Forex svm

Indicadores: Indicador da máquina de vetor de suporte.

Este indicador usa máquinas de vetor de suporte para analisar dados de indicadores e sinalizar futuros negócios. Comprar trades são sinalizados por uma seta verde 'up' com comércio vendido sinalizado por uma seta vermelha 'para baixo'.

Olá, isso parece um ótimo indicador. Na verdade, eu tropecei na página de Wikipedia no SVM e pensei imediatamente que teria excelentes aplicativos para o Forex. Mais tarde, no mesmo dia eu tropecei com este indicador, coincidência de sorte. Eu baixei a versão de demonstração da biblioteca e estou tentando executar este indicador no EURUSD H1. Eu tento anexá-lo ao gráfico, no entanto, nada acontece e não há saída de log. Estou usando Demo MT5 Alpari-US. Alguém mais teve esse problema? Tenho que esperar para que o SVM treine? Alguma sugestão sobre como obter o indicador para o trabalho?

Também estou no Windows 8 e estou usando a versão demo da biblioteca.

Esta é realmente uma limitação da versão de demonstração da biblioteca. Os produtos de demonstração disponíveis no mercado só são utilizáveis no testador de estratégia, eles não podem ser usados em gráficos ao vivo / demo. A versão paga da biblioteca não tem essa limitação, no entanto, se você estiver procurando por contornar isso com o objetivo de testar a biblioteca, você pode escrever uma EA simples que usa o indicador e iniciar esta EA no testador de estratégia em "testes visuais" modo. Isso deve ser possível usando a versão de demonstração da biblioteca, mas deixe-me saber se você tem algum problema.

Também estou no Windows 8 e estou usando a versão demo da biblioteca.

1. Por que você não baixa o código na base do código e anexá-lo, veja o que aconteceu.

2. Uma vez que você está falando sobre a demonstração do mercado, faça essa pergunta para cubix aqui Pergunta / resposta sobre o suporte Vector Machine Learning Tool,

1. Qual tipo de vetor de suporte usa? Regressão ou classificação?

2. Como você seleciona o melhor Kernel?

3. Você faz uma validação cruzada de 10 vezes para obter os melhores parâmetros, gama e custo para cada modelo?

Negociação com SVMs: Desempenho.

Para obter uma sensação de desempenho de SVM na negociação, executo configurações diferentes nos dados históricos S & amp; P 500 de ... os anos 50. O motivo principal por trás de usar essa década foi decidir quais parâmetros variar e o que manter constante antes de executar os testes mais importantes. Trate-o como um teste "na amostra" para evitar (mais;)) sobreposição. Primeiro o gráfico de desempenho:

S & amp; P 500 Trading Performance.

Muito agradável! O uso dos 5 retornos diários atrasados mostra um desempenho semelhante à estratégia ARMA + GARCH, que eu achei muito promissor. Se você se perguntar por que estou tão entusiasmado com esse fato, é porque aqui estamos na área em que o ARMA + GARCH é o melhor e, no entanto, os SVMs mostram desempenho comparável.

As estatísticas também são impressionantes:

Ao escrever esta publicação, encontrei outro esforço para usar SVMs na negociação pela Quantum Financier. Sua abordagem usa RSI de comprimento diferente como entrada para o SVM, mas também usa classificação (mapeia os retornos para dois valores, curto ou longo) em vez de regressão. Como estava planejando testar a classificação de qualquer forma, seu post me inspirou a implementá-lo e executar uma comparação adicional, regressão vs classificação:

S & amp; P 500 SVM Trading - Regressão vs Classificação.

O que posso dizer - ambos parecem funcionar perfeitamente. Como um leitor sugeriu nos comentários, a Classificação exibe retornos mais consistentes.

Olhando para a mesa, a classificação reduziu a metade da redução máxima, mas, curiosamente, não melhorou significativamente a relação Sharpe. Nada conclusivo aqui, porém, foi uma rápida execução das estratégias mais rápidas (em termos de tempo de execução).

Ainda há uma longa lista de tópicos para explorar, apenas para lhe dar uma idéia, sem uma ordem específica:

Adicione outros recursos. Principalmente pensando em adicionar algumas séries relacionadas ao Fed, esses dados remontam a 1960, então está chegando em breve. :) Tente outros parâmetros de svm: outras regressões, outras classificações, outros kerenls, etc. Isso é mais como um teste de estabilidade. Experimente outras funções de erro. O padrão é usar o erro quadrático médio, mas no caso de regressão, por que não usar o Razão Sharpe (na amostra)? O caso de regressão é mais simples, já que temos os retornos reais - verifique a entrada de tune. control. Experimente períodos mais longos em vez de dias. Semanalmente é um começo, mas, idealmente, eu gostaria de implementar períodos de dois ou três dias. Varie o período de loopback. Use mais classes com classificação: grandes dias, dias médios, etc.

Isso levará tempo. Como sempre, comentários e comentários são bem-vindos.

Aprendizado de máquina e sua aplicação em mercados de Forex [MODELO DE TRABALHO]

Na última publicação, cobrimos o conceito de Aprendizado de Máquinas (ML) em breve. Nesta publicação, explicamos alguns mais termos ML e, em seguida, enquadramos regras para uma estratégia forex usando o algoritmo SVM em R.

Para usar o ML na negociação, começamos com dados históricos (estoque / dados forex) e adicionamos indicadores para construir um modelo em R / Python / Java. Em seguida, selecionamos o algoritmo de aprendizagem da máquina certo para fazer as previsões.

Primeiro, vejamos alguns dos termos relacionados ao ML.

Algoritmos de Aprendizagem de Máquina - Existem muitos algoritmos ML (lista de algoritmos) projetados para aprender e fazer previsões sobre os dados. Os algoritmos ML podem ser usados para prever uma categoria (problema de classificação de tackle) ou para prever a direção e a magnitude (enfrentar o problema de regressão).

Prever o preço de uma ação em 3 meses, com base nos últimos resultados trimestrais da empresa. Prever se o Fed aumentará sua taxa de juros de referência.

Indicadores / Características - Os indicadores podem incluir indicadores técnicos (EMA, BBANDS, MACD, etc.), indicadores fundamentais ou indicadores macroeconômicos.

Exemplo 1 & # 8211; RSI (14), preço - SMA (50) e CCI (30). Podemos usar esses três indicadores, construir nosso modelo e usar um algoritmo ML adequado para prever valores futuros.

Exemplo 2 & # 8211; RSI (14), RSI (5), RSI (10), preço - SMA (50), preço - SMA (10), CCI (30), CCI (15), CCI (5)

Neste exemplo, selecionamos 8 indicadores. Alguns desses indicadores podem ser irrelevantes para o nosso modelo. Para selecionar o subconjunto certo de indicadores, utilizamos técnicas de seleção de características.

Seleção de recursos - É o processo de selecionar um subconjunto de recursos relevantes para uso no modelo. As técnicas de seleção de recursos são colocadas em 3 grandes categorias: métodos de filtragem, métodos baseados no Wrapper e métodos incorporados. Para selecionar o subconjunto certo, basicamente fazemos uso de um algoritmo ML em alguma combinação. Os recursos selecionados são conhecidos como preditores na aprendizagem em máquina.

Support Vector Machine (SVM) - O SVM é um algoritmo bem conhecido para o Aprendizado de Máquinas supervisionado e é usado para resolver problemas de classificação e regressão.

Um algoritmo SVM funciona nos pontos de dados rotulados e os separa através de um limite ou um Hyperplane. SVM tenta maximizar a margem em torno do hiperplano separador. Os vetores de suporte são os pontos de dados mais próximos da superfície de decisão.

Regras de enquadramento para uma estratégia forex usando SVM em R & # 8211; Dada a nossa compreensão de recursos e SVM, comecemos com o código em R. Selecionamos o par de moedas EUR / USD com um período de tempo de 1 hora que data de 2018. Os indicadores aqui utilizados são MACD (12, 26, 9), e Parabolic SAR com configurações padrão de (0.02, 0.2).

Primeiro, carregamos as bibliotecas necessárias em R e, em seguida, lemos os dados EUR / USD. Em seguida, calculamos MACD e Parabolic SAR usando suas respectivas funções disponíveis no pacote "TTR". Para calcular a tendência, subtravemos o preço de encerramento EUR / USD do valor SAR para cada ponto de dados. Nós atrasamos os valores dos indicadores para evitar o viés futuro. Nós também criamos uma classe Up / Down com base na mudança de preço.

Posteriormente, mesclamos os indicadores e a classe em um quadro de dados chamado dados do modelo. Os dados do modelo são então divididos em treinamento e dados de teste.

Em seguida, usamos a função SVM do pacote "e1071" e treinamos os dados. Fazemos previsões usando a função de previsão e também traçamos o padrão. Estamos obtendo uma precisão de 53% aqui.

Do enredo, vemos duas áreas distintas, uma área superior maior em vermelho, onde o algoritmo fez previsões curtas e a menor área menor em azul, onde foi longo.

O indicador SAR traça o preço à medida que a tendência se estende ao longo do tempo. A SAR está abaixo dos preços quando os preços estão subindo e acima dos preços quando os preços estão caindo. O SAR pára e inverte quando a tendência do preço reverte e quebra acima ou abaixo dele. Estamos interessados no crossover de Price e SAR, e, portanto, estão tomando medidas de tendência como a diferença entre preço e SAR no código. Da mesma forma, estamos usando os valores do histograma MACD, que é a diferença entre os valores da linha MACD e da linha de sinal.

Olhando para o enredo, enquadramos nossas duas regras e avaliá-las sobre os dados do teste.

Regra curta = (Preço-SAR) & gt; -0,0025 & amp; (Preço - SAR) & lt; 0,0100 & amp; MACD & gt; -0,0010 & amp; MACD & lt; 0,0010.

Long rule = (Price-SAR) & gt; -0,0150 & amp; (Preço - SAR) & lt; -0,0050 & amp; MACD & gt; -0,0005.

Estamos obtendo uma precisão de 54% para nossos negócios curtos e uma precisão de 50% para nossos negócios longos. O algoritmo SVM parece estar fazendo um bom trabalho aqui. Paramos neste ponto e, na nossa próxima publicação na Aprendizagem da máquina, veremos como as regras emolduradas, como as descritas acima, podem ser codificadas e testadas para verificar a viabilidade de uma estratégia comercial.

Como usar uma máquina de vetor de suporte (SVM) no comércio diário?

Como comerciante, é muito importante que você entre no comércio na direção certa. Por exemplo, você deve ter certeza de que o mercado vai subir antes de entrar em um comércio de compras. Se você entrar em um comércio de compras e o mercado diminui, o comércio acabará batendo na perda de parada. Se você tem um método que pode prever a direção do mercado com uma precisão acima de 70%, você pode reduzir seu risco geral de perder em 70%. Na última publicação, falei sobre o idioma e o software R e como você pode usar o R na melhoria do seu sistema comercial. R é um poderoso software de análise estatística e é de código aberto. Existem mais de 2000 pacotes R que estão disponíveis para você que você pode usar para fazer seus modelos preditivos.

Nosso objetivo é melhorar nosso sistema comercial. A estratégia é combinar seu modelo estatístico preditivo com o seu modelo de negociação nua, baseado exclusivamente na análise técnica da ação de preços. Por exemplo, você detecta um padrão Gartley em seu gráfico e você tem um sinal de compra. Seu modelo estático estatístico diz que existe um mercado de chance de 75% que vai cair hoje. O que você deveria fazer? Você não deve entrar em um comércio de compras. Você verá até o final do dia em que você se salvou de um comércio ruim. Nesta publicação, vamos discutir como prever a direção do mercado usando uma máquina de vetor de suporte (SVM). Você pode usar uma máquina de vetor de suporte em qualquer período de tempo. Suponha que você esteja planejando entrar em um comércio de compras no horário H1. Seu modelo SVM prevê que a próxima vela seja mais baixa. Você pode usar essa previsão para entrar a um preço muito melhor na próxima hora.

Como utilizar a máquina de vetores de suporte (SVM) na previsão da direção do mercado em qualquer período de tempo?

Você deve baixar o software R e o software RStudio e instalá-lo antes de continuar com esta publicação. As máquinas de vetor de suporte são classificadores não-lineares que usam uma função kernel para transformar um problema de classificação não-linear em um problema de classificação linear. Assista ao vídeo abaixo que explica o que é um SVM:

O Support Vector Machine é um importante Algoritmo de Aprendizado de Máquinas. Agora você não precisa dominar como fazer a modelagem com um SVM. Você deve ter uma compreensão ampla do que é esse algoritmo e como você pode usar para cortar suas perdas em suas negociações diárias.

Tipo SV: eps-svr (regressão)

parâmetro: epsilon = 0,1 custo C = 5.

Gaussian Radial Basis kernel function.

Hiperparâmetro: sigma = 0,05.

Número de vetores de suporte: 1884.

Objectivo Função Valor: -3870.229.

Erro de treinamento: 0.285461.

Erro de validação cruzada: 0.08664.

& gt; #calcula o tempo necessário para fazer um SVM.

& gt; sistema de usuário decorrido.

Como você pode ver nos cálculos acima, demorou cerca de 6,65 segundos para que R realize todos os cálculos acima. O erro de treinamento é de 28%, o que significa que a precisão preditiva deste Modelo SVM é de 72%. Utilizamos uma função de base radial como o kernel. Precisamos fazer alguns ajustes e ver se podemos melhorar a precisão preditiva. Os cálculos acima foram feitos usando 5 atrasos de retornos simples. Com estes 5 atrasos de retorno simples, estamos recebendo um erro de treinamento de 28%. Deixe repetir os cálculos com 10 atrasos e veja se conseguimos reduzir o treinamento.

Como você pode ver acima, fizemos os cálculos com 10 laps e conseguimos reduzir o erro de treinamento para 22%, o que significa que conseguimos uma precisão preditiva de 78%. O tempo escolhido por R para fazer todos os cálculos é de apenas 5,13 segundos, o que significa que também podemos usar nosso modelo em prazos intradiários como M15 e M30. Podemos negociar opções binárias com este modelo em prazos intradiários de M15 e M30. O erro de treino é sempre uma superestimação. Quando fazemos testes fora da amostra, obteremos um erro que será entre 22% e 28%. Enquanto tivermos uma precisão preditiva acima de 70%, podemos usar este Modelo SVM em nossa negociação diária. Agora, vamos fazer os cálculos para o período intradiário do M15. Desta vez, fazemos a previsão para o EURUSD.

Estes foram os cálculos para as velas EURUSDM15. Como você pode ver, R fez os cálculos muito rápido em 5 segundos. O erro de treinamento é de aproximadamente 25%, o que significa que nós conseguimos uma precisão preditiva de 75%. Agora, se ajustarmos o modelo mais, podemos melhorar a precisão preditiva.

Isto é o que eu faço. Eu tenho esse modelo para fazer a previsão. Como você viu acima, esse modelo dificilmente leva alguns segundos para prever a próxima vela. Uma vez que eu tenho a previsão, eu uso meu sistema de comércio de castiçal e ver se ele confirma com a previsão. Quando ambas as previsões se confirmam, eu abro o comércio, caso contrário ignoro o comércio. Isso ajuda a reduzir as perdas.

Você pode ver nos cálculos acima, reduzimos o número de atrasos de 10 para 5. Reduzimos o tempo de cálculos em 1 segundo por erro de treinamento aumentando até 30%. Esta é uma indicação de que não devemos tentar reduzir o número de atrasos. Como você pode ver, podemos realizar esses cálculos em apenas alguns segundos. Após esta modelagem estatística, sabemos com pelo menos 70% de certeza a direção da próxima vela. Se a previsão é uma vela acima, devemos evitar um comércio de vendas. Use seu conhecimento de padrões de castiçal e entre em um comércio de compras.

0 comentários.

Baixe um sistema simples de Forex GRÁTIS que duplica a conta todos os meses com 3-4 de baixo risco e evite negócios no horário H4 e também pode trocar opções binárias nos prazos M5, M15 e M30!

Sua informação é 100% segura conosco e nunca será compartilhada.

Obter uma estratégia de opções binárias que tenha 92% de Winrate GRÁTIS!

Troca de divisas com máquinas de vetor de suporte.

Christian Ullrich Detlef Seese Stephan Chalup.

Este artigo analisa e examina a capacidade geral dos modelos da Máquina de Vetores de Suporte (SVM) para prever e negociar corretamente as direções diárias de taxa de câmbio do EUR. São considerados sete modelos com diferentes funções do kernel. Cada modelo de SVM é comparado com as técnicas de previsão tradicionais, a fim de verificar seu valor potencial como ferramenta de previsão e análise quantitativa fora da amostra. Verificou-se que as SVM hiperbólicas funcionam bem em termos de precisão de previsão e resultados de negociação através de uma estratégia simulada. Isso apóia a idéia de que os SVMs são sistemas de aprendizagem promissores para lidar com tarefas de classificação não-linear no campo das aplicações financeiras de séries temporais.

Referências.

Informações sobre direitos autorais.

Autores e afiliações.

Christian Ullrich 1 Detlef Seese 1 Stephan Chalup 2 1. AIFB Universidade de Karlsruhe Karlsruhe Alemanha 2. Escola de Engenharia Elétrica e amp; Computer Science University of Newcastle Callaghan, Austrália.

Sobre este artigo.

Recomendações personalizadas.

Cite o papel.

.RIS Papers Reference Manager RefWorks Zotero.

.BIB BibTeX JabRef Mendeley.

Download instantâneo legível em todos os dispositivos Possuí-lo para sempre Imposto de venda local incluído, se aplicável.

Cite o papel.

.RIS Papers Reference Manager RefWorks Zotero.

.BIB BibTeX JabRef Mendeley.

Mais de 10 milhões de documentos científicos ao seu alcance.

Switch Edition.

&cópia de; 2017 Springer International Publishing AG. Parte de Springer Nature.

Troca de divisas on-line Macaé

Search This Blog

Forex svm

Comments

Post a Comment