볼링 밴드 기계 학습

볼링 밴드 기계 학습
Bollinger Bands는 많은 트레이더가 트레이드 아웃을 찾고 범위를 바꾸기 위해 사용하는 더 많은 기술적 인 지표 중 하나입니다. 그러나 Bollinger Bands를 거래 할 때 실제로보고 있어야 할 기능과 가치는 무엇입니까?
이 기사에서는 4 시간짜리 차트에서 GBP / USD 전략에 Bollinger Bands의 어떤 측면이 가장 중요한지 알아보기 위해 강력한 기계 학습 접근 방식 인 임의의 포리스트를 사용합니다.
볼린저 밴드.
Bollinger Bands는 1980 년대 초 John Bollinger가 개발 한 기술 거래 도구로서 시장의 범위를 상대적으로 측정합니다. 변동성이 큰시기에는 거래 범위가 자연히 커지고 변동성이 낮은 경우에는 변동 범위가 작아집니다.
Bollinger Bands는 세 줄의 조합입니다. 중간 선은 단순 이동 평균 (보통 20주기)이며, 위쪽 선은 중간 선 위의 닫기 표준의 2 표준 편차이고 하단 선은 중간 선 아래의 2 표준 편차입니다.
휘발성이 높을수록 표준 편차가 커지므로 상위 밴드와 하위 밴드 사이의 범위가 넓어집니다.
Bollinger Bands를 체계적인 전략으로 사용할 때 세 가지 다른 줄이 몇 가지 질문과 이슈를 제시합니다. 즉, 어떤 단일 요소를 포함해야합니까? 현재 가격이 범위와 관련이있는 곳을보고 싶습니까? 어쩌면 당신은 짧은 거래의 경우 상위 밴드와 긴 거래의 경우 낮은 밴드에만 관심이 있거나 범위의 전체 높이를보고 싶습니까?
당신이 볼 수있는 많은 다른 가치들이 있습니다. 기계 학습 세계에서 “feature” 선택으로 알려진이 과정은 엄청나게 중요합니다.
전략과 관련된 대부분의 정보가 포함 된 올바른 기능을 선택하면 전략 성능에 큰 영향을 줄 수 있습니다.
이러한 기능을 직접 평가할 필요없이 우리는 이러한 기능을 객관적으로 평가하기 위해 강력한 기계 학습 기술인 임의의 포리스트를 사용할 수 있습니다.
무작위 숲.
무작위적인 숲은 “weak 학습자 †group의 그룹이 “rong learner†form를 형성하기 위하여 결합 될 수있다 원리 떨어져 기초를 두는 앙상블 접근이다. 랜덤 포리스트는 수많은 개별 의사 결정 트리를 만드는 것으로 시작됩니다.
결정 트리는 вњњ 트리의 상단에 입력을 입력하고 각 분기가 표시 값의 다양한 레벨을 나타내는 분기를 전송합니다. (의사 결정 트리에 대한 자세한 내용은 Bank of America 주식을 거래하기 위해 의사 결정 트리를 사용했던 이전 게시물을 참조하십시오.)
Here†™ s 우리가 이전 포스트에서 건축 한 결정 나무 :
개별 의사 결정 트리는 상당히 약한 학습자로 간주되므로 데이터를 매우 쉽게 적용 할 수 있고 새로운 데이터로 일반화하기가 어려울 수 있습니다. 수천 개의 “trees”와 함께 “forests†Comb에 결합 된이 단순한 알고리즘은 매우 강력한 모델링 접근법을 형성 할 수 있습니다.
무작위 숲에서의 성공은 주로 개별 나무 사이에 많은 양의 가변성을 만드는 능력에서 비롯됩니다. 이것은 두 가지 다른 방식으로 어느 정도의 임의성을 도입하여 수행됩니다.
Bagging Bagging은 붕괴 뭉침 탕의 줄임말로 간단하게 대체 할 수 있습니다. 사용 가능한 전체 데이터 세트를 사용하여 각 트리를 작성하는 대신 데이터 세트를 무작위로 샘플링하여 각 데이터 포인트를 다시 선택할 수 있습니다. 예를 들어, 1에서 10까지의 숫자로 구성된 교육 세트에서 bagging을 수행한다면 다음과 같은 데이터 세트가 끝날 수 있습니다. 1 3 2 1 5 7 5 5 7 10 이렇게하면 무한 개수의 데이터 세트를 만들 수 있습니다 모든 크기가 동일하며 원래 데이터 세트에서 파생되었습니다. 표시기의 서브 세트 각 트리를 빌드하는 데 사용 가능한 모든 표시기를 사용하는 대신 무작위로 선택된 표시기 서브 세트 만 사용됩니다. 예를 들어 테스트 할 5 가지 기능이 있다면 각 트리마다 3 개만 사용됩니다.
이러한 무작위성의 근원들로부터 우리는 다양한 나무들의 전체 숲을 만들었습니다. 이제 각 데이터 포인트에 대해 각 트리를 호출하여 분류를 만들고 다수결로 최종 결정을 결정합니다.
무작위적인 숲의 한 가지 주요 이점은 각 지표의 성능에 대해 매우 견고한 척도를 제공 할 수 있다는 것입니다. 서로 다른 수기 훈련 세트와 지표의 하위 세트로 구축 된 수천 개의 나무로, 우리는 예측하려고하는 변수의 클래스를 결정하는 데 가장 중요한 지표, 이 경우 시장의 방향을 알 수 있습니다.
우리는 Bollinger Bands에서 파생 된 기능을 우리의 전략에 사용해야한다는 것을 알아 내기 위해 무작위적인 숲의 가치있는 자산을 이용합니다.
피쳐 생성.
먼저 Bollinger Bands에서 파생 된 기능을 결정해야합니다. 당신이 공상적인 계산 및 공식으로 오르기에서 창조적 얻을 수있는 지역 그러나 지금 we†™ ll는 8 개의 기본적인 특징에 지팡이한다 : 위 악대 - 가격 악대 사이의 거리 현재 가격 중간 악보 - 가격 중간 사이의 거리 20 밴드 단순 이동 평균 및 현재 가격 낮은 밴드 - 가격 낮은 밴드와 현재 가격의 거리 % B 현재 밴드의 현재 밴드의 상대 밴드를 측정합니다 : % B = (현재 밴드 - 밴드 하단) / (상단 밴드 - 하단 밴드)
Let†™는 또한 시간상 양상을 추가하기 위하여 각 특징의 퍼센트 변화를 본다 : 퍼센트 변화 (위 대역 - 가격) 위 대역과 현재 가격 사이 거리의 1 기간에있는 변화 퍼센트 퍼센트 변화 (중간 악대 - 가격) 중간 밴드와 현재 가격 사이의 거리의 한주기 변화 백분율 변경 (낮은 밴드 - 가격) 하위 밴드와 현재 가격 사이의 거리의 한주기 변화 백분율 변화율 (% B ) % B 값의 한주기에서 변화율.
이제 우리는 8 가지 기능을 가지고 있으므로 let†™는 임의의 포리 스트를 구축하여 전략에서 어떤 기능을 사용해야하는지 확인합니다.
우리의 모델 구축.
첫번째 let†™ s는 포장을 설치하고 우리의 자료 세트를 수입한다 (당신은 여기에서 사용 된 자료를 다운로드 할 수있다) :
임의의 포레스트를 만들기 전에 각 트리마다 사용할 최적의 수의 지표를 찾아야합니다. 다행히도 우리가 사용하고있는 임의의 포리스트 패키지는 우리를 도와 줄 수 있습니다.
2 가지 기능 (mtry = 2)이있는 트리가 Out-of-Bag (OOB) 오류율이 낮아서 임의의 포리스트에 대해 오류 비율을 적용 할 수 있음을 알 수 있습니다.
Let†™ s는 특징이 쌓아 올리는 방법을 본다.
“mean 감소 정확도 вќќ 측정 각 모델없이 각 모델이 수행하는 방법을 악화하고 “Man 감소 Gini†how는 각 트리 분기의 끝이 각 기능에 대해 얼마나 순수한지를 측정하는 더 복잡한 수학 함수입니다.
% B 값의 변화율이 가장 중요한 요소라는 것을 즉시 알 수 있습니다. 일반적으로 값의 변화율을 보면 가격과 위쪽, 아래쪽 및 중간 사이의 거리 만 보는 것보다 낫습니다. 윤곽.
(난수의 두 가지 원인으로 인해 약간 다른 결과를 얻을 수 있지만 전반적으로 일관성있는 결론을 얻었습니다.)
이제 우리는 Bollinger Bands를 기반으로 거래 전략에 어떤 기능을 사용해야하는지 알고 있습니다.
결론.
랜덤 포리스트는 일반적으로보다 정교한 알고리즘보다 뛰어난 강력한 접근 방식입니다. 분류 (범주 예측), 회귀 (숫자 예측) 또는 기능 선택 (여기에서 보았 듯이)에 사용할 수 있습니다.
기능 선택 또는 전략에 포함시킬 요소 결정은 전략 수립에서 매우 중요한 부분이며이 문제를 해결하는 데 중점을 둔 기계 학습에는 많은 기술이 있습니다.
TRAIDE를 통해 두 번째 단계를 처리합니다. 일단 전략에 대한 기능을 선택하면 기계 학습 알고리즘을 사용하여 패턴을 찾습니다.
여기에 자신 만의 계정을 만들고, 언제나처럼 행복한 TRAIDING!

기계적인 Forex.
기계 거래 전략을 사용하여 외환 시장에서 거래합니다.
기술 지표를 사용하는 신경 회로망 : RSI를 사용하여 알고리즘을 학습하는 기계.
지난 몇 년 동안 상당한 수의 다른 입 / 출력 구조와 네트워크 토폴로지를 사용하여 FX 거래를위한 다양한 신경 네트워크 시스템을 코딩했습니다. 그러나 모든 나의 접근 방식이 공통적으로 가지고있는 것들 중 하나는 순수 가격 반환 시리즈 Â 또는 닫기 / 열림 시리즈를 입력으로 사용하는 것입니다. 오늘 저는이 초기 템플릿을 넘어서 좀 더 정교한 가격 계산을 입력으로 사용하여 실적이 좋은 거래 시스템을 얻을 수있는 방법을 보여주기 위해이 초기 템플릿을 약간 넘어가려고합니다. 이 연습의 결과가 간단한 입력을 사용하여 찾을 수있는 것보다 훨씬 나은 거래 시스템이 아니지만 결과는 실제로 다르며 이미 사용 가능한 기계 학습 전략의 다양 화를위한 장소를 제공합니다. 이 포스트는 전략 작성을 위해 상대 강도 지수 (Relative Strength Index, RSI)를 사용하는 방법에 초점을 맞 춥니 다.
신경 네트워크 거래 전략을 만들 때 저는 항상 움직이는 창을 사용하여 각 술집에서 끊임없이 재교육을받는 알고리즘을 만드는 것을지지했습니다. 따라서 학계에서 흔히 볼 수있는 함정을 피하고 간단히 말하면 실제 수익을 예측할 수있는 출력 구조를 가지고 있습니다. 방향성 또는 변동성. 최근 Asirikuy에서 우리는 길거나 짧은 거래의 결과물로서 간단한 수익을 투입물로 사용하는 접근법을 성공적으로 구현했습니다. 이 접근법은 가격 연쇄의 단순한 수익률과 주어진 후행 중지 메커니즘 (현재 우리는 무역 관리에 대해 5 가지 선택 사항을 구현 함)을 통해 관리되는 거래의 실제 성과 사이의 관계를 도출하고자하는 사례를 구축합니다. 이 접근 방식이 시스템을 생성하는 데 성공했기 때문에, 입력 값이 실질적으로 더 좋거나 적어도 동등하게 수익성이 있지만 상관없는 거래 결과를 얻기 위해 변경 될 수 있는지 궁금해졌습니다.
과거에는 지표 기반 신경망 시스템을 구축하려는 노력이 항상 실패했습니다. 나는 이동 평균, bollinger 밴드, stochastics 등 여러 가지 다른 지표를 시도했지만 결코 가격 반환에 대한 적절한 대체를 찾을 수 없었습니다. 저는 항상 RSI와 미래의 가격 반환 사이의 관계에 대해 확신 해 왔습니다. 적어도 EUR / USD & # 8211; 과거에 코딩 한 몇 가지 간단한 시스템 (예전의 자유롭게 사용할 수있는 Atinalla FE 포함)이 적어도 부분적으로이 표시기를 기반으로했기 때문에. 이를 염두에두고 상어 구현의 Neural Network 알고리즘 (위)과 출력 구조를 사용하여 현재 ML 저장소 (현재 80 개가 넘는 거래 시스템이 전적으로 비 상관 관계에 기반을두고 있음)를 만들었습니다. ML 메커니즘 재교육).
마지막으로 두 개의 다른 RSI 기간을 지난 2 개의 막대에 대해 5/10을 입력으로 사용하여 총 4 개의 입력 값을 제공하기로 결정했습니다. 이 시스템은 매일 5 GMT + 1 / + 2로 거래되며이 시간에이 입 / 출력 구조를 사용하여 시그 모이 드 기능을 사용하여 신경망을 훈련시키는 예제를 작성합니다. 출력물의 경우, 새로운 스톱 값이 ATR의 1.4 배에서 열리는 각 새 막대에서 이동하는 후행 중지 메커니즘을 사용한 장 / 단 거래 결과 (두 개의 뉴런 의미)를 사용했습니다. 현재의 것. NN은 4/2/2의 토폴로지를 가지며, 여기서는 4 개의 입력 뉴런, 2 개의 숨겨진 뉴런 및 2 개의 출력 뉴런을 나타냅니다. 이 알고리즘은 105 개의 예제가있는 움직이는 창을 사용하여 거래가 일어날 때마다 모든 막대 (300 개 에포크)에서 재 훈련됩니다. 위에서 F4 프레임 워크의? regression_i_simpleReturn_o_tradeOutcome 함수에서 RSI 입력을 어떻게 생성했는지 보여주는 코드의 작은 부분을 볼 수 있습니다.
위의 실험을 사용한 첫 번째 결과는 EUR / USD의 간단한 수익률을 사용하는 경우와 비슷한 수익성을 가진 거래 시스템의 생성으로 상당히 만족 스러웠습니다. 그러나 이러한 시스템은 간단한 수익률을 사용하여 생성 된 전략과의 상관 관계가 낮아 예측 능력이 이러한 입력을 기반으로 한 신경망 전략의 잠재력에 잠재적으로 보완된다는 것을 보여줍니다. 혼합 된 결과는 로그 y 축 (위의 성능 그래프 참조)에서 매우 선형 적으로 나타나고 최대 drawdown 값은 지난 27 년간의 백 테스트에서 무역 당 1 % 위험으로 약 20 %입니다. 일부 다른 결과와는 달리 현재의 그래프 기울기는 현저히 감소하지 않아이 기술이 현재 시장 상황을 성공적으로 해결할 수 있음을 시사합니다.
나는 또한 RSI 기간의 변화 또는 다른 쌍의 결과를 탐색하지 않았으므로, 이러한 지표 결과가 이러한 유형의 투입물을 사용하여 달성 할 수있는 것보다 여전히 낮을 수있는 이유를 제시합니다. 그럼에도 불구하고 사용 된 현재 출력 구조가 전형적인 가격 반환 입력과 다른 입력을 사용할 수 있다고 제안하면서 결과는 고무적입니다. 이 점을 염두에두고 Asirikuy 커뮤니티를위한보다 다양 화 된 전략을 수립하고 가격 수익률이 낮은 예측 능력을 제공하는 기호에 대해 더 나은 결과를 찾기를 바랍니다. 이 분야의 연구가 발전함에 따라이 시스템에 관한 글을 계속 게시 할 것입니다.

QTML & # 8211; 기계 학습을 통한 양적 거래.
기계 학습을 통한 양적 거래.
파이썬을 이용한 단일 지표 기반 전략의 예 (Bollinger bands)
บทความ นี้ เรา จะ นำ ตัวอย่าง การ สร้าง กล ยุทธ ใน การ เทรด จาก 볼린저 밴드 ด้วย 파이썬 มา ฝาก กัน ค่ะ โดย เรา จะ แสดง ให้ เห็น ว่า 파이썬 เป็น ภาษา ที่ ยืดหยุ่น มาก สามารถ ใช้ ใน การ เทรด ได้ อย่าง สมบูรณ์ ตั้งแต่ การ อ่าน ข้อมูล วิเคราะห์ ข้อมูล สร้าง เลยุทธ์ สร้าง สัญญาณ ซื้อขาย คำ น วน ค่า 돌아 가기 파이썬 ยัง สามารถ เชื่อม ต่อ กับ 대화 형 브로커 เพื่อ ส่ง สัญญาณ ซื้อ & # 8211; ขาย ได้ อัตโนมัติ ได้ แบบ สีาย ๆ กีด ด้วย.
อย่า ให้ เสีย เวลา เรา มา เริ่ม กัน เลย ดี กว่า การ เทรด โดย เขียน โปรแกรม ด้วย ตัว เอง ทั้งหมด แบบ ไม่ ใช้ ตัว ช่วย เลย ไม่ ได้ ยากเย็น อะไร นัก มี เพียง 5 ขั้น ตอน หลัก ๆ เท่านั้น ดังนี้ ใน บทความ นี้ เรา จะ ยัง ไม่ แจก 소스 코드 แต่ จะ มี การ ปล่อยตัว 소스 코드 ภายหลัง เพราะ จริงๆ การ ทำ โปรแกรม เทรด พวก นี้ ทำ ใน โปรแกรม สำเร็จรูป อาจ จะ ง่าย กว่า เยอะ แต่ ใน ขั้น ต่อ ไป เรื่อง ที่ เรา ต้องการ นำ ข้อมูล ไป วิเคราะห์ ใ ระดับ ที่ เป็น เชิง ลึก ขึ้น ตรง นั้น โปรแกรม สำเร็จรูป ไม่ อาจ จะ ตอบ โจทย์ เรา ได้ นั่นเอง นั่น เป็น เหตุผล ให้ 재단 อย่าง การ สร้าง โปรแกรม การ เทรด อย่าง ง่ายๆ ที่ สามารถ ทำ ใน โปรแกรม สำเร็จรูป ได้ ง่าย นั้น ออก มา เขียน เอา เอง ได้ ให้ นั้น สำคัญ เพราะ ต่อ ไป เรา จะ นำพา ไป ใน ระดับ ที่ สูง กว่า นี้ แน่นอน.
1 단계 : 데이터 세트를 다운로드하십시오.
ขั้น ตอน แรก เป็น ขั้น ตอน ที่ ง่าย ที่สุด ซึ่ง ก็ คือ การ อ่าน ข้อมูล หุ้น เข้า มา นั่นเอง การ อ่าน ข้อมูล เข้า มา สามารถ ทำได้ หลาย วิธี ด้วย กัน ไม่ ว่า จะ เป็นการ อ่าน ข้อมูล โดยตรง จาก เว็บไซต์ ผู้ ให้ บริการ เจ้า ต่างๆ เช่น 구글, 야후 หรือ Quandl เป็นต้น หรือ อีก วิธี นึง ก็ คือ การ อ่าน ข้อมูล จาก ไฟล์. csv หรือ 데이터베이스 ที่ ได้ ทำการ 다운로드 ไว้ แล้ว.
2 단계 : 표시기 (기능) 및 계산 선택.
ขั้น ตอน ที่ 2 แน่นอน เมื่อ มี ข้อมูล แล้ว เรา ก็ สามารถ ทำการ คำนวณ ค่า 표시 ที่ เรา ต้องการ ใช้ ใน การ สร้าง กลยุทธ์ ใน การ เทรด ซึ่ง ใน ที่ นี้ เรา จะ ทำการ คำนวณ ค่าะ 볼린저 밴드 ซึ่ง สามารถ ทำได้ ง่าย มาก ๆ โดย การ เรียก ใช้ ฟังก์ชัน ใน Talib การ คำนวณ มี แค่ บรรทัด เดียว เท่านั้น ดังนี้.
timeperiod = 14, nbdevup = 2, nbdevdn = 2, matype = 0)
เรา ก็ จะ สามารถ คำนวณ ค่า 볼링 어 밴드 ของ ทั้ง ข้อมูล ได้ และ ยัง สามารถ แสดง ผล ได้ อย่าง สวยงาม ดังนี้.
มา ดู ภาพ ขยาย 볼린저 밴드 กัน ชัด ๆ อีก หน่อย จาก รูปภาพ ด้าน ล่าง จะ เห็น ได้ ชัด ว่า เมื่อ เรา คำนวณ 볼린저 밴드 ใน การ แสดง ผล เรา จะ 플롯 ข้อมูล 4 ชุด ด้วย กัน คือ.
ข้อมูล ราคา & # 8211; & gt; (이동 평균) & gt; & gt; & gt; & nbsp; & nbsp; & nbsp; & nbsp; & nbsp; & nbsp; (เส้น ประ สีน้ ง ง ง เนิน) ข้อมูล 위턱과 아래턱 턱뼈에있는 턱뼈 궤양, 어깨 뼈, 어깨 관절, 어깨 관절, (เส้น ประ สี เขียว และ แดง)
3 단계 : 지표 (Bollinger Bands) 거래 신호 설정.
เมื่อ คำนวณ ค่า ต่างๆ ที่ เกี่ยวข้อง กับ 볼린저 밴드 เรียบร้อย แล้ว ขั้น ตอน ต่อ ไป ก็ คือ การ คิด กลยุทธ์ ที่ เรา จะ ได้ ใน การ สร้าง สัญญาณ ซื้อขาย ใน ที่ นี้ เรา จะ ลอง สร้าง สัญญาณ ง่ายๆ กัน ก่อน โดย.
เรา จะ เข้า ซื้อ เมื่อ ค่า 근접 ของ สอง วัน ที่ แล้ว มี ค่า น้อย กว่า 낮은 밴드 ใน ขณะ ที่ ค่า 근접 เมื่อ วาน มี ค่า มากกว่า 하위 밴드 (ค่า 근접 วิ่ง ตัดเส้น 낮은 밴드 ขึ้น มา) เรา จะ ขาย เมื่อ ค่า 근접 ของ สอง วัน ที่ แล้ว มี ค่า น้อย กว่า 상단 밴드 ในะ ที่ ค่า 닫기 เมื่อ วาน มี มากกว่า 상단 밴드 (상단 밴드 닫기 ขั้น มา 닫기)
นี่ เป็นการ สร้าง สัญญาณ อย่าง ง่าย ที่สุด นะ คะ โดย นำ เส้น 낮은 밴드 มา ใช้ ใน การ ตัดสินใจ เข้า ซื้อ และ ใช้ เส้น 상위 대역 ใน การ ตัดสินใจ ขาย ด้วย สมมุติฐาน ที่ ว่า เมื่อ ไหร่ ก็ตาม ที่ ราคา วิ่ง ออก นอก ช่วง 어퍼 หรือ 낮은 대역 ดัง กล่าว ใน ที่สุด แล้ว ราคา ก็ ต้อง ต้อง วิ่ง กลับ ตัว เข้า สู่ ช่วง ตรง กลาง ระหว่าง เส้น 상위 และ 낮은 밴드 นั่นเอง.
상단 밴드 & # 8211; & gt; & nbsp; & nbsp; & nbsp; & nbsp; & nbsp; สามารถ ตีความ หมาย ได้ ว่า ราคา ขณะ นี้ มา มวาม เป็น ไป ได้ ที่ จะ ดังนั้น สามารถ คาด หวัง ให้ ราคา ตก กลับ ได้ ใน อนาคต & gt; & gt; Lower Band & gt; & gt; & gt; & nbsp; & nbsp; & nbsp; & nbsp; & nbsp; & nbsp; & nbsp; & nbsp; สามารถ ตีความ หมาย ได้ ว่า ราคา ขณะ นี้ มา มวาม เป็น ไป ได้ ที่ จะ ดังนั้น สามารถ คาด หวัง ให้ ราคา ดีด ขา้น มา ได้ ใน อนาคต & # 8211; & gt; ส่ง ผล ให้ มี การ เข้า ซื้อ.
Python จาก กลยุทธ์ ข้าง ต้น กัน ค่ะ.
Bollinger Bands의 신호를 사고 파십시오.
볼링거 밴드 (Bollinger Bands)는 넙치 벙어리 (Blowinger Bands)와 함께 할 수 있습니다.
จาก รูป ด้าน บน จะ เห็น ได้ ว่า เมื่อ ราคา 확대 (เส้น สี ดำ) วิ่ง ตัดเส้น 하위 밴드 (เส้น สี แดง) ขึ้น ระบบ ก็ จะ สร้าง สัญญาณ & # 8220; ซื้อ (+1 คือ สัญญาณ เข้า ซื้อ) # 8221; ขึ้น มา ใน ทาง กลับ กัน เมื่อ ราคา 닫기 닫기 윗쪽 밴드 (เส้น สี เขียว) ขึ้น ก็ จะ ทะการ สร้าง สัญญาณ ขาย (-1 คือ สีญญาณ ขาย) & # 8221; ขึ้น.
4 단계 : 트레이딩 전략 백 테스트를 작성하십시오.
เมื่อ ได้ สัญญาณ ซื้อ & # 8211; ขาย มา แล้ว ขั้น ตอน นี้ เรา ก็ จะ ทำการ สร้าง กลยุทธ์ เพื่อ กำหนด ว่า ณ ช่วง เวลา หนึ่ง ๆ หุ้น ตัว นี้ จะ อยู่ ใน 포트폴리오 ของ เรา หรือ ไม่ เช่น เมื่อ มี สัญญาณ ซื้อ เข้า มา ระบบ ก็ ทำการ สั่ง ซื้อ และ เมื่อ คำ สั่ง สมบูรณ์ 위치 นั้น 귀하의 포트폴리오에 대한 포트폴리오 포트폴리오에 대한 정보는 귀하의 사이트에서 볼 수 있습니다.
포트폴리오 Bollinger 밴드 신호에서 crated.
포트폴리오 ภายใน 포트폴리오 กัน ชัด ๆ ค่ะ มา ดู รูป ขยาย สัญญาณ ภายใน 포트폴리오 กัน ชัด ๆ ค่ะ.
จาก รูป ด้าน บน จะ เห็น ได้ ว่า เมื่อ มี การ ซื้อ เกิด ขึ้น เมื่อ สถานะ ได้ รับ การ ยืนยัน แล้ว ระบบ จะ ใส่ 위치 นั้น ลง ใน 포트폴리오 (1 หมาย ถึง หุ้น อยู่ ภายใน 포트폴리오) ใน ทาง กลับ กัน เมื่อ เกิด การ ขาย ระบบ ก็ จะ เปลี่ยน สถานะ ของ position นั้น เป็น 0 ซึ่ง หมายความ ว่า หุ้น ไม่ อยู่ ใน 포트폴리오 นั่นเอง.
5 단계 : 수익을 계산합니다.
ก่อน ที่ จะ ทำการ ยืนยัน กลยุทธ์ และ ทำการ เชื่อม ต่อ กับ 인터랙티브 브로커 เพื่อ ให้ มี การ ส่ง สัญญาณ อัตโนมัติ เรา ก็ จะ มี การ คำนวณ ค่า 돌아 กัน ก่อน โดย เอา ผล ช่วง เวลา ที่ หุ้น อยู่ ใน พอร์ต และ อยู่ นอก พอร์ต มา คำ น วน เมื่อ เรา เขียน เอง เรา ก็ มี อิสระ ที่ จะ ใส่ อะไร หลาย ๆ อย่าง ใน การ เท ส ได้ เช่น위원회 불이행 แม้ กระ ทั้ง การ ทำ 시뮬레이션 ได้ หลากหลาย รูป แบบ ไม่ จำเป็น ต้อง เลือก เฉพาะ ที่ มี อยู่ ใน โปรแกรม สำเร็จรูป เท่ นั้น โดย ใน ที่ นี้ จะ ทำการ คำนวณ โดย คิด ค่า위원회 1 % ต่อ เทรด ก็ จะ ได้ ผลลัพธ์ ดังนี้.
ยัง ไม่ ต้อง กังวล เรื่อง ผล มาก มัน ย่อม ไม่ ดี มาก อยู่ แล้ว เพราะ นี่ มัน แค่ การ คำ น วน ใน มิติ เดียว ยัง ไม่ ได้ มี การนำ ML หรือ 리스크 관리 มา ช่วย แต่ อย่าง ใด แต่ ใน โพ ส ต่อ ไป เรา จะ อธิบาย เรื่อง การ 가설 น วน และ 가설 ของ การ ทำ ระบบ เทรด แบบ 지표 기반 และ 기반 기계 학습 กัน น.
นอกจาก는 แล้ว ยัง มี ค่า 일반 행렬 ที่ จำเป็น อื่น ๆ อีก มากมาย ที่ เรา ควร จะ ต้อง มี การ คำนวณ เช่น 샤프 비율 หรือ 자본 เป็นต้น ซึ่ง ใน ส่วน นี้ เรา จะ ยัง ไม่ ได้ แสดง ให้ ดู นะ คะ เพราะ จุด มุ่งหมาย ของ บทความ นี้ คือ 돌아 ค่า ต้องการ แสดง ขั้น ตอน ใน การ ทำงาน ด้วย การ เขียน โปรแกรม เอง เช่น 파이썬 ใน การ เทรด เท่านั้น หวัง ว่า จะ เป็น ประโยชน์ ไม่ มาก ก็ น้อย แก่ ผู้ ที่ สนใจ และ มี ความ ต้องการ จะ สร้าง ระบบ เทรด อัต โน มั ต ด้วย ตนเอง โดย ไม่ ใช้ โปรแกรม สำเร็จรูป หวัง ว่า คงจะ เห็น ภาพ การ ทำงาน โดย รวม ใน โอกาส หน้า ทาง เรา ก็ จะ นำ 소스 코드 มา ฝาก กัน ต่อ ไป ค่ะ.

단순히 파이썬.
프로그래밍, 파이썬, 자동화.
볼린저 밴드.
파이썬으로 기본 주식 기술적 분석.
주식에 대한 간단한 기술적 분석은 그래픽 디스플레이가있는 python pandas 모듈을 사용하여 수행 할 수 있습니다. 단순 이동 평균, 이동 평균 수렴 발산 (MACD) 및 볼린저 대역 및 폭을 포함한 기본 분석의 예.
기술 분석을 수행하려면 각 주식에 대해 일일 가격을 수집해야합니다. Yahoo Finance API는 필요한 데이터를 검색 할 수 있습니다. 이전 글에서는 YF API를 파이썬에 연결하는 방법에 대해 설명했습니다. 과거 가격이 검색되면 Pandas 롤링 평균 방법을 사용하여 다양한 기술적 분석을 얻는 방법을 쉽게 수행 할 수 있으며 Pandas 플롯 기능 및 Matplotlib의 추가 도움말을 사용하여 플롯을 수행 할 수 있습니다.
다음은 hist 데이터를 초기화하고 특정 주식에 대한 Bollinger Bands 및 Bollinger Width를 표시하는 스크립트 스 니펫입니다 (Keppel Corp : BN4.SI).
카테고리.
2017 년 1 월 (1) 2016 년 3 월 (1) 2016 년 1 월 (1) 2016 년 1 월 (1) 2016 년 12 월 (1) 2015 년 12 월 (1) 2015 년 9 월 2015 년 2 월 2015 년 7 월 2015 년 1 월 2015 년 2 월 2015 년 4 월 2015 년 3 월 2015 년 2 월 2015 년 1 월 3 월 2014 년 12 월 2) 2014 년 11 월 (2) 2014 년 5 월 (2) 2014 년 4 월 (5) 2014 년 3 월 (3) 2014 년 3 월 (2)
내가 팔로우하는 블로그.
최근 트윗.
내 Github 링크.
최근 게시물.
2017 년 7 월 22 일 Scikit을 사용하여 홍채 데이터 분석하기 XGBoost 설치 Windows에서 2017 년 6 월 20 일 열차 고장 알림 생성 2017 년 2 월 6 일 Python Scrapy Part 2를 사용하여 주택 가격 스크랩 Part 2 2016 년 12 월 12 일 Python으로 Google 스프레드 시트 자동화 (2016 년 12 월 6 일).
인기 게시물 & amp; 페이지.
개인 링크.
카테고리.
양적 환경 데이터 분석 및 시뮬레이션을위한 코딩 예제.
WordPress에 게시 된 최고의 콘텐츠를 매일 읽음으로써 읽고 싶은 사람이 수집합니다.
큰 데이터, 데이터 분석 및 기계 학습을 탐구하십시오.
랜덤 리틀 소프트 / 하드 물건.
게으름, 코드 감소, 친환경
dots2art julienleonard를위한 생성 예술 블로그.
데이터 과학, 기계 학습, CS 이론, 시스템 & amp; 편물.