Freie Mechanische Devisenhandel Systeme

Unsere Fortforcement Learning Bergbau und Repository: Jetzt Live-Handel Machine Lernen war eine große Leidenschaft für mich in den letzten Jahren. Während des letzten Jahres und die meisten dieses Jahres habe ich mich für die Verbesserung und die Schaffung eines ML-System-Repository auf der Grundlage von klassischen überwachten Lerntechniken und in den vergangenen Monaten habe ich mich auf die Herstellung einer anderen Maschine Lernen Vision 8211 auf der Grundlage von Verstärkung Lernen 8211 basiert Zum Leben. Nach einer Menge harter Arbeit Implementierung OpenCL-basierte Mining-Software 8211, die RL-Strategien unter Verwendung GPU-Technologie 8211 und auch die Umsetzung der gesamten F4 Rahmenhandel und Cloud-Mining-Server-Seite Infrastruktur heute bin ich glücklich, den Beginn der RL-Live-Handel mit der Ankündigung der Erste 91 Systeme, die zu unserem Repository als das Ergebnis unserer ersten niedrigen Data-Mining-Bias-Experiment hinzugefügt wurden. In diesem Artikel werde ich ein wenig über diese Fortschritte und einige der Unterschiede sprechen, die RL mit einigen unserer anderen Handelsansätze gehabt hat. Unsere Bewehrungs-Lern-Bergbau-Experimente verlaufen genau wie unsere Preis-und Maschinen-Lern-Experimente haben, mit einigen kleinen Unterschiede. Der Kern des Prozesses bleibt der gleiche, wir generieren Trading-Strategien mit realen Daten und versuchen dann das gleiche Suchverfahren mit zufälligen Daten, um jeden Prozess, bei dem die Erzeugung eines gewinnbringenden Systems in zufälligen Daten ist mehr als 1 100 als wahrscheinlich Als die gleiche Erzeugung in realen Daten. Das bedeutet einfach, dass wir uns nur um Systeme kümmern, die weniger als 1 Chance aus der einfachen Stärke des Data-Mining-Prozesses haben. In dem RL-Fall ist der Erstellungsprozeß jedoch komplexer, da er das Training des Verstärkungslernalgorithmus mit 60 der Daten 8211 einbezieht, die 10 Rücktests für jedes System 8211 umfassen und dann in den verbleibenden 40 testen und sicherstellen, daß der Anfang 60 kohärent bleibt Die 40 für die Prüfung verwendet (kleine Verschlechterung in der Pseudo-Out-of-Probe). Dieses exakt gleiche Verfahren wird auf reale und zufällige Serien angewendet. Beachten Sie, dass wir diese p-OS-Aufteilung in dem Fall von RL durchführen, da RL nicht 8220 Informationen 8221 aufgrund einer p-OS-Periode schließt. Dies geschieht, weil es auch in dieser Zeit trainiert, obwohl ohne Nachsicht (nur Züge einmal, wie es über sie ohne Möglichkeit, in die Zukunft zu sehen, so wie es trainiert, wenn Live-Handel). Für viele der oben genannten und ziemlich komplizierte Prozess scheint unnötig. Wenn Sie eine Pseudo-out-of-Probe, die bereits 40 der Daten ist, dann isn8217t dies genug 8220guarantee8221, dass Sie nicht in eine exzessive Kurvenanpassung oder Data-Mining-Bias-Falle fallen Die Antwort ist, dass die mehrere Test-Prozess 8211 die Dass you8217re mehrere Male für ein Pseudo Out-of-Probe, die 8211 funktioniert, macht es notwendig, um sicherzustellen, dass you8217re nicht nur ein Pseudo-out-of-Probe, die nur aus zufälliger Chance funktioniert suchen. Tatsächlich hat sich das RL-Bergwerk als äußerst gut bei der Suche nach Systemen erwiesen 8211 ja, Systeme, bei denen sogar die Testphase großartig aussieht 8211, wo es auch eine große Neigung gibt, genau die gleichen 8220großen Systeme8221 in zufälligen Serien zu finden. Dies zeigt, dass die Stärke des Abbauprozesses groß ist, der RL-Prozess ist sehr gut in der Montage und die Chance, dass Sie auch gut in Testphasen nur aus Zufall Chance kann auch sehr wichtig sein. Das zweite Bild in diesem Beitrag zeigt Ihnen ein Experiment, bei dem RL in der zufälligen Serie (orange) viel mehr Systeme findet als in den realen Daten (gelb). Bisher haben wir nur einen einzigen Fall gefunden, in dem das RL in der Lage war, große Systeme in realen Daten zu finden, aber solche Systeme sind in zufälligen Datenreihen sehr selten (tatsächlich nicht vorhanden). Dies war ein EURUSD-Experiment, das 91 unkorrelierte Strategien für dieses Paar erzeugen konnte. Das im ersten Bild gezeigte System gehört zu dieser Gruppe, obwohl ich für diesen Backtest eine Testperiode von nur 2010-2016 verwendete (obwohl das System unter Verwendung eines 60 40-Splits wie oben beschrieben erzeugt wurde). Wie Sie sehen können, gibt es eine gewisse Verschlechterung der Sharpe innerhalb der Testperiode 8211 die maximale Abnahme geschieht innerhalb der Testphase 8211 aber insgesamt mindestens 40 des Gewinns geschieht innerhalb der 40 Testperiode und die Gesamtsystemeigenschaften bleiben ähnlich. Eine sehr wichtige Sache ist, dass die Linearität nicht wesentlich verschlechtert, was bedeutet, dass das System keine signifikanten Anzeichen von Alpha-Zerfall innerhalb dieser Periode zeigt, was zeigt, dass das System tatsächlich in der Lage ist, sich anzupassen, wie es seinen Online-Handel tut. Diese Systeme werden nun live in einem Oanda Live-Konto mit dem Asirikuy Trader gehandelt. Ein weiterer Vorteil von RL-Systemen ist, dass sie sehr schnell ausgeführt werden, da sie In-Memory-Arrays verwenden, die sehr effizient zugänglich sind und die Operationen, die an jedem Balken ausgeführt werden, extrem einfach sind. Die 91 Strategien laufen im Asirikuy-Trader etwas weniger als 0,4 Sekunden aus, auch dank einiger Änderungen, die ich in den vergangenen zwei Wochen gemacht habe, um die Effizienz des Programms zu steigern (Vermeidung unnötiger Datenanforderungen und unter Ausnutzung der Tatsache, dass Mehrere Systeme könnten die gleichen Symboldaten verwenden). Wir werden wahrscheinlich in der Lage sein, Hunderte von RL-Systemen im Asirikuy Trader auszuführen, bevor es zu Problemen kommt. Da diese RL-Systeme keine SL - oder TP-Werte verwenden, haben sie auch den Vorteil, dass sie gegen Ausführungsprobleme widerstandsfähiger sind, da sie keine vorbestimmten preisebasierten Exits suchen, sondern einfach Exit-Trades am Anfang der täglichen Balken eingeben Der tägliche Zeitrahmen). Unsere Verstärkung Lernbergbau, Trading System Repository und Live-Trading-Konto sind der Beginn einer neuen Reise in unserem Verständnis der maschinellen Lernen, Kurvenanpassung und Data-Mining-Bias. In ein paar Monaten wissen wir, wie gut Bewehrungs-Lernsysteme auf veränderte Marktbedingungen reagieren können, wie gut sie lernen, wann Live-Handel stattfindet und wie einfach oder schwer es ist, RL-Systemgenerierungsprozesse mit geringem Data-Mining-Vorsprung zu finden. Wenn Sie mehr über RL erfahren möchten und wie Sie auch tatsächlich Handelssysteme mit dieser Art von Handel leben können, sollten Sie Asirikuy beitreten. Eine Website gefüllt mit Bildungs-Videos, Handelssysteme, Entwicklung und eine solide, ehrliche und transparente Ansatz in Richtung automatisierte trading. strategies. Manual Forex Trading Systems Stealth Forex Trading System Das Stealth Forex Trading System wurde mit dem Ziel, mehr Gewinn Trades durch die Bereitstellung Sie mit einfachen farbcodierten Kauf und Verkauf Indikatoren, die Ihnen sagen, wenn mit vordefinierten Eintrag Ausfahrt Regeln Handel. Die Stealth Forex Trading System bietet 4 verschiedene Handelsstile, so dass Sie maximale Flexibilität, wie und wann Sie Handel. Kommt mit einer Geld-zurück-Garantie. Weiterlesen. Wie manuelle Handelssysteme arbeiten Manuelle Handelssysteme sind in diesem Zusammenhang indikatorbasierte Systeme, die Kauf - und Verkaufssignale auf Ihrem Heimcomputer gemäß den vordefinierten Regeln der Strategie generieren. Händler müssen die Trades manuell in ihr Konto aufnehmen, basierend auf den Signalen, die durch das indikatorbasierte manuelle Handelssystem erzeugt werden.