Deep Learning, KI, Neuronale Netze in SQ4

Ich würde gerne eine Diskussion darüber eröffnen, was und wie genau man es in SQ4 integrieren / nutzen kann.

Unser derzeitiger Plan ist es, ein benutzerdefiniertes Modul für neuronale Netzwerke zu entwickeln, das in der Lage sein wird, NN zu trainieren, um Handelssignale zu erzeugen.
Wie es aus der Sicht der Nutzer funktionieren wird:

1. Der Benutzer konfiguriert die Eingaben - Liste der Signale/Indikatoren, die im NN verwendet werden sollen, einige NN-Eigenschaften, Backtest-Daten usw.
2. SQ4 trainiert das NN auf den historischen Daten mit Hilfe der genetischen Evolution
3. Das Ergebnis wird eine Strategie mit komplettem Quellcode sein, die TRAINIERTE neuronale Netzwerke verwendet, die Signale zum Kaufen/Verkaufen/Halten/Ausstieg erzeugen. Die Strategie kann in Mt4 oder anderen Handelsplattformen verwendet werden

Wir haben es über 50% fertig, es sollte recht einfach zu bedienen sein.

Ich bin offen für eine Diskussion darüber, welche Erwartungen Sie an Deep Learning haben und wie es Ihrer Meinung nach mit SQ4 funktionieren sollte.

Unsere oben beschriebene Implementierung ist eine "feste" Lösung, die nicht viele Anpassungen zulässt. Wir sind nicht gegen eine Integration von SQ mit TensorFlow oder einer ähnlichen Lösung, um mehr Flexibilität für den Deep-Learning-Prozess zu bieten.

Wir sollten nur herausfinden, wie wir es integrieren können - was von Seiten der SQ getan werden muss, damit es funktioniert und so flexibel wie möglich ist.

Hallo Mark,

Dies ist ein sehr gutes Thema. Ich möchte meine Erfahrungen über NN teilen.

Letztes Jahr habe ich ein überwachtes Multi-Layer-Perceptron in mql4 mit der Backpropagation-Lernmethode implementiert. Meine Eingaben sind die letzten X Balken Höchst-, Tiefst- und Schlusskurse sowie ein weiterer Preisindikator wie gleitende Durchschnitte. So erhält der EA beispielsweise bei jedem neuen Balken die Höchst-, Tiefst- und Schlusskurse der letzten 10 Balken als Input für das NN. Das erwartete Ergebnis wird 1 sein, wenn der zukünftige Preis TP erreicht (+2 ATR vom letzten Eröffnungskurs) und -1, wenn der zukünftige Preis den ST erreicht (-2 ATR vom letzten Eröffnungskurs).

Die NN laufen für jeden Balken und ich habe über einen langen Zeitraum getestet, aber das Endergebnis ist, dass die NN nicht trainiert haben und keinen Vorteil haben.

Nach einigen Recherchen entdeckte ich, dass die NN nicht trainieren, weil der Markt hat mehrere Muster oder Kerzenmuster und in diesem Modell, das ich gebaut, war ich präsentiert mehrere Muster für NN und es ist der Grund, warum NN war nicht Ausbildung. Weil jedes Muster hat Ihre Kante. Die ideale Welt, ist nur ein Muster für jeden NN und versuchen, dieses spezifische Muster zu trainieren.

Wir müssen also zunächst ähnliche Muster klassifizieren und ein bestimmtes Muster in das NN eingeben, um zu sehen, ob es trainiert werden kann.

Ich habe also einen neuen Ansatz gefunden, den ich nun implementieren möchte und arbeite daran. Die erste Aufgabe ist das Clustering ähnlicher Muster. Ich habe einen guten Algorithmus namens BIRCH clustering (balanced iterative reducing and clustering using hierarchies) zur Klassifizierung von Mustern gefunden. Mit dem BIRCH-Clustering kann ich ähnliche Muster filtern, wie in der beigefügten Grafik.

Wie wir sehen können, ist jedes Rechteckfeld ein spezifisches Muster, und ich denke, das ist der beste Weg, um NN zu implementieren.

Nachdem wir die Muster klassifiziert haben, legen wir sie einem NN vor und sehen, ob es dieses spezifische Muster trainieren kann.

Tensorflow wäre interessant oder eine der Variationen davon, z.B. Tensorflow Lite oder Keras. Ich würde viel lieber eine Integration anderer Python-Pakete wie scikit-learn sehen. Random Forest und Ensembles Methoden würden meiner Meinung nach gut mit GP funktionieren. Pymc3 für Bayes'sche Modellierung wäre eine schöne Ergänzung (für Version 5 oder 6 :))

Gibt es schon eine Diskussion über die Preise für das Upgrade von Version 3 auf 4 oder ist das eher eine Frage des Abwartens?

Ich denke, beim derzeitigen Stand der so genannten KI ist es besser, sie in den Prozess der Strategiefindung zu integrieren als in die Entscheidungsfindung beim Handel.

Ich habe keine Beweise für maschinelles Lernen, Deep Learning usw. gesehen, um auf echten Konten Gewinne zu erzielen.

Hallo Mark,
Vor kurzem habe ich diesen EA-Generator von BJF (http://eagenerator.com/), bei dem es sich offenbar nur um den Hlaiman (http://hlaiman.com/) Produkt neu verpackt zu einem viel höheren Preis...
Es gibt eine Demo EA und Indikator auf MQL5.com, sowie einige Artikel vom Schöpfer über seine Verwendung: https://www.mql5.com/en/search#!keyword=hlaiman
Hier ist ihre Dokumentation: http://hlaiman.com/download/EA%20Generator/Using%20EA%20Generator%20EN.pdf

Mir ist aufgefallen, dass es dort auch eine ganze Reihe von Artikeln zu neuronalen Themen gibt: https://www.mql5.com/en/search#!keyword=neural

Wahrscheinlich eine bessere Nutzung der Zeit als nur zu würfeln... 😉 .

warum glauben Sie, dass DL in SQ4 nicht funktionieren würde. Welche KI-Erfahrung haben Sie? Es hängt alles davon ab, wie und mit welchen Algorithmen Sie Ihre Architektur implementieren. KI an sich erfordert ein tiefes Wissen darüber, was man eigentlich tut und was man erreichen will.

Einfach ein paar halbgare KI-Algorithmen (in der Regel überwachte, flache Algorithmen) zusammenzuwürfeln, um das Problem des Handelsbereichs zu lösen, ist eine unausgereifte Idee.

KI funktioniert, wenn man das richtige Wissen hat und es richtig einsetzt, sonst ist es so, als würde man mit einem Maschinengewehr im Blindflug schießen und hoffen, dass man sein Ziel trifft.

Hallo Mark,

Haben Sie ENCOG Machine Learning in Betracht gezogen? Es hat eine JAVA-Bibliothek dabei (siehe diesen Link - https://github.com/encog).
Da SQ auch auf JAVA basiert, können die beiden vielleicht besser miteinander verschmelzen und sich gegenseitig ergänzen als Phyton oder andere Pakete.
ENCOG ist seit vielen Jahren im Einsatz und hat sich als sehr stabil und schnell erwiesen. Was die Zeitreihen betrifft, so verfügt es über RNN.

Kerbe 😀 😀 😀 😀 😉

Ich bin der Meinung, dass es besser ist, sich darum zu bemühen, SQ4 so zu gestalten, dass es absolut zuverlässig und fehlerfrei ist, wie es ist.

NN und andere nichtlineare ML-Techniken führen in vielen Fällen nur zu einer weiteren Kurvenanpassung.

Dies ist eine großartige Idee und ein Gespräch. Ich würde gerne sehen, wie die Umsetzung dieses Moduls mit SQ4, die Nutzung und UI von MS Azure ML funktionieren wird, ist etwas zu sehen.

Hat sich dies in den letzten Jahren weiterentwickelt?

Ich bin sehr gespannt auf die Implementierung dieser Funktion in SQX. Gibt es in letzter Zeit irgendwelche Fortschritte bei dieser Funktion?

Hallo Strategyquant-Team,

Haben Sie die Entwicklung der Integration neuronaler Netze in SQ abgeschlossen?

Vielen Dank für Ihre Antwort.

Grüße Arvid

Ja, wir würden uns über jedes Update freuen.

Ich kann es kaum erwarten! Ist es fertig? Wie bekomme ich es, ich versuche, etwas für mt5 zu bekommen, wie mein Broker hat erstaunliche benutzerdefinierte Bedingungen

Hallo,

Neuronale Netze / mehrschichtiges Deep Learning ist derzeit kein Bestandteil von SQX, aber wir haben Pläne, dies in Zukunft zu implementieren. Wir können jedoch noch kein Datum versprechen, wann dies verfügbar sein wird.