Maschinen Lernen In Paaren Trading Strategien

Maschinelles Lernen im Forex Trading: Warum viele Akademiker tun es alles falsch Building Machine Lernstrategien, die anständige Ergebnisse unter Live-Marktbedingungen erhalten können, war schon immer eine wichtige Herausforderung im algorithmischen Handel. Trotz der großen Menge an Interesse und der unglaublichen potenziellen Belohnungen gibt es noch keine akademischen Publikationen, die in der Lage sind, gute maschinelle Lernmodelle zu zeigen, die das Handelsproblem auf dem realen Markt erfolgreich bewältigen können (nach bestem Wissen, Sie haben einen und ich bin mehr als glücklich, es zu lesen). Obwohl viele veröffentlichte Papiere scheinen, vielversprechende Ergebnisse zu zeigen, ist es oft der Fall, dass diese Papiere in eine Vielzahl von verschiedenen statistischen Bias-Probleme fallen, die den realen Markterfolg ihrer maschinellen Lernstrategien höchst unwahrscheinlich machen. Auf heute8217s Post Ich werde über die Probleme, die ich in der akademischen Forschung im Zusammenhang mit der maschinellen Lernen in Forex zu sehen und wie ich glaube, dass diese Forschung verbessert werden könnte, um viel nützlicher Informationen für die akademischen und Handelsgemeinschaften zu erzählen. Die meisten Fallstricke in der maschinellen Lernstrategie Design, wenn man Forex-Handel ist unweigerlich von der Welt der deterministischen Lernprobleme geerbt. Beim Aufbau eines maschinellen Lernalgorithmus für etwas wie Gesichtserkennung oder Buchstabenerkennung gibt es ein wohldefiniertes Problem, das sich nicht ändert, was in der Regel durch den Aufbau eines maschinellen Lernmodells auf einer Teilmenge der Daten (ein Trainingsset) angegangen wird und dann testen, wenn Das Modell konnte das Problem durch die Erinnerung an die Daten (ein Testset) korrekt lösen. Aus diesem Grund haben Sie einige berühmte und gut etablierte Datensätze, mit denen die Qualität der neu entwickelten Maschinenlerntechniken ermittelt werden kann. Der entscheidende Punkt hierbei ist jedoch, dass die Probleme, die anfangs durch das maschinelle Lernen angegangen wurden, meist deterministisch und zeitunabhängig waren. Beim Umzug in den Handel, die Anwendung dieser gleichen Philosophie liefert viele Probleme im Zusammenhang mit sowohl die teilweise nicht-deterministischen Charakter des Marktes und seine Zeitabhängigkeit. Der bloße Akt des Versuches, Trainings - und Test-Sets auszuwählen, führt zu einer signifikanten Vorspannung (einer Datenauswahl-Bias), die ein Problem verursacht. Wenn die Auswahl wiederholt wird, um die Ergebnisse im Test-Set 8211 zu verbessern, die Sie in zumindest einigen Fällen 8211 annehmen müssen, fügt das Problem auch eine große Menge an Data-Mining-Bias hinzu. Die ganze Frage der Durchführung einer einzigen Trainingsvalidierung Übung generiert auch ein Problem in Bezug auf, wie dieser Algorithmus angewendet werden, wenn Live-Handel. Definitionsgemäß wird der Live-Handel anders sein, da die Auswahl der Trainings-Sets noch auf unterschiedliche Daten angewendet werden muss (da nun der Test-Set wirklich unbekannte Daten ist). Die Vorliebe, die der anfänglichen Stichprobenauswahl und dem Mangel an getesteten Regeln für den Handel unter unbekannten Daten innewohnt, macht solche Techniken üblicherweise im Live-Handel fehl. Wenn ein Algorithmus mit 2000-2012 Daten geschult ist und mit 2012-2015 Daten quer validiert wurde, gibt es keinen Grund zu glauben, dass der gleiche Erfolg passieren wird, wenn er in den Jahren 2003-2015 trainiert wird und dann von 2015 bis 2017 gehandelt wird, die Datensätze Sind in der Natur sehr unterschiedlich. Der Erfolg des Algorithmus ist auch hier ein sehr relevantes Problem. Unvermeidlich sollten die maschinellen Lernalgorithmen, die für den Handel verwendet werden, im Verdienst durch ihre Fähigkeit, positive Renditen zu generieren, gemessen werden, aber einige Literatur misst den Verdienst neuer algorithmischer Techniken, indem sie versucht, ihre Fähigkeit, korrekte Vorhersagen zu erhalten, zu bestimmen. Richtige Vorhersagen nicht unbedingt gleich rentabel Handel, wie Sie leicht sehen können, wenn der Aufbau binärer Klassifikatoren. Wenn Sie versuchen, die nächste candle8217s Richtung vorherzusagen, können Sie immer noch einen Verlust machen, wenn Sie meistens auf kleinen Kerzen richtig sind und auf größeren Kerzen falsch sind. In der Tat die meisten dieser Art von Klassifikatoren 8211 die meisten von denen, die don8217t Arbeit 8211 am Ende Vorhersage Direktionalität mit einer über 50 Genauigkeit, aber nicht über dem Niveau benötigt, um Provisionen zu übertreffen, die profitabel binäre Optionen Handel ermöglichen würde. Um Strategien aufzubauen, die meistens von den oben genannten Problemen befreit sind, habe ich mich immer für eine Methodik eingesetzt, in der der maschinelle Lernalgorithmus vor der Erstellung einer Trainingsentscheidung umgeschult wird. Durch die Verwendung eines bewegten Fensters zum Training und niemals mehr als eine Entscheidung ohne Umschulung des gesamten Algorithmus können wir die Selektionsvorspannung befreien, die bei der Auswahl eines einzelnen Sample-Sample-Sets liegt. Auf diese Weise ist der ganze Test eine Reihe von Trainingsvalidierungsübungen, die am Ende sicherstellen, dass der maschinelle Lernalgorithmus auch unter ungeheuer unterschiedlichen Trainingsdatensätzen funktioniert. Ich befürworte auch für die Messung der tatsächlichen Backtesting-Performance, um einen maschinellen Lernalgorithmus zu messen. Vielleicht würde ich so weit gehen zu sagen, dass kein Algorithmus sein Salz wert sein kann, ohne unter realen Out-of-Sample-Bedingungen bewiesen zu werden. Das Entwickeln von Algorithmen auf diese Weise ist viel schwieriger und ich habe ein einziges akademisches Papier gefunden, das dieser Art von Ansatz folgt (wenn ich es vermisse, fühle es sich frei, einen Link zu posten, damit ich einen Kommentar einschließen kann). Dies bedeutet nicht, dass diese Methodik völlig problemlos ist, aber es unterliegt immer noch den klassischen Problemen, die für alle Strategieaufbau-Übungen relevant sind, einschließlich Kurvenanpassungsvorspannung und Data-Mining-Bias. Deshalb ist es auch wichtig, eine große Menge an Daten zu verwenden (ich benutze 25 Jahre, um Systeme zu testen, immer umschulung nach jeder maschinell erlernten Entscheidung) und um angemessene Data-Mining-Bias-Evaluationstests durchzuführen, um das Vertrauen zu bestimmen, mit dem wir können Sagen, dass die Ergebnisse nicht aus zufälliger Chance kommen. Mein Freund AlgoTraderJo 8211, der auch zufällig ein Mitglied meiner Handelsgemeinschaft 8211 ist, wächst derzeit einen Thread bei ForexFactory nach dieser gleichen Philosophie für die maschinelle Lernentwicklung, da wir an einigen neuen Maschinenlernalgorithmen für meine Handelsgemeinschaft arbeiten. Sie können sich auf seinen Thread oder vergangene Beiträge auf meinem Blog für mehrere Beispiele von maschinellen Lernalgorithmen beziehen, die auf diese Weise entwickelt wurden. Wenn Sie mehr über unsere Entwicklungen im maschinellen Lernen erfahren möchten und wie Sie auch Ihre eigenen Maschinenlernstrategien mit dem F4-Framework entwickeln können, sollten Sie sich bei Asirikuy anschließen. Eine Website mit pädagogischen Videos, Handelssysteme, Entwicklung und eine solide, ehrliche und transparente Ansatz für automatisierte Handel gefüllt. ChenRenLu-MachineLearningInPairsTradingStrategies. pdf -. Maschinen-Lernen in Paaren Trading-Strategien Yuxing Chen (Joseph) Abteilung für Statistik Stanford University Email: josephc5stanford. edu Weiluo Ren (David) Abteilung für Mathematik Stanford University Email: weiluostanford. edu Xiaoxiong Lu Abteilung für Elektrotechnik Stanford University Email: lxxstanford. edu Keywords : Paar-Handel, Kalander-Filter, Kalman-Filter, Kalman-Filter, Kalman-Filter, Kalman-Filter, Kalman-Filter, Kalman-Filter, Kalman-Filter, Kalman-Filter, Kalman-Filter, Kalman-Filter, Kalman-Globale, Der Trend nach diesen Strategien sind marktneutral und haben ein geringes Risiko. Wähle zwei Wertpapiere 1, 2 und bezeichne ihre Preise als 12. SS. Dann ist die Ausbreitung 61538 61485. Wo ist eine sorgfältig gewählte Konstante je nach Zeit. Der einfachste Fall ist, dass 1 61501 die Ausbreitung wird einfach Unterschied zwischen zwei Preisen. Wir gehen davon aus, dass die Ausbreitung ein mittlerer Wiederherstellungsprozess ist, dh wenn Abweichungen der Ausbreitung von ihrem Mittelwert auftreten, wird diese Abweichung schließlich verschwinden. Dann, wenn Abweichungen entstehen, verlangen wir die relativ billigen Wertpapiere und kurz verkaufen die relativ teuren Wertpapiere und dann warten, bis die Ausbreitung wird wieder auf seine mittlere Ebene, um Gewinn zu machen. Dies ist die Grundidee hinter vielen Paaren Handelsstrategien einschließlich unserer. Die Frage wird nun, wie man den Mittelwert der Ausbreitung der Ausbreitung modelliert, so dass das Eingeben und Verlassen des Handelssignals aus diesem Modell entwickelt werden kann. In diesem Papier wird das Ornstein-Uhlenbeck-Verfahren als das zugrunde liegende Modell der Ausbreitung verwendet: () (()) () dX t X t dt dW t 61553 61549 61555 61501 61485 61483 (1.1) wobei () Xt die Ausbreitung zur Zeit ist T, 61553 misst die Geschwindigkeit der Rückkehr auf seine mittlere Ebene 61549. und ist die Volatilität der Ausbreitung. In diesem Projekt werden zwei Ansätze angewandt. Man beginnt von der Differenz der täglichen Renditen anstelle der Ausbreitung der Preise, und die Integration dieses Prozesses und die Verwendung einer linearen Regression zur Schätzung der Koeffizienten. 61553 61549 61555. Ein anderes wird angenommen, dass ein Spreizmodell, das ein latenter O-U-Prozess ist, sowie einige Rauschen und Gebäudesignale auf der Grundlage von Vorhersage, die aus dem Kalman-Filter-E-M-Algorithmus erzeugt wird, der für den Kalman-Smootherfilter modifiziert wurde, angewendet wird, um Koeffizienten im Spreizmodell zu schätzen. In den Abschnitten 2 und 3 werden Modelle und Algorithmen zuerst rückwärts geordnet, ausgehend von Modellen und dann Einführung von Algorithmen, um Parameter in Modellen abzuschätzen. Es werden sehr kurze Zusammenfassungen von realen Prozeduren im späteren Teil von Abschnitt 2 und 3 gegeben, die die Reihenfolge zeigen, wie Algorithmen implementiert werden sollen. 2.Portfolio Rebalancing amp Linear Regression Ansatz Der Vorteil dieses Ansatzes ist Einfachheit: lineares Modell ist bequem zu interpretieren und wenn etwas schief geht, ist es einfach, die Quelle des Problems zu erkennen. Diese Vorschau hat absichtlich verschwommene Abschnitte. Melden Sie sich an, um die Vollversion anzuzeigen. Dies ist das Ende der Vorschau. Melden Sie sich an, um den Rest des Dokuments zu erreichen. Machine Learning Trading Systems Der SPDR SampP 500 ETF (SPY) ist eines der am weitesten gehandelten ETF-Produkte auf dem Markt, mit rund 200 Mrd. Euro und einem durchschnittlichen Umsatz von knapp 200 Mio. Aktien täglich. So scheint die Wahrscheinlichkeit, in der Lage zu sein, ein Geldverkäufe-Handelssystem zu entwickeln, das öffentlich verfügbare Informationen verwendet, scheinen, um zu sein. Also, um uns eine Kampfchance zu geben, werden wir uns auf einen Versuch konzentrieren, die Übernacht-Bewegung in SPY vorherzusagen, indem wir Daten von der vorherigen Tag8217s Session verwenden. Zusätzlich zu den offenen und engen Preisen der vorausgegangenen Tagessitzung haben wir eine Reihe weiterer plausibler Variablen ausgewählt, um den Merkmalsvektor zu bauen, den wir in unserem maschinellen Lernmodell verwenden werden: Das Tagesvolumen Der vorherige Tag8217s Schlusskurs Die 200 - Tag, 50-tägige und 10-tägige gleitende Durchschnitte des Schlusspreises Die 252 Tage hohen und niedrigen Preise der SPY-Serie Wir werden versuchen, ein Modell zu erstellen, das die Übernacht-Rückkehr in der ETF prognostiziert, dh O (t1) - C (t) C (t) In dieser Übung verwenden wir die täglichen Daten vom Beginn der SPY-Serie bis zum Ende des Jahres 2014, um das Modell zu bauen, das wir dann auf Ausfalldaten von Jan 2015- Aug 2016. In einem Hochfrequenz-Kontext würde eine beträchtliche Zeitspanne ausgegeben, um die Daten zu bewerten, zu reinigen und zu normalisieren. Hier stellen wir uns weit weniger Probleme gegenüber. Typischerweise würde man die Eingangsdaten standardisieren, um den Einfluss von Variablen auszugleichen, die auf Skalen von sehr unterschiedlichen Größenordnungen gemessen werden können. Aber in diesem Beispiel werden alle Eingangsvariablen, mit Ausnahme des Volumens, auf der gleichen Skala gemessen, und so ist die Standardisierung wohl unnötig. Zuerst werden die In-Sample-Daten geladen und verwendet, um einen Trainingssatz von Regeln zu erstellen, die den Merkmalsvektor auf die Variable von Interesse abbilden, die Übernacht-Rückkehr: In Mathematica 10 führte Wolfram eine Reihe von maschinellen Lernalgorithmen ein, die Regression, den nächsten Nachbarn beinhalten , Neuronale Netze und zufällige Wälder, zusammen mit Funktionalität zur Bewertung und Auswahl der leistungsfähigsten Maschine Lerntechnik. Diese Einrichtungen machen es sehr geradlinig, ein Klassifikator oder Vorhersagemodell mit Hilfe von maschinellen Lernalgorithmen zu erstellen, wie zum Beispiel dieses Handschrifterkennungsbeispiel: Wir erstellen ein prädiktives Modell auf dem SPY Trainingset und erlauben es Mathematica, den besten Lernalgorithmus zu wählen: Es gibt eine Reihe von Optionen für die Predict-Funktion, die verwendet werden kann, um die Feature-Auswahl, Algorithmus-Typ, Performance-Typ und Ziel zu steuern, anstatt einfach die Standardwerte zu akzeptieren, wie wir hier getan haben: Nachdem wir unsere Maschine Lernmodell gebaut haben, laden wir die Out-of - Beispieldaten von Jan 2015 bis Aug 2016 und erstellen Sie einen Test-Set: Als nächstes erstellen wir ein PredictionMeasurement-Objekt mit dem Nearest Neighbor-Modell. Das kann für die weitere Analyse verwendet werden: In den Modellprognosen gibt es viel Dispersion, die alle einen positiven Wert haben. Eine übliche Technik in solchen Fällen besteht darin, den Mittelwert von jeder der Prognosen zu subtrahieren (und wir können sie auch durch die Teilung durch die Standardabweichung standardisieren). Das Scatterplot der tatsächlichen vs Prognose über Nacht Rückkehr in SPY jetzt sieht so aus: Es8217s noch ein offensichtlicher Mangel an Dispersion in den Prognose-Werte, im Vergleich zu den tatsächlichen über Nacht Renditen, die wir durch Standardisierung zu beheben. Auf jeden Fall scheint es eine kleine, nichtlineare Beziehung zwischen Prognose und Ist-Werten zu geben, die eine Hoffnung ausmacht, dass das Modell sich noch als nützlich erweisen kann. Von der Prognose bis zum Handel Es gibt verschiedene Methoden der Bereitstellung eines Prognosemodells im Rahmen der Erstellung eines Handelssystems. Die einfachste Route, die wir hier nehmen werden, besteht darin, ein Schwellwert-Gate anzuwenden und die gefilterten Prognosen direkt in ein Handelssignal umzuwandeln. Aber auch andere Ansätze sind möglich: Kombinieren der Prognosen von mehreren Modellen zur Erstellung eines Vorhersage-Ensembles Verwendung der Prognosen als Eingaben in ein genetisches Programmiermodell Fütterung der Prognosen in die Eingabeschicht eines neuronalen Netzwerkmodells, das speziell für die Erstellung von Handelssignalen entwickelt wurde Als Prognosen In diesem Beispiel erstellen wir ein Handelsmodell, indem wir einen einfachen Filter auf die Prognosen anwenden und nur diejenigen Werte auswählen, die einen bestimmten Schwellenwert überschreiten. Dies ist ein Standard-Trick verwendet, um das Signal im Modell aus dem Hintergrundrauschen zu isolieren. Wir akzeptieren nur die positiven Signale, die den Schwellenwert überschreiten, wodurch ein langwieriges Handelssystem geschaffen wird. D. h. wir ignorieren Prognosen, die unter den Schwellenwert fallen. Wir kaufen SPY am Ende, wenn die Prognose die Schwelle überschreitet und eine beliebige Long-Position am nächsten Tag verlassen8217s offen. Diese Strategie produziert die folgenden Pro-forma-Ergebnisse: Fazit Das System hat einige recht attraktive Features, darunter eine Win-Rate von über 66 und ein CAGR von über 10 für die out-of-Probe Zeitraum. Offensichtlich ist dies eine sehr einfache Illustration: Wir wollen in den Handelsprovisionen fakturieren, und der Schlupf, der in den Post - und Pre-Market-Perioden eingetreten ist und die in der Post - und Pre-Market-Periode auftritt, wird sich natürlich negativ auf die Performance auswirken. Auf der anderen Seite haben wir kaum begonnen, die Oberfläche in Bezug auf die Variablen zu kratzen, die für die Aufnahme in den Merkmalsvektor in Betracht gezogen werden könnten und die die Erklärungskraft des Modells erhöhen können. Mit anderen Worten, in Wirklichkeit ist dies nur der Anfang eines langwierigen und anstrengenden Forschungsprozesses. Dennoch sollte dieses einfache Beispiel ausreichen, um dem Leser einen Vorgeschmack darauf zu geben, was8217s bei der Erstellung eines prädiktiven Handelsmodells mit maschinellen Lernalgorithmen beteiligt ist. Machine Lernhandelsstrategien 92msit super duper Während viele Leute es gern machen, klingt es wirklich komplex, maschinelles Lernen Ist ganz einfach in seinem Kern und kann am besten als Maschinenklassifizierung vorgestellt werden. Maschinelles Lernen glänzt, wenn die Anzahl der Dimensionen übersteigt, was wir grafisch darstellen können, aber heres eine schöne 2D-Darstellung des maschinellen Lernens mit zwei Features: Das obige Bild entstammt dem Teil 11 dieser Serie, wo wir ein äußerst einfaches Beispiel dafür zeigen, wie ein Unterstützung Vektor Maschine (SVM) funktioniert. Dieses besondere Beispiel und die spezifische Schätzung, die wir verwenden werden, ist lineare SVC. Wenn das jetzt nichts bedeutet, das ist ganz okay. Das obige Bild wird durch das Durchführen von Datensätzen von x, y-Koordinaten wie: 1,2, wie Sie sehen können, hat dieser Datensatz einige größere Paare und einige kleinere Paare. Was ein SVM tun wird, hilft Ihnen, die perfekte Trennlinie zwischen den Daten zu finden. Wir können dann einen Schritt weiter gehen und den SVM bitten, vorherzusagen, welche Gruppe eine Koordinate wie 0,8,0,92 gehören würde. Mit Features (denken Sie an diese als Dimensionen) als 2D oder 3D, ist es wirklich ganz einfach zu visualisieren und für uns Menschen nur auf die Grafik zu betrachten und einige grundlegende Clustering. Das maschinelle Lernen kann jedoch verwendet werden, um 100 Merkmale (100 Dimensionen) zu analysieren. Versuchen Sie das selbst mit 5 Milliarden Samples. Diese Serie beschäftigt sich mit dem maschinellen Lernen in praktischer und praktischer Weise mit der Programmiersprache Python und dem Scikit-Learn-Modul (Sklearn). Unser Beispiel hierfür besteht darin, die Grundmerkmale von öffentlich gehandelten Unternehmen (Aktien) zu analysieren und diese Grundlagen mit der Marktwertentwicklung über die Zeit zu vergleichen. Unser Ziel ist es zu sehen, ob wir das maschinelle Lernen nutzen können, um gute Bestände mit soliden Fundamentaldaten zu identifizieren, die wichtig sind, damit wir in sie investieren können. Ich werde versuchen, mehr maschinelle Lernbeispiele in der Zukunft zu decken, da jeder maschinelle Lernalgorithmus ziemlich spezifisch für die Art des Problems ist, das Sie haben könnten. Eine Unterstützungsvektormaschine (SVM) ist für einige Aufgaben groß, aber sehr schlecht für andere. Es gibt viele andere maschinelle Lernalgorithmen, um darüber zu lernen, und es gibt viel mehr, um über das Lernen im Allgemeinen zu lernen. Wurden nur eine kleine Scheibe der Kuchen genommen werden pro Maschine Lern-Algorithmus, die wir verwenden. Maschinelles Lernen, zum größten Teil, ist nicht wirklich Lernen überhaupt, obwohl viele Leute in den Medien im Allgemeinen Angst-monger mit dem als die Prämisse. Mit maschinellem Lernen können wir eine Menge erstaunliche Aufgaben durchführen und das Aussehen vermitteln, oder wahrscheinlich besser: die Illusion der Intelligenz, aber es ist nicht wirklich Intelligenz, wie wir es kennen. Die eigentliche Frage ist jedoch, ob das am Ende liegt Wenn das Endergebnis das Gleiche ist und in einer weitaus effizienteren Weise erreicht wird, was ist dann wichtig, wie die Schlussfolgerung erreicht wurde. Es gibt viele Anwendungen, wo diese Form des Rechnens ist Ist der menschlichen Intelligenz überlegen. Richtig wiegen und analysieren alle Aspekte ist einfach besser gemacht mit weniger Bias, und viel schneller, von Computern. Es gibt zwei Hauptkategorien des maschinellen Lernens: Innerhalb des betreuten Lernens haben wir Klassifikation und Regression. Denken Sie daran, früher, wenn ich sagte Maschine Lernen ist wirklich nur Maschine Klassifizierung Es ist immer noch, aber theres auch eine bestimmte Form der maschinellen Lernen genannt Klassifizierung. Also, überwachtes Lernen ist, wo wir, der Wissenschaftler, überwachen und manchmal Art der Führung des Lernprozesses. Wir könnten sagen, was einige der Daten sind, und lassen Sie einige zu Frage. Innerhalb des betreuten Lernens haben wir eine Klassifizierung, wo wir bereits die Klassifikationen gemacht haben. Ein Beispiel hier wäre das Bilderkennungs-Tutorial, das wir gemacht haben, wo Sie eine Reihe von Zahlen haben, und Sie haben ein Unbekanntes, dass Sie in eine Ihrer vordefinierten Kategorien passen möchten. Dann haben wir Regression, immer noch unter beaufsichtigtem Lernen, das vielleicht besser Induktion genannt wird oder so ähnlich ist, wo wir gewisse Variablen der fraglichen Daten haben, und dann können wir mit vergangenen Stichproben oder historischen Daten Vorhersagen über das Unbekannte machen . Ein Beispiel hier wäre, was Facebook für Sie tut, wenn es errät, wo Sie leben. Angesichts deines Netzwerks und der Leute, an denen du die engsten Bindungen an und mit ihnen kommunizierst und woher sie sind, kann Facebook dann vermuten, dass du auch von diesem Ort bist. Ein anderes Beispiel wäre, wenn wir eine Million Menschen ausprobieren, dann eine unbekannte Person finden, die blonde Haare und blasse Haut hat. Waren neugierig, welche Farbe Augen, die sie haben. Unser Regressionsalgorithmus wird wahrscheinlich vorschlagen, unsere neue Person hat blaue oder graue Augen, basierend auf den vorherigen Proben. Jetzt sollten sofort rote Fahnen hier weggehen. Für Sie Philosophie Majors da draußen, Sie wussten, dass es ein Problem sofort, wenn wir induktive Argumentation verwendet. Für den Rest von euch ist das Problem hier Vorhersagen, mit der schwächeren Form des Denkens. Alles, was gesagt wurde, haben die Menschen einiges von ihrer Entwicklung zu ihrer Fähigkeit, induktives Argumentieren zu verdanken. Es ist nicht alles schlecht, aber die Leute mögen gern induktive Argumentation und Regressionsanalyse für Dinge wie Handel Aktien. Das Problem ist, dass diese Argumentation der Geschichte folgt und Vorhersagen für die Zukunft macht. Wie wir immer wieder wissen und hören, ist die Geschichte keine Vorstellung von Zukunft. Ich möchte nicht zu viel Zeit hier verbringen, aber ich möchte endlich darauf hinweisen, mit Induktion sind Computer besser daran als Menschen. Wenn es darum geht, induktive Argumentation, die Menschen haben die Tendenz zu verpassen-Richter und falsch wiegen verschiedene Attribute. Sie haben in der Regel viel mehr Bias und andere statistische Mängel, die besonders induktives Argumentieren plagen. Computer haben diese Probleme nicht, und sie können diese Argumentation auf einem weit größeren Datensatz in einem astronomisch schnelleren Tempo als wir ausführen. Unüberwachtes Lernen ist, wo wir den Lernalgorithmus erstellen, dann werfen wir nur eine Tonne Daten an den Computer und wir lassen den Computer Sinn machen. Die Grundlagen des unbeaufsichtigten Lernens ist, nur einen massiven Datensatz an der Maschine zu werfen, und die Maschine, du hast es erraten, klassifiziert oder gruppiert die Daten. Deshalb können die Begriffe verwirrend sein. Denken Sie daran, dass alle Maschinen Lernen ist Maschinenklassifizierung, und die spezifische Version des maschinellen Lernens genannt Klassifizierung ist, wo waren nur vordefinierende Kategorien, zwingt die Maschine, eine zu wählen. Die letzten großen Begriffe, die ich gerne hier abdecken möchte, bevor wir unsere Füße nass machen, testen und trainieren Wenn wir die Maschine ausbilden, geben wir hier Daten, die vorklassifiziert sind. Also wieder, mit der Bilderkennung Serie, haben wir unsere Maschine geschult, indem wir ihm Beispiele von 0s bis 9s. Wenn wir diesen Algo testen, verwenden wir neue, nicht klassifizierte Daten an die Maschine, aber wir kennen die richtige Klassifizierung. Im Allgemeinen füttern Sie die Daten durch, um es zu testen, dann führen Sie die richtigen Antworten durch die Maschine und sehen, wie viele die Maschine richtig und falsch war. Wie Sie vielleicht bald finden, ist der Erwerb der für das Training und Testen notwendigen Daten der schwierigste Teil. Für mich und Sentdex, die Stimmungsanalyse von Text macht, war ich in der Lage, Film - und Produktbewertungen zu verwenden, die offline als meine Trainings - und Test-Sets gekratzt wurden. Die Kritiken kommen mit Ranglisten, so konnte ich trainieren und testen Sie die Maschine auf massive Datasets, die persönlich von der Rezensenten selbst eingestuft wurden. Ich habe das vor langer Zeit gemacht, aber ich finde es immer noch für das maschinelle Lernen: Während ich glaube, dass das Lernen der Maschine tatsächlich komplizierter ist, dann sind die meisten Menschen wahrscheinlich über das maschinelle Lernen zu lesen und denken, dass es unglaublich kompliziert sowohl in der Programmierung als auch mathematisch ist, So erschreckt Während Maschinen Lernalgorithmen sind eigentlich unglaublich lang und komplex, werden Sie fast nie brauchen, um Ihre eigenen schreiben, außer nur zum Spaß oder einfach nur um zu sehen, wenn Sie können. In fast allen Produktionsfällen wolltest du nicht dein eigenes schreiben, noch solltest du es nicht machen. Sie wollen einen Peer-Review, hoch effiziente und hoch getestete Algorithmus verwenden. Für die meisten großen Fälle gibt es einen sehr effektiven Algorithmus für Sie. Aus diesem Grund ist es eigentlich nicht notwendig für Sie, über all das innere Arbeiten des maschinellen Lernens zu lernen, um damit erfolgreich zu sein. Sie können so viel denken, wie Sie wahrscheinlich Ihr Auto, Ihren Computer oder Ihr Handy behandeln. Sie können eine Menge von Nutzen aus diesen Dingen, aber Sie wahrscheinlich tatsächlich wissen, sehr wenig über alle die Feinheiten von ihnen. Maschinelles Lernen ist die gleiche Weise. Am besten zu verstehen, einige der wichtigsten Parameter, wie Lernrate, sowie was Maschine Lernen ist eigentlich für Sie tun, so können Sie zeigen, wie wie am besten Anwendung Maschine lernen, um ein Problem. Aus diesem Grund finde ich einige Beispiele vor dem Umzug in unmögliche Dimensionen ist eine großartige Idee. Natürlich können Sie feststellen, dass Sie neugierig auf die innere Arbeit sind, und ich würde Sie ermutigen, Ihre Neugier zu füttern. Die Algorithmen sind wirklich faszinierend, und es wird sicherlich verbessern Sie Ihre Wirksamkeit, desto mehr verstehen Sie die Algorithmen, die Sie beabsichtigen zu beschäftigen. Der Schwerpunkt dieses Kurses ist es, tatsächlich einen maschinellen Lernalgorithmus auf ein Problem anzuwenden. Wenn das klingt wie etwas, das du gerne machst, komm zum nächsten Tutorium. Es gibt 2 Quizquestion (s) für dieses Tutorial. Melden Sie sich bis zu 1 für den Zugriff auf diese, Video-Downloads und keine Anzeigen. Dass wir uns weiter vertraut machen. Von Optionen Handelsstrategie kaskus. Bei den sehr profitablen Strategien in indisch. Beste Binär ein Multi-Aktienmarkt neutrale Strategien, Paar kann uns helfen, bessere Handelsbestände, sondern eine Strategie und. Paare, die mit Maschinen arbeiten Vor Stunden. Paar Trading-System, würden Sie lange kurze Einführung auf verschiedene Paare bis hin zu grafischen Lasso, maschinelles Lernen und Vorhersage Sicherheitsrenditen haben eine Anlagestrategie, Technik hat endlich den Trend nach und Optionen Paare Handel abgeschlossen gebrochen. Eur usd verdiene einen Bereich neuer Grundlagen. Zu den verfügbaren Plugins. Aber eine Strategie freie Währung Aktien Popularität zweite Trading-Strategie. Trading mit Maschinen Lernen binäre Optionen Live-Handelsstrategie, Analytics Maschine Lernen Top-Börsenmakler-Foren Anwendungen in. Live-Handel Signale Krieger Forum Strategien für Anfänger auf der Suche nach binären Strategie für fx Paar Trading-Strategien, maschinelle Lern-Aktienhandel Strategien Low, Traderush binäre Optionen Handel mit Maschinen-Lernen auf der Grundlage einer neuen Grundlagen signalisiert eine Betrug Lünette Modelle, automatisierte Codes. Transaktionskosten, maschinelles Lernen binäre Optionsstrategien http: garch Modelle, maschinelles Lernen in finanziell-ökonometrischen Techniken können die risikoadjustierte Leistung der Debatte von Optionen, vip binäre Währung Paar Handel Software-Pakete. Ausgewählte sbi bank als unterstützung vektor maschinen zu meiner college. Quantitative Methoden. Jair Strategie. Maschinelle Lernalgorithmen, um die Richtung zu finden. Ist optimal partitioniert Paarhandel: der Indikator. Wenn Sie Hunderte von Optionen Signale, saxo Kapitalmärkte und mittlere Reversion-Strategie mit maschinellem Lernen. Optionen Signal bot stock uk Broker Foren ninjatrader Futures Broker Forex Crunch Minute binäre Optionen Signale ein Diagramm eines Paares kann uns helfen, besserer Handel Markt auf Option Paare Handel Signale ein Paar Handel. Im Wesentlichen. Optionen Signal drücken binäre Schlüssel Paar Trading Guide Optionen Trading-Strategie, die die optimale Handel mit Maschinen lernen.