Aprendizagem de máquina em Forex Trading Por que muitos acadêmicos estão fazendo tudo errado. Construindo estratégias de aprendizagem de máquina que podem obter resultados decentes em condições de mercado vivo sempre foi um desafio importante em negociação algorítmica Apesar da grande quantidade de interesse e as recompensas potenciais incríveis, Ainda sem publicações acadêmicas que são capazes de mostrar bons modelos de aprendizagem de máquina que pode enfrentar com êxito o problema comercial no mercado real ao melhor de meu conhecimento, postar um comentário se você tiver um e eu vou ser mais do que feliz em lê-lo Embora muitos Papéis publicados parecem mostrar resultados promissores, muitas vezes é o caso que esses papéis caem em uma variedade de diferentes problemas de tendência estatística que tornam o sucesso real do mercado de suas estratégias de aprendizagem de máquina altamente improvável No post de hoje eu vou falar sobre o Problemas que eu vejo na pesquisa acadêmica relacionada com a aprendizagem de máquina em Forex e como eu acredito que esta pesquisa poderia ser melhorada para Rendimento informações muito mais úteis para o acadêmico e comunidades comerciais. A maioria das armadilhas na concepção da estratégia de aprendizagem de máquina quando fazendo negociação Forex são inevitavelmente herdadas do mundo de problemas de aprendizagem determinística Ao construir um algoritmo de aprendizagem de máquina para algo como reconhecimento de rosto ou reconhecimento de letra há Um problema bem definido que não muda, que geralmente é abordado pela construção de um modelo de aprendizagem de máquina em um subconjunto dos dados de um conjunto de treinamento e, em seguida, testar se o modelo foi capaz de resolver corretamente o problema usando o lembrete dos dados um teste Esta é a razão pela qual você tem alguns conjuntos de dados famosos e bem estabelecidos que podem ser usados para estabelecer a qualidade das técnicas de aprendizagem de máquina recém-desenvolvido O ponto chave aqui no entanto, é que os problemas abordados inicialmente pela aprendizagem de máquina foram principalmente determinista e independente do tempo. Ao se mudar para a negociação, a aplicação dessa mesma filosofia produz muitos problemas relacionados tanto com a partia Lly caráter não-determinístico do mercado e sua dependência de tempo O simples ato de tentar selecionar conjuntos de treinamento e teste introduz uma quantidade significativa de viés um viés de seleção de dados que cria um problema Se a seleção for repetida para melhorar os resultados no conjunto de teste que Você deve assumir que acontece em pelo menos alguns casos, em seguida, o problema também adiciona uma grande quantidade de mineração de mineração de dados Toda a questão de fazer um único exercício de validação de treinamento também gera um problema relativo a como este algoritmo deve ser aplicado ao comércio ao vivo Por definição A negociação ao vivo será diferente uma vez que a seleção de conjuntos de testes de treinamento precisa ser reaplicada a diferentes dados como agora o conjunto de testes é verdadeiramente dados desconhecidos O viés inerente na seleção de período inicial de amostra fora da amostra e a falta de qualquer Testadas para negociação sob dados desconhecidos faz com que tais técnicas geralmente falham em negociação ao vivo Se um algoritmo é treinado com 2000-2012 dados e foi validado cruzada w Com os dados 2012-2015 não há nenhuma razão para acreditar que o mesmo sucesso acontecerá se treinado em 2003-2015 dados e, em seguida, viver negociado de 2015 a 2017, os conjuntos de dados são muito diferentes na natureza. Medição algoritmo sucesso também é um muito relevante Problema aqui Inevitavelmente os algoritmos de aprendizado de máquina usados para negociação deve ser medido em mérito por sua capacidade de gerar retornos positivos, mas alguns literatura mede o mérito de novas técnicas algorítmicas, tentando benchmark sua capacidade de obter previsões corretas previsões corretas não necessariamente igual negociação rentável Como você pode facilmente ver quando a construção de classificadores binários Se você tentar prever a próxima vela ¡¯ s direção você ainda pode fazer uma perda, se você está principalmente à direita em pequenas velas e errado em maiores velas Na verdade, a maioria deste tipo de classificadores mais Daqueles que não trabalham acabam predizendo direcionalidade com uma precisão acima de 50, mas não acima do nível necessário para superar as comissões que Iria permitir negociação de opções binárias rentáveis. Para construir estratégias que são principalmente livre dos problemas acima eu sempre defendeu para uma metodologia em que o algoritmo de aprendizagem da máquina é treinada novamente antes de fazer qualquer decisão de treinamento Usando uma janela em movimento para o treinamento e nunca fazer Mais de uma decisão sem reconversão todo o algoritmo podemos livrar-se do viés de seleção que é inerente na escolha de um conjunto de amostra fora da amostragem único Desta forma, todo o teste é uma série de exercícios de validação de treinamento que acabam garantindo Que o algoritmo de aprendizado de máquina funciona mesmo em conjuntos de dados de treinamento tremendamente diferentes também defendo a medição do desempenho de backtesting real para medir o mérito de um algoritmo de aprendizado de máquina e além disso eu diria que nenhum algoritmo pode valer a pena seu sal sem Sendo provado em condições reais fora da amostra Desenvolvimento de algoritmos desta maneira é muito mais difícil e eu não encontrei um único a Cademic papel que segue este tipo de abordagem, se eu perdi, sinta-se livre para postar um link para que eu possa incluir um comentário. Isto não significa que esta metodologia é completamente livre de problemas no entanto, ele ainda está sujeito aos problemas clássicos relevantes para todos Exercícios de construção de estratégia, incluindo viés de ajuste de curva e viés de mineração de dados É por isso que também é importante usar uma grande quantidade de dados que eu uso 25 anos para testar sistemas, sempre reciclagem após cada aprendizado máquina decisão derivada e executar dados adequados - Testes de avaliação de viés de mineração para determinar a confiança com que podemos dizer que os resultados não vêm de chance aleatória Meu amigo AlgoTraderJo que também acontece a ser um membro da minha comunidade comercial está actualmente a crescer um fio na ForexFactory seguindo este mesmo tipo de filosofia para Máquina de desenvolvimento de aprendizagem, como nós trabalhamos em alguns novos algoritmos de aprendizagem de máquina para a minha comunidade comercial Você pode consultar a sua discussão ou posts anteriores no meu blog para vários exemplos De algoritmos de aprendizagem da máquina desenvolvidos desta maneira. Se você gostaria de aprender mais sobre nossos desenvolvimentos na aprendizagem de máquina e como você demasiado pode também desenvolver suas próprias estratégias de aprendizagem da máquina usando a estrutura de F4 considera por favor juntar um Web site enchido com os vídeos educacionais, , Desenvolvimento e um som, abordagem honesta e transparente para automatizado trading. This post irá detalhar o que eu fiz para fazer aproximadamente 500k de negociação de alta freqüência de 2009 a 2010 Desde que eu estava negociando completamente independente e não estou mais executando o meu programa estou feliz de Diga a todos Minha negociação foi principalmente em Russel 2000 e contratos de futuros DAX. A chave para o meu sucesso, creio eu, não estava em uma equação financeira sofisticada, mas sim no design do algoritmo global que amarrou muitos componentes simples e usou aprendizado de máquina para otimizar para Rentabilidade máxima Você ganhou t necessidade de saber qualquer terminologia sofisticada aqui, porque quando eu configurar o meu programa era tudo baseado em intu O curso de aprendizagem incrível da máquina de Andrew Ng não estava ainda disponível - btw se você estalar essa ligação você será levado a meu projeto atual CourseTalk, um local da revisão para MOOCs. Primeira, eu apenas quero demonstrar que meu sucesso não era simplesmente o resultado De sorte Meu programa fez 1000-4000 comércios por dia meia longa, meia curta e nunca entrou em posições de mais de alguns contratos de cada vez Isso significou a sorte aleatória de qualquer um determinado comércio média fora muito rápido O resultado foi que eu nunca perdeu Mais de 2000 em um dia e nunca teve um mês perdedor. EDIT Estes números são depois de pagar commissions. And aqui uma carta para dar-lhe uma noção da variação diária Note isso exclui os últimos 7 meses porque - como os números pararam de subir - eu perdi a minha motivação para entrar them. My background. Prior comércio Para a criação do meu programa de negociação automatizado Eu d tinha 2 anos de experiência como um dia comerciante manual Esta foi de volta em 2001 - foi os primeiros dias de comércio eletrônico e houve oportunidades para scalpers para fazer bom dinheiro só posso descrever o que eu estava fazendo Como semelhante a jogar um jogo de vídeo jogo com uma suposta vantagem Ser bem sucedido significava ser rápido, ser disciplinado e ter um bom intuitivo reconhecimento de padrões habilidades que eu era capaz de fazer em torno de 250k, pagar os meus empréstimos estudantis e ter dinheiro sobrando Win. Over Os próximos cinco anos eu iria lançar duas startups, pegando algumas habilidades de programação ao longo do caminho Não seria até o final de 2008 que eu iria voltar a negociação Com o dinheiro a correr baixo da venda da minha primeira inicialização, Negociação ofereceu esperanças de algum dinheiro rápido, enquanto eu descobri o meu próximo movimento. Em 2008, eu estava manualmente dia futuros de negociação usando o software chamado T4 eu estava querendo alguns hotkeys de entrada de pedidos personalizados, então depois de descobrir T4 tinha uma API, eu assumi o desafio De aprender C a linguagem de programação necessária para usar a API e fui em frente e construiu-me algumas hotkeys. After ficando meus pés molhados com a API eu logo tinha maiores aspirações que eu queria ensinar o computador para o comércio para mim A API forneceu tanto um fluxo de Dados de mercado e uma maneira fácil de enviar ordens para a troca - tudo que eu tinha a fazer era criar a lógica no middle. Below é uma imagem de uma janela de negociação T4 O que era legal é que quando eu tenho o meu programa de trabalho eu era capaz de Assistir o comércio de computador nesta mesma interface mesmo Observando ordens reais popping dentro e fora por si com o meu dinheiro real foi emocionante e assustador. O design do meu algoritmo. Desde o início meu objetivo era configurar um sistema tal que eu poderia ser razoavelmente Co Nfident Eu d fazer o dinheiro antes de fazer sempre todos os comércios vivos Para conseguir isto eu necessitei construir uma estrutura de simulação negociando que - como exatamente como possível - simular a negociação viva. Enquanto negociando em modalidade viva requereu atualizações de mercado processando fluidas através da API, Necessário ler atualizações de mercado de um arquivo de dados Para coletar esses dados eu configurar a primeira versão do meu programa para simplesmente ligar à API e registro de atualizações do mercado com timestamps acabei usando 4 semanas de dados de mercado recente para treinar e testar meu sistema em . Com um quadro básico no lugar eu ainda tinha a tarefa de descobrir como fazer um sistema de comércio rentável Como se vê que o meu algoritmo iria dividir em dois componentes distintos, que eu vou explorar em turn. Predicting movimentos de preços e. Making rentável Movimentos de preços de previsão. Talvez um componente óbvio de qualquer sistema de negociação é ser capaz de prever onde os preços vão se mover e mina não foi nenhuma exceção Eu defini a corrente Preço como a média da oferta interna e oferecer dentro e eu definir o objetivo de prever onde o preço seria nos próximos 10 segundos Meu algoritmo precisaria chegar a essa previsão momento a momento durante todo o dia de negociação. Criando otimização Eu criei um punhado dos indicadores que provaram ter uma abilidade significativa de prever movimentos do preço a curto prazo Cada indicador produziu um número que era positivo ou negativo Um indicador era útil se mais frequentemente do que não um número positivo correspondeu com o mercado que vai acima E um número negativo correspondeu com o mercado indo para baixo. Meu sistema me permitiu determinar rapidamente quanto a capacidade de previsão de qualquer indicador tinha assim que eu era capaz de experimentar com um monte de diferentes indicadores para ver o que funcionou Muitos dos indicadores tinham variáveis nas fórmulas Que os produziu e pude encontrar os valores ótimos para essas variáveis, fazendo comparações lado a lado dos resultados obtidos com valores variáveis. Dicators que foram mais úteis foram todos relativamente simples e foram baseados em eventos recentes no mercado que eu estava negociando, bem como os mercados de valores correlacionados. Fazer previsões de preço exato movimento. Tendo indicadores que simplesmente previu um movimento de preços para cima ou para baixo wasn t suficiente Eu precisava saber exatamente quanto movimento de preço foi previsto por cada valor possível de cada indicador que eu precisava de uma fórmula que iria converter um valor indicador para uma previsão de preço. Para isso, eu segui o preço previsto movimentos em 50 baldes que dependiam do intervalo que O valor do indicador caiu em Este produzido único previsões para cada balde que eu era então capaz de gráfico no Excel Como você pode ver a mudança de preço esperado aumenta à medida que o valor do indicador aumenta. Com base em um gráfico como este, eu era capaz de fazer uma fórmula Para ajustar a curva No começo eu fiz essa curva de ajuste manualmente, mas eu logo escreveu algum código para automatizar este processo. Note que nem todas as curvas indicador tinha o mesmo s Hape Observe também que os baldes foram logaritmicamente distribuídos de modo a espalhar os pontos de dados de forma uniforme Finalmente, note que os valores dos indicadores negativos e suas correspondentes predições de preços para baixo foram invertidos e combinados com os valores positivos Meu algoritmo tratada para cima e para baixo exatamente os mesmos indicadores para um único Uma coisa importante a considerar era que cada indicador não era inteiramente independente Eu não poderia simplesmente somar todas as previsões que cada indicador fez individualmente A chave era descobrir o valor preditivo adicional que cada indicador tinha além do que já estava previsto Isto Não era difícil de implementar, mas isso significava que se eu estava ajustando a curva vários indicadores, ao mesmo tempo, eu tinha que ser cuidadoso alterando uma seria efeito as previsões de outro. A fim de curva se encaixam todos os indicadores ao mesmo tempo eu Configurar o otimizador para passo apenas 30 do caminho para as novas curvas de previsão com cada passagem Com este salto 30 eu encontrei Que as curvas de previsão se estabilizariam dentro de poucas passagens. Com cada indicador agora dando-nos a sua previsão de preço adicional eu poderia simplesmente adicioná-los para produzir uma única previsão de onde o mercado estaria em 10 segundos. Por que prever os preços não é suficiente. Você pode pensar que com essa vantagem no mercado eu era dourado Mas você precisa ter em mente que o mercado é composto de lances e ofertas - não é apenas um preço de mercado O sucesso na negociação de alta freqüência vem para baixo para obter bons preços e Não é fácil. Os seguintes fatores fazem a criação de um sistema rentável difícil. Com cada comércio eu tive que pagar comissões a meu corretor ea troca. A diferença da propagação entre o lance o mais elevado ea oferta mais baixa significou que se eu fosse simplesmente comprar e Vender aleatoriamente eu d estar perdendo uma tonelada de money. Most do volume de mercado foi outros bots que só iria executar um comércio comigo se eles pensaram que tinham alguma edge. Seeing estatística uma oferta não garantia que eu poderia comprá-lo Pelo Tempo minha ordem de compra chegou à troca era muito possível que essa oferta teria sido cancelled. As um jogador de mercado pequeno não havia nenhuma maneira que eu poderia competir em velocidade alone. Building uma simulação de negociação completa. Então eu tinha um quadro que me permitiu Para backtest e otimizar indicadores Mas eu tinha que ir além disso - eu precisava de uma estrutura que me permitiria backtest e otimizar um sistema de comércio completo onde eu estava enviando ordens e ficando em posições Neste caso eu d ser otimização para PL total e Em certa medida média PL por trade. This seria mais complicado e de alguma forma impossível de modelar exatamente, mas eu fiz o melhor que pude Aqui estão alguns dos problemas que eu tive que lidar com. Quando uma ordem foi enviada para o mercado em simulação Eu tive que modelar o tempo do lag O fato que meu sistema viu uma oferta não significou que poderia o comprar imediatamente O sistema emitiria a ordem, espere aproximadamente 20 milissegundos e então somente se a oferta era ainda lá era ele considerado como um Comércio executado Isso foi inexato, porque o tempo de atraso real foi inconsistente e unreported. When eu coloquei ofertas ou ofertas eu tive que olhar para o fluxo de execução de comércio fornecido pela API e usá-los para medir quando a minha ordem teriam sido executados contra Para fazer isso direito eu Tinha que rastrear a posição da minha ordem na fila É um sistema first-in first-out Mais uma vez, eu não poderia fazer isso perfeitamente, mas fiz uma melhor aproximação. Para refinar a minha simulação de execução de ordem o que fiz foi pegar meus arquivos de log de Live trading através da API e compará-los a arquivos de log produzidos por negociação simulada a partir do mesmo período de tempo exato eu era capaz de obter a minha simulação para o ponto que era bastante preciso e para as peças que eram impossíveis de modelo, Pelo menos produzir resultados que foram estatisticamente semelhantes nas métricas que eu pensei que eram importantes. Fazendo negócios rentáveis. Com um modelo de simulação de ordem no lugar eu poderia agora enviar ordens no modo de simulação e ver um PL simulado Mas como seria m Y sistema saber quando e onde comprar e vender. As previsões de movimento de preço foram um ponto de partida, mas não toda a história O que eu fiz foi criar um sistema de pontuação para cada um dos 5 níveis de preços sobre a oferta e oferta Estes incluíam um nível acima do interior Lance para uma ordem de compra e um nível abaixo da oferta interna para uma ordem de venda. Se a pontuação em qualquer nível de preço foi acima de um determinado limite que significaria meu sistema deve ter uma oferta de oferta ativa lá - abaixo do limiar então qualquer ordens ativas Deve ser cancelado Com base nisso, não era incomum que meu sistema iria flash um lance no mercado, em seguida, cancelá-lo imediatamente Embora eu tentei minimizar isso como ele é irritante como o diabo para quem está olhando para a tela com os olhos humanos - incluindo me. The Os níveis de preços foram calculados com base nos seguintes fatores. A previsão de movimento de preço que discutimos anteriormente. O nível de preço em questão Os níveis internos significavam maiores previsões de movimento de preços. O número de contratos na frente do meu Ordem na fila Menos foi better. The número de contratos por trás da minha ordem na fila Mais foi better. Essentially estes fatores serviram para identificar lugares seguros para oferecer oferta A previsão de movimento de preços por si só não era adequada, porque não conta para o fato de que Ao colocar uma oferta eu não estava automaticamente preenchido - só fiquei preenchido se alguém me vendeu lá A realidade era que o mero fato de alguém vender para mim em um determinado preço mudou as probabilidades estatísticas do comércio. As variáveis usadas nesta etapa Foram todos sujeitos a otimização Isso foi feito da mesma maneira que eu otimizado variáveis nos indicadores de movimento de preço, exceto neste caso eu estava otimizando para linha de fundo P L. O que o meu programa ignorado. Quando negociação como seres humanos que muitas vezes têm poderosas emoções e Preconceitos que podem levar a decisões menos do que o ideal Claramente eu não queria codificar esses preconceitos Aqui estão alguns fatores que meu sistema ignorou. O preço que uma posição foi inserida - Em um escritório de comércio é bastante comum Para ouvir a conversa sobre o preço em que alguém é longo ou curto como se isso deve afetar sua tomada de decisão futura Embora isso tenha alguma validade como parte de uma estratégia de redução de risco que realmente não tem qualquer influência sobre o curso futuro dos eventos no mercado Portanto, O programa ignorou completamente esta informação É o mesmo conceito que ignorando custos afundados. Vendo curto vs saindo de uma posição longa - tipicamente um comerciante teria diferentes critérios que determina onde vender uma posição longa versus onde ir curto No entanto a partir de minha perspectiva de algoritmos havia Nenhuma razão para fazer uma distinção Se o meu algoritmo esperava uma venda para baixo movimento foi uma boa idéia, independentemente de se ele estava atualmente longo, curto ou flat. A dobrar estratégia - Esta é uma estratégia comum onde os comerciantes vão comprar mais ações no evento Que há comércio original vai contra eles Isso resulta em seu preço médio de compra sendo menor e isso significa quando ou se o estoque gira em torno de você vai ser configurado para fazer o seu Ey de volta em nenhum momento Na minha opinião, esta é realmente uma estratégia horrível a menos que você re Warren Buffet Você está enganado em pensar que você está fazendo bem, porque a maioria de seus comércios serão vencedores O problema é quando você perde você perde grande O outro efeito é Torna difícil julgar se você realmente tem uma vantagem no mercado ou estão apenas ficando sortudos Ser capaz de monitorar e confirmar que o meu programa, de facto, ter uma vantagem foi um objetivo importante. Desde o meu algoritmo tomou decisões da mesma maneira, independentemente de onde Ele entrou em um comércio ou se era atualmente longo ou curto que ocasionalmente sentar e tomar algumas grandes operações perdedoras, além de alguns grandes negócios vencedor Mas, você shouldn t acho que não havia nenhuma gestão de risco. Para gerenciar o risco eu reforçado um máximo Tamanho de posição de 2 contratos de cada vez, ocasionalmente bumped up em dias de alto volume Eu também tinha um limite máximo de perda diária para proteger contra quaisquer condições de mercado inesperado ou um bug no meu software Estes limites foram aplicadas no meu código bu T também no back-end através do meu corretor Como aconteceu eu nunca encontrei qualquer problems. Running significa o algoritmo. Desde o momento em que eu comecei a trabalhar no meu programa que me levou cerca de 6 meses antes que eu comecei a ponto de rentabilidade e começou a executá-lo Ao vivo Embora para ser justo uma quantidade significativa de tempo estava aprendendo uma nova linguagem de programação Como eu trabalhei para melhorar o programa eu vi aumento de lucros para cada um dos próximos quatro meses. Cada semana eu retrain meu sistema baseado no valor de 4 semanas anteriores de Os dados que eu encontrei este golpeou o contrapeso direito entre capturar tendências comportamentais recentes do mercado e segurar meu algoritmo tiveram bastante dados para estabelecer testes padrões significativos Como o treinamento começou a tomar mais e mais tempo eu o separei para que pudesse ser executado por 8 máquinas virtuais usando amazon EC2 Os resultados foram então coalesced na minha máquina local. O ponto alto da minha negociação foi de outubro de 2009, quando eu fiz quase 100k Depois disso eu continuei a passar os próximos quatro meses t Rying para melhorar meu programa apesar do lucro diminuído cada mês Infelizmente por este ponto eu supor que eu implementei todas minhas melhores idéias porque nada que eu tentei parecer ajudar muito. Com a frustração de não poder fazer melhorias e de não ter um sentido do crescimento eu Comecei a pensar em uma nova direção Eu enviei um e-mail a 6 empresas de negociação de alta freqüência diferentes para ver se eles estariam interessados em comprar meu software e contratar-me para trabalhar para eles Ninguém respondeu que eu tinha algumas novas idéias de inicialização que eu queria trabalhar,.UPDATE - Eu postei isso no Hacker News e ele tem recebido muita atenção Eu só quero dizer que eu não defendo ninguém tentando fazer algo parecido com eles agora Você precisaria de uma equipe de pessoas realmente inteligentes com uma gama de experiências Para ter qualquer esperança de competir Mesmo quando eu estava fazendo isso eu acredito que era muito raro para os indivíduos para alcançar o sucesso, embora eu tinha ouvido falar de others. There é um comentário no topo da página que menciona manipulado sta Tistics e refere-se a mim como um investidor de varejo que quants would gleefully pick off Este é um comentário um pouco lamentável que s simplesmente não baseado na realidade Definição que de lado há alguns comentários interessantes. UPDATE 2 - Eu ve postou um FAQ que responde Algumas perguntas comuns que eu recebi de comerciantes sobre este post. Machine Aprendizagem e Reconhecimento de Padrão para Algorithmic Forex e Stock Trading. Machine aprendizagem em qualquer forma, incluindo o reconhecimento de padrões, tem naturalmente muitos usos de voz e reconhecimento facial para a investigação médica Neste caso , A nossa pergunta é se ou não podemos usar o reconhecimento de padrões para fazer referência a situações anteriores que eram semelhantes em padrão Se podemos fazer isso, podemos então fazer comércios com base no que sabemos que aconteceu com esses padrões no passado e realmente fazer um lucro. Para fazer isto, nós vamos codificar completamente tudo nós mesmos Se você acontecer apreciar este tópico, a etapa seguinte seria olhar na aceleração de GPU ou no threading Nós re ir somente Precisa de Matplotlib para visualização de dados e alguns NumPy para número crunching, eo resto é até nós. Python é naturalmente uma linguagem single-threaded, ou seja, cada script só vai usar uma única CPU normalmente isso significa que ele usa um único núcleo de CPU, e às vezes Mesmo apenas metade ou um quarto, ou pior, desse núcleo. É por isso que os programas em Python pode levar algum tempo para algo de computador, no entanto, o seu processamento pode ser apenas 5 e RAM 10. Para aprender mais sobre rosqueamento, você pode ver o threading Tutorial sobre este site. A maneira mais fácil de obter esses módulos hoje em dia é usar pip install. Don t saber o que é pip ou como instalar modules. Pip é provavelmente a maneira mais fácil de instalar pacotes Depois de instalar o Python, você deve ser capaz de Abra o prompt de comando, como no windows, ou bash no linux, e type. pip instalar pip numpy instalar matplotlib. Having problema ainda Não há problema, não há um tutorial para que pip instalar Python módulos tutorial. If você ainda está tendo problemas, sinta-se livre Para entrar em contato conosco, usando o c Ontact no rodapé deste site. O plano é ter um grupo de preços em um período de tempo, e convertê-los para a mudança percentual em um esforço para normalizar os dados Vamos dizer que vamos tomar 50 pontos de preço consecutivos por causa da explicação O que Vamos fazer é mapear este padrão na memória, avançar um ponto de preço e re-mapear o padrão Para cada padrão que mapeamos na memória, então queremos saltar para a frente um pouco, digamos, 10 pontos de preço e registrar onde o O preço está nesse ponto Nós, então, mapear este resultado para o padrão e continuar Cada padrão tem seu resultado. Em seguida, tomamos o padrão atual, e compará-lo com todos os padrões anteriores O que vamos fazer é comparar a semelhança percentual com todos os padrões anteriores Se Sua semelhança percentual é mais do que um certo limiar, então vamos considerá-lo De aqui, talvez tenhamos 20-30 padrões comparáveis da história Com esses padrões semelhantes, podemos então agregar todos os seus resultados e chegar a uma estimativa Resultado médio Com isso avera Se for muito favorável, então podemos iniciar uma compra Se o resultado não é favorável, talvez vendemos, ou curto. Para a visualização, aqui está um exemplo. No exemplo acima, o padrão médio previsto é subir , Então podemos iniciar uma compra. Esta série não vai acabar com você ter qualquer tipo de algoritmo get-rich-quick Há alguns bugs conhecidos com este programa, e as chances de você ser capaz de executar comércios rápido o suficiente com este tick Dados é improvável, a menos que você é um banco O objetivo aqui é mostrar o quão fácil e básico reconhecimento de padrões é Enquanto você tem algum conhecimento básico de programação Python, você deve ser capaz de acompanhar.
5 Razões Os Jovens Investidores Devem Trocar Opções. Opções pertencem à ampla classe de instrumentos financeiros conhecidos como derivados descritos por Warren Buffett como, armas financeiras de destruição em massa Embora não seja aconselhável para um jovem investidor a dabble em complexo over-the-counter Opções negociadas em bolsa ou listadas, tais como opções de ações e índices têm muitos benefícios se usadas com prudência Aqui estão cinco razões pelas quais cada investidor jovem deve explorar opções de negociação.1 Oportunidades de Investimento com Capital Limitado O investidor jovem médio tem capital limitado para investir, Ele ou ela é muito provável pesado com empréstimos estudantis, um empréstimo de carro e pagamentos de aluguel enquanto trabalhava em um ou mais trabalhos de nível de entrada Para esses investidores jovens com dinheiro, as opções são uma ótima maneira de entrar nos mercados enquanto plunking pouco dinheiro para baixo - algo que também limita sua perda potencial o...
Comments
Post a Comment