Wednesday 14 March 2018

ऑडेसिटी - मशीन से सीखने - व्यापार - विदेशी मुद्रा


मशीन सीखना कृत्रिम बुद्धि का क्षेत्र है, जहां कंप्यूटर प्रोग्राम एक पटकथा का पालन करने के बजाय आँख बंद करके सीखते हैं। पर्याप्त प्रशिक्षण डेटा के साथ आप उन एल्गोरिदम को एक गाड़ी चलाने के लिए, पायलट को हेलीकॉप्टर में पढ़ सकते हैं या दुनिया में सबसे अच्छे खोज इंजन का निर्माण कर सकते हैं। यहां विदेशी मुद्रा व्यापार करने के लिए मशीन सीखने के लिए आवेदन करने पर मेरे शुरुआती दृष्टिकोण से मुझे प्राप्त हुए परिणाम यहां दिए गए हैं। एक उपकरण के विकास के लिए केवल 8 दैनिक बारों से डेटा के उत्थान की कोशिश करने और अनुमान लगाने के लिए कई तरह के एल्गोरिदम लगाए गए हैं। प्रत्येक दिन के लिए, चार मूल्य रिकॉर्ड किए जाते हैं, पिछले तीन सड़कों के पिछले तीन सड़कों से घूमने वाले पहले तीन रिकॉर्ड की जानकारी दर्ज की जाती हैं, जो चौथे रिकॉर्ड को दिन के लिए मात्रा में रिकॉर्ड करता है। यह कुल 32 स्वतंत्र चर के लिए बनाता है। डाटा को डुकास्स्कोपी डाटाबेस, यूरोयूएसडी, एयूडीजेपी और जीबीपीसीएफ़ डीज़ की तीसरी पूछताछ बार में 1 जनवरी 2008 से 31 दिसंबर 2011 तक तीन उपकरणों से प्राप्त किया गया है, जिसमें अगले सोमवार को सप्ताहांत मिश्रित किया गया है। परीक्षण किए गए प्रत्येक एल्गोरिदम के लिए, पहले दो वर्षों का उपयोग मॉडल को प्रशिक्षित करने के लिए किया गया था जबकि 2012 का परीक्षण करने के लिए इसका उपयोग किया गया था। मशीन सीखने वाले एल्गोरिदम के लिए खुला जावा लाइब्रेरी WEKA से आती है: जावा में डाटा माइनिंग सॉफ्टवेयर आप पुस्तकालय या उपयोगकर्ता के अनुकूल प्रोग्राम को cs. waikato. ac. nzmlweka पर मुफ्त में डाउनलोड कर सकते हैं। बाजार की दिशा की भविष्यवाणी करना ये परीक्षण किस हद तक, यदि कोई हो, का मूल्यांकन करता है, तो कई तरह की मशीन सीखने के एल्गोरिदम का उपयोग करके पिछले आठ दिनों के डेटा के आधार पर कल (कुल मिलाकर बंद) के समग्र आंदोलन की भविष्यवाणी करना संभव है। एक उच्च सहसंबंध का मतलब है कि मॉडल भविष्य के बाद के समग्र आंदोलन को अच्छी तरह से बताता है। इस मामले में, सहसंबंध बहुत करीब होते हैं, इसलिए मॉडल बाजार के समग्र आंदोलन की भविष्यवाणी करता है। बाजार की सीमा की भविष्यवाणी करते हुए विदेशी मुद्रा के लिए, सीमा को दिन के उच्चतम और आख़िरी बंद के प्रतिशत के रूप में अंतर के रूप में परिभाषित किया जाता है (विभिन्न उपकरणों के लिए तुलनीय होने के लिए)। सबसे आसान और सर्वोत्तम तरीकों में से एक, निकटतम पड़ोसियों, इस कार्य में सबसे अच्छा प्रदर्शन करते हैं। इस पद्धति, प्रत्येक मामले के लिए, बस प्रशिक्षण के ऐसे मामलों में दिखता है जो इस तरह से सबसे ज्यादा दिखते हैं और उनकी श्रेणी का भारित औसत का अनुमान लगाते हैं। एक साधन के पूर्ण आंदोलन की भविष्यवाणी एक साधन के पूर्ण आंदोलन एक दिन के लिए समग्र आंदोलन है लेकिन हमेशा सकारात्मक होता है। यह सीमा के समान कुछ है अगले दिन के लिए केवल आठ पिछली बार और संस्करणों पर आधारित बाजार की दिशा का अनुमान करना असंभव है, कम से कम इन एल्गोरिदम का उपयोग कर। फिर भी इस दृष्टिकोण का पहला दोष यह हो सकता है कि वह हर एक दिन की भविष्यवाणी करने की कोशिश करता है। शायद उन्मूलन की कुछ प्रक्रिया एक बड़ी मात्रा में डेटा निकाल सकती है जो कि अप्रत्याशित है। दूसरी तरफ अन्य एल्गोरिदम जैसे आवर्तक तंत्रिका नेटवर्क हैं जो हाथ में कार्य के लिए अधिक उपयुक्त हैं। कुछ हद तक भविष्यवाणी करना संभव है, अगले दिन की सीमा और उसके लिए काफी तार्किक रूप से पूर्ण आंदोलन (करीब से बंद) इस तरह की जानकारी प्रवृत्तियों का पालन करने वाले व्यापारियों के लिए प्रासंगिक नहीं हो सकती है, लेकिन यह उन स्क्रैपर के लिए प्रासंगिक हो सकता है जिनके लिए मुद्रा जोड़े की सीमा का अनुमान लगाया जाना चाहिए। मेरा मानना ​​है कि इस तरह के एल्गोरिदम एआरआर की तरह सीमा संकेतकों को आगे बढ़ाते हैं, जो संकेतक के बजाय अनुमानित हैं। 1 मार्क हॉल, ईईबी फ्रैंक, जेफरी होम्स, बर्नहार्ड पफेरिंगर, पीटर र्यूतिमैन, इयान एच। विट्टन (200 9) डब्लूकेए डेटा माइनिंग सॉफ़्टवेयर: एक अपडेट एसआईजीकेडीडी एक्सप्लोरेशन, वॉल्यूम 11, अंक 1. विदेशी मुद्रा मशीन सीखने के लिए एप्लाइड लर्निंग स्वचालित ट्रेडिंग रणनीतियों का अनुकूलन करें पिछली जानकारी की बड़ी मात्रा का अध्ययन करके, हम ऐसे पैटर्नों की पहचान कर सकते हैं जो हमें पर्याप्त मात्रा में बाजार के विकास की भविष्यवाणी करने में मदद करते हैं। यह निश्चित रूप से कुछ व्यापारियों के लिए बहुत लंबे समय से कर रहे हैं, लेकिन प्रक्रिया के automatization हमें बेहतर रणनीति खोजने के लिए और बहुत तेजी से एक मानव ले जाएगा की तुलना में अनुमति देता है यहां हम एक सट्टा रणनीति का प्रस्ताव देते हैं जिसका सफलतापूर्वक परीक्षण किया गया है और फॉरेक्स में मशीन-लर्निंग द्वारा लाई गई संभावनाओं को दर्शाता है। यूआरयूएसडी पर स्वचालित रूप से जीतने वाली सट्टा रणनीति को स्वचालित रूप से मशीन-लर्निंग एल्गोरिदम से निर्मित एक सट्टा रणनीति के लिए एक बहुत ही आकर्षक जोड़ी है, हालांकि हमारी पद्धति अन्य उपकरणों पर जीतने वाली रणनीतियों को प्राप्त करने में सक्षम है और कुछ जो कई उपकरणों में काम करती है, जो कि EURUSD सर्वश्रेष्ठ रिटर्न दें इस प्रकार रणनीतियों का निर्माण कैसे किया जाता है हम वास्तविक मूल्य को एल्गोरिथ्म में नहीं खिला सकते क्योंकि हम चाहते हैं कि वे एक चार्ट पर उनकी ऊंचाई के स्वतंत्र रूप से पैटर्न पहचानें। इसलिए हम इसे मूल्य आंदोलनों को उच्च से उच्च और निम्न से कम (बंद करने के लिए खुली तुलना में बेहतर) फ़ीड करते हैं। विदेशी मुद्रा पैटर्न के बीच आश्चर्यजनक विवेकशील शक्ति के साथ यह एक साधारण प्रकार का सूचक है लेकिन हमारे संकेतकों के लिए हम किस अंतराल को चुनना चाहिए और किस अवधि के दौरान हमारे एल्गोरिद्म के संकेतों के अनुकूलन के द्वारा इस प्रश्न का उत्तर देने के लिए उच्च और निम्न का उपयोग करना चाहिए और यह उस रणनीति पर हम कितनी अच्छी रणनीति बना सकते हैं। अनुकूलन के लिए इस्तेमाल की जाने वाली विधि एक आनुवंशिक एल्गोरिथ्म है। हम कुछ ऐसे संकेतकों का निर्माण करते हैं जो सबसे मजबूत (उच्च स्कोर) के लिए बेहतर तरीके से ldquoreproducingrdquo और ldquomutatingrdquo की संभावना है जबकि कमजोर लोगों को बदल दिया जाता है यह तरीका संकेतक सेट को अनुकूलित करता है और यह हर संभव संभावना को बाहर करने की तुलना में हजारों बार तेज होता है। हमने संकेतक का एक सेट स्कोर किया है कि हम इसके साथ एक रणनीति कैसे तैयार कर सकते हैं। रणनीतियों स्वचालित रूप से एक दूसरे अनुकूलन कदम और एक डेटा संरचना, कृत्रिम तंत्रिका नेटवर्क का उपयोग कर बनाया जाता है। तंत्रिका नेटवर्क इनपुट को एक निश्चित अवधि के लिए मान मानता है और उपकरण के भविष्य के बारे में कुछ जानकारी देता है। कृत्रिम तंत्रिका जाल क्या भविष्यवाणी करता है कि तंत्रिका जाल भविष्य में एक निश्चित अवधि में एक व्यापार पर सामान्यीकृत लाभ कारक (सकल लाभ को कुल हानि से विभाजित करके) का अनुमान लगाने का प्रयास करता है। प्रश्न की अवधि 3 से 10 दिनों के बीच हो सकती है, यह रणनीति का एक अनुकूलन योग्य पैरामीटर है इसलिए, हमारी रणनीति अनिवार्य रूप से स्टॉप लॉज़ का इस्तेमाल करती है और लाभ लेती है, बजाय, हम एक निर्धारित समय के लिए एक स्थिति खोलते हैं और उस अवधि के अंत में स्थिति को बंद कर देते हैं, जो भी हुआ। नेट शुद्ध भविष्यवाणियों के प्रतिशत के आधार पर वर्गीकृत किया जाता है, जो इसे आईआरसीसीको सटीकता से तौला जाता है। वैकल्पिक रूप से, हमारे तंत्रिका जाल का अनुमान लगाया जा सकता है कि खाते की शेष राशि का निवेश कैसे किया जाना चाहिए, नेट्स को खाते के अंतिम शेष राशि या समग्र लाभ कारक द्वारा वर्गीकृत किया जाता है। आटोमैट्रीट्र्रेडिंग रणनीतियों में आम जाल ऐसी रणनीतियों के बारे में जागरूक होने के लिए कुछ सामान्य नुकसान हैं जहां रणनीति अद्भुत मुनाफे की पेशकश करती है, लेकिन वास्तविक जीवन में बेकार है। सबसे महत्वपूर्ण एहतियात यह है कि जिस अवधि पर रणनीति का परीक्षण किया गया है वह उस अवधि के समान नहीं होना चाहिए जिस पर यह बनाया गया है। अन्यथा हम केवल हजारों जटिल यादृच्छिक रणनीतियों को पैदा कर सकते हैं और एक चुन सकते हैं जो कि एक विशेष अवधि पर सबसे अच्छा काम करता है, लेकिन इटर्सक्वोस केवल जब हमारे पास डेटा के स्वतंत्र सेट पर सकारात्मक परिणाम होता है, तो हम अपनी रणनीति पर भरोसा करना शुरू कर सकते हैं। वास्तव में हम डेटा के तीन बार स्वतंत्र सेट का उपयोग करते हैं, प्रशिक्षण सेट को सिस्टम बनाने के लिए प्रयोग किया जाता है, सत्यापन सेट का उपयोग अति-सीखने से बचने के लिए किया जाता है और परीक्षण सेट का उपयोग परिणामों की रिपोर्ट के लिए किया जाता है हमारे मामले में, हम पिछले साल के दौरान परीक्षण सेट पर 60 सही दांव तक पहुंचते हैं। यह लाभ से लाभ उठाने और शुरुआत से नुकसान को रोकने के लिए भी बुरा व्यवहार है। जब किसी अवधि में रणनीति का अनुकूलन करना बहुत छोटा होता है, तो आसानी से लाभ-लाभ की स्थापना करके बहुत ही लाभकारी समग्र लाभ प्राप्त कर सकते हैं और स्टॉप-लॉस बहुत दूर हो सकता है। जब अंततः लंबी अवधि में स्टॉप-लॉस खत्म हो जाता है, तो परिणाम विनाशकारी होते हैं। एक बार एक लाभदायक रणनीति पाया जाता है, लाभ-लाभ और रोकना नुकसान अनुकूलित किया जा सकता है, लेकिन वे एक दूसरे से बहुत दूर नहीं होना चाहिए। एक लाभ लेने और रोकना हानि रखने से कभी अपने आप में कोई रणनीति नहीं होती है, बल्कि जोखिम को नियंत्रित करने का एक तरीका है। एक मान्यता प्राप्त सिम्युलेटर के साथ परीक्षण की गई एक इष्टतम रणनीति हमारी रणनीति यूरो्यूएसडी पर एक सैद्धांतिक 62.5 सही दांव प्राप्त करती है। लेकिन हम एक अच्छा अनुकरण और रणनीति का एक वास्तविक जीवन आवेदन के साथ रणनीति का बेहतर मूल्यांकन प्राप्त कर सकते हैं। इस कारण से हमने जेबोरेटिक एपीआई का इस्तेमाल करते हुए रणनीति को लागू किया और इसे जेएफटीओ मंच पर परीक्षण किया। एक बार फिर, हम सावधानी बरतते थे कि उस अवधि को मिश्रण न करें जिससे हम अपनी रणनीति का अनुकूलन करते थे और उस अवधि की जांच करते थे। हमने अपनी रणनीति को भी परिष्कृत किया है और रणनीति के लिए भविष्य की भविष्यवाणियों को प्रतिबिंबित करने के लिए प्रत्येक स्थान पर निवेश की गई राशि का समायोजन किया है। इससे हमारी रणनीति के मुनाफे में सुधार हुआ है (सकल लाभ जो सकल नुकसान से विभाजित है)। हम जोखिम को बढ़ाने या घटाने और अपेक्षित वापसी के लिए एक लाभ का उपयोग करते हैं। 161 से अधिक ट्रेडों, हमारे रणनीतिकरण का लाभ कारक है परीक्षण अवधि 2.87 इसका मतलब है कि ट्रेडों में ड्रॉडाउन की तुलना में हम 2.87 गुना अधिक लाभ प्राप्त करते हैं। यद्यपि हम केवल 60.24 लाभप्रद व्यवसाय प्राप्त करते हैं, वहीं हानि व्यापार न होने के मुकाबले वे ज्यादा लाभप्रद हैं। अंतिम आंकड़े जो हम बहुत कह रहे हैं वह अधिकतम लगातार गिरावट है, 5, और अधिकतम लगातार लाभ, इक्विटी के 18 रणनीति के चलते हमारे पास एक जीवंत खाता है लेकिन यह इस तरह का मूल्यांकन करने के लिए बहुत कम समय अवधि के लिए ऐसा कर रहा है। हमने लाभ-लाभ और स्टॉप-लॉस को भी अनुकूलित किया है। चूंकि हम रणनीति पैरामीटर के रूप में कारकों को देखते हैं लेकिन उन्हें जोखिम नियंत्रण मानदंडों के रूप में देखना पसंद करते हैं, हम हमेशा उन्हें एक-दूसरे के बराबर रखते हैं विपरीत एक असंतुलन पैदा करता है जिससे रणनीति का आकलन करना मुश्किल हो जाता है। एक बार फिर, उन मापदंडों की अवधि की तुलना में परीक्षण अवधि की तुलना में अनुकूलित किया गया था। परिणाम बताते हैं कि स्टॉप लॉसन और लाभ-मुनाफा वास्तव में इस्तेमाल किया जाना चाहिए और यह करीब 18 pips पर बहुत करीब रखा जाना चाहिए। उन शुरुआती कीमत के करीब रखने से समग्र लाभ कारक में सुधार होता है, लेकिन उन स्तरों पर, कमीशन और शुल्क परेशानी बन जाते हैं। स्टॉप लॉसन और लाभ-लाभ की वजह से लाभ का कारक और रणनीति की समग्र स्थिरता में सुधार होता है, जबकि वे कुल मुनाफे में बाधा डालते हैं लेकिन लीवरेज स्थिति को दूर कर सकती हैं। एक स्वचालित व्यापारिक रणनीति की खातियां हमारे जैसे ब्लैक-बॉक्स् रणनीतियों के विषय में एक आम आलोचना यह है कि बाजार हमेशा अचानक बदल सकता है और रणनीतियों, जो जीतने वाली काम से पहले काम करती है अनिश्चित काल तक। हमें यह स्वीकार करना होगा कि यह पूरी तरह से स्थापित है, और यह हमारा विश्वास है कि भविष्य को समझने के लिए क्रिस्टल बॉल के बिना इसे से बचने के लिए कुछ भी नहीं किया जा सकता है। हालांकि यह हमारी भी यह लग रहा है कि यह किसी भी सट्टा रणनीति, मानव निर्मित या अन्यथा के साथ सच है। यह स्पष्ट है कि विदेशी मुद्रा में अतीत में बड़े बदलाव हुए हैं। वॉल्यूम उस बात के लिए एक महान संकेतक है, जो वास्तव में हमें उस क्षण पर एक अंतर्दृष्टि प्रदान करता है जब एक साधन के कारोबार में परिवर्तन होता है। नीचे दिए गए चार्ट पर आप पिछले 16 सालों में EURUSD के लिए वॉल्यूम का विकास देख सकते हैं। डेटा का उपयोग कर बनाया गया एक रणनीति जो अब बहुत दूर काम करता है। हालांकि, हमारी रणनीति ने पिछले कुछ वर्षों से EURUSD पर समान रूप से अच्छी तरह से काम किया है और कोई भी संकेत नहीं है कि यह कभी भी जल्द ही बदल जाएगा। विदेशी मुद्रा वाद्ययंत्रों के कारोबार में जिस तरह से कारोबार किया जाता है, उसमें अचानक बदलाव के प्रति सावधान करने के लिए हम दो चीजें कर सकते हैं। सबसे पहले, हम बाजार की निगरानी कर सकते हैं और उस क्षण की प्रतीक्षा कर सकते हैं जब हमारी रणनीति आँकड़ों का उपयोग करते हुए अब और काम कर रही है कि रणनीति को अधिकतम लगातार गिरावट और वॉल्यूम की निगरानी के अनुसार पालन करना चाहिए। दूसरे, हम ऑन-लाइन सीखने वाले whatrsquos कर सकते हैं जहां हमारी रणनीति लगातार नए डेटा पर अनुकूलित हो रही है। यह दूसरा विकल्प एक अच्छा अभ्यास है लेकिन यह अचानक परिवर्तन के खिलाफ नहीं है जो हर कुछ वर्षों में विदेशी मुद्रा में विशिष्ट हैं। सबसे अच्छा समाधान यह है कि रणनीति में अधिक गहरा परिवर्तन अंततः आवश्यक हो जाएगा, जबकि हमारी रणनीतियों को नियमित रूप से अनुकूलित करके उन दोनों विधियों को कार्यान्वित करना है। अन्य आलोचना यह है कि हम वास्तव में कभी नहीं समझते हैं कि एक ब्लैक बॉक्स मॉडल क्या करता है। यह हमारे लिए मामला नहीं है क्योंकि हमारे मॉडल वास्तव में काफी सरल हैं, हालांकि हम गुप्त रूप से हमारी कब्र या कम से कम जब तक कि रणनीति अब लाभदायक नहीं रहेंगे। पढ़ने के लिए धन्यवाद, रूसी में अनुवाद करें

No comments:

Post a Comment