Aprenda forex trading em mumbai onde recebo máquina

Aprendizagem de máquina na aprendizagem de máquinas de troca forex aplicou-o a dados de volume e ao longo do dia, por exemplo, é bem possível prever o volume com base na hora do dia. Por exemplo, é fácil de prever que haverá um fundo à meia-noite e que o volume geral se assemelhe ao dia anterior, mas diferenças significativas são difíceis de prever. Suponho que seria semelhante para a profundidade do mercado, mas nunca examinei esses dados. Eu acho que o mercado Forex na maioria das vezes mostra seu comportamento UN-prediz. Isso vai contra todos os cálculos. Dois dias antes, às 12h15, o comerciante disse que o ouro ficaria alto, mas que desceu para 1163. O Forex tem seu próprio comportamento. Human trade main learning kar kay kam karna ho ga ta kay humain perda km dizer km ho ou humain acha lucro haisl ho skay prática kar kay mercado demo principal dizer ajuda lyni ho giMachine Aprendendo com algoTraderJo Inscrito em dezembro de 2017 Status: Membro 383 Posts Olá colegas comerciantes , Estou começando esse tópico esperando compartilhar com você alguns dos meus desenvolvimentos no campo da aprendizagem por máquinas. Embora eu não possa compartilhar com você sistemas exatos ou implementações de codificação (não espere obter nada para quotplug-and-playquot e ficar rico a partir deste segmento) vou compartilhar com você idéias, resultados da minha experiência e possivelmente outros aspectos do meu trabalho. Estou começando este tópico na esperança de que possamos compartilhar idéias e ajudar uns aos outros a melhorar nossas implementações. Vou começar com algumas estratégias simples de aprendizagem de máquinas e, em seguida, entraremos em coisas mais complexas com o passar do tempo. Espero que você aprecie o passeio Juntado dezembro 2017 Status: Member 383 Posts Quero começar por dizer algumas coisas básicas. Desculpe-me se a estrutura das minhas publicações deixa muito a desejar, não tenho nenhuma experiência de publicação no fórum, mas espero conseguir alguma coisa com o tempo. Na aprendizagem mecânica, o que queremos fazer é simplesmente gerar uma previsão que seja útil para nossa negociação. Para fazer essa predição, geramos um modelo estatístico usando um conjunto de exemplos (saídas conhecidas e algumas entradas que as coisas têm poder preditivo para prever essas saídas), então fazemos uma previsão de uma saída desconhecida (nossos dados recentes) usando o modelo que criamos com Os exemplos. Para resumir, é um processo quotimplequot em que fazemos o seguinte: Selecione o que queremos prever (este será o (s) nosso (s) alvo (as)) Selecione algumas variáveis ​​de entrada que pensamos que pode prever nossos objetivos Crie um conjunto de exemplos usando dados passados Com nossas entradas e nossos objetivos Crie um modelo usando esses exemplos. Um modelo é simplesmente um mecanismo matemático que relaciona os inputstargets Faça uma previsão do alvo usando as últimas entradas conhecidas Comércio usando esta informação Eu quero dizer desde o início que é muito importante evitar fazer o que muitos trabalhos acadêmicos sobre a aprendizagem de máquina fazem, Que é tentar construir um modelo com grandes matrizes de exemplos e depois tentar fazer uma previsão de longo prazo em um conjunto de quotout de amostra. Construir um modelo com 10 anos de dados e, em seguida, testá-lo nos dois últimos é sem sentido, sujeito a muitos tipos de tendências estatísticas que discutiremos mais adiante. Em geral, você verá que os modelos de aprendizagem de máquina que eu construo são treinados em cada barra (ou cada vez que eu preciso tomar uma decisão) usando uma janela de dados em movimento para a construção de exemplos (apenas exemplos recentes são considerados relevantes). Claro, esta abordagem não é estranha a alguns tipos de viés estatísticos, mas removemos o quotelefante na sala quando se usa a ampla abordagem de amostra da maioria dos trabalhos acadêmicos (o que, sem surpresa, muitas vezes leva a abordagens que não são Realmente útil para o comércio). Há principalmente três coisas a se preocupar com quando construir um modelo de aprendizagem de máquina: O que prever (o que o alvo) O que prever com (que insumos) Como relacionar o alvo e entradas (que modelo) A maioria do que vou estar mencionando Nesta discussão, será focada em responder a essas perguntas, com exemplos reais. Se você quiser escrever qualquer dúvida que possa ter e tentarei dar uma resposta ou simplesmente informá-lo se vou responder depois. Iniciado em dezembro de 2017 Status: Membro 383 Posts Deixe-nos entrar no mercado agora. Um verdadeiro exemplo prático usando a aprendizagem mecânica. Vamos supor que queremos construir um modelo muito simples usando um conjunto muito simples de entradas de dados. Para esta experiência, estas são as respostas às perguntas: O que prever (o alvo) - gt A direção do próximo dia (otimista ou grosseiro) O que prever com (quais entradas) - gt A direção dos dois dias anteriores Como Para relacionar o alvo e as entradas (que modelo) - gt Um classificador de mapa linear Este modelo tentará prever a direcionalidade da próxima barra diária. Para construir nosso modelo, tomamos os últimos 200 exemplos (um dia de direção como alvo e as duas direções do dia anterior como entradas) e treinamos um classificador linear. Fazemos isso no início de cada barra diária. Se tivermos um exemplo em que dois dias de alta conduzem a um dia de baixa, os inputs seriam 1,1 eo alvo seria 0 (0bearish, 1bullish), usamos 200 destes exemplos para treinar o modelo em cada barra. Esperamos ser capazes de construir uma relação onde a direção de dois dias produz alguma probabilidade acima-aleatória para prever corretamente a direção dos dias. Utilizamos um stoploss igual a 50 do período de 20 dias True True Average em cada comércio. Uma simulação desta técnica de 1988 a 2017 no EURUSD (dados anteriores a 1999 é DEMUSD) acima mostra que o modelo não tem geração de lucro estável. Na verdade, esse modelo segue uma caminhada aleatória negativamente tendenciosa, o que faz com que ele perca dinheiro como uma função da propagação (3 pips no meu sim). Olhe para o desempenho aparentemente quotimpressive que temos em 1993-1995 e em 2003-2005, onde, aparentemente, poderíamos prever com sucesso a direcionalidade dos próximos dias usando um modelo linear simples e os resultados direcionais de dois dias anteriores. Este exemplo mostra várias coisas importantes. Por exemplo, que em curto prazo (que poderia ser um par de anos), você pode ser facilmente enganado por aleatoriedade --- você pode pensar que você tem algo que funciona que realmente não. Lembre-se de que o modelo é reconstruído em cada barra, usando os últimos 200 exemplos de entrada. O que outras coisas você acha que pode aprender com este exemplo. Poste seus pensamentos bem. Assim que você predisse que os compradores ou os vendedores pisariam dentro. Hmm, mas o que exatamente tem que fazer com preço que vai acima ou para baixo 100 pips O preço pode reagir em várias maneiras - pôde apenas tanque por algum tempo (quando todas as ordens do limite forem enchidas) E depois continuar avançando. Também pode retraitar 5, 10, 50 ou mesmo 99 pips. Em todos esses casos você estava meio certo sobre compradores ou vendedores entrando, mas você deve entender que esta análise não tem muito a ver com o seu comércio indo de 90pip para 100pip. Sim, você está certo Esta é uma grande parte da razão pela qual estamos recebendo maus resultados ao usar o algoritmo de mapeamento linear. Porque a nossa rentabilidade está mal relacionada com a nossa previsão. Prever que os dias são bullishbearish é de uso limitado se você não sabe quanto preço se moverá. Talvez suas previsões estejam corretas apenas nos dias que lhe dão 10 pips e você recebe todos os dias que têm 100 direcional pip totalmente errado. O que você consideraria um alvo melhor para um método de aprendizado de máquina Sim, você está certo Esta é uma grande parte da razão pela qual estamos obtendo resultados ruins ao usar o algoritmo de mapeamento linear. Porque a nossa rentabilidade está mal relacionada com a nossa previsão. Prever que os dias são bullishbearish é de uso limitado se você não sabe quanto preço se moverá. Talvez suas previsões estejam corretas apenas nos dias que lhe dão 10 pips e você recebe todos os dias que têm 100 direcional pip totalmente errado. O que você consideraria um alvo melhor para um método de aprendizagem de máquina Digamos se você tem 100 pip TP e SL, eu gostaria de prever o que vem primeiro: TP ou SL Exemplo: TP veio primeiro 1 SL veio primeiro 0 (ou -1, No entanto, você o mapeia)