Better Strategies 5: A Short-Term Machine Learning System – The Financial Hacker
It’s time for the 5th and final part of the Build Better Strategies series. In part 3 we’ve discussed the development process of a model-based system, and consequently we’ll conclude the series with developing a data-mining system. The principles of data mining and machine learning have been the topic of part 4. For our short-term trading example we’ll use a deep learning algorithm, a stacked auto
FXシステムトレードのプログラムをいくつか作ってみて分かった課題とその解決法について - Qiita
以下の通りいくつか、システムトレードのプログラムを作ってきましたが、継続的（長期ではなく短中期でも安定して）に勝つには課題があることが分かったので書いておきます。 ※コメント欄に画像のリンク張ってたりしてるので、そちらもご覧ください ディープラーニングでFXのシステムトレーディングをするコードを書いた - Qiita 機械学習を用いたオレオレFXシステムトレーディングプログラムのロジック解説 - Qiita ディープラーニングでFXのシステムトレーディングをするコードを書いた (2) -RNN/LSTM編- - Qiita xgboostによる決定木アンサンブル学習でFXのシステムトレードするコードを書いた - Qiita 市場は常に変化しており1つのアルゴでは対応しきれない（ように思えた） 当たり前かもしれないが、機械学習でアルゴを作っても勝てる期間と勝てない期間が出てくる（数カ月とかの
Deep Q-LearningでFXしてみた - GMOインターネットグループ グループ研究開発本部
次世代システム研究室のJK（男）です。よろしくお願いします。 今回はDeep Q-Learningという手法でFXをやってみたので紹介します。前回のブログでは、LSTMというディープラーニング(Deep Learning; 深層学習とも)の一種を使って、株価変動の予想をしました。これは「教師あり学習」という手法で、コンピュータに常に「正解」を教えて学習させます。でも、よくよく考えると金融商品って時間変動の予想が最終目標じゃないですよね。最終目標は（基本的に）金融商品の売買で儲けること。つまり予想を元に、いま売るのか、買うのか、何もしないのか、という「行動」を決めることです。完全に未来がわかるのでもない限り、この行動に「正解」が無いことがわかります。 完全に予想するのは無理（短期的には買ったり負けたり）かもしれませんが、長期的には儲けるような「方針」は立てられるかもしれない。このように「方針
深層強化学習でシステムトレードをやる時に役に立ちそうな資料まとめ - ニートの言葉
Photo via Visual Hunt 少し前のことですが、AlphaGoという囲碁の人工知能プログラムがイ・セドル九段に勝利したことで話題になりました。*1 また、一部のゲームにおいて「DQN（Deep Q-network）」が人間よりも上手くプレイするようになったというニュースも話題になっていましたね。*2 今回はこれらの事例で使われている「深層強化学習」という仕組みを使って、FXのシステムトレードができないかと思い、調べてみました。 注意：強化学習もFXも勉強し始めたばかりなので、色々間違っている箇所があるかもしれません。ご指摘いただけると幸いです。 今回の内容 1.強化学習について 1-1.強化学習 1-2.Reinforcement Learning: An Introduction (2nd Edition) 1-3.UCL Course on RL 1-4.強化学習につい
遺伝的アルゴリズムを用いたシステムトレードの売買ルール構築 - Qiita
はじめに 今までtwitterの方でシステムトレード関連の話題を書いてきましたが、今回からQiitaを用いる事にします。主に最適化アルゴリズムや学習アルゴリズムを用いたシステムトレード手法についていろいろ書いていこうと思っているのでよろしくお願いします。 さて、記念すべき1回目ですが、遺伝的アルゴリズム（以降GA）を用いたシステムトレードの売買ルール構築について話していきます。システムトレードに用いる売買ルールは従来ならばユーザが独自の判断で決めていたものですが、今回はGAを用いる事でシステムの方で利益が出そうな売買ルールを自動構築していきます。このシステムがあればFXの知識が浅い初心者でも取引が行えますので参考にしていただけたら幸いです。 ※本記事はGA、テクニカル指標、MT4の知識がある前提で話を進めていきます。よろしくお願いします。 GAによる取引戦略の最適化 システムに用いる取引戦
Alpacaが100万米ドルを資金調達、画像の深層学習を用いたトレーディング・プラットフォームを開発へ - BRIDGE（ブリッジ）テクノロジー＆スタートアップ情報
Alpacaが100万米ドルを資金調達、画像の深層学習を用いたトレーディング・プラットフォームを開発へ サンマテオ（シリコンバレー）と東京に拠点を置き、人工知能技術を使ったウェブサービスやアプリを開発するスタートアップ AlpacaDB（以下、Alpaca と略す）は19日、NECキャピタルソリューションとSMBCベンチャーキャピタルによるファンド、アーキタイプベンチャーズ（アーキタイプの投資専門会社）、連続起業家でエンジェル投資家の木村新司氏、ビップシステムズから総額100万米ドルの資金を調達したと発表した。 Alpaca は今回調達した資金を使って、画像の深層学習（deep learning）を用いたトレーディング・プラットフォーム「Capitalico（キャピタリコ）」を開発に着手し10月初頭からβテストを開始しており、2016年1月のパブリック・リリースを目指す。Alpaca は今
システムトレード(非)入門 従属性の検定（１）Ｚスコア
Excel、SQL、MT4、TradeStation、プログラミング、経済学、統計学、金融工学少々、お好みでフラクタル、遺伝的アルゴリズムなど。そして持ち得る限りの忍耐力とファイティングスピリット。 まだ第１章しか読み終えてませんが、有用性も難易度も想像以上の手応え。一読では済まずこれから何度も読み返すことになるでしょうが、せっかくブログを始めたので、この本を教科書としてそのノートを自作する感覚で記事を書いてみようと思います。 読み進める＆読み返すうちに、過去記事を何度も加筆修正することになるかもしれません。 第１章の最重要トピックと感じたのは、従属性の検定です。 ここでいう従属性とは「過去のトレード結果が次のトレード結果に影響を与えているかどうか」という意味です。 （検定対象を過去と現在の値動きに置き換えれば、これはまさしくランダムウォーク・モデルの検証になります。 またあるシステムのト
Zスコアの計算
あるストラテジに沿ったトレードの結果から、各トレード間に勝ち負けの従属性があるかどうかをチェックする方法として、Zスコアなるものを導入します。 Zスコアや、オプティマルfはラルフビンスさんの書籍を参考にしています。先生は凄い人です^^ まず初めにお詫びがあります。 先日の記事のなかで、Zスコアの解釈について誤った記載がありました。 プラスのZスコアは、 勝ちトレードが負けトレードを呼び、負けトレードが勝ちトレードを呼ぶ マイナスのZスコアは、勝ちトレードが勝ちトレードを呼び、負けトレードが負けトレードを呼ぶ この見方が、Zスコアの正しい見方となりますが、真逆に記載しておりました。なお、先日の記事は修正済みです。 申し訳ございませんでした。 さて、今回の目的は、RR HippoのZスコアを調べ、成績向上に利用できるかを確認することです。（最終的に脇道に逸れていきますが、、、） Zスコアの計算
ランダムウォーク、トレンド、平均回帰条件下の平均回帰戦略 - FXシステムトレード
更新日：2016年7月23日 ランダムウォーク、トレンド、平均回帰条件下の平均回帰戦略がどのようなパフォーマンスとなるかを考えてみる。 データは y(t) = a * y(t-1) + e(t) という式によって作成した。 「y(t)」はt時点におけるyの値、「a」は定数、「y(t-1)」はt-1時点におけるyの値、「e(t)」はt時点におけるランダム項である。 「a = 1」のとき、データはランダムウォークであり、「a > 1」ならトレンド、「a 平均回帰戦略のトレードルールは計算期間は20で 買いエントリー ○zスコアが-2.0以下。 売りエントリー ○zスコアが2.0以上。 買いエグジット ○zスコアが0以上。 売りエグジット ○zスコアが0以下。 とする。 コストは考慮しない。 「a = 1.00」（ランダムウォーク）の場合 ○以下のコマンドをSpyderの「IPython co
グリッドトレード戦略でFXシステムトレード - Qiita
http://qiita.com/ryo_grid/items/a3163ac50806f8494a53 の続きといえば続き。 友人がシストレしていた戦略を真似してコード化してみた。 戦略は以下。 決められた価格範囲の決められたpips間隔でポジションが無ければ買っていく(プログラムの都合上かならずしもその間隔ぴったりにはならないが) 持っているポジションで一定以上の利益の出ているものがあれば利確 要は決められた価格範囲内で、相場が下落したら無限ナンピンするような感じ シミュレーションはUSDJPYでやった。もちろん他の通貨でも利用可能。 レンジ相場や相場が上昇している局面(円高進行)だと勝てるが、円安が進み、さらに定めた価格範囲を超えて進行すると死ぬ http://jp.dynamictrade.eu/forex-grid-trading コードは以下。 https://github.c
Wizard in the Market
バックアップしていた mp4 ファイルが開けない Google Photos に Pixel 端末からアップロードすると、動画ファイルだろうと容量無制限でアップロードできることに気づいてしまって、バックアップしていた動画をひたすら Pixe...
Keras LSTM Time Series
I have a problem and at this point I'm completely lost as to how to solve it. I'm using Keras with an LSTM layer to project a time series. I'm trying to use the previous 10 data points to predict the 11th. Here's the code: from keras.models import Sequential from keras.layers.core import Dense, Activation, Dropout from keras.layers.recurrent import LSTM def _load_data(data): """ data should be pd.
ディープラーニング（TensorFlow）を使用した株価予想 ～その2～ - Qiita
前回の続き。 ディープラーニングのフレームワークであるTensorFlowを使用して株価を予想するぞ～、というお話です。ちなみに前回は完全に失敗でした。 前回のコメントで、tawagoさんから「Googleが同じようなことしている」という情報をいただいたので、そちらをコピ・・・インスパイアしてみました。 前回との相違点 前回は、「数日分の日経平均を使用して、次の日の日経平均が上がるか、下がるか、変わらないか（3択）を予想する」ものでした。 Googleのデモでは、「数日分の世界中の株価指数（ダウ、日経平均、FTSE100、DAXなど）を使用して、次の日のS&Pが上がるか下がるか（2択）を予想する」という内容でした。 ということで、下記が前回からの主な変更点となります。 - 「上がるか」「下がるか」の2択 - 日経平均だけでなく、他国の株価指数も使用 - 隠れ層x2、ユニット数は50,25
目次
（お知らせ）現在、記事をhttps://qiita.com/fxst24に移行中です。 目次 01 FX 12 通貨ペアの自己相関 13 通貨ペアの平均回帰 14 通貨ペアのブレイクアウト 15 通貨ペアのブレイクアウト後 02 バックテストの陥穽 01 先読みバイアス 02 データ・スヌーピング・バイアス 03 政府の市場介入によるバイアス 04 為替・株価の予測で注意すべきこと 03 パフォーマンス評価 02 週単位、月単位で勝つためのトレード数 04 リスク管理 01 2%ルール 02 最適レバレッジ 05 勝率とドローダウン期間の関係 06 季節性 01 日中効果とレート水準 07 変化率 01 Zスコアと変化率 02 トレンド期間と変化率 04 イベントとディレクション 05 ラウンドナンバーと変化率 08 ボラティリティ 02 新高値・新安値とボラティリティ 03 ラウンドナン
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
dynamictrade.eu
シストレプログラムで特徴量として利用しているテクニカル指標を整理してみた - Qiita
Evaluating the Employment of Technical Indicators in Predicting Stock Price Index Variations Using Artificial Neural Networks (Case Study: Tehran Stock Exchange)
Predicting direction of stock price index movement using artificial neural networks and support vector machines: The sample of the Istanbul Stock Exchange
トラリピ戦略？でFXシステムトレード - Ryoの開発日記 Neo!
『ディープラーニング（TensorFlow）を使用した株価予想 ～その2～ - Qiita』へのコメント
