creekweek91

website Online-Kurse in maschinellem Lernen

Ich habe Deep Learning mit den CS230-Videos von Stanford und dem detaillierten Material auf deeplearning.ai studiert.

Andrew Ng ist ein sehr methodischer Professor, und als ich reinkam, wollte ich nur einen „Wam bam, danke, m'am“-Ansatz für maschinelles Lernen habe ich gelernt, dass es mir besser geht, wenn ich die Mathematik hinter den Algorithmen kenne (das ist offensichtlich, wenn ich keine Ahnung habe, warum etwas nicht so funktioniert, wie ich es möchte). , und ich kann in den Code eintauchen, etwas lineare Algebra durchführen und den Fehler korrekt beheben.

Es gibt ein Klassenprojekt, das bis zum Ende des Kurses abgeschlossen sein muss, und ich Ich werde es auf den algorithmischen Handel anwenden. Das heißt, ich verwende einige meiner Day-Trading-Strategien und schaue, ob ich den Bot trainieren kann, das „Spiel“ zu gewinnen, indem ich Verstärkungslernen verwende und Gewinne als Punkte verwende. In den letzten Jahren gab es mehrere Versuche mit den Projekten anderer Studenten, mit gemischten Ergebnissen.

Projektvorschlag

Kategorie – Reinforcement Learning

Ich werde untersuchen, ob ich Sie werden in der Lage sein, den Daytrading im FOREX-Bereich zu „gamifizieren“ und dabei einem neuronalen Netzwerk beizubringen, Ein- und Ausstiegszeiten zu optimieren, um die Rentabilität zu maximieren.

Das ist interessant, weil die alte Marktweisheit besagt, dass es einfach ist Steigen Sie in den Markt ein, aber wenn Sie einmal drin sind, ist es schwierig, mit Gewinn wieder herauszukommen. Ich würde gerne sehen, ob ich Einstiegs- und Ausstiegspaare identifizieren kann, die zu einem Nettogewinn führen.

Herausforderungen – Einige der Herausforderungen des Projekts sind einfach. Es ist schwer, den Markt vorherzusagen. Es hat sich immer wieder gezeigt, dass es auf lange Sicht kaum funktioniert, insbesondere wenn auf dem Markt unterschiedliche „Allgemeinbedingungen“ herrschen. Gemeint ist damit, dass ein Markt allgemein bullisch, generell bärisch oder tendenziell (seitwärts) sein kann. Ich muss eine Art neuronale Netzwerkarchitektur finden, die eine Marktposition einnehmen kann, und mich dazu entschließen, auszusteigen, wenn die Bedingungen gegen die Position zu sprechen scheinen, und nicht durchzuhalten, wenn daraus möglicherweise ein Gewinn resultiert.

Ich muss auch den mit dem Handel verbundenen Spread oder die Provision berücksichtigen, sodass der Gewinn die Kosten für die Durchführung des Handels und das Halten des Handels übersteigen muss. Darüber hinaus muss ich ein algorithmisches Framework finden, das es mir ermöglicht, es mit dem neuronalen Netzwerk, das ich aufbauen möchte, zu steuern.

Datensatz – Ich werde historische Daten der letzten 5–10 Jahre für GBP/USD verwenden und USD/MXN-Paare. „Cable“, ein anderer Name für GBP/USD, weist eine hohe Volatilität und ein hohes Volumen auf, während „Dollar-Peso“, das siebthäufigste gehandelte Paar, etwas weniger „auf und ab“ ist und ein stabileres Paar zum Trainieren bietet .

Ich möchte meinen Datensatz nach Möglichkeit auf die letzten 5 Jahre beschränken, um die Einbeziehung gängiger Handelsalgorithmen zu berücksichtigen, da die Daten von davor viel weniger volatil sind und unterschiedliche Eigenschaften aufweisen. Ich schaue mir die Minutendiagramme an, um die höchste Auflösung zu erhalten, wechsle aber möglicherweise zum Stundendiagramm, wenn die Strategie dies erfordert.

Diese Daten werden je nach Quelle von oanda.com oder forex.com bezogen auf den Broker, der letztendlich verwendet wird. Der Grund dafür ist, dass die FOREX-Daten nicht zentralisiert sind und daher jeder Broker seine eigenen historischen Werte hat. Ein auf einen Dienst trainierter Algorithmus funktioniert auf einem anderen Dienst einfach nicht.

Vorgeschlagene Methode oder Algorithmus – Ich schlage vor, verstärkte Lernalgorithmen zu erforschen, aber auch einen Blick auf wiederkehrende neuronale Netze zu werfen, weil ich das vielleicht kann Sie müssen Sequenzinformationen beim Betrachten von „Setups“ anwenden und dabei wissen, dass jeder bestimmte Moment abhängig von den vorherigen Daten im Diagramm gut zum Einstieg geeignet ist.

Leseliste – TBD

Bewertung der Ergebnisse – Ergebnisse werden anhand des prozentualen Gewinns bewertet, wobei mehr Dollar besser ist als weniger. Es wird als Erfolg gewertet, wenn sich herausstellt, dass der Gewinn in jedem Zeitraum, auf den der Algorithmus angewendet wird, größer ist als eine Buy-and-Hold-Strategie.

Bleiben Sie auf dem Laufenden, um Updates zu erhalten.