
انحسار.
ل الانحدار، وسوف نستخدم بيانات العوائد، والهندسة المعمارية الشبكة العصبية الناجحة السابقة (ولكن من دون المتسربين) والتحقق من كيفية الانحدار يعمل:
وهنا هو رمز للتخطيط التوقعات بصريا:
يعمل ببساطة سيئة، حتى لا يستحق التعليق عليه. سأقول بعض النصائح التي يمكن أن تساعد في مشكلة الانحدار في الجزء خاتمة.
Backtesting.
دعونا نتذكر لماذا نحن العبث مع كل هذه السلاسل الزمنية بشكل عام؟ نحن نريد لبناء نظام التداول، وهو ما يعني، لديها لجعل بعض الصفقات - شراء وبيع الأسهم، ونأمل، وتنمو محفظتك.
هناك الكثير من الحلول الجيدة الجاهزة لاستعراض الاستراتيجيات الخاصة بك (مثل كوانتوبيان)، ولكن قررت أن أتعلم كيف أنها بنيت من الداخل واشترى الكتاب التالي مع تفاصيل التنفيذ (وليس وضع المنتج أههاه):
الاستراتيجية التي اختبرتها بسيطة للغاية: إذا كانت شبكتنا تقول إن السعر سوف يرتفع، فإننا نشتري الأسهم وبيعها إلا بعد أن تقول الشبكة أن السعر سوف ينخفض ​​وسوف ينتظر إشارة الشراء التالية. المنطق يشبه:
وفيما يلي نتائج شبكة تصنيف التدريب على البيانات من 2018 إلى 2018 والاختبار من 2018 إلى مايو 2017:
تظهر المؤامرة الزرقاء نمو قيمة المحفظة (نجاح باهر، 3٪ في 1.5 سنة)، يظهر الأسود "النشاط" والأحمر واحد - سحب (فترات من فقدان المال).
نقاش.
في أول لمحة، النتائج سيئة. الانحدار الرهيب وليس تصنيف مذهل حقا (58٪ من الدقة) يطلبون منا أن نترك هذه الفكرة. وبعد أن رأيت أن "لا يصدق" 3٪ الدخل (سيكون من الأسهل فقط لشراء أسهم أبل وعقد، نمت في 20٪ لذلك الوقت) ربما كنت ترغب في إغلاق الكمبيوتر المحمول وتفعل شيئا لا ينطوي على التمويل أو التعلم الآلي . ولكن هناك الكثير من الطرق لتحسين نتائجنا (وما يفعله الناس في الأموال):
استخدام البيانات عالية التردد (كل ساعة، القراد دقيقة) - خوارزميات التعلم الآلي تحتاج إلى مزيد من البيانات والتنبؤ بشكل أفضل على مسافة قصيرة هل الأمثل هيبارباراميتر الذكية بما في ذلك ليس فقط تحسين الشبكة العصبية ومعايير التدريب، ولكن أيضا الإطار الزمني التاريخي (ق) يمكنك تدريب على استخدام أفضل أبنية من الشبكات العصبية مثل كنن أو رنس استخدام ليس فقط إغلاق السعر أو العوائد، ولكن كل أوهلكف توبل لكل يوم. إذا كان ذلك ممكنا - جمع المعلومات حول N أكثر الترابطات المترابطة، والوضع المالي للقطاع، والمتغيرات الاقتصادية وما إلى ذلك. من المستحيل بناء نموذج تنبؤ جيد يعتمد على تلك البيانات البسيطة التي استخدمناها استخدام وظائف أكثر تعقيدا، وربما متناظرة، وفقدان. على سبيل المثال مس التي استخدمناها للانحدار هو ثابت على علامة، وهو أمر حاسم لمهمتنا.
استنتاج.
إن التنبؤ بالبيانات المالية أمر بالغ التعقيد. فإنه من السهل أن أوفيريت، ونحن لا نعرف النطاق التاريخي الصحيح لتدريب على وأنه من الصعب الحصول على جميع البيانات اللازمة. ولكن كما نستطيع أن نرى، فإنه يعمل، وحتى يمكن أن تعطي بعض الأرباح. يمكن أن تكون هذه المقالة نقطة انطلاق جيدة وخط أنابيب لمزيد من البحث والاكتشاف.
في المشاركات القادمة أخطط لإظهار عملية البحث هيبارباراميتر الآلي، إضافة المزيد من البيانات (أوهلكف الكامل والمؤشرات المالية)، وتطبيق التعلم التعزيز لتعلم استراتيجية وتحقق ما إذا كان وكيل التعزيز يثق توقعاتنا. ترّقب!
عن طريق التصفيق أكثر أو أقل، يمكنك أن تشير لنا القصص التي تبرز حقا.
أليكس هونشار.
وآلات التدريس و الراب.
آلة التعلم العالم.
أفضل حول التعلم الآلي، رؤية الكمبيوتر، التعلم العميق، معالجة اللغة الطبيعية وغيرها.