Inleiding tot FX Data-ontginning Laat ons maak 'n eenvoudige en vinnige inleiding tot een van die mees interessante velde vandag - Data-ontginning. Daar is 'n wye verskeidenheid van data-ontginning aansoeke. Ons moet Data-ontginning te integreer in ons FX handel. FX, FOREX of die buitelandse valuta FX is die grootste mark in terme van daaglikse verhandel volume. Dit het drie vlakke van deelnemers: die groot seuns, die intermediêre vlak en eenvoudige handelaars soos ek en jy. Dit het 'n spekulatiewe aard, wat die meeste van die tyd wat ons nie goedere ruil beteken. Ons gee net vir die verskil en wens lae te koop en verkoop hoog of te verkoop hoë en koop laag. Deur kort of lang bedrywighede kan ons pitte verkry. Afhangende van jou handel volume, kan pit waarde wissel van een sent tot 10 en nog baie meer. Dit is die groot manier om geld te maak in die FX mark (saam met drahandel, Brok, Arbitrage en meer). Let daarop dat die FX mark is groot, maar is geskik vir alle vlakke van die spelers. Dink aan die FX mark as 'n oneindige supermark met 'n oneindige aantal produkte en kliënte, maar dit het ook 'n oneindige aantal kassiere. Wat beteken dat daar 'n gelyke bedrag van geleenthede vir almal. Data-ontginning en masjien Leer Data-ontginning is 'n volwasse sub gebied van Rekenaarwetenskap. Dit gaan oor 'n klomp data en nie triviaal onttrekking van bruikbare kennis van groot hoeveelhede van data. Dit is gedoen deur Intelligent dataverwerking gebruik van masjienleer algoritmes. Data-ontginning is nie net CRUD (Skep, lees, dateer op en vee). Ons het 'n hele paar Data Mining metodes. Hiermee die metodes en 'n paar programme. Klassifikasie - klassifiseer e-pos as spam, klassifiseer 'n transaksie as bedrog. Vereniging - YouTube stel ons nuwe video's op grond van ons geskiedenis. Amazon stel ons meer items tydens die afhandeling. Groepering - ontleding van ongestruktureerde data soos ekonomiese nuus en menings gemeenskaplike groepe vind. Proses Mining - ondersoek logs van die oproep-operateurs om ondoeltreffende bedrywighede vind. Teks Mining - mynbou nuus of tegniese ontleding vir patroonherkenning. Algoritmiese Trading is 'n outomatiese uitvoering van 'n handel algoritme. In ons geval, die handel algoritme is afkomstig van die myn. Die outomatiese handel word gedoen deur 'n koning van programmeertaal. Spoed en robuustheid is belangrike punte hier: menslike handelaar kan nie klop die rekenaarprogram betrekking tot daardie kenmerke. Dit kan wees HFT (High Frequency Trading) en 'n lae vlak programmeertaal (soos C) of lang termyn handel en 'n hoë vlak programmeertaal (soos Java). Meng Algorithmic Trading met Data-ontginning Meng Data-ontginning in Algorithmic Trading is belangrik. Die belangrikste ding is data. 'N eenvoudige beginsel dat as jou data is nie goed genoeg nie, jou modelle sal nie goed genoeg wees (GIGO). Dit is al oor die skep van 'n model, uitvoering daarvan en om dit te toets (soos altyd). Tans is hierdie vloei is meestal handleiding. Data-ontginning sagteware Daar is baie open source sagteware opsies op die gebied van data-ontginning. Weka is 'n Data-ontginning raamwerk sy oorsprong in die Universiteit van Waikato, Hamilton, Nieu-Seeland. Weka is geskryf in Java en het 'n groot API. Ook het jy implementering vir die meeste van die bekende masjien Leer algoritmes. Mengsel van goeie gereedskap is noodsaaklik. Daar is te veel moontlik handel modelle. Gooi van 'n muntstuk is 'n dom handel stelsel, maar dit is 'n handel stelsel. Ons moet Data-ontginning van die goud te vind. Goeie gereedskap is maklik om so baie geluk kry met die mynbou. As jy op soek is na vir meer inligting oor wetenskaplike FX handel jou volgende stap is die verkenning van Data Mining gereedskap en historiese data. Besoek algonell vir meer besonderhede. Jy kan vind ons op Twitter. Facebook. Google. LinkedIn en WordPress. Data-ontginning en Trading Data-ontginning is 'n kragtige instrument wat steeds meer gewild en toeganklik binne die finansiële markte. Data-ontginning is 'n subset van rekenaarwetenskap. Dit sluit aan by takke van rekenaarwetenskap, masjienleer, 'n subkategorie van kunsmatige intelligensie, en databasisse stelsels, met statistieke. Dit is die proses van inligting in 'n groot datastelle ontdek. Die doel van data-ontginning is 'n datastel te omskep in verstaanbare en bruikbare inligting. Daar is 6 subklasse binne data-ontginning anomalie opsporing, vereniging reël leer, groepering, opsomming, klassifikasie en regressie. Hoe Data Mining gebruik in handel binne die wêreld van handel, daar is baie maniere data-ontginning tegnieke word gebruik om nuttige inligting te ontdek. Elke data-ontginning tegnieke het inherente beperkings en onderliggende aannames, die maak van verskillende tegnieke meer geskik is vir sekere aansoeke. Sommige van die meer algemene toepassing van data-ontginning in die handel wêreld is die opsporing van binnehandel en bedrog, portefeuljebestuur, en die skep van handel strategieë. Binnehandel en Data-ontginning Die SEC vereis dat elke direkteur, beampte of eienaar van meer as 10 van 'n maatskappy se voorraad, wat koop of verkoop aandele in hul maatskappy, dien 'n Vorm 4. Die vorm 4 word dan gestoor en toeganklik gemaak in die EDGAR databasis. Die historiese Vorm 4 vylsels bied 'n enorme datastel wat ryp is vir data-ontginning miljoene transaksies, tienduisende maatskappye, en honderde duisende van die eienaars. Die meeste bedrywe deur eienaars is nie onwettig. Byvoorbeeld, kan 'n eienaar sy / haar portefeulje te pas aan te pas by die huidige ekonomiese toestande of vir likiditeit doeleindes. 'N insider handel word slegs as onwettig beskou wanneer die handel behels inligting wat nie openbaar gemaak is. So het die doel van data-ontginning, in hierdie geval, is om die alledaagse wetlike ambagte te onderskei van die onreëlmatige ambagte wat impliseer die eienaar het nonpublic inligting voor te koop of verkoop van hul aandele. 'N Voorbeeld van 'n data-ontginning aansoek opgestel om te doen net is dit die Securities Waarneming, Nuus, analise en Verordening (SONAR) stelsel. SONAR etikette onreëlmatige transaksies vir verdere ondersoek uitgestel. Dit aggregate, prosesse, en ontleed tienduisende nuusberigte en SEC Deponeringen elke dag, draai honderde waarskuwings vir ontleders om verder te ondersoek. SONAR gebruik natuurlike taal verwerking (NLP) text ontginning, statistiese regressie,-reëls gebaseer afleiding, onsekerheid en fuzzy matching om te kyk vir uitskieters in gemeen patrone. Ander interessante navorsing sluit Kirkos et al. (2007), wat klassifikasietegnieke, besluit bome, Bayes netwerke en neurale netwerke gebruik om maatskappye wat bedrieglike finansiële state uitgereik klassifiseer. Donoho (2004) gevind belowende resultate in gebruik te maak van data-ontginning tegnieke (besluit bome, logistieke regressie en neurale netwerke) in die opsporing van insider opsies handel. Ander interessante ontdekkings sluit Cheng en kyk (2006), wat bevind het dat eienaars wat van voorneme is om aandele koop ook geneig om abnormaal negatiewe nuusvrystelling net voor hul eie aankope. Brockmen et al. (2010) het bevind dat eienaars abnormaal positiewe nuus voor voorraad opsie oefeninge sal vrystel. 'N Interessante stukkie navorsing deur Lakonishok en Lee (2001) het bevind dat die mark is geneig om underreact om die seine van die eienaars te koop en verkoop van aandele hul eie maatskappy se. Data-ontginning stel ons in staat om konsekwent patrone ontbloot in eienaars en hoe hulle handel aandele hul eie maatskappy se. Toegang tot en die ontleding van hierdie inligting vir jouself jy 'n inligting voorsprong kan gee in jou eie handel. Portefeuljebestuur Hoe besluit jy wat sekuriteite te hou en hoeveel te ken aan elke individuele bate en aan elke bateklas as 'n geheel Terwyl jou doel kan wees om 'n portefeulje wat aan die gang om die risiko vir 'n geteikende terugkeer minimaliseer te skep, dit is dikwels 'n baie moeilike taak, veral as jou bates groei in grootte en aantal. Capital Asset Pricing Model (CAPM) en Arbitrasie Pryse teorie (APT) is algemeen gereedskap in risikobestuur en portefeulje optimalisering. Neurale netwerke is geïntegreer met APT sodat APT word gebruik om pryse te bepaal, terwyl die neurale netwerk elke risikofaktor in die toekoms klassifiseer. Verskillende data-ontginning tegnieke toegepas kan word om verskeie take in die bestuur van jou portefeulje. Byvoorbeeld, kan 'n genetiese algoritme gebruik word om die bates vir die voorspelling van die opbrengs van elke bate en 'n genetiese algoritme vir die toekenning van fondse aan elke bate kies, 'n neurale netwerk. Dag Trading en Data-ontginning Die mees algemene benadering tot die voorspelling van individuele aandele is om te neem in fundamentele faktore soos verdienste per aandeel, P / E en PEG verhoudings, inkomste, skuld, markaandeel, markkapitalisasie. volume, ens regressies, verskillende tipes neurale netwerke, besluit bome, of ondersteuning vektor masjiene analiseer hierdie faktore oor 'n groot versameling van historiese data en klassifiseer die rigting van môre se aandeelprys. Die prestasie is gewoonlik gemeet deur die akkuraatheid van die model op nuwe data. Dit is algemeen bekend as 'n swart-box benadering. 'N meer deursigtige data-ontginning tegnieke is vereniging reël leer genoem. Met vereniging reël leer, te ontleed ons dieselfde faktore en voorraad, maar eerder as die algoritme wat namens ons, ons skep ons eie reëls op grond van wat die algoritme ontbloot. Die voordeel is tweeledig ons weet presies wat inligting binne ons data is ontdek en, aan die einde van die dag, ons is die mense koop en verkoop van die voorraad. Albei is baie belangrik. Dit is belangrik om te weet presies wat inligting binne ons data is ontbloot, sodat jy dit kan bevestig. As 'n reël kom nie t maak sin vir jou, dan is jou model is waarskynlik foutief en wat jy nodig het om dit af te stel. Data-ontginning kan onwaar korrelasies en patrone en assosiasie reël leer ontbloot help ons vermy. Ten einde om te sien en te verstaan watter inligting is ontbloot, moet jy 'n goeie visualisering hulpmiddel. Dit is die rede waarom ons TRAIDE gebou. Jy kan die faktore wat jy wil om te ontleed, myne vir patrone en inligting in 'n bepaalde bate, en dan visualiseer die patrone op 'n interaktiewe paneelbord kies. Jy kan dan aanpas en te optimaliseer jou reëls, toets hulle oor jou data in reële tyd. Data-ontginning het baie gebruike in die finansiële markte. Daar is 'n oorvloed van navorsing in die akademie en 'n groeiende hoeveelheid werklike wêreld aansoeke vir jou om te verken en te kan toepas om jou eie stelsels. As jy 'n klomp van die verskillende ekonometriese data (. Bv indekse, FX, kommoditeite, rentekoerse) wat jy kan probeer om 'n formule te vind om te sien of daar enige verband in die data - bv om dit te voorspel deur hierdie ontdek patroon. Wat ek hier vra, is 'n bietjie anders: Is daar 'n ander manier in die sin dat jy kan soek vir 'n formule f () sodanig dat die gegewe vorm verteenwoordig 'n handel strategie waar sekere aanwysers gevind toe te lank of kort te gaan (of enige afgeleide kombinasies) die idee is dat die formule self woon in N-dimensionele ruimte van aanwysers / handel-strategieë en probeer om so goed as wat dit kan oorleef. Dit moet 'n standaard prosedure vir multi-agent stelsels simuleer kunsmatige aandelemarkte wees. Ag, ek is nie in staat om 'n eenvoudige benadering om dit te doen kry. gevra 1 Maart 11 van die 09:44 Ja, jy 'n implementering van elke sein gebruik en gebruik dan 'n statistiese pakket soos SAS 'n faktor model vir jou op te wek. Dit genereer 'n wiskundige formule, met koëffisiënte, en seine (veranderlikes) en selfs vir jou sê die doeltreffendheid (R 2) Maar jy vinnig te vind jouself blootgestel aan data Snooping vooroordeel deur die keuse van hierdie benadering. Soortgelyk aan die wat in hierdie vraestel resultate: eco. sdu. edu. cn/jrtzx/uploadfile/pdf/empiricalfinance/10.pdf-Data Snooping vooroordeel, is die rede waarom mense beklemtoon die ekonomiese redenasie vir hul strategieë oor die historiese statistiese doeltreffendheid, wat dikwels versuim om te herhaal die pad vorentoe. antwoord 1 Maart 11 by 20:06 Dankie. Kan jy asseblief gee 'n voorbeeld vir 'n handels - reël (bv bewegende gemiddelde) en sy wiskundige enkodering. vonjd 2 Maart 11 by 12:27 'n funksie soos volg: MA (int numdaysavg) gebruik dan die resultate van hierdie funksie met verloop van tyd, 'n tyd reeks saam met 'n tyd reeks opbrengste of pryse. (Hierdie wouldn glyphard 2 Maart 11 van die 13:46 Miskien het ek heeltemal verkeerd verstaan die vraag, maar dit lyk vir my dat jy op soek is na 'n model struktuur vind in teenstelling met 'n bepaalde / bekend model inpas. In jou konteks die model spesifikasie (die handel reëls) is onbekend het ek gelyk As dit die geval is, miskien genetiese programmering:. is dit wat jy nodig het in 'n neutedop, is dit 'n sub-klas GA wat evolusionêre benadering geld vir die vind van 'n model struktuur ( 'n program) wat mees geskikte. Dwarsdeur geslagte van evolusionêre verbeterings. My raaiskoot is dat 'n taal woordeboek in hierdie geval is 'n versameling van konstrukte (veranderlikes) wat jy het tot jou beskikking, en die grammatika is die reëls. Btw. Goeie Vraag 8 Maart 11 van die 15:36 user40: Dankie, in werklikheid was dit my oorspronklike verwysing Kan jy my 'n paar idees of verwysings hoe om handel reëls enkodeer binne die alfabet van GP vonjd 8 Maart 11 van die 19:48 Hier is 'n voorbeeld van die 75 handel. reël gekodeer in R: Kan 'n mens slaan die ewekansige loop Dit is hoe die skrywer beskryf die reël: die volgende script sal 'n ewekansige reeks data te genereer en volg die sogenaamde 75 reël wat sê, Pr prys prys (n-1) prys ( N-1) prys mediaan 75.
No comments:
Post a Comment