Фото Луки Браво на Unsplash

Проектное предложение

Я изучал глубокое обучение с помощью видеороликов Stanford CS230 и подробных материалов на deeplearning.ai. Эндрю Нг — очень методичный профессор, и, хотя я стремился к подходу к машинному обучению просто «вам-бам, спасибо, мэм», я обнаружил, что лучше знаю математику, лежащую в основе алгоритмов (это становится очевидным, когда Я понятия не имею, почему что-то не работает так, как я хочу, и я могу погрузиться в код, заняться линейной алгеброй и правильно найти выход из ошибки). Есть классный проект, который нужно выполнить к концу курса, и я собираюсь применить его к алгоритмической торговле. То есть, используя некоторые из моих стратегий внутридневной торговли, и наблюдая, смогу ли я обучить бота выигрывать «игру», используя обучение с подкреплением, используя прибыль в виде очков. За последние несколько лет было предпринято несколько попыток с проектами других студентов со смешанными результатами.

Категория — Обучение с подкреплением Я буду исследовать, смогу ли я «геймифицировать» внутридневную торговлю на FOREX и при этом научить нейронную сеть оптимизировать время входа и выхода для максимизации прибыльности. Это интересно, потому что старая рыночная мудрость гласит, что легко попасть на рынок, но как только вы вошли, трудно выйти с прибылью. Я хотел бы посмотреть, смогу ли я определить пары входа и выхода, которые приведут к чистой прибыли. Проблемы. Некоторые из проблем проекта просты. Трудно прогнозировать рынок. Снова и снова было показано, что это едва ли работает в долгосрочной перспективе, особенно когда у вас разные «общие условия» на рынке, ссылаясь на тот факт, что рынок может быть в целом бычьим, обычно медвежьим или трендовым (боковым). Мне нужно найти тип архитектуры нейронной сети, который может войти в рыночную позицию и решить выйти, если условия кажутся неблагоприятными для этой позиции, а не удержаться, если в результате может быть получена прибыль. Мне также необходимо учитывать спред или комиссию, присущие торговле, так что прибыль должна превышать затраты на совершение сделки и удержание сделки. Кроме того, мне нужно найти алгоритмическую структуру, которая позволит мне управлять им с помощью нейронной сети, которую я планирую построить. Набор данных — я буду использовать исторические данные за последние 5–10 лет для пар GBP/USD и USD/MXN. «Кабель», другое название GBP/USD, имеет высокую волатильность и большой объем, в то время как «Доллар-песо», являющаяся 7-й наиболее торгуемой парой, немного меньше «вверх-вниз» и обеспечит более стабильную пару для тренировки. . Я хочу ограничить свой набор данных последними 5 годами, если это возможно, чтобы учесть включение основных торговых алгоритмов, поскольку данные до этого времени гораздо менее изменчивы и демонстрируют другие свойства. Я буду смотреть на минутные графики, чтобы получить максимальное разрешение, но могу переключиться на часовой график, если того требует стратегия. Эти данные будут получены с oanda.com или forex.com в зависимости от используемого брокера. Причина в том, что данные FOREX не централизованы, и поэтому каждый брокер имеет свои собственные исторические значения. Алгоритм, обученный на одном сервисе, просто не будет работать на другом сервисе. Предлагаемый метод или алгоритм — я предлагаю исследовать алгоритмы обучения с подкреплением, а также взглянуть на рекуррентные нейронные сети, потому что мне может понадобиться применить информацию о последовательности при просмотре «настроек», зная, что любой конкретный момент хорош для получения в зависимости от предыдущих данных на графике. Список для чтения — TBD Оценка результатов — Результаты будут оцениваться в процентах от прибыли, причем больше долларов лучше, чем меньше. Это будет считаться успешным, если прибыль окажется больше, чем при использовании стратегии «купи и держи» за каждый период, к которому применяется алгоритм. Следите за обновлениями.

Предложение проекта глубокого обучения  —  Stanford CS230 и deeplearning.ai