Forex Support Vector Machine

Meta Trader 5 - Trading Machine Learning: Hoe Support Vector Machines gebruik kan word in Trading Wat is 'n Support Vector Masjien A ondersteuning vektor masjien is 'n metode van masjienleer wat poog om insette data te neem en te klassifiseer in een van twee kategorieë. Ten einde vir 'n ondersteuning vektor masjien om doeltreffend te wees, is dit nodig om eers 'n stel van opleiding toevoer en afvoer data gebruik om die ondersteuning vektor masjien model wat gebruik kan word vir die klassifikasie van nuwe data te bou. A ondersteuning vektor masjien ontwikkel hierdie model deur die opleiding insette, kartering hulle in multidimensionele ruimte, dan met behulp van regressie na 'n hyper plane vind ( 'n hyper plane is 'n oppervlak in N-dimensionele ruimte wat hulle skei die ruimte in twee half spasies) wat die beste skei die twee klasse van insette. Sodra die ondersteuning vektor masjien is opgelei, dit is in staat om nuwe insette te evalueer met betrekking tot die skeiding van hyper plane en klassifiseer dit in een van die twee kategorieë. A ondersteuning vektor masjien is in wese 'n toevoer / afvoer masjien. 'N gebruiker in staat is in 'n inset te sit, en gebaseer op die model ontwikkel deur middel van opleiding, sal dit 'n uitset terugkeer. Die aantal insette vir enige gegewe ondersteuning vektor masjien teoreties wissel van een tot oneindigheid egter in praktiese terme rekenkracht doen limiet hoeveel insette kan gebruik word. As byvoorbeeld N insette gebruik word vir 'n spesifieke ondersteuning vektor masjien (die heelgetal waarde van N kan wissel van een tot oneindig), die ondersteuning vektor masjien moet elke stel insette in N-dimensionele ruimte karteer en vind 'n (N-1 ) - dimensional hyper plane wat die beste skei die opleiding data. Figuur 1. Ondersteuning Vector Machines is toevoer / afvoer masjiene Die beste manier om te konseptualiseer hoe 'n ondersteuning vektor masjien werk is deur die oorweging van die twee-dimensionele geval. Gestel ons wil 'n ondersteuningsgroep vektor masjien wat twee insette het en gee 'n enkele uitset dat die data punt as deel uitmaak van een van twee kategorieë klassifiseer skep. Ons kan dit visualiseer deur plot dit op 'n 2-dimensionele grafiek soos die grafiek hieronder. Figuur 2. Links: Steun vektor masjien insette gekarteer om 'n 2D-kaart. Die rooi sirkels en blou kruisies gebruik om die twee klasse van insette aan te dui. Figuur 3. Regs: Ondersteuning vektor masjien insette gekarteer om 'n 2D-kaart. Die rooi sirkels en blou kruisies gebruik om die twee klasse van insette dui met 'n swart streep wat die skeiding hyper plane. In hierdie voorbeeld, die blou kruisies dui datapunte wat aan kategorie 1 en die rooi sirkels wat datapunte wat aan kategorie 2. Elkeen van die individuele datapunte verteenwoordig het unieke insette 1 waarde (verteenwoordig deur hul posisie op die x-as ) en 'n unieke insette 2 waarde (verteenwoordig deur hul posisie op die y-as) en al hierdie punte is gekarteer om die 2-dimensionele ruimte. A ondersteuning vektor masjien is in staat om data te klassifiseer deur die skep van 'n model van hierdie punte in 2-dimensionele ruimte. Die ondersteuning vektor masjien neem die data in 2-dimensionele ruimte, en maak gebruik van 'n regressie algoritme om 'n 1-dimensionele hyper plane (aka lyn) vind dat die meeste akkuraat die data te skei in sy twee kategorieë. Hierdie skeiding lyn word dan gebruik word deur die ondersteuning vektor masjien om nuwe data punte te klassifiseer in óf kategorie 1 of kategorie 2. Die onderstaande animasie illustreer die proses van opleiding van 'n nuwe ondersteuning vektor masjien. Die algoritme begin deur die maak van 'n ewekansige raaiskoot vind van 'n skeiding van hyper plane, dan iteratief die verbetering van die akkuraatheid van die hyper plane. Soos jy kan sien die algoritme begin redelik aggressief, maar dan stadiger as dit begin om die begeertes oplossing te benader. Figuur 4. 'n animasie wat 'n ondersteuning vektor masjien opleiding. Die hyper plane progressief konvergeer op die ideale geometrie van die twee klasse van data Die 2-dimensionele scenario hierbo aangebied stel ons in staat om die proses van 'n ondersteuning vektor masjien visualiseer skei, maar dit is net in staat om 'n data punt met behulp van twee insette te klassifiseer. Wat gebeur as ons wil meer insette Gelukkig gebruik, die ondersteuning vektor masjien algoritme stel ons in staat om dieselfde in hoër dimensies doen, al is dit baie moeiliker om te konseptualiseer geword. Verstaan ​​dit tog, u ondersteuning vektor masjien wat 20 insette neem en kan enige data punt met behulp van hierdie insette te klassifiseer in óf kategorie 1 of kategorie 2. Ten einde dit te doen skep, die ondersteuning vektor masjien moet die datamodel in 20 dimensionele ruimte en gebruik 'n regressie algoritme om 'n 19-dimensionele hyper plane dat die data punte skei in twee kategorieë te vind. Dit raak baie moeilik om te visualiseer as dit is moeilik vir ons om enigiets bo 3-dimensies te verstaan, maar alles wat jy moet weet is dat dit werk op presies dieselfde manier as dit nie vir die 2-dimensionele geval. Hoe kan Support Vector Machines Werk Voorbeeld: Is dit 'n Schnick Stel hierdie hipotetiese scenario, jy is 'n navorser ondersoek 'n seldsame dier slegs in die dieptes van die Arktiese genoem Shnicks. Gegewe die afgesonderdheid van hierdie diere, het slegs 'n klein handvol ooit gevind is (kan sê sowat 5000). As 'n navorser, is jy vas met die vraag. Hoe kan ek 'Schnick identifiseer Al wat jy tot jou beskikking is die referate wat voorheen deur die handjievol navorsers wat 'n mens gesien het gepubliseer. In hierdie navorsing vraestelle, die skrywers beskryf sekere eienskappe oor die Schnicks hulle gevind het, dit wil sê lengte, gewig, die aantal bene, ens Maar al hierdie eienskappe wissel tussen die referate met geen merkbare patroon. Hoe kan ons gebruik hierdie data om 'n nuwe dier te identifiseer as 'n schnick Een moontlike oplossing vir ons probleem is om 'n ondersteuning vektor masjien te gebruik om die patrone in die data te identifiseer en te skep 'n raamwerk wat gebruik kan word om diere te klassifiseer as óf 'n schnick of nie 'n schnick. Die eerste stap is om 'n stel data wat gebruik kan word om jou ondersteuning vektor masjien op te lei om schnicks identifiseer skep. Die opleiding data is 'n versameling van insette en bypassende uitsette vir die ondersteuning vektor masjien te analiseer en te onttrek 'n patroon van. Daarom moet ons besluit watter insette sal gebruik word en hoeveel. Teoreties, kan ons soveel insette het as ons wil, maar dit kan dikwels lei tot opleiding (die meer insette wat jy het, hoe meer tyd wat dit neem die ondersteuning vektor masjien patrone onttrek) stadig. Ook, wil hê jy moet insette waardes wat sal neig relatief konsekwent in alle schnicks om te kies. Byvoorbeeld, sou hoogte of gewig van die dier 'n goeie voorbeeld van 'n inset wees, want jy sou verwag dat dit relatief konsekwent in alle schnicks sou wees. Tog sou die gemiddelde ouderdom van 'n dier 'n swak keuse van insette wees omdat jy die ouderdom van diere geïdentifiseer sou verwag sou al aansienlik wissel. Om hierdie rede, is die volgende insette gekies: Hoogte Gewig Die aantal bene Die aantal oë Die lengte van die diere arms Die diere gemiddelde spoed Die frekwensie van die diere paring bel Met gekies die insette, kan ons begin om ons opleiding data op te stel . Effektiewe opleiding data vir 'n ondersteuning vektor masjien moet aan sekere vereistes voldoen: Die data moet voorbeelde van diere wat schnicks Die data moet voorbeelde van diere wat nie schnicks In hierdie geval het ons die referate van wetenskaplike wat suksesvol 'n schnick geïdentifiseer is te hê en gelys hul eiendomme. Daarom kan ons hierdie navorsing referate gelewer en die data te onttrek onder elk van die insette en 'n opbrengs van waar of vals toewys aan elk van die voorbeelde. Die opleiding data in hierdie geval soortgelyk aan die tabel hieronder lyk. Tabel 1. Voorbeeld tafel van schnick Waarnemings Sodra ons die data versamel vir almal van ons opleiding en uitgange, kan ons dit gebruik om ons ondersteuning vektor masjien op te lei. Tydens die opleiding proses, sal die ondersteuning vektor masjien 'n model in sewe dimensionele ruimte wat gebruik kan word om elkeen van die opleiding voorbeelde te sorteer in óf waar of vals te skep. Die ondersteuning vektor masjien sal voortgaan om dit te doen totdat dit 'n model wat akkuraat verteenwoordig die opleiding data (binne die gespesifiseerde fout verdraagsaamheid). Wanneer die opleiding voltooi het, kan hierdie model word gebruik om nuwe datapunte as waar of vals te klassifiseer. Maak die ondersteuning Vector Machine Eintlik werk aan die hand van die Schnick scenario, het ek 'n script wat toets hoe goed 'n ondersteuning vektor masjien eintlik nuwe schnicks kan identifiseer geskryf. Om dit te doen, het ek die ondersteuning Vector Machine Learning Tool funksie biblioteek wat kan afgelaai word vanaf die mark gebruik word. Om hierdie scenario effektief te modelleer, moet ons eers besluit wat die werklike eienskappe van 'n Schnick. Die eienskappe wat ek in hierdie geval aanvaar is gelys in die tabel hieronder. As 'n dier voldoen aan al die onderstaande kriteria, dan is dit 'n Schnick. Tabel 2. Opsomming van parameters wat 'n schnick Nou definieer wat ons Schnick gedefinieer, kan ons hierdie definisie gebruik om te eksperimenteer met die ondersteuning vektor masjiene. Die eerste stap is om 'n funksie wat in staat is om die sewe insette te neem vir enige gegewe dier en die standaard van die werklike klassifikasie van die dier as 'n schnick of nie te skep. Hierdie funksie sal gebruik word om opleiding data vir die ondersteuning vektor masjien te genereer asook die prestasie daarvan te evalueer aan die einde. Dit kan gedoen word met behulp van die funksie hieronder Die volgende stap in die proses is om 'n funksie wat die opleiding en uitgange kan genereer. Insette in hierdie geval sal gegenereer word deur die skep van ewekansige getalle binne 'n bepaalde reeks vir elk van die sewe insetwaardes. Dan vir elk van die stelle ewekansige insette gegenereer, die funksie isItASchnick () hierbo sal gebruik word om die ooreenstemmende verlangde uitset te genereer. Dit word gedoen in die onderstaande funksie: Ons het nou 'n stel van opleiding en uitgange, dit is nou tyd om ons ondersteuning vektor masjiene met behulp van die ondersteuning Vector Machine Learning Tool beskikbaar in die mark te skep. Sodra 'n nuwe ondersteuning vektor masjien is geskep, is dit nodig om die opleiding en uitgange slaag om dit uit te voer en die opleiding. Ons het nou 'n ondersteuning vektor masjien wat suksesvol opgelei in die identifisering van Scnhicks. Om dit te verifieer, kan ons toets die finale ondersteuning vektor masjien deur te vra dit om nuwe data punte te klassifiseer. Dit word gedoen deur eers genereer ewekansige insette, dan met behulp van die funksie isItASchnick () om te bepaal of hierdie insette ooreenstem met 'n werklike Schnick, gebruik dan die ondersteuning vektor masjien die insette te klassifiseer en te bepaal of die voorspelde uitkoms ooreenstem met die werklike uitkoms. Dit word gedoen in die onderstaande funksie: Ek beveel speel met die waardes binne die bogenoemde funksies om te sien hoe die ondersteuning vektor masjien voer onder verskillende toestande. Hoekom is Support Vector Machine so nuttig Die voordeel van die gebruik van 'n ondersteuning vektor masjien om komplekse patroon uittreksel uit die data is dat dit nie nodig is 'n vooraf verstandhouding van die gedrag van die data. A ondersteuning vektor masjien is in staat om die data te ontleed en te onttrek sy enigste insigte en verhoudings. Op hierdie manier, dit funksioneer soortgelyk aan 'n swart boks ontvangs van 'n insette en genereer 'n uitset wat kan bewys dat baie nuttig in die vind van patrone in die data wat te kompleks en nie voor die hand liggend is om te wees. Een van die beste eienskappe van ondersteuning vektor masjiene is dat hulle in staat is om te gaan met foute en geraas in die data baie goed. Hulle is dikwels in staat om die onderliggende patroon binne die data te sien en uit te filter data uitskieters en ander kompleksiteit. Oorweeg die volgende scenario, in die uitvoering van jou navorsing oor Schnicks, kom jy oor verskeie navorsingsartikels wat Schnicks beskryf met groot skaal verskillende eienskappe (soos 'n schnick wat 200kg en is 15000mm hoog). Foute soos hierdie kan lei tot ondergang jou model wat 'n Schnick is, wat potensieel kan veroorsaak dat jy 'n fout maak wanneer die klassifikasie van nuwe Schnick ontdekkings. Die voordeel van die ondersteuning vektor masjien is dat dit 'n model wat dit eens met die onderliggende patroon in teenstelling met 'n model wat al van die opleiding datapunte pas sal ontwikkel. Dit word gedoen deur toe te laat 'n sekere vlak van die fout in die model om die ondersteuning vektor masjien in staat stel om enige foute miskyk in die data. In die geval van die Schnick ondersteuning vektor masjien, as ons toelaat dat 'n fout toleransie van 5, dan opleiding sal slegs probeer om 'n model wat dit eens met 95 van die opleiding data te ontwikkel. Dit kan nuttig wees, want dit kan opleiding aan die klein persentasie van uitskieters te ignoreer. Ons kan hierdie eienskap van die ondersteuning vektor masjien ondersoek verder deur die wysiging van ons Schnick script. Die onderstaande funksie is bygevoeg om doelbewuste ewekansige foute te stel in ons opleiding datastel. Hierdie funksie sal opleiding punte kies na willekeur en die insette en ooreenstemmende uitset te vervang met 'n arbitrêre veranderlikes. Hierdie funksie stel ons in staat om doelbewuste foute te voer in ons opleiding data. Die gebruik van hierdie fout gevul data, kan ons skep en op te lei 'n nuwe ondersteuning vektor masjien en vergelyk sy prestasie met die oorspronklike een. Wanneer die script uitgevoer word, dit produseer die volgende resultate in die Expert Meld. Binne 'n opleiding datastel met 5000 opleiding punte, kon ons 500 ewekansige foute te stel. Wanneer die vergelyking van die prestasie van hierdie fout gevul ondersteuning vektor masjien met die oorspronklike een, is die prestasie net verminder word deur LT1. Dit is omdat die ondersteuning vektor masjien is in staat om die uitskieters miskyk in die datastel wanneer opleiding en is nog steeds in staat om 'n indrukwekkende akkurate model van die ware data. Dit dui daarop dat ondersteuning vektor masjiene potensieel 'n meer bruikbare instrument in te onttrek komplekse patrone en insigte uit lawaaierige datastelle kan wees. Figuur 5. Die gevolglike deskundige log na aanleiding van die verloop van die Schnick script in die Meta Trader 5. demo-weergawes 'n Volledige weergawe van die bogenoemde kode kan afgelaai word vanaf Kode Base egter hierdie script kan net loop in jou terminale as jy 'n gekoop volledige weergawe van die instrument Support Vector Machine Learning uit die mark. As jy net 'n demo weergawe van hierdie instrument afgelaai, sal jy beperk tot die gebruik van die instrument deur die strategie tester wees. Om die toets van die Schnick kode met behulp van die demo-weergawe van die instrument toelaat, het ek 'n afskrif van die script herskryf in 'n kundige adviseur wat kan ontplooi word met behulp van die strategie tester. Beide van hierdie kode weergawes kan afgelaai word deur die onderstaande skakels: Full Version - Die gebruik van 'n script wat gebruik word in die Meta Trader 5 terminale (vereis 'n gekoop weergawe van die Support Vector Machine Learning Tool) Demo Version - Die gebruik van 'n kundige adviseur wat ontplooi in die Meta Trader 5 strategie tester (vereis slegs 'n demo-weergawe van die Support Vector Machine Learning Tool) Hoe kan ondersteun Vector Machines gebruik word in die mark Toegegee, die Schnick voorbeeld hierbo bespreek is eenvoudig, maar daar is 'n hele paar ooreenkomste wat getrek kan word tussen hierdie voorbeeld en gebruik van die ondersteuning vektor masjiene vir tegniese analise van die mark. Tegniese ontleding is fundamenteel oor die gebruik van historiese mark data vir toekomstige prysbewegings te voorspel. Op dieselfde wyse binne die schnick byvoorbeeld, was ons met behulp van die waarnemings wat gemaak is deur verlede wetenskaplikes om te voorspel of 'n nuwe dier is 'n schnick of nie. Verder is die mark gepla met geraas, foute en statistiese uitskieters dat die gebruik van 'n ondersteuning vektor masjien 'n interessante konsep maak. Die grondslag vir 'n groot aantal van die tegniese ontleding handel benaderings behels die volgende stappe: Monitering verskeie aanwysers identifisering watter omstandighede vir elke aanwyser korreleer met 'n potensieel suksesvolle handel Watch elk van die aanwysers en evalueer wanneer hulle al (of meeste) is 'n teken 'n handelsmerk Dit is dit moontlik om 'n soortgelyke benadering tot ondersteuning vektor masjiene te gebruik om nuwe bedrywe dui op 'n soortgelyke manier aan te neem. Die ondersteuning vektor masjien hulpmiddel is ontwikkel met dit in gedagte. 'N Volledige beskrywing van hoe om hierdie hulpmiddel gebruik kan gevind word in die mark, so ek sal net gee 'n kort oorsig. Die proses vir die gebruik van hierdie instrument is soos volg: Figuur 6. Die blokdiagram wat die proses vir die implementering van die ondersteuning vektor masjien gereedskap in 'n kundige adviseur Voordat jy die ondersteuning Vector Machine Learning Tool kan gebruik, is dit belangrik om eers te verstaan ​​hoe die opleiding insette en uitsette is gegenereer. Hoe Opleiding Insette So gegenereer word, die aanwysers wat jy wil gebruik as insette is reeds so goed geïnisialiseer as jou nuwe ondersteuning vektor masjien. Die volgende stap is om te slaag die aanwyser hanteer om jou nuwe ondersteuning vektor masjien en dié aansê oor hoe om die opleiding data te genereer. Dit word gedoen deur die roeping van die setIndicatorHandles () funksie. Hierdie funksie laat jou toe om die handvatsels van geïnisialiseer aanwysers slaag in die ondersteuning vektor masjien. Dit word gedoen deur 'en heelgetal verskeidenheid met die handvatsels. Die twee ander insette vir hierdie funksie is die verreken waarde en die aantal datapunte. Die verreken waarde dui op die geneutraliseer tussen die huidige bar en die beginspan balk om gebruik te word in die opwekking van die opleiding insette en die aantal opleiding punte (aangedui deur N) stel die grootte van jou opleiding data. Die diagram hieronder illustreer hoe om hierdie waardes te gebruik. 'N verreken waarde van 4 en 'n N waarde van 6 sal die ondersteuning vektor masjien vertel om net die tralies vasgevang gebruik in die wit vierkante om opleiding en uitgange te genereer. Net so sal 'n verreken waarde van 8 en 'n N waarde van 8 die ondersteuning vektor masjien vertel om net die tralies vasgevang gebruik in die blou vierkant na opleiding en uitgange te genereer. Sodra die setIndicatorHandles () funksie is geroep, is dit moontlik om die genInputs bel () funksie. Hierdie funksie sal die aanwyser handvatsels gebruik om verby te genereer 'n verskeidenheid van insette data wat gebruik word vir opleiding. Figuur 7. Kers grafiek illustreer die waardes van Offset en N Hoe Opleiding Uitsette Generated Opleiding uitsette gegenereer deur simuleer hipotetiese ambagte gebaseer op historiese prys data en te bepaal of so 'n handel suksesvol of onsuksesvol sou gewees het. Ten einde dit te doen, daar is 'n paar parameters wat gebruik word om die ondersteuning vektor masjien hulpmiddel onderrig hoe om 'n hipotetiese handel as suksesvol of onsuksesvol evalueer. Die eerste veranderlike is OPTRADE. Die waarde van hierdie kan óf koop of verkoop en sal stem ooreen met óf denkbeeldige koop of te verkoop ambagte. As die waarde hiervan is KOOP, dan wanneer die opwekking van die uitgange dit sal net kyk na die potensiële sukses van hipotetiese koop ambagte. Alternatiewelik, indien die waarde van hierdie is verkoop, dan wanneer die opwekking van die uitgange dit sal net kyk na die potensiële sukses van hipotetiese verkoop ambagte. Die volgende waardes gebruik is die Stop Loss en Neem Wins vir hierdie hipotetiese ambagte. Die waardes is ingestel in pitte en sal die stop en beperk vlakke vir elke van die hipotetiese ambagte. Die finale parameter is die duur handel. Hierdie veranderlike word gemeet in ure en sal verseker dat slegs ambagte wat volledige binne hierdie maksimum duur sal suksesvol geag is. Die rede vir die insluiting van hierdie veranderlike is om die ondersteuning vektor masjien sein ambagte in 'n stadig bewegende sywaarts mark te vermy. Oorwegings neem by die keuse Insette Dit is belangrik om 'n paar gedagtes in die insette seleksie sit by die implementering ondersteuning vektor masjiene in jou handel. Soortgelyke die Schnick byvoorbeeld, is dit belangrik om 'n inset wat verwag sou word soortgelyke regoor verskil voorvalle te hê kies. Byvoorbeeld, kan jy in die versoeking kom om 'n bewegende gemiddelde gebruik as 'n inset egter sedert die langtermyn gemiddelde prys is geneig om redelik dramaties verander met verloop van tyd, kan 'n bewegende gemiddelde in isolasie nie die beste insette te gebruik. Dit is omdat daar geen beduidende ooreenkoms tussen die bewegende gemiddelde waarde vandag en die bewegende gemiddelde waardes ses maande gelede gewoond wees. Aanvaar ons handel EURUSD en met behulp van 'n ondersteuning vektor masjien met 'n bewegende gemiddelde insette te koop ambagte sein. Sê die huidige prys is 1.10, maar dit is die opwekking van opleiding data van ses maande gelede, toe die prys was 0,55. Wanneer die opleiding van die ondersteuning vektor masjien, die patroon wat gevind kan net lei tot 'n bedryf wat te kenne gegee wanneer die prys is ongeveer 0,55, want dit is die enigste inligting wat dit weet. Daarom kan u ondersteuning vektor masjien nooit 'n handel sein totdat die prys terug na 0.55 druppels. In plaas daarvan, 'n beter insette te gebruik vir die ondersteuning vektor masjien kan 'n MACD of 'n soortgelyke ossillator wees omdat die waarde van die MACD is onafhanklik van die gemiddelde prysvlak en slegs seine relatiewe beweging. Ek beveel aan jy eksperimenteer met hierdie om te sien wat produseer die beste resultate vir jou. Nog 'n oorweging te maak wanneer die keuse van insette is om te verseker dat die ondersteuning vektor masjien het 'n voldoende momentopname van 'n aanduiding van 'n nuwe handelsmerk sein. Jy kan vind in jou eie handel ervaring dat 'n MACD is slegs nuttig as jy die afgelope vyf dwarshoute om te kyk na, as dit 'n tendens sal wys. 'N Enkele bar van die MACD kan nutteloos in isolasie nie, tensy jy weet of dit is op pad op of af. Daarom kan dit nodig wees om die laaste paar bars van die MACD aanwyser om die ondersteuning vektor machine. There is twee moontlike maniere waarop jy kan dit doen slaag: Jy kan 'n nuwe persoonlike aanwyser wat die afgelope vyf dwarshoute van die MACD aanwyser gebruik om te skep bereken 'n tendens as 'n enkele waarde. Hierdie gebruik aanwyser kan dan oorgedra word na die ondersteuning vektor masjien as 'n enkele insette, of jy kan die vorige vyf dwarshoute van die MACD aanwyser gebruik in die ondersteuning vektor masjien as vyf afsonderlike insette. Die manier om dit te doen, is om vyf verskillende gevalle van die MACD aanwyser inisialiseer. Elkeen van die aanwysers kan geïnisialiseer met 'n ander verreken uit die huidige bar. Toe die vyf handvatsels van die afsonderlike aanwysers kan oorgedra word na die ondersteuning vektor masjien. Daar moet kennis geneem dat opsie 2 sal neig om langer uitvoering tye veroorsaak vir jou Expert adviseur. Hoe meer insette wat jy het, hoe langer dit sal neem om suksesvol te lei. Implementering Support Vector Machines in en Expert adviseur Ek het 'n kundige adviseur wat is 'n voorbeeld van hoe iemand potensieel kan gebruik ondersteuning vektor masjiene in hul eie handel voorberei ( 'n afskrif van hierdie kan afgelaai word deur hierdie skakel te volg www. mql5 / af / code / 1229). Hopelik sal die deskundige adviseur sal jou toelaat om 'n bietjie met die ondersteuning vektor masjiene eksperimenteer. Ek beveel aan jy kopieer / verandering / verander die deskundige adviseur van jou eie handel styl aan te pas. Die EA werk soos volg: Twee nuwe ondersteuning vektor masjiene word geskep met behulp van die svMachineTool biblioteek. Een is opgestel om nuwe Koop ambagte sein en die ander is opgestel om nuwe Sell ambagte sein. Sewe standaard aanwysers is geïnisialiseer met elkeen van hul handvatsels gestoor na 'n heelgetal verskeidenheid (Let wel: 'n kombinasie van aanwysers kan gebruik word as insette, wat hulle nodig het net om die SVM geslaag moet word in 'n enkele heelgetal skikking). Die verskeidenheid van aanwyser handvatsels is geslaag om die nuwe ondersteuning vektor masjiene. Die gebruik van die verskeidenheid van aanwyser handvatsels en ander parameters, is historiese prys data wat gebruik word om akkurate en uitgange te gebruik vir die opleiding van die ondersteuning vektor masjiene te genereer. Sodra al die insette en uitsette is gegenereer, beide van die ondersteuning vektor masjiene opgelei. Die opgeleide ondersteuning vektor masjiene word gebruik in die EA nuwe koopsein en verkoop ambagte. Wanneer 'n nuwe te koop of te verkoop handel te kenne gegee, die handel open saam met die handleiding Stop Loss en Neem Wins bestellings. Die inisialisering en opleiding van die ondersteuning vektor masjien uitgevoer word binne die funksie onInit (). Vir jou verwysing, het hierdie segment van die svTrader EA is hieronder ingesluit met notas. Gevorderde Support Vector Machine Trading Bykomende vermoë gebou in die ondersteuning vektor masjien hulpmiddel vir die meer gevorderde gebruikers daar buite. Die instrument kan gebruikers te slaag in hul eie persoonlike insette data en uitset data (soos in die Schnick voorbeeld). Dit laat jou toe om persoonlike ontwerp jou eie kriteria vir ondersteuning vektor masjien en uitgange, en die hand te slaag in hierdie data om dit op te lei. Dit maak die geleentheid om ondersteuning vektor masjiene gebruik in enige aspek van jou handel. Dit is nie net moontlik om ondersteuning vektor masjiene te gebruik om nuwe bedrywe sein, maar dit kan ook gebruik word om die sluiting van ambagte, geld bestuur, nuwe gevorderde aanwysers ens sein egter te verseker dat jy dit nie foute te ontvang, is dit belangrik om te verstaan ​​hoe hierdie insette en uitsette moet word gestruktureer. Insette: insette geslaag om SVM as 1 dimensionele skikking van dubbele waardes. Let asseblief daarop dat enige insette wat jy maak moet geslaag word as 'n dubbel waarde. Boole, heelgetal, ens moet al omskep word in 'n dubbele waarde voordat hy geslaag in die ondersteuning vektor masjien. Die insette vereis in die volgende vorm. Byvoorbeeld, veronderstel ons verby in insette met 3 insette x 5 opleiding punte. Om dit te bereik, moet ons dubbel verskeidenheid 15 eenhede lank in die formaat: A 1 B 1 C 1 A 2 B 2 C 2 A 3 B 3 C 3 A 4 B 4 C 4 A 5 B 5 C 5 Dit is ook nodig En in 'n waarde vir die aantal insette. In die geval, NInputs3. Uitsette: uitsette geslaag in as 'n skikking van Boole waardes. Hierdie boolean waardes is die verlangde uitset van die SVM ooreengestem met elk van die stelle insette geslaag. Na aanleiding van die bogenoemde voorbeeld, sê ons het 5 opleiding punte. In hierdie scenario, sal ons slaag in 'n Boole verskeidenheid van uitset waardes wat 5 eenhede lank. Wanneer genereer jou eie insette en uitsette, maak seker dat die lengte van jou skikkings ooreenstem met die waardes wat jy slaag in. As hulle dit nie aan te pas, sal 'n fout gegenereer word te laat weet van die teenstrydigheid. Byvoorbeeld, as ons geslaag het in NInputs3 en insette is 'n verskeidenheid van lengte 16, 'n fout sal gegooi word (sedert, 'n Ninputs waarde van 3 sal beteken dat die lengte van enige insette array sal nodig hê om 'n veelvoud van 3 wees) . Net so, maak seker dat die aantal stelle van insette en die aantal uitsette wat jy slaag in gelyke is. Weereens, as jy NInputs3, lengte van insette van 15 en 'n lengte van uitsette van 6 het, nog 'n fout sal gegooi word (soos jy 5 stelle van insette en 6 uitsette). Probeer om te verseker dat jy genoeg variasie in jou opleiding uitgange. Byvoorbeeld, as jy slaag in 100 opleiding punte, wat beteken dat 'n uitset verskeidenheid van lengte 100, en al die waardes is vals met net een ware, dan is die onderskeid tussen die ware geval en die valse geval is nie voldoende genoeg. Dit sal geneig om te lei tot die SVM opleiding baie vinnig, maar die finale oplossing wat baie swak. 'N meer diverse opleiding stel dikwels lei tot 'n meer affektiewe SVM. Hello dit lyk soos 'n groot aanwyser. Ek het eintlik het gestruikel oor die bladsy Wikipedia op SVM en onmiddellik het gedink dit sou 'n groot aansoeke vir Forex het. Later daardie selfde dag het ek afgekom oor hierdie aanwyser, gelukkige toeval. Ek het die demo-weergawe van die biblioteek afgelaai en ek probeer om hierdie aanwyser op EURUSD H1 hardloop. Ek probeer om dit te heg aan die grafiek egter niks gebeur nie en daar is geen teken uitset. Im met behulp Alpari-Amerikaanse MT5 Demo. Het iemand anders hierdie probleem gehad Moet ek wag vir die SVM vir enige voorstelle oor hoe om te kry aanwyser om te Werk ook Im op Windows 8 en Im met behulp van die demo-weergawe van die biblioteek op te lei. Hallo Dit is eintlik 'n beperking van die demo-weergawe van die biblioteek. Die demo produkte op die mark beskikbaar is slegs bruikbare in die strategie tester, kan hulle nie gebruik word op live / demo kaarte. Die betaalde weergawe van die biblioteek het nie so 'n beperking, maar as jy op soek is na om hierdie te kry met die doel om die toets van die biblioteek kan jy 'n eenvoudige EA dat die aanwyser gebruik te skryf en te loods hierdie EA in die strategie tester onder visuele toets af. Dit moet moontlik wees met behulp van die demo-weergawe van die biblioteek, maar laat my weet as jy enige probleme. Rgds, Cubix Hallo dit lyk soos 'n groot aanwyser. Ek het eintlik het gestruikel oor die bladsy Wikipedia op SVM en onmiddellik het gedink dit sou 'n groot aansoeke vir Forex het. Later daardie selfde dag het ek afgekom oor hierdie aanwyser, gelukkige toeval. Ek het die demo-weergawe van die biblioteek afgelaai en ek probeer om hierdie aanwyser op EURUSD H1 hardloop. Ek probeer om dit te heg aan die grafiek egter niks gebeur nie en daar is geen teken uitset. Im met behulp Alpari-Amerikaanse MT5 Demo. Het iemand anders hierdie probleem gehad Moet ek wag vir die SVM vir enige voorstelle oor hoe om te kry aanwyser om te Werk ook Im op Windows 8 en Im met behulp van die demo-weergawe van die biblioteek op te lei. 1. Hoekom jy hoef te laai die kode in die kode basis en heg dit, kyk wat gebeur. 2. Aangesien jy praat oor die demo van die mark, vra dié vraag te cubix hier Vraag / Antwoord op Support Vector Machine Learning Tool, Cubix: Hallo Dit is eintlik 'n beperking van die demo-weergawe van die biblioteek. Die demo produkte op die mark beskikbaar is slegs bruikbare in die strategie tester, kan hulle nie gebruik word op live / demo kaarte. Die betaalde weergawe van die biblioteek het nie so 'n beperking, maar as jy op soek is na om hierdie te kry met die doel om die toets van die biblioteek kan jy 'n eenvoudige EA dat die aanwyser gebruik te skryf en te loods hierdie EA in die strategie tester onder visuele toets af. Dit moet moontlik wees met behulp van die demo-weergawe van die biblioteek, maar laat my weet as jy enige probleme. Rgds, Cubix Dankie vir die vinnige antwoord, Siek gee dat 'n shot. Foreign valuta handel met Support Vector Machines Verwysings Boser, B. E. GUYON, I. en VAPNIK, V. N. (1992): 'n opleiding Algoritme vir Optimal Marge klassifiseerders. In: D. Häussler Suite (Ed.): Verrigtinge van die 5de Jaarlikse ACM Werkswinkel oor Computational Leerteorie. ACM Press, 144152. BOX, G. E.P. en JENKINS, G. M. (1976): Tydreeksanalise: Vooruitskatting en beheer. Holden-Dag, San Francisco. MATH BROWN, M. GRUNDY, W. LIN, D. CRISTIANINI, N. SUGNET, C. Furey, T. ARES, M. en Häussler Suite, D. (1999): Kennis Gebaseerde Ontleding van Microarray geenuitdrukking Data Gebruik Support Vector masjiene. Tegniese verslag. Universiteit van Kalifornië, Santa Cruz. CHANG, C. C. en LIN, C. J. (2001): LIBSVM: 'n biblioteek vir ondersteuning Vector Machines (weergawe 2.31). Tegniese verslag. Departement Rekenaarwetenskap en Inligtingstelsels Ingenieurswese, Nasionale Taiwan Universiteit, Taipei, Taiwan. Cortes, C. en VAPNIK, V. (1995): Ondersteuning Vector Netwerk. Masjienleer. 20, 273297. MATH FRANCOIS, D. Wertz, V. en Verleysen, M. (2005): oor die plek van pitte in High-dimensionele ruimtes. ASMDA 2005-Internasionale Simposium oor Toegepaste stogastiese modelle en data-analise. Brest, Frankryk, 238245. GRANGER, C. W.J. (1969): Ondersoek Kousale Betrekkinge deur Ekonometriese modelle en Cross-spektrale metodes. Econometrica. 37, 424438. CrossRef JOACHIMS, T. (1998): teks Kategorisering met Support Vector Machines. Verrigtinge van die Europese Konferensie oor Machine Learning (ECML). KAMRUZZAMAN, J. en Sarker, R. A. (2003a): Vooruitskatting van Geldeenheid Wisselkoers: 'n gevallestudie. Verrigtinge van die IEEE Internasionale Konferensie oor Neurale Netwerke amp Seinverwerking (ICNNSP). Nanjing. KAMRUZZAMAN, J. en Sarker, R. A. (2003b): Toepassing van Support Vector Machine te Monitoring Forex. Derde Internasionale Konferensie oor Hybrid Intelligent Systems (SY). Melbourne. KAMRUZZAMAN, J. Sarker, R. A. en Ahmad, I. (2003): SVM gebaseerde modelle vir die voorspelling wisselkoerse.