سیستم های معاملاتی الگوریتمی نیز مانند ورزشکاران باید تربیت شوند-ترجیحا در فواصل منظم برای انطباق با شرایط متغیر بازار. اگر یک سیستم معاملاتی تدریس نشود, اغلب لبه خود را از دست می دهد و پس از مدت زمان نسبتا کوتاهی بی سود می شود. سه عنصر مختلف استراتژی وجود دارد که نیاز به تمرین دارند:
- پارامترهای استراتژی با بهینه سازی پارامترها با بازار سازگار می شوند
- مدل های یادگیری ماشین قوانین یا الگوهای معاملاتی را با استفاده از مدل یاد می گیرند
- استراتژی های نمونه کارها تخصیص سرمایه خود را بر اساس تولید عامل تطبیق می دهند
هر سه به روش های تمرینی کاملا متفاوتی نیاز دارند. اما همه اینها را می توان با تجزیه و تحلیل پیش رو ترکیب کرد. بسته به الگوریتم باید برخی از استراتژی ها با هر سه روش با هم تربیت شوند.
داده های بازار تاریخی, منحنی های قیمت, و/یا بازده بازده تجاری به طور معمول برای مجموعه داده های اموزش استفاده می شود . برای بهینه سازی یک پارامتر استراتژی طیف وسیعی از پارامترهای مختلف با داده های تاریخی قیمت برای پیدا کردن بهترین مقدار مناسب تست شده است. به عنوان مثال یک سیستم معاملاتی خودکار را تصور کنید که زمانی که منحنی قیمت از میانگین متحرک ساده خود عبور می کند موقعیت فارکس را خریداری و می فروشد و در فاصله معینی از قیمت توقف ضرر می کند. این استراتژی به طور معمول برای تعیین بهترین دوره مناسب بین 30 تا 300 بار و فاصله توقف بهینه بین 10 تا 100 پیپ تربیت می شود.
چرا تمرین?
بر خلاف باور عموم هدف از بهینهسازی پارامترها نباید بیشترین سود را داشته باشد. بهینه سازی پارامتر تجارت الگوریتم مناسب است 3 اهداف اصلی:
- تجسم کدام پارامترها بر عملکرد تاثیر می گذارد,
- تقویت استراتژی با تقویت بیشتر در برابر نوسانات بازار,
- تطبیق استراتژی با دارایی های مختلف نمونه کارها یا بازارهای در حال تغییر.
یک سیستم الگوریتم معاملاتی زنده همچنین باید بتواند به طور خودکار خود را در فواصل منظم با داده های قیمت اخیر یا نتایج معاملات اخیر دوباره تمرین کند. به این ترتیب سیستم برای همیشه با بازار سازگار می ماند.
اگر استراتژی از الگوریتم یادگیری ماشین مانند شبکه عصبی یا درخت تصمیم استفاده کند تمرین کمی متفاوت عمل می کند. این مجموعه ای از مقادیر داده ها - به نام سیگنال ها یا ویژگی ها - و یک هدف تمرینی مانند تغییر قیمت یا بازده تجاری ایجاد می کند. این به الگوریتم اجازه می دهد تا پیش بینی قیمت های بعدی یا نتایج معاملات بعدی را بیاموزد. این فرایند در فواصل زمانی برای به روز نگه داشتن الگوریتم یادگیری تکرار می شود. این برخلاف تمرین پارامترها تمرین قوانین یا تمرین مدل است . زیرا تمرین قوانین یا مدلها خطر بالای نصب بیش از حد را به همراه دارد , تست پشتی خارج از نمونه یا پیاده روی به جلو الزامی است.
راه اشتباه برای بهینه سازی یک سیستم تجاری-و راه درست
برای بهینه سازی پارامتر, نرم افزار تجارت الگوریتم اغلب با استفاده از الگوریتم های ژنتیک و یا بهینه سازی نیروی بی رحم به منظور پیدا کردن بالاترین قله عملکرد در فضای پارامتر. این دلیل اصلی این است که بسیاری از استراتژی های کاملا بهینه شده در تجارت زنده به طرز بدی شکست می خورند. این روش ها استراتژی های قوی تولید نمی کنند. خرس های پاندا تولید می کنند که کاملا با یک مجموعه داده های تاریخی خاص سازگار هستند اما در هیچ جای دیگر زنده نمی مانند.
چشم انداز عملکرد از بهینه سازی 2 پارامتر. این استراتژی فلات عملکرد پایداری ندارد.
زورو روش دیگری را ترجیح می دهد. بهینه ساز صعود به طور پیش فرض خود را می کند قله عملکرد به دنبال ندارد, اما فلات عملکرد پایدار, و مکان پارامترهای به نقاط شیرین خود را. این لزوما بهترین عملکرد پشتی را ایجاد نمی کند اما استراتژی های قوی با نتایج تجاری بهتر را تولید می کند. برای مقاصد خاص, معمولی بهینه سازی نیروی ژنتیکی یا بی رحم نیز موجود است, و ماژول های بهینه سازی خارجی, به عنوان مثال در تحقیق بسته, همچنین پشتیبانی می شوند.
تفاوت دیگری نیز در تربیت استراتژی معمولی وجود دارد. اکثر سیستم عامل ها منویی برای وارد کردن پارامترها و تنظیمات تمرین دارند. زورو چنین منویی ندارد. تمرین در اسکریپت استراتژی درست مثل هر چیز دیگری کدگذاری شده است (اسکریپت یادگیری ماشین را به عنوان مثال ببینید). این امر بهینه سازی را به بخشی جدایی ناپذیر از استراتژی تبدیل می کند و امکان تمرین مجدد خودکار استراتژی را در حین تجارت زنده فراهم می کند.
تمرین پارامتر به طور معمول به هزاران بک تست با مجموعه پارامترهای مختلف نیاز دارد. بنابراین سرعت ماژول پشتی برای بهینه سازی موثر ضروری است. زورو می تواند یک سیستم نمونه کارها روزانه چند پارامتر در چند ثانیه بهینه سازی. برای دستیابی به این هدف از پردازش موازی عظیم با فعال کردن چندین هسته پردازنده استفاده می کند.
کپی رایت © 2022 توسط عملیات گروه المان شرکت. تمامی حقوق محفوظ است. با مرور این وب سایت شما را به سیاست حفاظت از داده ها ما دیدن همه موارد.
