تعلم آلة الفوركس

جون V.

البيانات الكبيرة. الشركات الناشئة. تجارة.

البيانات الكبيرة. الشركات الناشئة. تجارة.

آلة يدق الإنسان: استخدام آلة التعلم في الفوركس.

تعلم الآلة والتداول هو موضوع مثير جدا للاهتمام. بل هو أيضا موضوع حيث يمكنك قضاء طن من الوقت كتابة التعليمات البرمجية وأوراق القراءة وبعد ذلك طفل يمكن أن يضربك في حين لعب ماريو كارت.

في المشاركات التالية، سنتحدث عن:

تحسين الإدخالات والمخارج. وهذا فقط وهذا يمكن أن تجعل طن من الفرق في لفة البنك الخاص بك. حساب حجم الموقف (في حال كنت لا تحب معيار كيلي) البحث عن علاقة محتملة بين أزواج مختلفة (تداول الزوج). أنا أحب اليورو مقابل الدولار مقابل مقابل غبجبي الارتباط! حساب الدعم & أمب؛ خطوط المقاومة.

ولكن ما هو التعلم الآلي؟

خوارزميات التعلم الآلي هي خوارزميات حيث يمكن للآلة تحديد الأنماط في البيانات الخاصة بك. ياب، هو بهذه البساطة. على سبيل المثال، تجد جميع الحيوانات في هذه الصورة ورسم مربع من حولهم. أيضا، اسم هذا الحيوان. مجنون أعرف. للتداول كما يمكنك أن تتخيل أنها مشابهة جدا:

من أجل آلة ل "تعلم"، تحتاج إلى تعليمه ما هو حق أو خطأ (التعلم تحت الإشراف) أو إعطائها مجموعة كبيرة من البيانات والسماح لها حصلت البرية (غير خاضعة للرقابة). لتحديد الأجسام هذا هو مباشرة إلى الأمام ولكن ماذا عن التداول؟

نظرت حولي لمعرفة ما إذا كان هناك أي برنامج تعلم الآلة التي يمكن تحديد خطوط S / R ولكن دون جدوى. لذلك قررت أن أكتب أول برنامج تعلم الآلة في الثعبان الذي يحدد خطوط الدعم والمقاومة في بيثون. آخر أول! الصيحة!

ولكن كيف يمكن للخوارزمية تحديد هذه المجالات؟ Hoooooow؟ السيدات والرجال (والروبوتات)، واسمحوا لي أن أعرض لكم ل مينشيفت، خوارزمية غير خاضعة للرقابة التي تستخدم في الغالب للتعرف على الصور وغير تافهة جدا لإعداد وتشغيل (ولكن أيضا بطيئة جدا).

والفكرة هي أن هذه الخوارزمية سوف تسمح لي تقسيم البيانات الخاصة بي (القراد النقد الاجنبى) في المناطق وبعد ذلك يمكنني استخدام "حواف" كخطوط الدعم والمقاومة. فكرة باردة ولكن هل يعمل؟

نحن نحلل حوالي 12 مليون داتابوانتس من اليورو مقابل الدولار الأميركي في عام 2017 وشهرين من عام 2018. يتم وضع خطوط المقاومة تلقائيا من خلال خوارزمية التعلم الآلي.

ما هو رائع حقا (ومشبك) هو أن الخوارزمية إلى حد كبير المسامير ذلك. الأظافر من الصعب. فإنه يحصل عصبي حقا عندما نحن ذاهبون لاستخدام خوارزمية لتحديد الهياكل الصغيرة وبدء سلخ فروة الرأس.

النظام قادر على معالجة أي نوع من بيانات المرات (الأسهم، الفوركس، الذهب، أيا كان)، وسوف تجعل الرسم البياني التفاعلية هتمل (مثل الرسم البياني أعلاه) مع البيانات الخاصة بك والآلة ولدت S / L. رمز هنا حتى يذهب مجنون.

الآن دعونا خطوة من خلال التعليمات البرمجية. بعد أن يكون لديك مجموعة من البيانات تحتاج إلى قراءتها وتنظيفها. الاستعداد لبعض السحر الباندا.

نحن إسقاط القيم الفارغة (عطلة نهاية الأسبوع) وبعد ذلك نحن إعادة رسم البيانات إلى 24 ساعة الشمعدانات (أوهكل). وهذا يجعل من الأسهل بكثير مؤامرة. و grouped_data هي البيانات التي سوف تتغذى في خوارزمية مل.

ثم نقوم بإعداد البيانات التي نحن ذاهبون لاستخدامها في الغو.

في المنصب التالي، سنناقش كيفية جعل هذا العمل أفضل، ونناقش بعض النتائج المثيرة جدا للاهتمام (هل يمكن للخوارزمية التنبؤ فعلا بالمستقبل؟) والبدء في استخدامه في التداول الخاص بنا. إذا كنت ترغب في التحقق من المقال التالي وقراءة المزيد عن التداول والاستثمار باستخدام الخوارزميات، الاشتراك في النشرة الإخبارية.

القادمة القادمة: تعلم آلة ذهب البرية - استخدام التعليمات البرمجية!

إذا كان لديك المزيد من ردود الفعل، بينغ لي في جونروميرو أو الاشتراك في النشرة الإخبارية.

قانوني خارجي. هذا هو برنامج تعليمي هندسي حول كيفية بناء منصة ألغوترادينغ للتجريب و فان. أي اقتراحات هنا ليست النصائح المالية. إذا كنت تفقد أي (أو كل) لك المال لأنك اتبعت أي نصائح التداول أو نشر هذا النظام في الإنتاج، لا يمكنك إلقاء اللوم على هذه بلوق عشوائي (و / أو لي). استمتع على مسؤوليتك الخاصة.

الميكانيكية الفوركس.

التداول في سوق الفوركس باستخدام استراتيجيات التداول الميكانيكية.

تعلم الآلات في تجارة الفوركس: لماذا العديد من الأكاديميين يفعلون كل شيء خاطئ.

بناء استراتيجيات التعلم آلة التي يمكن الحصول على نتائج لائقة في ظل ظروف السوق الحية كانت دائما تحديا هاما في التداول الخوارزمية. على الرغم من كمية كبيرة من الفائدة والمكافآت المحتملة لا يصدق، لا تزال هناك أي منشورات الأكاديمية التي هي قادرة على إظهار تعلم آلة جيدة النماذج التي يمكن أن تعالج بنجاح مشكلة التداول في السوق الحقيقي (إلى حد علمي، بعد تعليق إذا كان لديك واحد وأنا & # 8217؛ ليرة لبنانية تكون أكثر من سعداء لقراءتها). على الرغم من أن العديد من الأبحاث المنشورة تظهر نتائج واعدة، غالبا ما تكون هذه الأوراق في مجموعة متنوعة من المشاكل التحيز الإحصائية المختلفة التي تجعل نجاح السوق الحقيقي لاستراتيجيات التعلم الآلي الخاصة بهم غير محتملة للغاية. في اليوم & # 8217؛ ق سوف أتحدث عن المشاكل التي أرى في البحوث الأكاديمية ذات الصلة مع تعلم الآلة في الفوركس، وكيف أعتقد أن هذا البحث يمكن تحسينها لإعطاء معلومات أكثر فائدة بكثير لكل من المجتمعات الأكاديمية والتجارية.

معظم المزالق في تصميم استراتيجية التعلم الآلي عند القيام تداول الفوركس هي ورثت حتما من عالم مشاكل التعلم الحتمية. عند بناء خوارزمية التعلم الآلي لشيء مثل التعرف على الوجه أو التعرف على الحروف هناك مشكلة محددة جيدا لا يتغير، والتي يتم معالجتها بشكل عام من خلال بناء نموذج التعلم الآلي على مجموعة فرعية من البيانات (مجموعة التدريب) ومن ثم اختبار إذا كان النموذج قادرا على حل المشكلة بشكل صحيح باستخدام تذكير البيانات (مجموعة اختبار). هذا هو السبب في أن لديك بعض مجموعات البيانات الشهيرة وراسخة التي يمكن استخدامها لتحديد نوعية تقنيات التعلم آلة وضعت حديثا. غير أن النقطة الرئيسية هنا هي أن المشاكل التي تناولها التعلم الآلي في البداية كانت حتمية في معظمها ووقت مستقل.

عند الانتقال إلى التداول، وتطبيق هذه الفلسفة نفسها تنتج العديد من المشاكل التي تتعلق بك مع كل من الطابع غير المحدد جزئيا للسوق والاعتماد على الوقت. مجرد محاولة محاولة اختيار مجموعات التدريب والاختبار يقدم قدرا كبيرا من التحيز (تحيز اختيار البيانات) الذي يخلق مشكلة. إذا تم تكرار الاختيار لتحسين النتائج في مجموعة الاختبار & # 8211؛ والتي يجب أن نفترض يحدث في بعض الحالات على الأقل & # 8211؛ ثم يضيف المشكلة أيضا قدرا كبيرا من البيانات التحيز التعدين. كما أن المسألة الكاملة المتمثلة في القيام بعملية تدريب / التحقق من صحة واحدة تولد أيضا مشكلة تتعلق بكيفية تطبيق هذه الخوارزمية عند التداول المباشر. وبحكم التعريف فإن التداول المباشر سيكون مختلفا لأن اختيار مجموعات التدريب / الاختبار يحتاج إلى إعادة تطبيقه على بيانات مختلفة (كما هو الحال الآن، فإن مجموعة الاختبارات هي بيانات غير معروفة حقا). والتحيز المتأصل في الاختيار الأولي في العينة / خارج العينة، وعدم وجود أي قواعد مختبرة للتداول في ظل بيانات غير معروفة يجعل هذه التقنيات تفشل عادة في التداول المباشر. إذا تم تدريب خوارزمية مع بيانات 2000-2018 وتم التحقق من صحتها مع بيانات 2018-2018، فلا يوجد سبب يدعو إلى الاعتقاد بأن نفس النجاح سيحدث إذا تم تدريبه في بيانات الفترة من 2003 إلى 2018 ثم تم تداوله من 2018 إلى 2017، هي مختلفة جدا في الطبيعة.

قياس نجاح الخوارزمية هي أيضا مشكلة ذات صلة جدا هنا. لا بد من قياس خوارزميات التعلم الآلي المستخدمة للتداول في الجدارة من خلال قدرتها على توليد عوائد إيجابية ولكن بعض الأدبيات تقيس مزايا تقنيات خوارزمية جديدة من خلال محاولة قياس قدرتها على التنبؤات الصحيحة للهيئة. التنبؤات الصحيحة لا تعادل بالضرورة تداول مربح كما يمكنك أن ترى بسهولة عند بناء المصنفات الثنائية. إذا حاولت التنبؤ بالشمعة القادمة و # 8217؛ s الاتجاه لا يزال بإمكانك أن تجعل الخسارة إذا كنت في الغالب الحق على الشموع الصغيرة والخطأ على الشموع أكبر. في الواقع معظم هذا النوع من المصنفات & # 8211؛ معظم تلك التي لا تعمل & # 8211؛ في نهاية المطاف التنبؤ الاتجاه مع دقة أعلى من 50٪، ولكن لم تتجاوز المستوى المطلوب لتجاوز اللجان التي من شأنها أن تسمح تداول الخيارات الثنائية مربحة.

لبناء استراتيجيات التي هي في الغالب التخلص من المشاكل المذكورة أعلاه لقد دعت دائما لمنهجية يتم إعادة تدريب خوارزمية تعلم الآلة قبل اتخاذ أي قرار التدريب. باستخدام نافذة متحركة للتدريب وعدم اتخاذ أكثر من قرار واحد دون إعادة تدريب خوارزمية كاملة يمكننا التخلص من التحيز الاختيار الذي هو متأصل في اختيار مجموعة واحدة في العينة / خارج العينة. وبهذه الطريقة الاختبار كله هو سلسلة من التدريبات / التحقق من صحة التي تنتهي في نهاية المطاف ضمان أن خوارزمية التعلم الآلي يعمل حتى في ظل مجموعات بيانات التدريب مختلفة بشكل كبير. وأنا أيضا أدعو إلى قياس الأداء الفعلي باكتستينغ لقياس خوارزمية التعلم الآلي & # 8217؛ ق الجدارة وعلاوة على ذلك أود أن تذهب إلى حد القول بأن أي خوارزمية يمكن أن تكون قيمة ملحها دون أن يثبت في ظل ظروف حقيقية خارج العينة . تطوير الخوارزميات بهذه الطريقة هو أصعب بكثير وأنا لم أكن العثور على ورقة أكاديمية واحدة التي تتبع هذا النوع من النهج (إذا فاتني أنه لا تتردد في نشر رابط حتى أتمكن من تضمين تعليق!).

هذا لا يعني أن هذه المنهجية هي مشكلة خالية تماما ومع ذلك، فإنه لا يزال يخضع للمشاكل الكلاسيكية ذات الصلة لجميع عمليات بناء استراتيجية، بما في ذلك التحيز منحنى المناسب والتحيز التعدين البيانات. هذا هو السبب في أنه من المهم أيضا لاستخدام كمية كبيرة من البيانات (يمكنني استخدام 25+ سنوات لاختبار النظم، ودائما إعادة التدريب بعد كل آلة التعلم المستمدة القرار) وإجراء اختبارات تقييم التحيز التعدين البيانات الكافية لتحديد الثقة التي نحن يمكن القول أن النتائج لا تأتي من فرصة عشوائية. صديقي ألغوترادرجو & # 8211؛ الذي يحدث أيضا أن يكون عضوا في بلدي التداول المجتمع & # 8211؛ ينمو حاليا موضوع في فوريكسفاكتوري بعد نفس هذا النوع من الفلسفة لتطوير التعلم الآلي، ونحن نعمل على بعض خوارزميات التعلم الآلي جديدة لمجتمع التداول بلدي. يمكنك الرجوع إلى موضوعه أو المشاركات السابقة على بلدي بلوق لعدة أمثلة من خوارزميات التعلم الآلي وضعت بهذه الطريقة.

إذا كنت ترغب في معرفة المزيد عن التطورات في مجال التعلم الآلي وكيف يمكنك أيضا يمكن أيضا تطوير استراتيجيات التعلم الآلي الخاصة بك باستخدام F4 فريميورك يرجى النظر في الانضمام أسيريكوي، موقع مليئة أشرطة الفيديو التعليمية ونظم التداول والتنمية وصوت صادق واتباع نهج شفاف تجاه التداول الآلي.

5 الردود على & # 8220؛ آلة التعلم في تجارة الفوركس: لماذا العديد من الأكاديميين يفعلون كل خطأ & # 8221؛

مادة كبيرة، والمشاكل التي تسليط الضوء هي بالتأكيد صالحة للنظام متانة!

سؤال لدي، هل من الطبيعي أن أقول إي للقيام به بشكل جيد جدا في زوج معين والقيام الرهيبة في جميع الآخرين؟

أو، يجب أن قوية إي القيام بشكل جيد في عدة أزواج على الأقل، من دون أي تغيير في الإعدادات!

شكرا، على أفكارك العظيمة.

هذا السؤال مثير للاهتمام؛ س). وأعتقد أن السؤال هو أفضل صياغة كما & # 8220؛ يمكن أن النظام الذي يبقى على زوج واحد فقط توليد عائدات عندما يعيش تداول؟ & # 8221؛ والجواب هو نعم (سواء من الناحية النظرية ومن تجربتي الخاصة). عدم وجود إرجاع على زوج واحد فقط لا يعني أن النظام & # 8220؛ سيء & # 8221؛ بل يعني ببساطة أنه يستغل عدم كفاءة تاريخية لا توجد إلا على صك واحد. شريطة أن تأخذ الرعاية من مصادر التحيز (مثل التحيز التعدين البيانات والتحيز منحنى المناسب) ليس هناك سبب لماذا هذا لن يعمل.

الآن، إذا كان لديك نظام يعمل عبر العديد من الرموز ثم التحيز التعدين البيانات سوف تكون أضعافا مضاعفة لنظام متساو الذي يعمل فقط على رمز واحد والانحياز المناسب منحنى سيكون أيضا أقل بسبب استخدام المزيد من البيانات. لذلك أود أن أقول أنه & # 8217؛ ق أفضل، ولكن بالتأكيد ليس مطلوبا.

ولكن تذكر، قياس التحيزات الإحصائية الخاصة بك!

أنا سعيد جدا أن قلت أنه ليس من الضروري تحقيق الربح في جميع أزواج! أيضا منحنى المناسب، كيف يمكن للمرء أن يعرف الحد من التغيير والتبديل المسموح به قبل أن تصبح جاهزة؟

وأخيرا، لقد فعلت اختبار بسيط جدا باستخدام معيار عداء متحرك إي على MT4، لمعرفة أي أزواج سوف تتفاعل على نطاق واسع إلى ما. أنا باكستد 52 زوجا لمعرفة كم & # 8216؛ فترة الانتقال & # 8217؛ بين (1-20) من شأنه أن يحقق ربحا، بغض النظر عن السحب. كنت أتساءل ما جعل لكم من النتائج!

* 5 سنوات فترة الاختبار.

* تراجع لا يقاس.

* 52 أزواج اختبار.

* إعدادات اختبار (الفترات 1-20).

1 23 أزواج، لا ربح على أي إعدادات شريط 1-20.

2 6 أزواج، يمكن أن تجعل الربح فقط على 1 الإعداد.

3 14 أزواج فقط، عاد الربح على 5، أو أكثر إعدادات مختلفة.

4 5 أزواج فقط، عاد الربح على 10، أو أكثر إعدادات مختلفة.

1 بتكوسد 19 إعدادات من أصل 20، حققت أرباحا.

تحتاج إلى التمييز بين التحيز منحنى المناسب والتحيز التعدين البيانات (أو على الأقل هذين النوعين مختلف من التحيز، ولكن قد ترغب في الاتصال بهم). التحيز منحنى المناسب هو التحيز التي تم إنشاؤها من خلال إيجاد عدم الكفاءة عبر مجموعة من البيانات، يجيب على السؤال: هو نظام بلدي العثور على شيء عام أو شيء معين للبيانات التي أستخدمها؟ تحييد البيانات التعدين يجيب على السؤال: هو نظام بلدي العثور على عدم الكفاءة التاريخية الحقيقية أو هي النتائج فقط بسبب عملية التعدين بلدي (يعني القادمة من فرصة عشوائية)؟

من خلال زيادة المسافات المعلمة ودرجات الحرية كنت زيادة التحيز التعدين البيانات (أنت أكثر عرضة للعثور على نظام فقط عن طريق الصدفة، بدلا من النظام الذي يتداول عدم الكفاءة التاريخية الحقيقية). يمكنك قياس التحيز استخراج البيانات باستخدام اختبار مثل الأبيض & # 8217؛ ق الاختيار واقع. إن القيام بهذا النوع من الاختبارات أمر أساسي لتصميم الإستراتيجية الموثوق بها.

اقرأ المزيد عن هذا التمييز بين التحيزات هنا:

اقرأ أيضا هذه الورقة حول الموضوع:

قبل السكن في تعقيدات تصميم نظام التداول وإيجاد استراتيجيات للتداول أنا المشورة بقوة الحصول على تشكيل الصلبة في الإحصاءات (كورسيرا إحصاءات الدورات هي بداية مجانية ممتازة). سوف إحصاءات تعطيك القدرة على تحليل النتائج الخاصة بك ومنهجية معالجة أسئلة مثل هذه؛ س)

[& # 8230؛] تعلم الآلات في تجارة الفوركس: لماذا العديد من الأكاديميين يفعلون كل شيء خاطئ [الميكانيكية الفوركس] بناء استراتيجيات التعلم الآلي التي يمكن الحصول على نتائج لائقة في ظل ظروف السوق الحية كانت دائما تحديا هاما في التداول حسابي. على الرغم من قدر كبير من الاهتمام والمكافآت المحتملة لا يصدق، لا تزال هناك أي منشورات الأكاديمية التي هي قادرة على إظهار نماذج جيدة آلة التعلم التي يمكن أن تعالج بنجاح مشكلة التداول في ريال مدريد [& # 8230؛]

تعلم الآلة على أنماط تداول العملات الأجنبية.

Бюджет $ 1000-2500 أوسد.

فريلانسر Роботи Машинне навчання تعلم آلة على أنماط تداول العملات الأجنبية بلدي.

لدي طريقة محددة من التداول الذي يستخدم فيبوناتشي التصحيحات، فيبوناتشي التمديد، الدعم / المقاومة والعمل السعر (الشمعدانات). فمن الصعب جدا أن رمز النظام الذي يفعل ما أقوم به الكثير من هو الحدس.

آمل أن يكون هناك طريقة يمكننا تدريب آلة لتحليل أسلوبي من التداول وتعلم ببطء من ذلك. إذا تم التداول على ميتاتريدر 4 أو أي منصة التداول شعبية، وهذا على ما يرام معي. وينبغي أن تكون النتيجة النهائية رؤية آلة تدربت تكون قادرة على اتخاذ الصفقات بالنسبة لي.

Запропонуйте попрацювати над цим проектом зараз! Термін подання заявок закінчується за 5 дні (-в)

Вкажіть свій бюджет та часові рамки.

Опишіть свою пропозицію.

Отримайте плату за свою роботу.

Реєстрація та подання заявок у проекти є безкоштовними.

1 фрілансер у середньому готовий виконати цю роботу за $ 2941.

Інші роботи від цього роботодавця.

Схожі роботи.

Потрібно найняти фрілансера для роботи؟

Це безкоштовно - зареєструватися، написати، що саме вам потрібно، і отримати безкоштовно цінові пропозиції за кілька секунд.

Допомога та підтримка.

Про нас.

Додатки.

فريلانسر & ريج؛ هي علامة تجارية مسجلة لشركة فريلانسر تيشنولوغي بتي ليميتد (أن 142 189 759)

كوبيرايت & كوبي؛ 2017 فريلانسر تيشنولوغي بتي ليميتد (أن 142 189 759)

تعلم الآلة للتجارة.

عرضت في جورجيا تيش كما كس 7646.

برنامج نانوديجري.

مهندس تعلم الآلة.

جعل نماذج التنبؤ.

تسريع حياتك المهنية مع الاعتماد الذي يسير لك النجاح في العمل.

حول هذه الدورة.

يقدم هذا المساق للطلاب تحديات العالم الحقيقي لتنفيذ استراتيجيات التعلم القائم على التعلم الآلي بما في ذلك الخطوات الحسابية من جمع المعلومات لأوامر السوق. وينصب التركيز على كيفية تطبيق نهج التعلم الآلي الاحتمالية لقرارات التداول. ونحن نعتبر النهج الإحصائية مثل الانحدار الخطي، كن والأشجار الانحدار وكيفية تطبيقها على حالات تداول الأسهم الفعلية.

تكلفة الدورة.

تقريبا. 4 اشهر.

مستوى المهارة.

وشملت في الدورة.

محتوى التعلم الغني.

تدرس من قبل الايجابيات الصناعة.

دعم الطلاب المجتمع.

الانضمام إلى الطريق إلى العظمة.

هذه الدورة المجانية هي الخطوة الأولى نحو مهنة جديدة مع مهندس تعلم آلة نانوديجري البرنامج.

دورة مجانية.

تعلم الآلة للتجارة.

تعزيز المهارات الخاصة بك مجموعة وتعزيز هيرابيليتي الخاص بك من خلال التعلم المستقل والمستقل.

برنامج نانوديجري.

مهندس تعلم الآلة.

تسريع حياتك المهنية مع الاعتماد الذي يسير لك النجاح في العمل.

يؤدي الدورات.

تاكر بالش.

أربان تشاكرابورتي.

ما سوف تتعلم.

وتتكون هذه الدورة من ثلاث دورات مصغرة:

ميني-كورس 1: التعامل مع البيانات المالية في بيثون ميني-كورس 2: الحسابية الاستثمار ميني-كورس 3: خوارزميات التعلم الآلي للتداول.

كل دورة مصغرة تتكون من حوالي 7-10 دروس قصيرة. التعاقدات والمشاريع متشابكة.

خريف 2018 طلاب أومز: سيكون هناك اختبارين - واحد نصفي بعد مصغرة بالطبع 2، وامتحان نهائي واحد.

المتطلبات والمتطلبات.

يجب أن يكون لدى الطلاب مهارات تشفير قوية وبعض الإلمام بأسواق الأسهم. لا يفترض أي تمويل أو تجربة التعلم الآلي.

لاحظ أن هذه الدورة تخدم الطلاب مع التركيز على علوم الكمبيوتر، وكذلك الطلاب في التخصصات الأخرى مثل هندسة النظم الصناعية، والإدارة، أو الرياضيات الذين لديهم تجارب مختلفة. جميع أنواع الطلاب هي موضع ترحيب!

قد تكون موضوعات مل & كوت؛ مراجعة & كوت؛ لطلاب كس، في حين أن أجزاء التمويل سيتم استعراض للطلاب المالية. ومع ذلك، حتى لو كان لديك خبرة في هذه الموضوعات، وسوف تجد أن نعتبرها بطريقة مختلفة مما كنت قد رأيت من قبل، وخاصة مع النظر نحو تنفيذ للتداول.

سوف تكون البرمجة في المقام الأول في بيثون. ونحن سوف تجعل الاستخدام الكثيف للمكتبات الحوسبة العددية مثل نومبي والباندا.

لماذا تأخذ هذه الدورة.

في نهاية هذا المقرر، يجب أن تكون قادرا على:

فهم هياكل البيانات المستخدمة في التداول الخوارزمي. معرفة كيفية بناء البرمجيات للوصول إلى بيانات الأسهم الحية، وتقييمه، واتخاذ قرارات التداول. فهم 3 خوارزميات التعلم الآلي شعبية وكيفية تطبيقها على مشاكل التداول. فهم كيفية تقييم أداء خوارزمية تعلم الآلة في بيانات سلاسل زمنية (بيانات سعر السهم). معرفة كيف ولماذا استخراج البيانات (التعلم الآلي) تقنيات تفشل. إنشاء نظام تداول الأوراق المالية التي تستخدم البيانات اليومية الحالية.

بعض القيود / القيود:

نحن نستخدم البيانات اليومية. هذه ليست دورة هفت، ولكن العديد من المفاهيم هنا ذات الصلة. نحن لا نتفاعل (التجارة) مباشرة مع السوق، ولكننا سوف تولد تخصيصات الأسهم التي يمكن أن التجارة إذا كنت ترغب في ذلك.

على ماذا أحصل؟

أشرطة الفيديو المعلم تعلم عن طريق القيام تمارين تدرس من قبل المتخصصين في هذا القطاع.

الدورات ذات الصلة.

تعلم الآلة: التعلم دون إشراف.

منظمة العفو الدولية القائمة على المعرفة: الأنظمة المعرفية.

المعلوماتية الصحية في الغيمة.

تحليلات البيانات الكبيرة في الرعاية الصحية.

نشر مجموعة هادوب.

بناء نموذج والتحقق من الصحة.

دورات شعبية.

الذكاء الاصطناعي - رؤية الكمبيوتر.

تحسين محركات البحث (سيو)

القيادة الذاتية مهندس السيارات - متقدمة التعلم العميق.

البرامج المميزة.

فقط في أوداسيتي.

البرامج.

اعمال.

"نانوديجري" هي علامة تجارية مسجلة ل أوداسيتي. &نسخ؛ 2018 & نداش؛ 2017 أوداسيتي، Inc.

أوداسيتي ليست جامعة معتمدة ونحن لا تمنح درجة.

كلاس سنترال.

علوم الكمبيوتر.

العلوم الإنسانية.

علوم البيانات.

تطور شخصي.

الفن & أمب؛ التصميم.

هندسة.

الصحة & أمب؛ دواء.

الرياضيات.

التعليم & أمب؛ تعليم.

برمجة.

في معهد ماساتشوستس للتكنولوجيا وجورجيا تك، موكس تظهر في الحرم الجامعي.

لأول مرة، يمكن للطلاب في الحرم الجامعي كسب الائتمان من موك. "

عبر تقرير موك.

قائمة هائلة من مقدمي موك حول العالم.

أين تجد موكس: الدليل النهائي لموفري موك.

عبر تقرير موك.

تجارب كورسيرا مع سعر الاشتراك واحد للكتالوج بأكمله.

ل 49 $ / شهر يمكن للمتعلمين الحصول على حق الوصول الكامل إلى كورسيرا & # x27؛ s كتالوج كامل.

عبر تقرير موك.

تسجيل.

شارك هذا المقرر.

أوداسيتي: تعلم الآلة للتجارة.

معهد جورجيا للتكنولوجيا وجورجيا التكنولوجيا على الانترنت ماجستير في العلوم في علوم الحاسب الآلي مع تاكر بالش.

#### بنهاية هذا المقرر، يجب أن تكون قادرا على:

- فهم هياكل البيانات المستخدمة في التداول الخوارزمي.

- معرفة كيفية بناء البرمجيات للوصول إلى بيانات الأسهم الحية، وتقييم ذلك، واتخاذ قرارات التداول.

- فهم 3 خوارزميات التعلم آلة شعبية وكيفية تطبيقها على مشاكل التداول.

- فهم كيفية تقييم أداء خوارزمية التعلم الآلي للبيانات سلسلة زمنية (بيانات سعر السهم).

- معرفة كيف ولماذا استخراج البيانات (آلة التعلم) تقنيات تفشل.

- إنشاء نظام تداول الأوراق المالية التي تستخدم البيانات اليومية الحالية.

- نحن نستخدم البيانات اليومية. هذه ليست دورة هفت، ولكن العديد من المفاهيم هنا ذات الصلة.

- نحن لا تتفاعل (التجارة) مباشرة مع السوق، ولكننا سوف تولد تخصيصات الأسهم التي يمكن أن التجارة إذا أردت.

- ميني-كورس 2: الحسابية الاستثمار.

- ميني-كورس 3: خوارزميات التعلم الآلي للتداول.

الإفصاح: لدعم موقعنا، قد يتم تعويض كلاس سنترال من قبل بعض مقدمي الدورة.

تعلم أوديسيتي التسويق الرقمي.

اكتسب تجربة في العالم الحقيقي لتشغيل الحملات المباشرة كما تتعلم من كبار الخبراء.

تصبح داتاكامب عالم البيانات.

تعلم بيثون & أمب؛ R في وتيرة الخاصة بك. ابدأ الآن مجانا!

الأسئلة الشائعة عرض الكل.

13 تقييما لتعليم آلة أوداسيتي للتجارة.

كلاس سنترال.

الحصول على توصيات بالطبع شخصية، المواضيع المسار والدورات مع التذكير، وأكثر من ذلك.