Forex การทำเหมืองข้อมูล ซอฟแวร์

ข้อมูลเบื้องต้นเกี่ยวกับการทำเหมืองข้อมูล FX ช่วยให้การแนะนำอย่างง่ายและรวดเร็วในหนึ่งในสาขาที่น่าสนใจที่สุดในวันนี้ - การทำเหมืองข้อมูล มีแอพพลิเคชัน Data Mining มากมายหลากหลายประเภท เราควรรวมการทำเหมืองข้อมูลในการซื้อขาย FX ของเรา FX, FOREX หรือ FX เป็นตลาดที่ใหญ่ที่สุดในแง่ของปริมาณการซื้อขายประจำวัน มีสามระดับหลักของผู้เข้าร่วม: ชายใหญ่, ระดับกลางและผู้ค้าง่ายที่คุณและฉัน มีลักษณะเก็งกำไรซึ่งหมายความว่าส่วนใหญ่ของเวลาที่เราไม่ได้แลกเปลี่ยนสินค้า เราสนใจเพียงข้อแตกต่างและต้องการซื้อต่ำและขายสูงหรือขายสูงและซื้อต่ำ โดยการดำเนินงานระยะสั้นหรือยาวเราสามารถได้รับ pips มูลค่าของ pip อาจขึ้นอยู่กับปริมาณการซื้อขายของคุณโดยมีตั้งแต่ร้อยละหนึ่งถึง 10 ขึ้นไป นี่เป็นวิธีหลักในการสร้างรายได้ในตลาด FX (ควบคู่กับ Carry Trade, Brokering, Arbitrage และอื่น ๆ ) สังเกตว่าตลาด FX มีขนาดใหญ่ แต่เหมาะสำหรับผู้เล่นทุกระดับ คิดว่าตลาด FX เป็นซุปเปอร์มาร์เก็ตไร้ขีด จำกัด ที่มีจำนวนผลิตภัณฑ์และลูกค้ามากมาย แต่ยังมีพนักงานแคชเชียร์จำนวนไม่ จำกัด ความหมายมีโอกาสที่เท่าเทียมกันสำหรับทุกคน การทำเหมืองข้อมูลและการเรียนรู้ด้วยเครื่องการทำเหมืองข้อมูลเป็นสาขาย่อยของวิทยาการคอมพิวเตอร์ เกี่ยวกับจำนวนมากของข้อมูลและการสกัดที่ไม่สำคัญของความรู้ที่ใช้งานได้จากข้อมูลจำนวนมหาศาล ทำโดยการประมวลผลข้อมูลอัจฉริยะโดยใช้อัลกอริธึมการเรียนรู้ด้วยเครื่องจักร การทำเหมืองข้อมูลไม่ใช่แค่ CRUD (สร้างอ่านปรับปรุงและลบ) เรามีวิธีการทำเหมืองข้อมูลหลายวิธี โดยวิธีการและโปรแกรมประยุกต์บางอย่าง การจัดประเภท - การจัดประเภทอีเมลเป็นสแปมการจัดประเภทธุรกรรมเป็นการฉ้อโกง สมาคม - YouTube แนะนำวิดีโอใหม่ ๆ ตามประวัติของเรา Amazon แสดงรายการสินค้าเพิ่มเติมในระหว่างเช็คเอาท์ การจัดกลุ่ม - การวิเคราะห์ข้อมูลที่ไม่มีโครงสร้างเช่นข่าวเศรษฐกิจและความคิดเห็นเพื่อค้นหากลุ่มทั่วไป Process Mining - ตรวจสอบบันทึกของผู้ประกอบการโทรเพื่อหาการดำเนินงานที่ไม่มีประสิทธิภาพ การทำเหมืองข้อความ - การทำเหมืองข้อมูลหรือการวิเคราะห์ทางเทคนิคสำหรับการจดจำรูปแบบ การซื้อขายอัลกอริธึมเป็นขั้นตอนการซื้อขายแบบอัตโนมัติ ในกรณีของเราขั้นตอนการซื้อขายมาจากการทำเหมืองแร่ การซื้อขายอัตโนมัติจะกระทำโดยกษัตริย์บางส่วนของภาษาการเขียนโปรแกรม ความเร็วและความแข็งแรงเป็นจุดสำคัญที่นี่: ผู้ค้ามนุษย์ไม่สามารถเอาชนะโปรแกรมคอมพิวเตอร์เกี่ยวกับคุณลักษณะเหล่านั้นได้ อาจเป็น HFT (High Frequency Trading) และการเขียนโปรแกรมระดับต่ำ (เช่น C) หรือการค้าระยะยาวและการเขียนโปรแกรมระดับสูง (เช่น Java) การค้าขายแบบผสมผสานกับการทำเหมืองข้อมูลการทำเหมืองข้อมูลแบบผสมในการค้าอัลกอริทึมเป็นเรื่องสำคัญ สิ่งที่สำคัญที่สุดคือข้อมูล หลักการง่ายๆระบุว่าหากข้อมูลของคุณไม่ดีพอโมเดลของคุณจะไม่ดีพอ (GIGO) มันคือทั้งหมดที่เกี่ยวกับการสร้างแบบจำลองการใช้งานและการทดสอบ (เช่นเคย) ขณะนี้การไหลนี้เป็นส่วนใหญ่ด้วยตนเอง ซอฟต์แวร์การทำเหมืองข้อมูลมีหลายตัวเลือกซอฟต์แวร์โอเพ่นซอร์สในด้านการทำเหมืองข้อมูล WEKA เป็นกรอบการทำเหมืองข้อมูลที่มีต้นกำเนิดใน University of Waikato, Hamilton, New Zealand WEKA เขียนใน Java และมี API ที่ยอดเยี่ยม นอกจากนี้คุณมีการใช้งานสำหรับขั้นตอนวิธีการเรียนรู้เครื่องจักรที่รู้จักกันดี ส่วนผสมของเครื่องมือที่ดีมีความสำคัญ มีรูปแบบการซื้อขายที่เป็นไปได้มากเกินไป การโยนเหรียญเป็นระบบการซื้อขายโง่ แต่เป็นระบบการซื้อขาย เราต้องการการทำเหมืองข้อมูลเพื่อหาทอง เครื่องมือที่ดีง่ายที่จะได้รับโชคดีมากกับการทำเหมืองแร่ หากคุณกำลังมองหาข้อมูลเพิ่มเติมเกี่ยวกับการซื้อขาย FX ทางวิทยาศาสตร์ขั้นตอนต่อไปก็คือการสำรวจเครื่องมือการทำเหมืองข้อมูลและข้อมูลทางประวัติศาสตร์ ไปที่ algonell เพื่อดูรายละเอียดเพิ่มเติม คุณสามารถหาเราได้ที่ twitter Facebook Google LinkedIn และ WordPress การทำเหมืองข้อมูลการทำเหมืองข้อมูลการทำเหมืองข้อมูลการทำเหมืองข้อมูลในบทความนี้ให้ดูที่การปฏิบัติที่เกี่ยวข้องสองอย่างซึ่งใช้กันอย่างแพร่หลายโดยผู้ค้าที่เรียกว่า Backtesting และ Data Mining เหล่านี้เป็นเทคนิคที่มีประสิทธิภาพและมีค่าหากเราใช้พวกเขาอย่างถูกต้อง แต่ผู้ค้ามักจะใช้พวกเขาผิด ดังนั้นดียังสำรวจสองข้อผิดพลาดทั่วไปของเทคนิคเหล่านี้เรียกว่าปัญหาสมมติฐานหลายและ overfitting และวิธีการเอาชนะข้อผิดพลาดเหล่านี้ การทำย้อนหลังเป็นเพียงกระบวนการของการใช้ข้อมูลในอดีตเพื่อทดสอบประสิทธิภาพของกลยุทธ์การซื้อขายบางอย่าง Backtesting โดยทั่วไปจะเริ่มต้นด้วยกลยุทธ์ที่เราต้องการทดสอบเช่นซื้อ GBPUSD เมื่อข้ามค่าเฉลี่ยเคลื่อนที่ 20 วันและขายเมื่อค่าเฉลี่ยต่ำกว่าค่าเฉลี่ยดังกล่าว ตอนนี้เราสามารถทดสอบกลยุทธ์ดังกล่าวได้โดยการเฝ้าดูสิ่งที่ตลาดทำในอนาคต แต่จะใช้เวลานาน นี่คือเหตุผลที่เราใช้ข้อมูลทางประวัติศาสตร์ที่พร้อมใช้งานแล้ว แต่รอรอฉันได้ยินคุณพูด คุณไม่สามารถโกงหรืออย่างน้อยก็ลำเอียงเพราะคุณรู้ดีว่าเกิดอะไรขึ้นในอดีตที่ผ่านมาแน่นอนเป็นเรื่องที่น่าเป็นห่วงดังนั้นผลการทดสอบที่ได้จะเป็นข้อมูลที่เราไม่คุ้นเคยกับข้อมูลทางประวัติศาสตร์ เราสามารถทำได้โดยการเลือกช่วงเวลาที่สุ่มหรือโดยการเลือกช่วงเวลาต่างๆที่จะทำการทดสอบ ตอนนี้ฉันได้ยินกลุ่มอื่นที่คุณพูดว่า แต่ข้อมูลทั้งหมดที่มีอยู่ในประวัติศาสตร์เพียงแค่นั่งรอที่จะวิเคราะห์ก็คือการล่อลวงไม่ได้นั่นอาจจะมีความลับที่ลึกซึ้งในข้อมูลนั้นเพียงแค่รอให้ผู้มี geeks ต้องการให้เราค้นพบ เราจะผิดพลาดหรือไม่ที่เราจะตรวจสอบข้อมูลที่ผ่านมาก่อนเพื่อวิเคราะห์และดูว่าเราสามารถหารูปแบบที่ซ่อนอยู่ได้หรือไม่ข้อคิดเห็นนี้ใช้ได้ แต่ก็นำเราไปสู่พื้นที่ที่เต็มไปด้วยอันตราย โลกของการทำเหมืองข้อมูลการทำเหมืองข้อมูลการทำเหมืองข้อมูลเกี่ยวข้องกับการค้นหาผ่านข้อมูลเพื่อหารูปแบบและค้นหาความสัมพันธ์ที่เป็นไปได้ระหว่างตัวแปร ในตัวอย่างข้างต้นเกี่ยวกับกลยุทธ์การเคลื่อนที่เฉลี่ย 20 วันเราเพิ่งจะมีตัวบ่งชี้เฉพาะจากสีน้ำเงิน แต่สมมติว่าเราไม่ทราบว่ากลยุทธ์ประเภทใดที่เราต้องการจะทดสอบ Thats เมื่อการทำเหมืองข้อมูลมีประโยชน์ เราสามารถค้นหาข้อมูลที่ผ่านมาของเราเกี่ยวกับ GBPUSD เพื่อดูว่าราคามีพฤติกรรมอย่างไรหลังจากที่ข้ามค่าเฉลี่ยเคลื่อนที่หลายแบบ เราสามารถตรวจสอบการเคลื่อนไหวของราคากับตัวบ่งชี้อื่น ๆ อีกมากมายและดูว่าดัชนีใดสอดคล้องกับการเคลื่อนไหวของราคาที่มีขนาดใหญ่ เรื่องของการทำเหมืองข้อมูลอาจเป็นที่ถกเถียงกันเนื่องจากที่ฉันได้กล่าวไว้ข้างต้นดูเหมือนว่าจะเป็นการโกงหรือมองไปข้างหน้าในข้อมูล การทำเหมืองข้อมูลเป็นเทคนิคทางวิทยาศาสตร์ที่ถูกต้องบนมือข้างหนึ่งวิธีการทางวิทยาศาสตร์บอกว่าควรจะตั้งสมมติฐานก่อนจากนั้นทดสอบกับข้อมูลของเรา แต่ในทางกลับกันดูเหมือนว่าจะเหมาะสมที่จะทำการสำรวจข้อมูลก่อนเพื่อที่จะ แนะนำสมมติฐาน ดังนั้นที่ถูกต้องเราสามารถดูขั้นตอนในวิธีการทางวิทยาศาสตร์สำหรับเงื่อนงำไปยังแหล่งที่มาของความสับสน กระบวนการโดยทั่วไปมีลักษณะดังนี้: การสังเกตการณ์ (ข้อมูล) การทดสอบสมมติฐานสมมติฐาน (ข้อมูล) สังเกตว่าเราสามารถจัดการกับข้อมูลได้ในระหว่างขั้นตอนการสังเกตการณ์และการทดสอบ ดังนั้นมุมมองทั้งสองมีความถูกต้อง เราต้องใช้ข้อมูลเพื่อสร้างสมมติฐานที่สมเหตุสมผล แต่เรายังทดสอบสมมติฐานดังกล่าวโดยใช้ข้อมูล เคล็ดลับเพียงเพื่อให้แน่ใจว่าทั้งสองชุดข้อมูลไม่เหมือนกันเราไม่ต้องทดสอบสมมติฐานของเราโดยใช้ชุดข้อมูลเดียวกันกับที่เราใช้เพื่อแนะนำสมมติฐานของเรา กล่าวอีกนัยหนึ่งถ้าคุณใช้การทำเหมืองข้อมูลเพื่อให้ได้แนวคิดด้านกลยุทธ์ให้ตรวจสอบว่าคุณใช้ชุดข้อมูลชุดอื่นเพื่อทดสอบแนวคิดเหล่านั้น ตอนนี้เราหันมาให้ความสนใจกับข้อผิดพลาดหลัก ๆ ในการใช้การทำเหมืองข้อมูลและการทำ backtesting ไม่ถูกต้อง ปัญหาทั่วไปเรียกว่าการเพิ่มประสิทธิภาพมากเกินไปและฉันต้องการแบ่งปัญหาออกเป็นสองประเภท เหล่านี้เป็นปัญหาสมมติฐานและการใช้งานที่หลากหลาย ในความรู้สึกพวกเขาเป็นวิธีที่ตรงกันข้ามในการทำข้อผิดพลาดเดียวกัน ปัญหาสมมติฐานหลายข้อเกี่ยวข้องกับการเลือกสมมติฐานที่เรียบง่ายหลายประการในขณะที่การใส่ข้อมูลเกี่ยวข้องกับการสร้างสมมติฐานที่ซับซ้อนมาก ปัญหาสมมติฐานหลายข้อเพื่อดูว่าปัญหานี้เกิดขึ้นอย่างไรให้กลับไปที่ตัวอย่างของเราซึ่งเราได้ทดสอบกลยุทธ์เฉลี่ยเคลื่อนที่ 20 วันแล้ว ให้สมมติว่าเราทำย้อนหลังกลยุทธ์กับข้อมูลการตลาดในอดีตสิบปีและดูและคาดเดาสิ่งที่ผลไม่ได้ให้กำลังใจเป็นอย่างมาก อย่างไรก็ตามเราก็ตัดสินใจที่จะไม่ยอมแพ้ง่ายๆอย่างที่เราเป็น ค่าเฉลี่ยเคลื่อนที่สิบวันมีค่าเฉลี่ยน้อยกว่าสิบวันซึ่งอาจทำงานได้ดีขึ้นเล็กน้อยดังนั้นเราจึงขอให้ backtest เราใช้ backtest อื่นและเราพบว่าผลลัพธ์ยังคงเป็นตัวเอก แต่ดีกว่าผลลัพธ์ 20 วัน เราตัดสินใจที่จะสำรวจเพียงเล็กน้อยและใช้การทดสอบที่คล้ายคลึงกันโดยมีค่าเฉลี่ยเคลื่อนที่ 5 วันและ 30 วัน สุดท้ายมันเกิดขึ้นกับเราว่าเราสามารถจริงเพียงแค่ทดสอบทุกค่าเฉลี่ยเคลื่อนที่เดียวถึงบางจุดและดูว่าพวกเขาทั้งหมดดำเนินการ ดังนั้นเราจึงทดสอบค่าเฉลี่ย 2 วัน 3 วัน 4 วันและอื่น ๆ ตลอดระยะเวลา 50 วัน ตอนนี้บางส่วนของค่าเฉลี่ยเหล่านี้จะทำงานได้ไม่ดีและบางส่วนจะทำงานได้ดี แต่จะต้องเป็นหนึ่งในนั้นที่ดีที่สุดแน่นอน ตัวอย่างเช่นเราอาจพบว่าค่าเฉลี่ยเคลื่อนที่ 32 วันเป็นผลการดำเนินงานที่ดีที่สุดในช่วงระยะเวลาสิบปีนี้ นี่หมายความว่ามีอะไรพิเศษเกี่ยวกับค่าเฉลี่ย 32 วันและเราควรมั่นใจว่าจะสามารถทำงานได้ดีในอนาคตอย่างไรก็ตามผู้ค้าหลายรายถือว่าเป็นกรณีนี้และพวกเขาก็หยุดการวิเคราะห์ของตนที่จุดนี้โดยคิดว่า theyve ค้นพบสิ่งที่ลึกซึ้ง พวกเขาได้ตกอยู่ในปัญหาข้อสมมุติฐานหลายข้อ ปัญหาคือว่าไม่มีอะไรที่ผิดปกติหรือมีนัยสำคัญเกี่ยวกับความจริงที่ว่าค่าเฉลี่ยบางอย่างกลายเป็นดีที่สุด หลังจากทั้งหมดเราทดสอบเกือบห้าสิบของพวกเขาเทียบกับข้อมูลเดียวกันดังนั้นคาดหวังแต่งงานเพื่อหานักแสดงที่ดีเพียงไม่กี่โดยบังเอิญ มันไม่ได้หมายความว่าเธอเอาใจใส่อะไรเป็นพิเศษเกี่ยวกับค่าเฉลี่ยเคลื่อนที่โดยเฉพาะที่ได้รับรางวัลในกรณีนี้ ปัญหาเกิดขึ้นเนื่องจากเราทดสอบสมมติฐานหลายครั้งจนกว่าเราจะพบว่ามีการทำงานแทนที่จะเลือกสมมติฐานเดียวและทดสอบ นี่เป็นการเปรียบเทียบแบบคลาสสิคที่ดี เราอาจจะเกิดสมมติฐานเดียวเช่นสก็อตต์ยอดเยี่ยมในการพลิกหัวบนเหรียญ จากนั้นเราสามารถสร้างการคาดการณ์ที่ระบุว่าถ้าสมมติฐานเป็นความจริง Scott จะสามารถพลิก 10 หัวในแถวได้ จากนั้นเราสามารถทำการทดสอบง่ายๆเพื่อทดสอบสมมติฐานดังกล่าว ถ้าฉันสามารถพลิก 10 หัวในแถวนั้นจริงไม่ได้พิสูจน์สมมติฐาน แต่ถ้าฉันลาดเทบรรลุความสำเร็จนี้แน่นอน disproves สมมติฐาน ขณะที่เราทำซ้ำการทดลองที่ล้มเหลวในการหักล้างสมมติฐานแล้วความเชื่อมั่นของเราในความจริงของมันเติบโตขึ้น Thats ทางที่ถูกต้องที่จะทำ อย่างไรก็ตามถ้าสมมติฐานของเราเกิดขึ้น 1,000 ข้อแทนที่จะเป็นแค่สมมติฐานเดียวเกี่ยวกับตัวผมว่าเป็นเหรียญกษาปณ์ที่ดีเราสามารถสร้างสมมติฐานเดียวกันเกี่ยวกับ 1,000 คนได้ ฉัน, เอ็ด, ซินดี้, บิล, แซม ฯลฯ ตกลงตอนนี้ให้ทดสอบสมมติฐานหลายข้อของเรา เราขอให้ทุก 1000 คนพลิกเหรียญ อาจจะมีประมาณ 500 คนที่พลิกหัว ทุกคนสามารถกลับบ้านได้ ตอนนี้เราขอให้ 500 คนนี้พลิกอีกครั้งคราวนี้ประมาณ 250 จะพลิกหัว เมื่อพลิกพลิกประมาณ 125 คนพลิกที่สี่ประมาณ 63 คนที่เหลือและบนพลิกที่ห้ามีประมาณ 32 เหล่านี้ 32 คนเป็น arent สวยน่ารักพวกเขาทั้งหมดพลิกห้าหัวในแถวถ้าเราพลิกห้า เวลามากขึ้นและกำจัดคนครึ่งหนึ่งในแต่ละครั้งโดยเฉลี่ยเราจะจบลงด้วย 16 แล้ว 8 แล้ว 4 แล้ว 2 และสุดท้ายหนึ่งคนที่เหลือที่ได้พลิกสิบหัวในแถว Bill Bill ของมันคือ flipper fantabulous ของเหรียญหรือว่าเขาดีที่เราจริงๆไม่ทราบและ thats จุด Bill อาจได้รับรางวัลการประกวดของเราจากโอกาสที่บริสุทธิ์หรือเขาอาจจะเป็นนักเต้นที่ดีที่สุดของหัวด้านนี้ของกาแล็กซี่ Andromeda ในทำนองเดียวกันเราไม่ทราบว่าค่าเฉลี่ยเคลื่อนที่ 32 วันจากตัวอย่างของเราด้านบนทำได้ดีเพียงใดในการทดสอบของเราโดยโอกาสที่บริสุทธิ์หรือหากมีสิ่งที่พิเศษจริงๆเกี่ยวกับเรื่องนี้ แต่ทั้งหมดที่เราทำเพื่อให้ห่างไกลคือการหาสมมติฐานคือกลยุทธ์การเคลื่อนไหวโดยเฉลี่ย 32 วันมีผลกำไร (หรือ Bill เป็นเหรียญเงินที่ดี) เรายังไม่ได้ทดสอบสมมติฐานดังกล่าวจริง ตอนนี้เราเข้าใจว่าเราไม่ได้ค้นพบอะไรที่มีนัยสำคัญเกี่ยวกับค่าเฉลี่ยเคลื่อนที่ 32 วันหรือเกี่ยวกับความสามารถในการพลิกเหรียญของ Bills คำถามธรรมชาติที่ควรถามคือสิ่งที่เราควรทำต่อไปดังที่ได้กล่าวมาแล้วผู้ค้าจำนวนมากไม่เคยรู้ว่ามี เป็นขั้นตอนต่อไปที่ต้องใช้ทั้งหมด ดีในกรณีของ Bill youd อาจถาม Aha แต่เขาสามารถพลิกสิบหัวในแถวอีกครั้งในกรณีของค่าเฉลี่ยเคลื่อนที่ 32 วันแต่งงานต้องการทดสอบอีกครั้ง แต่ไม่แน่นอนกับตัวอย่างข้อมูลเดียวกันว่า เราเคยเลือกสมมติฐานดังกล่าว เราจะเลือกระยะเวลาสิบปีอีกครั้งและดูว่ากลยุทธ์นี้ใช้ได้ดีแค่ไหน เราสามารถดำเนินการทดสอบต่อไปได้หลายครั้งตามที่เราต้องการจนกว่าเราจะหมดสิ้นระยะเวลาสิบปีใหม่ เราอ้างถึงเรื่องนี้ว่าเป็นการทดสอบตัวอย่างและเป็นหนทางในการหลีกเลี่ยงปัญหานี้ มีวิธีการต่างๆของการทดสอบดังกล่าวซึ่งหนึ่งในนั้นคือการตรวจสอบข้าม แต่เราไม่เข้าใจรายละเอียดที่นี่มากนัก overfitting เป็นชนิดของการกลับรายการของปัญหาข้างต้น ในตัวอย่างสมมติฐานข้างต้นเราได้พิจารณาสมมติฐานที่ง่าย ๆ และเลือกแบบอย่างที่ดีที่สุดในอดีต ใน overfitting เราแรกดูที่ผ่านมาแล้วสร้างสมมติฐานซับซ้อนเดียวที่เหมาะกับสิ่งที่เกิดขึ้น ตัวอย่างเช่นถ้าฉันมองไปที่อัตรา USDJPY ในช่วง 10 วันที่ผ่านมาฉันอาจเห็นว่าการปิดบัญชีรายวันทำเช่นนี้: ขึ้น, ขึ้น, ลง, ขึ้น, ขึ้น, ลง, ลง, ลง, ขึ้น ดูรูปแบบใช่แล้วฉันไม่จริง แต่ถ้าฉันต้องการใช้ข้อมูลนี้เพื่อแนะนำสมมติฐานฉันอาจจะเกิดขึ้น สมมติฐานที่น่าอัศจรรย์ของฉัน: ถ้าราคาปิดขึ้นไปสองครั้งต่อแถวจากนั้นลงมาหนึ่งวันหรือถ้ามันลงไปเป็นเวลาสามวันในแถวที่เราควรจะซื้อ แต่ถ้าราคาปิดขึ้นไปสามวันในแถวที่เราควรจะขาย แต่ถ้ามันไปขึ้นสามวันในแถวและจากนั้นลงสามวันในแถวที่เราควรจะซื้อ แต่ถ้าเราได้ใช้กลยุทธ์นี้ในช่วง 10 วันที่ผ่านมาเราจะได้รับสิทธิในการค้าทุกเดียวที่เราทำ Overfitter ใช้ backtesting และการทำเหมืองข้อมูลแตกต่างจากผู้ผลิตสมมติฐานหลายทำ ไม่ได้มาพร้อมกับ 400 กลยุทธ์ที่แตกต่างเพื่อทำ backtest ไม่มีทาง Overfitter ใช้เครื่องมือการทำเหมืองข้อมูลเพื่อหากลยุทธ์เพียงอย่างเดียวไม่ว่าจะซับซ้อนแค่ไหน แต่ก็มีประสิทธิภาพที่ดีที่สุดในช่วงเวลาที่ทำ backtesting จะทำงานได้ในอนาคตไม่น่าจะเป็นไปได้ แต่เราสามารถปรับแต่งโมเดลและทดสอบกลยุทธ์ในตัวอย่างต่างๆ (จากการทดสอบตัวอย่างอีกครั้ง) เพื่อดูว่าประสิทธิภาพของเราดีขึ้นหรือไม่ เมื่อเราหยุดการปรับปรุงประสิทธิภาพและสิ่งเดียวที่เพิ่มขึ้นคือความซับซ้อนของแบบจำลองของเราแล้วเรารู้ว่าเราทุกคนข้ามเส้นเข้า overfitting สรุปได้ว่าการทำเหมืองข้อมูลเป็นวิธีหนึ่งในการใช้ข้อมูลราคาที่ผ่านมาของเราเพื่อแนะนำกลยุทธ์การซื้อขายที่สามารถปฏิบัติได้ แต่เราต้องตระหนักถึงข้อผิดพลาดของปัญหาสมมติฐานและการใช้ค่าต่างๆ วิธีการตรวจสอบให้แน่ใจว่าเราไม่ตกเป็นเหยื่อของข้อผิดพลาดเหล่านี้คือการทำข้อมูลแบ็คกรุ๊ปของเราโดยใช้ข้อมูลที่แตกต่างจากข้อมูลที่เราใช้ในการสำรวจข้อมูลเหมืองแร่ของเรา เรามักกล่าวถึงเรื่องนี้ว่าเป็นการทดสอบตัวอย่าง ปัญหาหนึ่งในการทำเหมืองข้อมูลคือการที่ผู้ค้ามักจะใช้ตัวกรองประเภทต่างๆเพื่อค้นหารูปแบบ ปัญหานี้คือสัญญาณใด ๆ ประกอบด้วยจากสัญญาณไซน์ที่แตกต่างกันดังนั้นเมื่อใช้ตัวกรองที่แตกต่างกันไปยังสัญญาณที่เราจะท้ายแน่นอนกับรูปแบบ มีการศึกษาจำนวนมากเกี่ยวกับรูปแบบราคาส่วนใหญ่มาจากการทำเหมืองข้อมูลคำถามคือสมมติฐานที่ว่าอนาคตจะสะท้อนถึงอดีตที่ผ่านมาหรือไม่คำตอบคือบางที เรามีโอกาส 5050 เปอร์เซ็นต์สามารถเพิ่มขึ้นโดยการศึกษารูปแบบนี้กับข้อมูลที่แตกต่างกัน ถ้าเราต้องการเพิ่มเปอร์เซ็นต์นี้เราจำเป็นต้องทราบสาเหตุของรูปแบบนี้โดยรู้สาเหตุของรูปแบบนี้เราจะมีขอบในการซื้อขาย ตัวอย่างเช่นฉันจะทำให้สมมติฐานนี้ let8217s บอกว่าวันศุกร์แรกของแต่ละเดือนเนื่องจากข่าวจำนวนมากของผู้ค้ามีแนวโน้มที่จะออกจากการค้าของพวกเขาในตอนเช้าก่อนข่าวและใส่อีกครั้งหลังจากที่ข่าวจึงมีรูปแบบของการขายและ ซื้อในบางช่วงเวลา เราสามารถใช้ข้อมูลนี้เพื่อประโยชน์ของเราโดยการใช้ชนิดของการค้าเพื่อป้องกันความเสี่ยงบางอย่างเพื่อให้เราใส่ทั้งซื้อและขายก่อนข่าว แล้วหลังจากข่าวที่เราขายเฉพาะสำหรับผู้ที่ต้องการซื้อและ didn8217t ต้องการถือครองตำแหน่งในช่วงข่าวและเราปล่อยให้การซื้อจนกว่าราคาจะกลับมาซึ่งอาจใช้กับอัตราดอกเบี้ยแบบไม่ต่อเนื่องหรือการตั้งค่าอีก 8230 bla bla นี่เป็นเพียงทฤษฎีเท่านั้น ฉันใช้มันเพื่อบอกว่าความกลัวและความโลภมีเวลาอยู่ในตลาด ดังนั้นสิ่งที่สร้างรูปแบบราคาคือความกลัวและความโลภตอนนี้ถ้าเราแยกแบบแผนและรู้สาเหตุที่อยู่เบื้องหลังรูปแบบนี้เช่นเดียวกับในตัวอย่างก่อนหน้ากลัวข่าวหรือยุติบัญชีเมื่อสิ้นเดือน สิ่งต่างๆเช่นนั้น จากนั้นเราจะสามารถทำนายได้ในอนาคตทฤษฎีโพสต์สองตัวแรกจะถูกคัดลอกมาจากเว็บไซต์นี้บทความทั้งหมดจาก Scott Percival มีมูลค่าอ่านบทความยอดเยี่ยม MiniMe เข้าร่วมกับเราดาวน์โหลด MetaTrader 5 Copyright 2000-2016, MQL5 Ltd. Data การทำยุทธศาสตร์ Forex Majors เนื่องจาก ลักษณะเฉพาะของคู่สกุลเงินต่าง ๆ กลยุทธ์ทางการเงินเชิงปริมาณจำนวนมากได้รับการออกแบบโดยเฉพาะคู่สกุลเงินในใจ แม้ว่าจะสามารถสร้างกลยุทธ์การซื้อขายที่มีกำไรมากมาย แต่ก็มีข้อได้เปรียบในการพัฒนากลยุทธ์ที่สามารถซื้อขายกันได้ในหลายสกุลเงิน นี้แนะนำองค์ประกอบของการกระจายความเสี่ยงที่สามารถให้ระดับเพิ่มเติมของการป้องกันข้อเสีย แดเนียลเฟอร์นันเดเพิ่งเผยแพร่ระบบที่เขาออกแบบมาเพื่อการค้าในแต่ละวิชา Forex สี่ เป้าหมายของเขาคือการหาระบบที่จะสร้างประวัติความเป็นมาของการซื้อขาย EURUSD, GBPUSD, USDJPY และ USDCHF เป็นระยะเวลา 20 ปี แดเนียลใช้วิธีการทำเหมืองข้อมูลเพื่อพัฒนากลยุทธ์สำหรับการซื้อขายโฟโฟทั้งสี่ เพื่อที่จะสร้างระบบของเขาแดเนียลใช้ซอฟต์แวร์การทำเหมืองข้อมูลเพื่อกำหนดสัญญาณเข้าและออกซึ่งจะทำให้เกิดกลยุทธ์การซื้อขายทำกำไรได้ในแต่ละสกุลเงินสี่สกุลในช่วง 20 ปีที่ผ่านมา สิ่งที่เขาได้รับคือการรวมกันของกฎราคาสามแบบซึ่งเป็นรากฐานของยุทธศาสตร์ Forex Major ของเขา Daniel8217s วิชาเอก Forex Strategies Daniel8217s วิชา Forex Majors เป็นเรื่องง่ายมากที่จะมีตำแหน่งไม่ว่าจะเป็นในระยะยาวหรือสั้นในแต่ละสกุลเงินสี่คู่ที่ทำธุรกิจการค้า มีพื้นฐานการค้าทั้งหมดในแผนภูมิรายวัน กลยุทธ์จะเกิดขึ้นเมื่อมีเงื่อนไขสามประการดังต่อไปนี้: กลยุทธ์จะสั้นเมื่อมีเงื่อนไขสามประการดังต่อไปนี้: ตามที่เห็นแล้วกลยุทธ์จะเป็นกลยุทธ์ที่ดีที่สุดในการติดตามยุทธศาสตร์ นี่เป็นเหตุผลที่ดีเพราะแดเนียลกล่าวว่าตอนต้นบทความของเขามีแนวโน้มในระยะยาวกลยุทธ์ต่อไปนี้เป็นกลยุทธ์ที่ดีที่สุดในการซื้อขายตลาดหลายแห่ง กฎเพิ่มเติมหนึ่งข้อที่ Daniel8217s ใช้คือการหยุดการขาดทุนแบบ ATR การหยุดการขาดทุนคงที่ถูกตั้งไว้ที่ 180 ของ ATR 20 วัน ถ้าหยุดการขาดทุนจะถูกเรียกกลยุทธ์ยังคงออกจากตลาดจนกว่าสัญญาณจะถูกสร้างขึ้นในทิศทางตรงกันข้าม การทดสอบแสดงให้เห็นว่าการป้อนข้อมูลซ้ำในทิศทางเดียวกันส่งผลเสียต่อประสิทธิภาพ Backtesting Performance ผลการทดสอบย้อนหลังที่แดเนียลรวมอยู่ในโพสต์ของเขาแสดงให้เห็นว่ากลยุทธ์นี้ทำกำไรได้มาก มีอัตราส่วนชนะเท่ากับ 45 ซึ่งเป็นปัจจัยกำไรเท่ากับ 1.38 และมีอัตราส่วนความเสี่ยงต่อความเสี่ยงอยู่ที่ 1.68 ความกังวลที่ใหญ่ที่สุด Daniel8217s เกี่ยวกับกลยุทธ์คือช่วงเบิกเงินกู้สูงสุดเป็นเวลานานมาก ตามตัวเลข Daniel8217s ผลตอบแทนต่อปีเฉลี่ยเท่ากับ 9.67 ซึ่งประกอบด้วย 16 ปีที่มีผลกำไร 4 ปีที่สูญเสียและหนึ่งปีที่โดยทั่วไปยากจนแม้ ปีที่ดีที่สุดคือผลตอบแทน 37.76 และปีที่เลวร้ายที่สุดคือขาดทุน 20.2 แดเนียลตั้งข้อสังเกตว่าระบบนี้จะไม่เป็นตัวแทนของกลยุทธ์แบบสแตนด์อโลนที่ดีเนื่องจากผลตอบแทนที่เกี่ยวข้องกับการเบิกเงินกู้สูงสุด อย่างไรก็ตามเขาแสดงให้เห็นว่าอาจเป็นส่วนที่น่าสนใจของกลยุทธ์ระบบที่มีขนาดใหญ่หลายแบบ Wait หากคุณต้องการข้อมูลเพิ่มเติมเพื่อดูว่า TradeMiner สามารถช่วยคุณในการซื้อขายได้อย่างไร ซอฟต์แวร์ TradeMiner ระบุถึงแนวโน้มตามฤดูกาลและวัฏจักรของตลาดในอดีตวิธีการที่จัดทำเป็นเอกสารทางวิทยาศาสตร์: ปรับเกณฑ์เพื่อให้ได้ผลลัพธ์ที่เป็นไปได้ในอดีตของแนวโน้มทางประวัติศาสตร์การสแกนหาแนวโน้มตามฤดูกาลในอดีตทำได้โดยการโต้ตอบกับย่อหน้าดังที่แสดงไว้ข้างต้น ค้นหาแนวโน้มตามเดือนหรือเป็นสัญลักษณ์เฉพาะเจาะจงกำหนดความถูกต้องทางประวัติศาสตร์ขั้นต่ำ (เช่น 80 เปอร์เซ็นต์ที่ผ่านมาชนะสิบปีจะหมายถึงอย่างน้อย 8 ใน 10 ปีที่ผ่านมาจะต้องเป็นไปตามแนวโน้มตามฤดูกาล) แคบ หรือขยายวันทำการ นี่หมายถึงระยะเวลาของจำนวนวันที่คุณต้องการให้เทรนด์ (เช่น 15 วันทำการถึง 45 วันทำการเทรนด์มองหาแนวโน้มในช่วงสามสัปดาห์ถึงเก้าสัปดาห์) เลือกจำนวนปีที่จะมองย้อนกลับไป TradeMiner จะมองย้อนกลับไปหาแนวโน้มในอดีต ตัวกรองจะกรองแนวโน้มที่ทับซ้อนกันออกไป (นั่นคือแนวโน้มที่เริ่มต้นในวันเดียวกัน แต่สิ้นสุดในวันที่ต่างกันหรือหากมีการซ้อนทับกัน) การเลือก Dig Now จะสแกนผ่านฐานข้อมูลย้อนหลังและระบุแนวโน้มและรอบที่ตรงกับเกณฑ์ของคุณ TradeMiner จะจัดอันดับผลการค้นหาตามระบบการจัดอันดับที่เป็นกรรมสิทธิ์ ระบบนี้มีคะแนนที่สูงขึ้นในช่วงเวลาที่สั้นที่สุดโดยมีจำนวนความเสี่ยงในประวัติศาสตร์น้อยที่สุด การจัดอันดับคะแนนทำงานในระดับตั้งแต่ 0 ถึง 5 คะแนนรวมทั้งรหัสสีที่อ่านได้ง่าย วิเคราะห์แผนภูมิความหลากหลายของแผนภูมิใน TradeMiner ช่วยให้คุณเห็นผลของปีที่ผ่านมาระบุความเสี่ยงในอดีตเทียบกับรางวัลและดูรายละเอียดบันทึกการค้าของแนวโน้มปีที่ผ่านมา มองเห็นแนวโน้มทางประวัติศาสตร์และดูผลลัพธ์จากปีที่ผ่านมา ใน TradeMiner คุณสามารถเลือกแผนภูมิใดก็ได้ต่อไปนี้และจะปรากฏในหน้าต่างแผนภูมิขนาดใหญ่ที่ต่ำกว่า มุมมองขนาดใหญ่นี้ให้และรายละเอียดเพิ่มเติมสำหรับการค้าที่เลือก Historical Equity Graph ความเสี่ยงทางประวัติศาสตร์และรายได้จากการขายรายปีโดยรายปี