Как я создал инструмент для извлечения сделок, который по-прежнему остается лучшим самообучающимся индикатором на рынке Форекс.

Я разработал TRADE EXTRACTOR в качестве вспомогательного инструмента для принятия торговых решений. Мне понравилось создавать собственный алгоритм самообучения, который быстро расшифровывает заданные исторические данные и показывает лучшие точки входа, которые потенциально могут быть прибыльными сделками на форексе.

Сила исторических данных на рынке форекс:

Так как я считал, что существует возможная тенденция исторических данных, которая может повлиять на будущие данные. Причина этого в том, что существует «N» трейдеров ценового действия, скальперов, свинг-трейдеров, которые используют ценовые и технические индикаторы для принятия решений. Таким образом, за каждой успешной сделкой должна стоять логика.

Алгоритм делает то, для чего он создан, но прибыльность по-прежнему остается проблемой, основанной на человеческой жадности.

Первые пользователи промышленных экстракторов неправильно поняли это и подумали о нем как о святом Граале или волшебной палочке, что, в свою очередь, быстро отразилось на плохих отзывах.

Я предлагаю и верю здесь: «Если будущие данные имеют некоторую зависимость от прошлых данных», тогда TRADE EXTRACTOR должен работать.

Для того, чтобы быть прибыльными, не обязательно получать прибыльные сигналы от 80% до 90%, что пользователи и обнаруживают, загружая их на график.

Модульное обучение и подбор модели:

Подгонка модели — важный аспект машинного обучения, но многих это даже не волнует, и все, что их волнует, — это то, насколько хорошо она может работать в тестировании на истории, обманывая трейдеров, которые покупают ее на рынке. Так делать нельзя и, во-первых, это нечестно. Итак, следующий вопрос будет заключаться в том, как узнать оптимальную посадку? Продолжайте читать, чтобы получить представление о том, насколько важна модель, подходящая для машинного обучения.

Переоснащение:

Переобучение происходит, когда наша модель машинного обучения пытается охватить все точки данных или больше, чем требуемые точки данных, присутствующие в данном наборе данных. Из-за этого модель начинает кэшировать шумы и неточные значения, присутствующие в наборе данных, и все эти факторы снижают эффективность и точность модели. Модель с переобучением имеет низкое смещение и высокую дисперсию. Давайте посмотрим, как будет выглядеть тот же инструмент извлечения сделок, если он будет переобучен.

Здесь, на картинке выше, вы можете увидеть переобученный экстрактор сделок, и любой, кто заглянет в него, заметит винрейт и думает, что это успешная модель, но на самом деле это не так. Просто посмотрите на общее количество сделок, их очень мало, что доказывает, что модель переобучена и с трудом находит правильные торговые точки. Но многие трейдеры сегодня будут обмануты винрейтом, не зная об этих технических тонкостях.

Недооснащение:

Недообучение происходит, когда наша модель машинного обучения не может уловить основную тенденцию данных. Чтобы избежать переобучения в модели, подачу обучающих данных можно остановить на ранней стадии, из-за чего модель может недостаточно учиться на обучающих данных. В результате он может не найти наилучшее соответствие доминирующей тенденции в данных. В случае недообучения модель не может достаточно учиться на обучающих данных и, следовательно, снижает точность и дает ненадежные прогнозы. Недостаточно подобранная модель имеет большое смещение и низкую дисперсию.

Оптимальное соответствие:

В идеале говорят, что случай, когда модель делает прогнозы с нулевой ошибкой, хорошо подходит к данным. Эта ситуация достижима в точке между переоснащением и недообучением. Чтобы понять это, нам нужно будет посмотреть на производительность нашей модели во времени, пока она учится на обучающем наборе данных.

Со временем наша модель будет продолжать учиться, и, таким образом, ошибка модели на данных обучения и тестирования будет продолжать уменьшаться. Если она будет учиться слишком долго, модель станет более склонной к переоснащению из-за наличия шума и менее полезных деталей. Следовательно, производительность нашей модели будет снижаться. Чтобы получить хорошее соответствие, мы остановимся в точке непосредственно перед тем, как ошибка начнет увеличиваться. На данный момент говорят, что модель обладает хорошими навыками работы с обучающими наборами данных, а также с нашим невидимым набором данных для тестирования.

Извлекатель My Trade и его модель подходят:

«Торговый экстрактор», который я разработал, не соответствует какой-либо модели, поскольку он основан на модели самообучения, которая со временем становится все более интеллектуальной. Именно по этой причине я назвал его лучшим индикатором самообучения всех времен.

В экстракторе сделок, который я разработал с помощью модели самообучения, вы можете сравнить процент выигрышей и общее количество сделок, которые кажутся справедливыми, а не такими, как того хочет жадный трейдер. Будет падение винрейта, но это будет соответствовать будущим сигналам, которые окажутся прибыльными.

Вывод:

После прочтения всей статьи у вас возникнет несколько вопросов, например, легко ли торговать? «Вовсе нет» и является ли рынок случайным? «Мы не можем сделать на этом вывод». Но инструмент извлечения сделок, который я разработал, дает дополнительное статистическое преимущество по сравнению с другими рыночными индикаторами за счет настройки нескольких параметров и профессионального использования, чтобы рынок постоянно вознаграждался.