Maschinelles Lernen mit algoTraderJo Joined Dec 2014 Status: Mitglied 383 Beiträge Hallo Kollegen, ich beginne diesen Thread in der Hoffnung, mit Ihnen einige meiner Entwicklungen auf dem Gebiet des maschinellen Lernens zu teilen. Obwohl ich darf nicht mit Ihnen genaue Systeme oder Codierung Implementierungen (nicht erwarten, um etwas zu quotplug-and-playquot und erhalten reich von diesem Thread) Ich werde mit Ihnen Ideen, Ergebnisse meines Experiments und möglicherweise andere Aspekte meiner Arbeit zu teilen. Ich beginne diesen Thread in der Hoffnung, dass wir in der Lage sein werden, Ideen zu teilen und uns gegenseitig zu helfen, unsere Implementierungen zu verbessern. Ich werde mit einigen einfachen maschinellen Lernstrategien beginnen und werde dann in komplexere Sachen gehen, wie die Zeit vergeht. Hoffe, Sie genießen die Fahrt Joined Dec 2014 Status: Mitglied 383 Beiträge Ich möchte beginnen, indem ich einige grundlegende Dinge zu sagen. Es tut mir leid, wenn die Struktur meiner Beiträge viel zu wünschen übrig lässt, ich habe keine Forum-Veröffentlichung Erfahrung aber hoffe, etwas mit der Zeit zu bekommen. Im maschinellen Lernen, was wir tun wollen, ist einfach eine Vorhersage zu generieren, die für unseren Handel nützlich ist. Um diese Vorhersage zu machen, erzeugen wir ein statistisches Modell unter Verwendung eines Satzes von Beispielen (bekannte Ausgänge und einige Eingaben, die wir vorhersagen können, um diese Ausgänge vorherzusagen), dann machen wir eine Vorhersage einer unbekannten Ausgabe (unserer letzten Daten) unter Verwendung des Modells, das wir mit erstellt haben Die Beispiele. Um es zusammenzufassen, ist es ein quotsimplequot Prozess, wo wir das folgende tun: Wählen Sie, was wir vorhersagen möchten (dies wird unser Ziel (e) sein) Wählen Sie einige Eingangsvariablen, von denen wir glauben, dass wir unsere Ziele vorhersagen können. Erstellen Sie eine Reihe von Beispielen mit vergangenen Daten Mit unseren Inputs und unseren Zielen Erstellen Sie ein Modell mit diesen Beispielen. Ein Modell ist einfach ein mathematischer Mechanismus, der die Inputstargets verknüpft Machen Sie eine Vorhersage des Ziels mit den letzten bekannten Eingaben Handel mit diesen Informationen Ich möchte von Anfang an sagen, dass es sehr wichtig ist zu vermeiden, was viele akademische Papiere auf maschinelles Lernen tun, Die zu versuchen, ein Modell mit sehr großen Arrays von Beispielen zu bauen und dann versuchen, eine langfristige Vorhersage auf eine Quote-of-samplequot-Set zu machen. Das Bauen eines Modells mit 10 Jahren Daten und dann das Testen auf die letzten beiden ist nicht sinnvoll, vorbehaltlich vieler Arten von statistischen Vorurteile werden wir später diskutieren. Im Allgemeinen werden Sie sehen, dass die maschinellen Lernmodelle, die ich baue, auf jedem Balken trainiert werden (oder jedes Mal, wenn ich eine Entscheidung treffen muss), mit einem bewegten Fenster von Daten für den Aufbau von Beispielen (nur aktuelle Beispiele werden als relevant betrachtet). Sicherlich ist dieser Ansatz kein Fremder für einige Arten von statistischen Vorurteilen, aber wir entfernen den Quotelephanten im Roomquot, wenn wir den breiten In-Probe-of-Sample-Ansatz der meisten akademischen Papiere (was keine Überraschung, führt oft zu Ansätzen, die nicht sind Eigentlich nützlich zum handeln). Es gibt vor allem drei Sachen, die sich bei der Erstellung eines maschinellen Lernmodells beschäftigen: Was vorherzusagen (welches Ziel) Was es vorherzusagen ist (welche Eingaben) Wie man das Ziel und die Eingaben in Beziehung setzt (welches Modell) Das meiste, was ich erwähnen werde Auf diesen Thread konzentriert sich auf die Beantwortung dieser Fragen, mit aktuellen Beispielen. Wenn du irgendwelche Fragen schreiben möchtest und ich versuche, dir eine Antwort zu geben oder dich einfach zu informieren, wenn ich das später beantworten werde. Registriert am Dez 2014 Status: Mitglied 383 Beiträge Lass uns jetzt ins Geschäft gehen. Ein echtes praktisches Beispiel beim maschinellen Lernen Angenommen, wir wollen ein sehr einfaches Modell mit einem sehr einfachen Satz von Eingabestufen erstellen. Für dieses Experiment sind das die Antworten auf die Fragen: Was vorherzusagen (welches Ziel) - gt Die Richtung des nächsten Tages (bullish oder bearish) Was vorherzusagen mit (welche Eingaben) - gt Die Richtung der vorherigen 2 Tage Wie? Um das Ziel und die Eingaben zu verknüpfen (welches Modell) - gt Ein linearer Kartenklassiker Dieses Modell wird versuchen, die Richtcharakteristik der nächsten Tagesleiste vorherzusagen. Um unser Modell zu bauen, nehmen wir die letzten 200 Beispiele (eine Tagesrichtung als Ziel und die vorherigen zweitägigen Richtungen als Eingaben) und wir trainieren einen linearen Klassierer. Wir machen das am Anfang jeder täglichen Bar. Wenn wir ein Beispiel haben, wo zwei bullische Tage zu einem bärischen Tag führen, würden die Eingaben 1,1 sein und das Ziel wäre 0 (0 bearish, 1bullish), wir verwenden 200 dieser Beispiele, um das Modell auf jedem Balken zu trainieren. Wir hoffen, in der Lage zu sein, eine Beziehung aufzubauen, in der die Richtung von zwei Tagen eine überdurchschnittliche Wahrscheinlichkeit ergibt, um die Tagesrichtung korrekt vorherzusagen. Wir verwenden ein Stoploss gleich 50 der 20 Tage Periode Durchschnitt True Range auf jedem Handel. Angehängtes Bild (zum Vergrößern anklicken) Eine Simulation dieser Technik von 1988 bis 2014 auf der EURUSD (Daten vor 1999 ist DEMUSD) oben zeigt, dass das Modell keine stabile Gewinngeneration hat. In der Tat folgt dieses Modell einem negativ voreingenommenen zufälligen Spaziergang, der es Geld als Funktion der Ausbreitung verliert (3 Pips in meinem Sim). Schauen Sie sich die scheinbar quotimpressivequot Leistung an, die wir in den Jahren 1993-1995 und in den Jahren 2003-2005 haben, wo wir anscheinend die nächste Tages-Direktionalität mit einem einfachen linearen Modell und den vergangenen zwei-tägigen Richtungsergebnissen erfolgreich vorhersagen konnten. Dieses Beispiel zeigt Ihnen einige wichtige Dinge. Zum Beispiel, dass über kurze Zeitskalen (die ein paar Jahre sein könnte) können Sie leicht durch Zufälligkeit getäuscht werden --- Sie können denken, Sie haben etwas, das funktioniert, was wirklich nicht. Denken Sie daran, dass das Modell auf jedem Balken wieder aufgebaut wird, wobei die letzten 200 Inputtarget Beispiele verwendet werden. Was andere Dinge denken Sie, können Sie von diesem Beispiel lernen Sie Ihre Gedanken gut. So dass Sie vorhergesagt haben, dass Käufer oder Verkäufer eintreten würden. Hmm, aber was genau hat es mit Preis zu tun, der nach oben oder unten geht 100 Pips Preis kann auf verschiedene Weise reagieren - es könnte nur für einige Zeit Tank (während alle Limit Orders gefüllt sind) Und dann weiter weiter. Es kann auch 5, 10, 50 oder sogar 99 Pips zurückverfolgen. In all diesen Fällen waren Sie irgendwie Recht über Käufer oder Verkäufer, die hereinkamen, aber Sie müssen verstehen, dass diese Analyse nicht viel mit Ihrem Handel von 90pip zu 100pip zu tun hat. Ja, du bist richtig Dies ist ein großer Teil des Grundes, warum wir bei der Verwendung des linearen Mapping-Algorithmus schlechte Ergebnisse bekommen. Denn unsere Profitabilität ist mit unserer Vorhersage schlecht verwandt. Vorhersage, dass Tage sind bullishbearish ist von begrenztem Gebrauch, wenn Sie nicht wissen, wie viel Preis sich bewegen wird. Vielleicht sind deine Vorhersagen nur an Tagen, die dir 10 Pips geben, und du bekommst alle Tage, die 100 Pip Direktionalität völlig falsch haben Was würdest du für ein besseres Ziel für eine maschinelle Lernmethode halten Ja, du bist richtig Dies ist ein großer Teil des Grundes, warum wir bei der Verwendung des linearen Mapping-Algorithmus schlechte Ergebnisse bekommen. Denn unsere Profitabilität ist mit unserer Vorhersage schlecht verwandt. Vorhersage, dass Tage sind bullishbearish ist von begrenztem Gebrauch, wenn Sie nicht wissen, wie viel Preis sich bewegen wird. Vielleicht sind deine Vorhersagen nur an Tagen, die dir 10 Pips geben, und du bekommst alle Tage, die 100 Pip Direktionalität völlig falsch haben Was würdest du ein besseres Ziel für eine maschinelle Lernmethode betrachten Lets sagen, wenn du 100 Pip TP und SL hast, möchte ich vorherzusagen, was zuerst kommt: TP oder SL Beispiel: TP kam zuerst 1 SL kam zuerst 0 (oder -1, Aber du kennst es) Maschinelles Lernen im Forex Trading: Warum viele Akademiker tun es alles falsch Bauprozess Lernstrategien, die anständige Ergebnisse unter Live-Marktbedingungen erhalten können, war schon immer eine wichtige Herausforderung im algorithmischen Handel. Trotz der großen Menge an Interesse und der unglaublichen potenziellen Belohnungen gibt es noch keine akademischen Publikationen, die in der Lage sind, gute maschinelle Lernmodelle zu zeigen, die das Handelsproblem auf dem realen Markt erfolgreich bewältigen können (nach bestem Wissen, Sie haben einen und ich bin mehr als glücklich, es zu lesen). Obwohl viele veröffentlichte Papiere scheinen, vielversprechende Ergebnisse zu zeigen, ist es oft der Fall, dass diese Papiere in eine Vielzahl von verschiedenen statistischen Bias-Probleme fallen, die den realen Markterfolg ihrer maschinellen Lernstrategien höchst unwahrscheinlich machen. Auf heute8217s Post Ich werde über die Probleme, die ich in der akademischen Forschung im Zusammenhang mit der maschinellen Lernen in Forex zu sehen und wie ich glaube, dass diese Forschung verbessert werden könnte, um viel nützlicher Informationen für die akademischen und Handelsgemeinschaften zu erzählen. Die meisten Fallstricke in der maschinellen Lernstrategie Design, wenn man Forex-Handel ist unweigerlich von der Welt der deterministischen Lernprobleme geerbt. Beim Aufbau eines maschinellen Lernalgorithmus für etwas wie Gesichtserkennung oder Buchstabenerkennung gibt es ein wohldefiniertes Problem, das sich nicht ändert, was in der Regel durch den Aufbau eines maschinellen Lernmodells auf einer Teilmenge der Daten (ein Trainingsset) angegangen wird und dann testen, wenn Das Modell konnte das Problem durch die Erinnerung an die Daten (ein Testset) korrekt lösen. Aus diesem Grund haben Sie einige berühmte und gut etablierte Datensätze, mit denen die Qualität der neu entwickelten Maschinenlerntechniken ermittelt werden kann. Der entscheidende Punkt hierbei ist jedoch, dass die Probleme, die anfangs durch das maschinelle Lernen angegangen wurden, meist deterministisch und zeitunabhängig waren. Beim Umzug in den Handel, die Anwendung dieser gleichen Philosophie liefert viele Probleme im Zusammenhang mit sowohl die teilweise nicht-deterministischen Charakter des Marktes und seine Zeitabhängigkeit. Der bloße Akt des Versuches, Trainings - und Test-Sets auszuwählen, führt zu einer signifikanten Vorspannung (einer Datenauswahl-Bias), die ein Problem verursacht. Wenn die Auswahl wiederholt wird, um die Ergebnisse im Test-Set 8211 zu verbessern, die Sie in zumindest einigen Fällen 8211 annehmen müssen, fügt das Problem auch eine große Menge an Data-Mining-Bias hinzu. Die ganze Frage der Durchführung einer einzigen Trainingsvalidierung Übung generiert auch ein Problem in Bezug auf, wie dieser Algorithmus angewendet werden, wenn Live-Handel. Definitionsgemäß wird der Live-Handel anders sein, da die Auswahl der Trainings-Sets noch auf unterschiedliche Daten angewendet werden muss (da nun der Test-Set wirklich unbekannte Daten ist). Die Vorliebe, die der anfänglichen Stichprobenauswahl und dem Mangel an getesteten Regeln für den Handel unter unbekannten Daten innewohnt, macht solche Techniken üblicherweise im Live-Handel fehl. Wenn ein Algorithmus mit 2000-2012 Daten geschult ist und mit 2012-2015 Daten quer validiert wurde, gibt es keinen Grund zu glauben, dass der gleiche Erfolg passieren wird, wenn er in den Jahren 2003-2015 trainiert wird und dann von 2015 bis 2017 gehandelt wird, die Datensätze Sind in der Natur sehr unterschiedlich. Der Erfolg des Algorithmus ist auch hier ein sehr relevantes Problem. Unvermeidlich sollten die maschinellen Lernalgorithmen, die für den Handel verwendet werden, im Verdienst durch ihre Fähigkeit, positive Renditen zu generieren, gemessen werden, aber einige Literatur misst den Verdienst neuer algorithmischer Techniken, indem sie versucht, ihre Fähigkeit, korrekte Vorhersagen zu erhalten, zu bestimmen. Richtige Vorhersagen nicht unbedingt gleich rentabel Handel, wie Sie leicht sehen können, wenn der Aufbau binärer Klassifikatoren. Wenn Sie versuchen, die nächste candle8217s Richtung vorherzusagen, können Sie immer noch einen Verlust machen, wenn Sie meistens auf kleinen Kerzen richtig sind und auf größeren Kerzen falsch sind. In der Tat die meisten dieser Art von Klassifikatoren 8211 die meisten von denen, die don8217t Arbeit 8211 am Ende Vorhersage Direktionalität mit einer über 50 Genauigkeit, aber nicht über dem Niveau benötigt, um Provisionen zu übertreffen, die profitabel binäre Optionen Handel ermöglichen würde. Um Strategien aufzubauen, die meistens von den oben genannten Problemen befreit sind, habe ich mich immer für eine Methodik eingesetzt, in der der maschinelle Lernalgorithmus vor der Erstellung einer Trainingsentscheidung umgeschult wird. Durch die Verwendung eines bewegten Fensters zum Training und niemals mehr als eine Entscheidung ohne Umschulung des gesamten Algorithmus können wir die Selektionsvorspannung befreien, die bei der Auswahl eines einzelnen Sample-Sample-Sets liegt. Auf diese Weise ist der ganze Test eine Reihe von Trainingsvalidierungsübungen, die am Ende sicherstellen, dass der maschinelle Lernalgorithmus auch unter ungeheuer unterschiedlichen Trainingsdatensätzen funktioniert. Ich befürworte auch für die Messung der tatsächlichen Backtesting-Performance, um einen maschinellen Lernalgorithmus zu messen. Vielleicht würde ich so weit gehen zu sagen, dass kein Algorithmus sein Salz wert sein kann, ohne unter realen Out-of-Sample-Bedingungen bewiesen zu werden. Das Entwickeln von Algorithmen auf diese Weise ist viel schwieriger und ich habe ein einziges akademisches Papier gefunden, das dieser Art von Ansatz folgt (wenn ich es vermisse, fühle es sich frei, einen Link zu posten, damit ich einen Kommentar einschließen kann). Dies bedeutet nicht, dass diese Methodik völlig problemlos ist, aber es unterliegt immer noch den klassischen Problemen, die für alle Strategieaufbau-Übungen relevant sind, einschließlich Kurvenanpassungsvorspannung und Data-Mining-Bias. Deshalb ist es auch wichtig, eine große Menge an Daten zu verwenden (ich benutze 25 Jahre, um Systeme zu testen, immer umschulung nach jeder maschinell erlernten Entscheidung) und um angemessene Data-Mining-Bias-Evaluationstests durchzuführen, um das Vertrauen zu bestimmen, mit dem wir können Sagen, dass die Ergebnisse nicht aus zufälliger Chance kommen. Mein Freund AlgoTraderJo 8211, der auch zufällig ein Mitglied meiner Handelsgemeinschaft 8211 ist, wächst derzeit einen Thread bei ForexFactory nach dieser gleichen Philosophie für die maschinelle Lernentwicklung, da wir an einigen neuen Maschinenlernalgorithmen für meine Handelsgemeinschaft arbeiten. Sie können sich auf seinen Thread oder vergangene Beiträge auf meinem Blog für mehrere Beispiele von maschinellen Lernalgorithmen beziehen, die auf diese Weise entwickelt wurden. Wenn Sie mehr über unsere Entwicklungen im maschinellen Lernen erfahren möchten und wie Sie auch Ihre eigenen Maschinenlernstrategien mit dem F4-Framework entwickeln können, sollten Sie sich bei Asirikuy anschließen. Eine Website mit pädagogischen Videos, Trading-Systemen, Entwicklung und eine solide, ehrliche und transparente Ansatz für automatisierte Trading. Eine große Schritt in der maschinellen Lernen: Profitable historische Ergebnisse über mehrere Forex-Paare In der Vergangenheit habe ich in der Lage, maschinelles Lernen zu verwenden Schaffen erfolgreiche Handelssysteme erfolgreich, dazu gehören meine Neuronalen Netzwerk-Implementierungen (die die Sunqu-, Tapuy - und Paqarin-Strategien, späterer Aufbau des AsirikuyBrain) sowie meine Versuche zur linearen Klassifizierung und anderen Arten von Algorithmen generierten. Allerdings ist eines der Dinge, die all diese Entwicklungen gemeinsam haben, dass sie auf EURUSD-Tagesdaten gehandelt haben und es versäumt haben, anständige Ergebnisse über andere Paare und Zeitrahmen zu generieren. Dies bedeutet, dass ich, obwohl ich diese besondere pairtimeframe erfolgreich angepackt habe (einige dieser Systeme wurden live mit profitable Ergebnisse gehandelt), hatte ich noch nichts für andere Instrumente entwickelt. Bei heute8217s Post werde ich über eine meiner neuesten Entwicklungen sprechen (in großem Teil wegen eines Asirikuy-Mitglieds, das ich später erwähnen werde), das es mir ermöglicht hat, neben dem EURUSD auch profitable maschinelle Lernergebnisse über andere Paare zu erzielen. Beachten Sie, dass alle Back-Testergebnisse nicht zusammengesetzt sind (so dass sie leicht durch Linearität beurteilt werden können). Die Tatsache, dass maschinelle Lerntechniken so zu sein scheinen, dass sie sich auf der EURUSD täglich entwickeln können, doch so schwer, sich auf anderen Paaren auf dem gleichen Zeitrahmen zu entwickeln, hat mich immer abgehört. Warum ist die EURUSD täglich so besonders, dass die vorherigen Daten die zukünftigen täglichen Bar-Ergebnisse leicht vorhersagen, während in anderen Paaren das einfach nicht funktioniert. Die Antwort scheint dies genau der gleiche Standpunkt zu sein 8212 was ich versuche zu prognostizieren. Fabio 8211 ein Mitglied unserer Gemeinde 8211 zeigte auf mich, dass es interessant wäre, zu versuchen, zu klassifizieren, ob ein bestimmtes Handelsergebnis erfolgreich wäre, anstatt zu versuchen, einfach zu klassifizieren, ob die nächste Bar wäre 8220bullish oder bearish8221. Vorhersage, ob ein gewisser Handelseintrag erfolgreich wäre, ist eine interessante Strecke, weil Sie versuchen zu prognostizieren, ob Ihr tatsächlicher Handel innerhalb einiger Ausstiegsgrenzen einen Gewinn oder Verlust erreichen wird, anstatt ob die Gesamtrichtlinie für oder gegen Sie ist. Bei der Umsetzung der obigen Idee in F4 sah ich, dass nicht alle Handelserfolgevorhersagen gleichermaßen erfolgreich waren, während die Vorhersage großer Kanten überhaupt nicht funktionierte (z. B. versucht zu prognostizieren, wo ein 1: 2-Risiko für die Belohnung des Handels erfolgreich sein würde), was kleinere voraussagte Kanten arbeiteten viel besser. Verschiedene Algorithmen gaben auch deutlich unterschiedliche Ergebnisse, während lineare Klassifikatoren äußerst von den Feeddaten abhängen (zwischen meinen beiden FX-Datensätzen signifikant geändert), unterstützte Support Vector Machines (SVM) die besten Gesamtergebnisse mit reduzierter Futterabhängigkeit und verbessertem Gewinn zum Drawdown Charakteristik. Einfache mittlere Keltner-Clustering-Techniken gaben auch interessante Ergebnisse, obwohl die Profitabilität gegenüber dem SVM reduziert wurde. Wie in allen meinen maschinellen Lernimplementierungen erfolgt die Schulung an jeder neuen Tagesleiste mit den vergangenen X-Takten und damit die Maschinenlerntechnik durch den gesamten Back-Test-Zeitraum ständig um. 8211 8211 Interessanterweise erreicht diese Technik für alle 4 Forex-Majors (gleiche Einstellungen) profitable Ergebnisse (25 Jahre Backtests), mit besonders guten Ergebnissen auf dem EURUSD und GBPUSD und schlechteren aber immer noch profitablen Ergebnissen auf dem USDCHF und dem USDJPY. Die Fähigkeit, die Ergebnisse vorherzusagen, scheint am deutlichsten auf dem USDJPY zu verlaufen, wo es eine deutlich lange Zeit (ca. 10 Jahre) gibt, wo die Strategie kein signifikantes Erfolgsniveau erreichen kann. Ich möchte auch darauf hinweisen, dass die aktuelle Maschine Lerntest nur eine einzige Maschine lernen Instanz und ich haven8217t versucht, die Rentabilität durch den Aufbau von Komitees oder andere 8220tricks8221, die helfen könnte verbessern und reibungslose Ergebnisse bei der Verwendung von maschinellen Lerntechniken. In diesem Fall versuchen, verschiedene Handelsbereichsvorhersagen innerhalb eines Komitees zu versuchen oder sogar nur das Setzen von SVM und bedeutende Keltner-Techniken, um zusammenzuarbeiten, könnte die Ergebnisse erheblich verbessern. Für mich ist die Tatsache, dass diese Technik endlich die Multipaar-Barriere8221 gebrochen hat, sehr bedeutsam gewesen, da sie etwas Wesentliches für die Verwendung von Maschinenlernungen offenbart, die bis jetzt scheinbar verpasst haben. Dies verstärkt auch die Tatsache, dass Output-Selektionen bei der Entwicklung von maschinellen Lernstrategien absolut kritisch sind, da der Versuch, die falschen Ausgänge vorherzusagen, leicht zu unrentablen Techniken führen kann (wie es bei mir passiert ist, wenn man versucht, ML-Strategien auf anderen Symbolen zu erstellen). Die Auswahl von Ausgängen, die für den Handel aussagekräftig sind, aber dennoch in einer guten Genauigkeit vorhersehbar sind, führt zur Entwicklung von erfolgreicheren Maschinenlernstrategien. In diesem Fall hat sich insbesondere die Veränderung des Fokus auf eine Vorhersage, die direkte Auswirkungen auf die Profitabilität des Handels hatte, gut beeinflusst. 8211 8211 Obwohl die bisherigen Ergebnisse sind quantitativ nichts zu 8220party etwa 8221, die Tatsache, dass es jetzt eine Straße offen für die Entwicklung von profitable ML-Strategien, die auf der ganzen Linie arbeiten könnte (nicht nur nur auf ein Paar) gibt mir Vertrauen in die Tatsache, dass Ich gehe den richtigen Weg (dank Fabio für seine Vorschläge). Nach dem Erreichen dieses Meilensteins ist es mein Ziel, diese Maschine zu erlernen und zu studieren, um Implementierungen zu finden, um bessere Prädiktoren zu finden und die Ergebnisse auf Nicht-EURUSD-Paaren zu verbessern. Mein Ziel wäre es, eine maschinelle Lernstrategie zu haben, die hochgradig lineare historische Ergebnisse liefern kann Gleich die AsirikuyBrain) über mindestens die 4 Majors (hoffentlich noch mehr Paare), so dass ich eine Quelle der Diversifikation haben kann, die ständig an neue Marktbedingungen angepasst wird. Wenn Sie mehr über maschinelle Lernstrategien erfahren möchten und wie Sie auch leicht klassische Klassifikatoren, zufällige Wälder, Keltner-Mittelclustering, neuronales Netzwerk und SVM-Strategien in F4 erwerben können, beachten Sie bitte die Teilnahme an Asirikuy, einer Website mit Bildungsvideos, Handelssystemen, Entwicklung und ein solider, ehrlicher und transparenter Ansatz für den automatisierten Handel im Allgemeinen. Ich hoffe, Sie haben diesen Artikel genossen. O)
Comments
Post a Comment