Eu tenho tido algumas conversas muito interessantes desde que eu ofereci a minha estrutura de negociação intraday não-público em troca de informações sobre estratégias rentáveis, que é por isso que eu Pretende prolongar esta chamada inicialmente limitada no tempo de forma indefinida. Note que eu não estou procurando idéias de estratégia. Eu tenho muitas dessas eu mesmo. O desafio não está em vir acima com uma idéia, mas em escolher o caminho certo e testá-lo até o final, quando youll quer saber que funciona ou que ele doesnt. O fator crítico aqui é o tempo. Então, o que eu sou, essencialmente, negociação é o tempo que eu tenho investido no desenvolvimento de uma rocha sólida intraday trading framework contra o tempo que você tem investido no desenvolvimento de uma negociação rentável strtategy. Pode ser uma estratégia de estoque, ETF, futuro ou opção. Todas as discussões e informações trocadas serão mantidas confidenciais. Estou naturalmente aberta a puramente discutir idéias, mas por favor não espere que eu testá-los para você e não se queixar se eu implementá-los sem pedir sua aprovação. Call for Propostas Buscando estratégias de negociação com backtests rentáveis Até 15 de junho. Estou aceitando propostas para estratégias de negociação promissoras em ações, moedas e índices stockbondcommodity. A estratégia deve ser rentável no backtesting e ter uma taxa de sharpe anualizada de pelo menos 1,0. No dia 1º de julho, as duas estratégias mais promissoras serão selecionadas e seus autores poderão escolher uma das seguintes opções: 1) Obter uma cópia completa e gratuita do quadro de negociação reforçada e não pública baseado em R que desenvolvi e usei Desde 2017 e que os autores podem usar para a negociação ao vivo suas estratégias com Interactive Brokers. (A versão pública simplificada pode ser baixada aqui) 2) Entrar em um acordo de cooperação em que me comprometo a implementar a sua estratégia em R e papel de comércio por um período máximo de três meses. Todos os negócios individuais serão compartilhados com os autores quando eles ocorrem. Além disso, o código R que é específico para a estratégia (não o código da estrutura de negociação) será entregue aos autores da estratégia. O que enviar: Uma descrição por escrito da estratégia mais uma lista de negócios mais o retorno timeseries do backtest ou executável Roctavepython código que calcula diretamente o backtest return timeseries, juntamente com o conjunto de dados completo dos preços utilizados no backtest. Enviar para o meu e-mail disponível na seção Contato Atualização do puro R Intraday Trading Framework Finalmente encontrei o tempo para fazer isso. Há muito tempo. O framework agora é executado com as versões mais recentes (unix) do IB TWSGW (versão 9493 e superior). Isto em si exigiu uma reescrita parcial de várias funções do grande, mas agora um pouco desatualizado pacote IBrokers R por Jeff Ryan. Também a configuração padrão para negociação EURUSD foi atualizado para que ele é agora um pedaço de bolo para executar o exemplo dummy estratégia. Basta clonar o repositório git para sua máquina local. GithubcensixINTRADAY-PartAB e siga o README. Algo sobre Hardware Ainda sou fã de possuir meu próprio metal. Claro, fazer coisas com imagens de máquina configurável na nuvem é popular porque você não tem que passar pelo aborrecimento de gerenciar seu próprio hardware, mas, não é que hassle realmente apenas um problema para grandes organizações onde centenas de usuários têm de ser mantidos felizes em Custo mínimo. Assim é a nuvem não só uma solução para um problema de pessoas que têm de gerenciar a escala, mas estão ao mesmo tempo tentando vender-em que a solução para o indivíduo Joe lá fora que, vamos enfrentá-lo, realmente não precisa dele. Enfim, como eu disse, eu sou um fã de possuir meu próprio metal. O hardware acessível barato pode ajudá-lo a um longo caminho se você tomar o tempo para configurá-lo corretamente. Um desktop de RAM 16-64Gb com uma ou até duas GPUs praticamente fará qualquer coisa que você precisa. Parece que as estratégias de backtesting usam mais recursos de computação do que o real live trading, razão pela qual estes dias você pode configurar e executar uma estratégia intraday de qualquer laptop decente com confiança, enquanto que para o backtesting e pesquisa que você realmente iria querer o CPU RAM GPU monstro Acima ou um pequeno cluster de supercomputação próprio, como descrevi recentemente aqui. Pure R Intraday trading framwork Download completo disponível Eu fiz INTRADAY-PartA. tar. gz e INTRADAY-PartB. tgz disponível para download. Censixdownloads. html Encontrar relações entre ativos que podem ser usados para arbitragem estatística Em vez de se concentrar em prever a direção de preços ea volatilidade de preços com modelos não-lineares derivados com métodos de aprendizagem automática, uma alternativa seria tentar descobrir relações de preço exploráveis entre ativos da mesma classe E reagir (comércio) quando mispricing acontece, em outras palavras, fazer arbitragem estatística. De certa forma, isso é de alguma forma mais fácil do que tentar prever os preços, uma vez que a única coisa que se deve fazer é encontrar uma relação relativamente estável, linear ou não-linear entre um grupo de pelo menos dois ativos e assumir que, Sua detecção, essa relação continuará por algum tempo no futuro. A negociação com base nessa suposição é, então, muito mais um processo reativo que é desencadeado por movimentos de preços que divergem significativamente da relação modelada. Tradicional Pair Trading e negociação de ativos em um VECM (Vector Error Correction Model) relação são bons exemplos para statarb usando modelos lineares. Então, por que não usar uma simples rede neuronal de uma camada ou mesmo um RBM para descobrir uma relação de preços não-linear entre dois ativos não-cointegrados e se esse processo de descoberta for bem-sucedido, troque-o de forma semelhante a um par clássico. As coisas se tornam ainda mais interessantes quando os grupos com mais do que apenas dois ativos são considerados. Este seria então o equivalente não-linear de um VECM. Seleção de Recursos Largura vs. Profundidade Permite dizer que temos um destino de segmentação univariada timeseries que pode ser de tipo regressão ou classificação, e temos que decidir quais recursos de entrada para selecionar. Mais concretamente, temos um grande universo de timeseries que podemos usar como entradas e gostaríamos de saber quantos devemos escolher (largura) e também quanto tempo atrás queremos buscar cada um (profundidade). Há um espaço bidimensional de escolhas, delimitado pelos seguintes quatro casos extremos, sob o pressuposto de que temos um total de N séries e podemos, no máximo, olhar para trás K timestaps: (1) escolher apenas uma série e lookback Um timestep, (2) escolher apenas uma série e lookback K timesteps, (3) escolher N series e lookback um timestep, (4) escolher N series e lookback K timesteps. A escolha ótima provavelmente não será uma dessas, uma vez que (1) e (2) podem não conter informações predictoras suficientes e (3) e especialmente (4) não serão viáveis devido à computação de contstraints ou conterem muito ruído aleatório. A maneira sugerida de se aproximar disso é começar pequeno em (1), ver qual o desempenho que você obtém e, em seguida, aumentar o tamanho do espaço de entrada, seja em largura ou em profundidade, até que você tenha alcançado um desempenho satisfatório de predição ou até que você tenha esgotado Seus recursos de computação e precisam abandonar toda a abordagem: (ou comprar um novo (fazenda de) desktop (s) :) Usando Autocodificadores Empilhados e Máquinas Boltzmann Restritas em R 12 de fevereiro de 2017 Stacked Autoencoders (SAs) e Máquinas Restritas Boltzmann ( RBMs) são modelos muito poderosos para aprendizagem não supervisionada. Infelizmente, no momento da escrita, parece que não existem implementações R diretas disponíveis, o que é surpreendente, uma vez que ambos os tipos de modelos têm sido em torno de um tempo e R tem implementações para muitos outros tipos de modelos de aprendizagem de máquinas. Como uma solução alternativa, SAs poderia ser implementado usando um dos vários pacotes de rede neural de R rapidamente (nnet, AMORE) e RBMs, bem, alguém teria que escrever uma boa implementação de R para eles. Mas dado que o treinamento de ambos os tipos de modelos requerem muitos recursos computacionais, também queremos uma implementação que possa fazer uso de GPUs. Então, no momento, a solução mais simples que parece ter é usar Theano. Ele pode usar GPUs e fornece implementações de autocodificadores (Denoising) empilhados e RBMs. Além disso, o código PythonTheano para várias outras variantes mais exóticas da Máquina Boltzmann está flutuando em torno da rede também. Podemos usar rPython para chamar essas funções Python de R, mas o desafio são os dados. Obtendo grandes conjuntos de dados para trás e para frente entre R e Python sem usar a serialização ascii que rPython implementa (muito lento) precisa ser resolvido. Uma implementação pelo menos igualmente potente de autoencoders que suporta o uso de GPU está disponível através da estrutura Torch7 (demo). No entanto, as funções Torch7 são chamadas usando lua e chamando-as de dentro de R, em vez disso, exigirá algum trabalho em nível C. Em conclusão: Use Theano (Python) ou Torch7 (lua) para modelos de treinamento com suporte a GPU e escreva os modelos treinados para arquivar. Em R, importe o modelo treinado do arquivo e use para previsão. Update 25 April 2017: A seguinte solução agradável Call Python de R através de Rcpp deve nos trazer um passo mais perto de usar Theano diretamente de R. Quais Freqüências para o Comércio. January 13, 2017 Quando tentar encontrar testes padrões exploráveis do mercado que um poderia negociar como um comerciante de varejo, uma das primeiras perguntas é: Que freqüências de troca a olhar Monthly Weekly Daily Ou intraday em qualquer lugar entre 5 segundos a 1 hora Com tempo limitado disponível para Realizando pesquisas em todos esses prazos, isso se torna uma questão importante para responder. Eu e outros temos observado que parece haver uma relação simples entre a freqüência de negociação ea quantidade de esforço necessária para encontrar uma estratégia rentável que seja puramente quantitativa e tenha um risco aceitável. Em suma: Quanto menor (mais lenta) a freqüência que você deseja negociar, mais inteligente sua estratégia rentável precisa ser. Como exemplo, pode-se olhar para o fim (muito) alta freqüência do espectro, onde as estratégias de mercado baseado em matemática muito simples pode ser muito rentável, se você conseguir estar perto o suficiente para o centro de mercado. Tomando um grande salto para o reino de freqüência diária, está se tornando muito mais difícil encontrar estratégias quantitativas que são rentáveis, enquanto ainda está sendo baseado em matemática bastante simples. Negociação em intervalos semanais e mensais, usando métodos quantitativos simples ou indicadores técnicos é apenas uma receita muito boa para o desastre. Assim, assumindo por um momento que essa relação é verdadeira e considerando que podemos e queremos usar sofisticadas técnicas de aprendizagem de máquinas em nossas estratégias de negociação, poderíamos começar com uma janela de freqüência semanal e trabalhar o nosso caminho rumo a freqüências mais altas. A negociação semanal não precisa ser automatizada e pode ser feita a partir de qualquer interface de corretagem baseada na web. Poderíamos desenvolver um saco de estratégias, usando dados históricos publicamente disponíveis em combinação com o nosso algoritmo de aprendizagem favorito para encontrar padrões negociáveis do mercado e, em seguida, executar a estratégia manualmente. Nesta escala, todo o esforço deve ir para encontrar e aperfeiçoar a estratégia quantitativa e muito pouco pensamento precisa ser colocado em execução de comércio. Esforço de automação de comércio: 0. Inteligência de estratégia necessária: 100 A negociação diária deve ser automatizada, a menos que você realmente pode dedicar uma parte fixa de seu dia para monitorar os mercados e executar negócios. A integração de algoritmos de aprendizagem de máquina com negociação diária automatizada não é uma tarefa trivial, mas pode ser feita. Esforço de automação de comércio: 20, Inteligência de estratégia necessária: 80 Em prazos intradiários, que vão desde minutos e segundos até sub-segundos, o esforço que você terá de realizar para automatizar seus negócios pode ficar em qualquer lugar na faixa entre 20 e 90. Felizmente, A escala de tempo torna-se a mais estúpida sua estratégia pode ser, mas mudo é naturalmente um conceito relativo aqui. Esforço de automação de comércio: 80, Inteligência de estratégia necessária: 20 Que recursos usar. Hand-crafted vs aprendido 10 de dezembro de 2017 Em um ponto no projeto de um (máquina) sistema de aprendizagem você inevitável perguntar-se que recursos para alimentar em seu modelo. Há pelo menos duas opções. O primeiro é usar recursos artesanais. Esta opção irá normalmente dar-lhe bons resultados se os recursos são bem concebidos (que, naturalmente, é uma tautologia, uma vez que você só iria chamá-los bem concebidos se lhe deram bons resultados.). Projetar recursos artesanais requer conhecimento especializado sobre o campo para o qual o sistema de aprendizagem será aplicado, ou seja, classificação de áudio, reconhecimento de imagem ou em nosso caso de negociação. O problema aqui é que você não pode ter qualquer um desses conhecimentos especializados (ainda) e será muito difícil de vir ou tomar um monte de tempo ou mais provável ambos. Portanto, a alternativa é aprender os recursos dos dados ou, em outras palavras, usar o aprendizado não supervisionado para obtê-los. Um requisito aqui é que você realmente precisa de muitos dados. Muito mais do que você precisaria para hand-crafted recursos, mas, em seguida, novamente ele doesnt tem que ser rotulado. O benefício no entanto é claro. Você realmente não precisa ser um especialista no campo específico que você projetar o sistema para, ou seja, negociação e finanças. Então, enquanto você ainda precisa descobrir qual subconjunto dos recursos aprendidos será melhor para o seu sistema de aprendizagem, isso também é algo que você teria a ver com os recursos feitos à mão. Minha sugestão: Tente projetar algumas características feitas à mão por si mesmo. Se eles não executar e você tem boas razões para acreditar que é possível ter melhores resultados do que aqueles que você está recebendo, use métodos de aprendizagem sem supervisão para aprender recursos. Você pode até criar um sistema híbrido que use recursos projetados e aprendidos juntos. Por que eu uso Open Source ferramentas para a construção de aplicações comerciais 19 de novembro de 2017 Quando eu comecei a olhar para fazer a minha própria negociação automatizada, eu tinha três requisitos sobre o conjunto de ferramentas que eu queria usar. 1) Eles devem custar o mínimo possível para me começar, mesmo que isso significava que eu tinha que fazer um monte de programação e personalizações próprio (que custaria tempo) 2) Deve haver uma comunidade de pessoas afins lá fora Usando essas mesmas ferramentas para uma finalidade similar. 3) As ferramentas devem permitir que eu vá tão profundamente nas entranhas do sistema como necessário, mesmo se no começo meu objetivo era mais para descobrir o básico. Eu não queria me encontrar em uma situação em que dois anos abaixo da linha eu precisaria mudar para um conjunto diferente de ferramentas, só porque os que eu tinha começado com não me permitem fazer o que eu queria por causa de problemas com Fontes fechadas e licenciamento restritivo. Como resultado, eu vim para escolher R como a minha língua de escolha para o desenvolvimento de algoritmos de negociação e eu comecei a usar Interactive Brokers desde que eles fornecem uma API para interface com seu sistema de corretagem. Embora existam muitas ferramentas de negociação agradável que se conectam ao IB Trader Workstation e alguns podem ser usados para negociação automatizada, nenhum deles oferece o mesmo poder, flexibilidade e apoio comunitário que o projeto R tem. Além disso, R tem realmente um incrível repositório de livre e muito adavanced estatística e pacotes de aprendizagem da máquina, algo que é essencial se você quiser criar algoritmos de negociação. Copyright copy Censix 2017 - 2017A Estratégia de negociação baseada em aprendizagem usando dados de análise de sentimentos Lucena Research - 25 de fevereiro de 2017 Esta pesquisa alavanca um conjunto de dados de indicadores de sentimento desenvolvido pela RavenPack. RavenPack recentemente investigou a utilidade destes indicadores de sentimento para prever a reversão de preço de 5 dias. Levamos esse trabalho adiante na criação de um modelo preditivo completo que pode ser usado para impulsionar uma estratégia de negociação. Em geral, nossos resultados indicam que a informação de sentimento tem valor preditivo e é útil como parte de uma estratégia de Aprendizagem de Máquinas que supera significativamente o mercado a partir do qual as ações candidatas são sorteadas. Quer ver mais Conecte-se Conosco Interagir Conosco Siga Nossos Comentários Assista Vídeo Materiais Encontre-nos em Bloomberg Américas 1 (646) 277 7339 EMEA-APAC 44 (0) 20 3290 7395Escreva 235w atrás middot Upvoted por Vladimir Novakovski. Começou Quora máquina aprendizagem equipe, 2017-2017 Primeiro, você iria se concentrar em recolher o máximo de dados possível e colocar em uma única forma de tabela grande. Isso seria dados históricos de preços. Talvez aumentar este com artigos do jornal, bornes do blog, limas do sec transformadas em vetores da contagem da palavra etc. (usando techiques processando da língua natural). Você treinaria então um algoritmo supervisionado para a decisão do buysell. Algoritmos adequados são regressão logística (mais rápida) e florestas aleatórias (mais precisas geralmente). Existem outras, como máquinas de vetores de suporte, árvores de decisão potenciadas, redes neurais de 3 camadas, mas estas não oferecem tão boa precisão quanto florestas aleatórias (e muitas vezes mais lentas também) ou tanta velocidade como regressão logística. Na minha opinião, a melhor escolha seria simplesmente a regressão logística, ea melhor implementação é wabbit vowpal - extremamente rápido, pode lidar com grandes quantidades de dados - 1 terabyte por hora em uma máquina, mais rápido ainda em cluster - e de código aberto. Isso também permite que você veja claramente quais indicadores (colunas na tabela) são preditivos. Você também pode adicionar artigos de jornal, etc diretamente como texto para isso usando o truque de hashing. Isso também é implementado em wabbit vowpal também, e assim você pode lidar com artigos muito grandes de texto de forma livre em uma única linha também. Tendo feito o acima para o ponto que você não pode mais coletar mais fontes de dados, it039s tempo para passar para o estágio de engenharia de recursos. Você já fez algumas dessas coisas quando você fez nlp coisas (mas você estava usando técnicas padrão - ou seja, não acho que upinvent seus próprios métodos). Há duas opções neste ponto - manual e automático. Geralmente, as pessoas neste momento inventam suas próprias características. Isto é o que os comerciantes passam a maior parte do tempo fazendo - as chamadas quotstrategiesquot ou quotrulesquot. Estes são testados contra os dados - chamado backtesting. Outra, mais recente, o método authomatic também recentemente tornou-se disponível - aprendizagem profunda sem supervisão. A aprendizagem não supervisionada existia antes, mas era da variedade quotshallowquot e não funcionou bem na prática. Redes neurais de aprendizagem profunda usando autocodificadores é um novo método (inventado há apenas 6 anos) que funciona muito bem. Este artigo é uma demonstração dele. Essencialmente, jogando muitos computadores no problema, é possível formar estratégias automaticamente. Quanto maior a rede neural, melhor ela faz - mas, conseqüentemente, mais computadores são necessários. Este (em minha opinião) embora, é bettercheaper do que tentando empregar lotes do altamente creativeanalyticalhard-trabalhando povos. Aprendendo em Forex Trading: Por que muitos acadêmicos estão fazendo tudo errado Construindo estratégias de aprendizagem de máquina que pode obter resultados decentes sob condições de mercado ao vivo sempre foi um desafio importante na negociação algorítmica. Apesar da grande quantidade de interesse e as incríveis recompensas potenciais, ainda não há publicações acadêmicas que são capazes de mostrar bons modelos de aprendizagem de máquina que pode enfrentar com êxito o problema de negociação no mercado real (ao meu melhor conhecimento, postar um comentário se Você tem um e I8217ll ser mais do que feliz para lê-lo). Embora muitos trabalhos publicados pareçam mostrar resultados promissores, muitas vezes é o caso que esses artigos se enquadram em uma variedade de diferentes problemas de tendência estatística que tornam o verdadeiro sucesso de mercado de suas estratégias de aprendizado de máquina altamente improvável. No borne de today8217s eu estou indo falar sobre os problemas que eu vejo na pesquisa académica relacionada com a aprendizagem de máquina em Forex e como eu acredito que esta pesquisa poderia ser melhorada para render a informação muito mais útil para a comunidade académica e de troca. A maioria das armadilhas na concepção da estratégia de aprendizagem de máquina ao fazer o comércio de Forex são inevitavelmente herdadas do mundo de problemas de aprendizagem determinísticos. Ao construir um algoritmo de aprendizado de máquina para algo como reconhecimento de rosto ou reconhecimento de letras 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 (um conjunto de treinamento) e, em seguida, testando se O modelo foi capaz de resolver corretamente o problema usando o lembrete dos dados (um conjunto de teste). É por isso que você tem alguns conjuntos de dados famosos e bem estabelecidos que podem ser usados para estabelecer a qualidade das técnicas de aprendizagem de máquinas recém-desenvolvidas. O ponto-chave aqui no entanto, é que os problemas abordados inicialmente pela aprendizagem mecânica foram principalmente deterministas e independentes do tempo. Ao passar para a negociação, a aplicação dessa mesma filosofia produz muitos problemas relacionados com o caráter parcialmente não determinístico do mercado e sua dependência temporal. 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 testes 8211 que você deve assumir acontece em pelo menos alguns casos 8211, então o problema também adiciona uma grande quantidade de viés de mineração de dados. Toda a questão de fazer um único treinamento valididation exercício também gera um problema relativo a como este algoritmo é para ser aplicado ao vivo trading. Por definição, a negociação ao vivo será diferente, uma vez que a seleção de conjuntos de testes de treinamento precisa ser reaplicada a dados diferentes (como agora o conjunto de testes é realmente dados desconhecidos). O viés inerente à seleção inicial do período de amostra da amostra de amostra e a ausência de quaisquer regras testadas para negociação com dados desconhecidos torna essas técnicas geralmente em falha na negociação ao vivo. Se um algoritmo for treinado com dados 2000-2017 e tiver sido validado cruzadamente com os dados de 2017-2017, não há razão para acreditar que o mesmo sucesso acontecerá se treinado em dados de 2003-2017 e depois viver negociado de 2017 a 2017, os conjuntos de dados São muito diferentes na natureza. O sucesso do algoritmo de medição também é um problema muito relevante aqui. Inevitavelmente, os algoritmos de aprendizado de máquina usados para negociação devem ser medidos em mérito pela sua capacidade de gerar retornos positivos, mas alguma literatura mede o mérito de novas técnicas algorítmicas, tentando avaliar sua capacidade de obter previsões corretas. As previsões corretas não são necessariamente as negociações rentáveis, como você pode facilmente ver ao construir classificadores binários. Se você tentar prever a próxima direção de candle8217s você ainda pode fazer uma perda se você estiver na maior parte certo em velas pequenas e errado em velas maiores. De fato, a maioria desse tipo de classificadores 8211 a maioria daqueles que não trabalham 8211 acabam predizendo direcionalidade com uma precisão acima de 50, mas não acima do nível necessário para ultrapassar as comissões que permitiriam negociações de opções binárias rentáveis. Para construir estratégias que são principalmente livre dos problemas acima eu sempre defendi uma metodologia em que o algoritmo de aprendizagem da máquina é treinada antes da tomada de qualquer decisão de formação. Usando uma janela em movimento para o treinamento e nunca fazendo mais de uma decisão sem reaproveitar todo o algoritmo, podemos livrar-nos do viés de seleção que é inerente na escolha de um único conjunto de amostras de amostra. Desta forma, todo o teste é uma série de exercícios de validação de treinamento que acabam garantindo que o algoritmo de aprendizado da máquina funcione mesmo sob conjuntos de dados de treinamento tremendamente diferentes. Eu também defendo a medição do desempenho de backtesting real para medir um mérito algoritmo de aprendizagem de máquina e, além disso, eu iria tão longe como para dizer que nenhum algoritmo pode valer a pena o seu sal sem ser provado sob reais condições fora da amostra. Desenvolver algoritmos desta maneira é muito mais difícil e eu não encontrei um único artigo acadêmico que segue este tipo de abordagem (se eu perdi, sinta-se livre para postar um link para que eu possa incluir um comentário). Isso não significa que essa metodologia seja completamente livre de problemas, no entanto, ela ainda está sujeita aos problemas clássicos relevantes para todos os 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 (uso 25 anos para testar sistemas, sempre treinando depois de cada máquina aprendendo decisão derivada) e realizar testes de avaliação de viés de mineração de dados adequados para determinar a confiança com a qual podemos Dizer que os resultados não vêm de acaso aleatório. Meu amigo AlgoTraderJo 8211 que também acontece de ser um membro da minha comunidade comercial 8211 está actualmente a crescer um fio na ForexFactory seguindo este mesmo tipo de filosofia para o desenvolvimento de aprendizagem de máquina, como trabalhamos em alguns novos algoritmos de aprendizagem de máquina para a minha comunidade comercial. Você pode consultar seu tópico ou posts anteriores no meu blog para vários exemplos de algoritmos de aprendizado de máquina desenvolvidos dessa maneira. Se você gostaria de aprender mais sobre nossos desenvolvimentos na aprendizagem de máquina e como você também pode também desenvolver suas próprias estratégias de aprendizagem de máquina usando a estrutura de F4 por favor considere juntar Asirikuy. Um site cheio de vídeos educacionais, sistemas de negociação, desenvolvimento e uma abordagem sólida, honesta e transparente para a negociação automatizada.
No comments:
Post a Comment