Forex python machine learning

Jon V.
BigData. Iniciantes. Negociação.
BigData. Iniciantes. Negociação.
Machine Beats Human: Usando Aprendizado de Máquinas em Forex.
A aprendizagem e o comércio de máquinas são um assunto muito interessante. Também é um assunto onde você pode gastar toneladas de tempo escrevendo código e lendo documentos e, em seguida, uma criança pode vencê-lo enquanto joga Mario Kart.
Nas postagens nexts, vamos falar sobre:
Otimize entradas e saídas. Isto e só isso pode fazer uma tonelada de diferença em seu rolo de banco. Calcule o tamanho da posição (no caso de você não gostar do critério de Kelly) Encontre a possível correlação entre diferentes pares (negociação em pares). Adoro a correlação EURUSD vs GBPJPY! Calcule suporte e amp; linhas de resistência.
Mas o que é a Aprendizagem de Máquinas?
Os algoritmos de aprendizagem de máquina são algoritmos em que uma máquina pode identificar padrões em seus dados. Yeap, é assim tão simples. Por exemplo, encontre todos os animais nesta foto e desenhe uma caixa ao redor deles. Além disso, nomeie esse animal. Louco, eu sei. Para negociar como você pode imaginar, é bastante semelhante:
Para que uma máquina "aprenda", você precisa ensinar o que é certo ou errado (aprendizado supervisionado) ou dar-lhe um grande conjunto de dados e deixá-lo ficar selvagem (sem supervisão). Para identificar objetos, isso é direto, e o que é negociar?
Eu olhei em volta para ver se há algum programa de aprendizado de máquina que pode identificar as linhas S / R, mas sem sucesso. Então eu decidi escrever o primeiro programa de aprendizagem de máquinas em python que identifica linhas de suporte e resistência em Python. Outro primeiro! Hooray!
Mas como um algoritmo pode identificar essas áreas? Hoooooow? Senhoras e colegas (e robôs), permitam-me que lhe apresente o MeanShift, um algoritmo sem supervisão que é usado principalmente para o reconhecimento de imagens e que é bastante trivial para configurar e executar (mas também muito lento).
A idéia é que este algoritmo me permita dividir meus dados (txs forex) em áreas e então eu posso usar as "bordas" como suporte e linhas de resistência. Ideia legal, mas isso funciona?
Analisamos cerca de 12 milhões de pontos de dados da EURUSD em 2018 e alguns meses de 2018. As linhas de resistência são colocadas automaticamente por um algoritmo de aprendizado de máquina.
O que é realmente legal (e assustador) é que o algoritmo praticamente o engana. NAILS é difícil. Isso fica realmente assustador quando vamos usar o algoritmo para identificar microestruturas e começar a curar.
O sistema é capaz de processar qualquer tipo de dados temporários (ações, forex, ouro, seja o que for) e renderá um gráfico interativo html (como o gráfico acima) com seus dados e a máquina gerada S / L. O código está aqui, então fique louco.
Agora vamos passar pelo código. Depois de ter seu conjunto de dados, você precisa lê-los e limpá-los. Prepare-se para alguns pandas de magia.
Nós deixamos cair os valores vazios (fins de semana) e depois reescrevemos os dados para candelas de 24 horas (ohcl). Isso torna muito mais fácil traçar. Os dados agrupados são os dados que inseriremos no algoritmo ml.
Em seguida, preparamos os dados que vamos usar no algo.
Na próxima publicação, vamos discutir como melhorar esse trabalho, discutir alguns resultados muito interessantes (o algoritmo pode realmente prever sobre o futuro?) E começar a usá-lo em nossa própria negociação. Se você quiser verificar o próximo artigo e ler mais sobre comércio e investimento usando algoritmos, inscreva-se no boletim informativo.
Próxima próxima: Machine Learning Gone Wild - Usando o código!
Se você tiver mais comentários, clique-me no jonromero ou inscreva-se no boletim informativo.
Legal outro. Este é um tutorial de engenharia sobre como construir uma plataforma algotrading para experimentação e FUN. Qualquer sugestão aqui não é um conselho financeiro. Se você perder qualquer (ou todos) o seu dinheiro porque seguiu quaisquer conselhos de negociação ou implantou este sistema na produção, não pode culpar este blog aleatório (e / ou eu). Aproveite a seu próprio risco.

aprendizado de Forex python machine
Puxe pedidos 0.
Participe do GitHub hoje.
O GitHub é o lar de mais de 20 milhões de desenvolvedores que trabalham juntos para hospedar e rever o código, gerenciar projetos e criar software juntos.
Clone com HTTPS.
Use o Git ou o check-out com o SVN usando o URL da web.
&cópia de; 2018 GitHub, Inc. Termos Privacidade Segurança Status Ajuda.
Você não pode executar essa ação neste momento.
Você fez login com outra guia ou janela. Recarregue para atualizar sua sessão. Você se separou em outra guia ou janela. Recarregue para atualizar sua sessão.

aprendizado de Forex python machine
Puxe pedidos 0.
Participe do GitHub hoje.
O GitHub é o lar de mais de 20 milhões de desenvolvedores que trabalham juntos para hospedar e rever o código, gerenciar projetos e criar software juntos.
Clone com HTTPS.
Use o Git ou o check-out com o SVN usando o URL da web.
Este é um exemplo que prevê preços futuros de movimentos de preços passados. Aqui o implementamos com taxa EUR / USD como exemplo, e você também pode prever os preços das ações mudando o símbolo.
Usando preços diários fechados de 2008 a 2018, primeiro 95% para treinamento e últimos 5% para testes. As linhas verticais verdes e vermelhas representam o comércio vencedor e a perda de comércio, respectivamente.
Para executar esta demo, você precisa do seguinte ambiente e bibliotecas.
Nota: você pode precisar de bibliotecas extras para instalar acima.
Licença MIT, Copyright (c) 2017.
&cópia de; 2018 GitHub, Inc. Termos Privacidade Segurança Status Ajuda.
Você não pode executar essa ação neste momento.
Você fez login com outra guia ou janela. Recarregue para atualizar sua sessão. Você se separou em outra guia ou janela. Recarregue para atualizar sua sessão.

QUANTLABS.
Quant Resources for Traders.
Aprendizagem em máquina de Python e Reconhecimento de Padrões para a Algo Forex e negociação de ações.
Aprendizagem em máquina de Python e Reconhecimento de Padrões para a Algo Forex e negociação de ações.
Outro recurso fantástico da Sentdex! Esta é uma grande descoberta.
Deixe agradecer muito a este Harisson por esse tipo de recursos de alta qualidade.
OBSERVAÇÃO Eu agora posto minhas ALERTAS DE NEGOCIAÇÃO na minha conta pessoal de FACEBOOK e TWITTER. Não se preocupe porque não publico vídeos de gato estúpidos ou o que eu como!

aprendizado de Forex python machine
A aprendizagem de máquinas de qualquer forma, incluindo o reconhecimento de padrões, tem, naturalmente, muitos usos do reconhecimento de voz e facial à pesquisa médica. Nesse caso, nossa questão é se podemos ou não usar o reconhecimento de padrões para referenciar situações anteriores que eram similares em padrões. Se pudermos fazer isso, podemos fazer negócios com base no que sabemos que aconteceu com esses padrões no passado e, de fato, obter lucro?
Para fazer isso, nós vamos codificar completamente tudo nós mesmos. Se você gosta desse tópico, o próximo passo seria examinar a aceleração ou o encadeamento de GPU. Nós só precisaremos de Matplotlib (para visualização de dados) e alguns NumPy (para o número de crunching), e o resto depende de nós.
Python é, naturalmente, uma linguagem de um único tópico, o que significa que cada script usará apenas uma única CPU (geralmente isso significa que ela usa um único núcleo de CPU e, às vezes, mesmo a metade ou quarta, ou pior, desse núcleo).
É por isso que os programas no Python podem demorar um pouco para o computador, mas seu processamento pode ser de apenas 5% e RAM 10%.
Para saber mais sobre o threading, você pode visualizar o tutorial de threading neste site.
A maneira mais fácil de obter esses módulos hoje em dia é usar a instalação de pip.
Não sabe o que é pip ou como instalar módulos?
Pip provavelmente é a maneira mais fácil de instalar pacotes. Depois de instalar o Python, você pode abrir seu prompt de comando, como cmd. exe no Windows ou bash on linux e digitar:
pip instalar numpy.
pip instalar matplotlib.
Se você ainda está tendo problemas, não hesite em contactar-nos, usando o contato no rodapé deste site.
O plano é levar um grupo de preços em um período de tempo e convertê-los em porcentagem de mudança em um esforço para normalizar os dados. Digamos que nós levamos 50 pontos de preço consecutivos por razões de explicação. O que faremos é mapear esse padrão na memória, avançar um ponto de preço e re-mapear o padrão. Para cada padrão que mapeamos na memória, queremos avançar um pouco, digamos, 10 pontos de preço e registrar onde o preço está nesse ponto. Em seguida, mapeamos esse "resultado" para o padrão e continuamos. Todo padrão tem seu resultado.
Em seguida, tomamos o padrão atual e comparamos isso com todos os padrões anteriores. O que faremos é comparar a percentagem de similaridade com todos os padrões anteriores. Se a sua percentagem de semelhança for superior a um determinado limite, então vamos considerar isso. A partir daqui, talvez tenhamos 20 a 30 padrões comparáveis ​​da história. Com estes padrões semelhantes, podemos agregar todos os seus resultados e chegar a um resultado "médio" estimado. Com esse resultado médio, se for muito favorável, então podemos iniciar uma compra. Se o resultado não é favorável, talvez vendamos, ou seja, curto.
Para visualização, aqui está um exemplo:
No exemplo acima, o padrão médio previsto é subir, então podemos iniciar uma compra.
Esta série não terminará com você com qualquer tipo de algoritmo get-rich-quick. Há alguns erros conhecidos com este programa, e as chances de você ser capaz de executar operações rápidas o suficiente com esses dados de ticks são improváveis, a menos que você seja um banco. O objetivo aqui é mostrar o quão fácil e básico é o reconhecimento de padrões. Enquanto você tiver algum conhecimento básico de programação Python, você deve ser capaz de acompanhar.