آلة التعلم الفوركس 2012

تعلم الآلة تطبق على الفوركس تعلم الآلة يمكن أن يساعدنا على تحسين استراتيجيات التداول التلقائي. من خلال دراسة كمية هائلة من المعلومات الماضية، يمكننا تحديد الأنماط التي تساعدنا على التنبؤ بتطور السوق إلى حد كاف. وهذا بالطبع ما يفعله بعض المتداولين منذ فترة طويلة، لكن أتمتة العملية تسمح لنا بإيجاد استراتيجيات أفضل بكثير وأسرع بكثير مما يتطلبه الإنسان. هنا نقترح استراتيجية المضاربة التي تم اختبارها بنجاح ويوضح الاحتمالات التي جلبتها التعلم الآلي في النقد الاجنبى. العثور تلقائيا على استراتيجية المضاربة الفوز على اليورو يوروس هو زوج مربح جدا لاستراتيجية المضاربة بنيت من خوارزميات التعلم الآلي، على الرغم من أن لدينا طريقة قادرة على العثور على استراتيجيات الفوز على غيرها من الصكوك وبعض التي تعمل عبر العديد من الصكوك، واستراتيجيات وضعت ل يوروس إعطاء أفضل العوائد. هذه هي الطريقة التي بنيت الاستراتيجيات. لا يمكننا إطعام السعر الفعلي للخوارزمية لأننا نريد أن يتعرف على الأنماط بشكل مستقل عن ارتفاعها على الرسم البياني. لذلك نحن تغذية ذلك تحركات الأسعار، من عالية إلى عالية ومنخفضة إلى منخفضة (أفضل من فتح لإغلاق). هذا هو نوع بسيط من المؤشرات مع قوة تمييزية مثيرة للدهشة بين أنماط الفوركس. ولكن ما هي الفواصل الزمنية التي يجب أن نختارها لمؤشراتنا وباستخدام المرتفعات والمنخفضة على مدى الفترة التي تجيب فيها الخوارزمية على هذا السؤال بالنسبة لنا عن طريق تحسين مجموعة من المؤشرات وتسجيلها من خلال مدى إستراتيجية جيدة يمكننا الاعتماد عليها. الطريقة المستخدمة للتحسين هي خوارزمية وراثية. نبني بضع مجموعات من المؤشرات أقوى منها (درجة أعلى) لديهم فرصة أفضل ل لدكوريبرودوسينغردكو و لدكوموتاتردكو بينما يتم استبدال تلك الأضعف. هذا الأسلوب يميل إلى تحسين مجموعات المؤشرات وأنه هو آلاف المرات أسرع من مجرد محاولة الخروج من كل إمكانية واحدة. نحن نسجل مجموعة من المؤشرات من خلال مدى استراتيجية جيدة يمكننا بناء معها. يتم بناء الاستراتيجيات تلقائيا باستخدام خطوة التحسين الثانية وهيكل البيانات، الشبكة العصبية الاصطناعية. الشبكة العصبية يأخذ كمدخلات قيم المؤشر لفترة معينة ويخرج بعض المعلومات حول مستقبل الصك. ماذا يتنبأ الشباك العصبي الاصطناعي تحاول الشباك العصبية التنبؤ بعامل ربح عادي (الربح الإجمالي مقسوما على الخسارة الإجمالية) على صفقة واحدة خلال فترة معينة في المستقبل. الفترة المعنية يمكن أن تتراوح بين 3 و 10 أيام، بل هو المعلمة الأمثل للاستراتيجية. ولذلك، فإن إستراتيجيتنا لا تستخدم بالضرورة وقف الخسائر وتحقق الأرباح، وبدلا من ذلك، نفتح موقعا لمقدار محدد سلفا من الوقت ونغلق الموقف في نهاية تلك الفترة، مهما حدث. يتم تصنيف صافي من قبل نسبة من التوقعات الصحيحة وزنه من قبل إترسكوس الدقة. وبدلا من ذلك، يمكن لشبكاتنا العصبية التنبؤ بما ينبغي أن تستثمره حصة رصيد الحساب، ثم يتم تصنيف الشباك عن طريق الرصيد النهائي للحساب أو عامل الربح الإجمالي. الفخاخ الشائعة في استراتيجيات أوتوماتيكترادينغ هناك بعض المزالق المشتركة لتكون على بينة في مثل هذه الاستراتيجيات حيث يبدو أن استراتيجية لتقديم أرباح مذهلة ولكن لا قيمة لها في الحياة الحقيقية. وأهم الاحتياطات هو أن الفترة التي يتم فيها اختبار الاستراتيجية ينبغي ألا تكون هي نفس الفترة التي بنيت فيها. وإلا يمكننا ببساطة توليد الآلاف من الاستراتيجيات العشوائية المعقدة واختيار واحد الذي يعمل بشكل أفضل على فترة معينة واحدة، ولكن إترسكوس فقط عندما يكون لدينا نتيجة إيجابية على مجموعة مستقلة من البيانات التي يمكننا أن نبدأ الثقة استراتيجيتنا. في الواقع نستخدم ثلاث مجموعات مستقلة من الوقت، يتم استخدام مجموعة التدريب لبناء النظام، يتم استخدام مجموعة التحقق من الصحة لتجنب الإفراط في التعلم ويتم استخدام مجموعة الاختبار للنتائج المبلغ عنها. في حالتنا، نصل إلى 60 الرهانات الصحيحة على مجموعة الاختبار الذي يمتد على مدى العام الماضي. بل هو أيضا ممارسة سيئة لتحسين الربحية ووقف الخسارة من البداية. عند تحسين استراتيجية على فترة قصيرة جدا، يمكن للمرء بسهولة الحصول على ربح شامل مدهش عن طريق وضع الربحية قريبة جدا ووقف الخسارة بعيدا جدا. وعندما يتم التوصل إلى وقف الخسارة في نهاية المطاف على مدى فترة أطول، فإن العواقب مدمرة. وبمجرد التوصل إلى استراتيجية مربحة، يمكن أن يكون الأمثل للربح ووقف الخسارة ولكن يجب أن لا تكون أبدا بعيدة جدا عن بعضها البعض. إن وضع الربحية ووقف الخسارة ليست استراتيجية بحد ذاتها، بل هي وسيلة للسيطرة على المخاطر. استراتيجية مثالية اختبار مع محاكاة معترف بها استراتيجيتنا يحصل على النظري 62.5 الرهانات الصحيحة على اليورو مقابل الدولار الأميركي. ولكن يمكننا الحصول على تقييم أفضل للاستراتيجية مع محاكاة جيدة وتطبيق الحياة الحقيقية للاستراتيجية. لهذا السبب قمنا بتنفيذ الاستراتيجية باستخدام أبي جفوريكس واختبارها على منصة جفوريكس. مرة أخرى، كنا حريصين على عدم خلط الفترة التي استخدمناها لتحسين استراتيجيتنا والفترة التي كنا نختبرها. نحن أيضا صقل استراتيجيتنا بعض أكثر ضبط المبلغ المستثمر في كل موقف لتعكس التنبؤات ستراتيغيسترسكوس. هذا تحسن كثيرا من عامل الربح (الربح الإجمالي مقسوما على الخسارة الإجمالية) من استراتيجيتنا. نحن نستخدم رافعة مالية لزيادة أو تقليل المخاطر والعائد المتوقع. أكثر من 161 الصفقات، عامل الربح لدينا ستراتيجيونيون فترة الاختبار هو 2.87 وهذا يعني أننا نحصل على 2.87 مرات أكثر ربح من تراجع في الصفقات. على الرغم من أننا فقط الحصول على 60.24 الصفقات مربحة، فهي أكثر ربحية من الصفقات الخاسرة هي غير مربحة. الإحصاءات النهائية نجد قول جدا هو الحد الأقصى للتراجع التوالي، 5، والأرباح القصوى على التوالي، 18 من الأسهم. لدينا حساب حقيقي تشغيل الاستراتيجية ولكن تم القيام بذلك لفترة زمنية صغيرة جدا جدا لتقييم ذلك بهذه الطريقة. نحن أيضا الأمثل أخذ الربح ووقف الخسارة. منذ نحن نرفض أن نرى تلك العوامل كعوامل استراتيجية ولكن يفضل رؤيتها كمعلمات السيطرة على المخاطر، ونحن دائما الاحتفاظ بها مساوية لبعضها البعض. والعكس يخلق اختلالا يجعل من الصعب تقييم الاستراتيجية. مرة أخرى، تم تحسين هذه المعايير على فترة مختلفة من فترة الاختبار. وأظهرت النتائج أن وقف الخسارة والربح ينبغي أن تستخدم بالفعل وأنه ينبغي أن توضع قريبة جدا، في حوالي 18 نقطة. وضع تلك أقرب إلى سعر الافتتاح لا يحسن عامل الربح الإجمالي ولكن على تلك المستويات، واللجان والرسوم تصبح مزعجة. وقف الخسارة والربح تحسين عامل الربح والاستقرار العام للاستراتيجية في حين أنها لا تعيق على الربح الإجمالي ولكن الرافعة المالية يمكن أن يعالج الوضع. عيوب استراتيجية التداول التلقائي نقد مشترك بشأن استراتيجيات الصندوق الأسود مثل استراتيجياتنا هو أن السوق يمكن أن تتغير فجأة دائما والاستراتيجيات التي عملت قبل ورسرسكوت العمل إلى أجل غير مسمى. وعلينا أن نعترف بأن هذا الأمر قائم تماما، ونعتقد أنه لا يمكن القيام بأي شيء لتجنب ذلك بدون كرة بلورية للتنبؤ بالمستقبل. ومع ذلك، فإنه أيضا شعورنا بأن هذه هي الحقيقة مع أي استراتيجية المضاربة، من صنع الإنسان أو غير ذلك. ومن الواضح أن النقد الأجنبي قد عانى من تغييرات كبيرة في الماضي. حجم هو مؤشر كبير لهذه المسألة أنه يعطي لنا حقا نظرة ثاقبة لحظة عندما يتم تداول طريقة الصك التغييرات. على الرسم البياني أدناه يمكنك مراقبة تطور حجم اليورو مقابل الدولار الأميركي في السنوات ال 16 الماضية. استراتيجية بنيت باستخدام البيانات التي بعيدة جدا دونسنرسكوت العمل بعد الآن. ومع ذلك، عملت استراتيجيتنا بشكل جيد على قدم المساواة على اليورو مقابل الدولار الأميركي على مدى السنوات القليلة الماضية ولا شيء يشير إلى أنه سيتغير في أي وقت قريب. هناك أمران يمكننا القيام به للحماية من التغيير المفاجئ في الطريقة التي يتم تداولها أدوات الفوركس. أولا، يمكننا مراقبة السوق والانتظار لتلك اللحظة عندما عملنا دوزنرسكوت العمل بعد الآن باستخدام الإحصاءات التي ينبغي أن تتبع استراتيجية مثل الحد الأقصى التراجع التوالي وعن طريق رصد حجم. ثانيا، يمكننا أن نفعل واترسكوس دعا على الخط التعلم حيث يتم باستمرار تحسين استراتيجيتنا على البيانات الجديدة. هذا الخيار الثاني هو ممارسة جيدة ولكن دسنرسكوت الحرس ضد التغيرات المفاجئة التي هي نموذجية في النقد الاجنبى كل بضع سنوات. الحل الأمثل هو تنفيذ كل من تلك الأساليب عن طريق تحسين استراتيجياتنا بانتظام مع إدراك أن تغيير أعمق في الاستراتيجية سيكون في نهاية المطاف ضروريا. والنقد الآخر هو أننا لا نفهم أبدا ما يفعله نموذج الصندوق الأسود. ليس هذا هو الحال بالنسبة لنا كما نموذجنا هو بسيط جدا في الواقع، ولكن نحن سوف تأخذ سر قبرنا أو على الأقل حتى استراتيجية غير مربحة بعد الآن. شكرا للقراءة، ترجمة إلى الروسيةالماكينات التعلم هو مجال الذكاء الاصطناعي حيث تتعلم برامج الكمبيوتر بدلا من عمياء اتباع السيناريو. مع ما يكفي من البيانات التدريب يمكنك تعليم تلك الخوارزميات لقيادة سيارة، طيار طائرة هليكوبتر أو بناء أفضل محرك بحث في العالم. وفيما يلي النتائج التي حصلت عليها مع نهجي الأولي في تطبيق التعلم الآلي لتداول العملات الأجنبية. يتم وضع مجموعة متنوعة من الخوارزميات في محاولة للتنبؤ تطور أداة مع بيانات من 8 الحانات اليومية فقط في الماضي. لكل يوم، يتم تسجيل أربعة قيم، أول ثلاثة معلومات قياسية عن حركة من يوم سابق على مقربة من ديرسكوس عالية، منخفضة وقريبة، في بيرسن t بينما الرابع يسجل حجم اليوم. وهذا يجعل ل 32 متغيرات مستقلة الكلي. يتم الحصول على البيانات من ثلاثة أدوات في قاعدة بيانات دوكاسكوبي، اليورو مقابل الدولار الأميركي، أودجبي و غبشف يوميا الحانات الطلب من 1 يناير 2008 إلى 31 ديسمبر 2011، مع عطلة نهاية الأسبوع المخلوطة في يوم الاثنين التالي. لكل من الخوارزميات التي تم اختبارها، تم استخدام السنتين الأوليين لتدريب النماذج في حين تم استخدام 2012 لاختبارها. مكتبة جافا المفتوحة لخوارزميات التعلم الآلي المستخدمة تأتي من ويكا: برامج التعدين البيانات في جافا ط. يمكنك تحميل المكتبة أو برنامج سهل الاستعمال بحرية في cs. waikato. ac. nzmlweka. توقع اتجاه السوق تقيس هذه الاختبارات إلى أي مدى، إن وجدت، من الممكن التنبؤ بالحركة الشاملة للغد (من قرب الإغلاق) استنادا إلى بيانات من ثمانية أيام سابقة باستخدام مجموعة متنوعة من خوارزميات التعلم الآلي. ويعني الارتباط المرتفع أن النموذج يتنبأ بالحركة الشاملة اليومية التالية جيدا. في هذه الحالة، فإن الارتباطات قريبة جدا من الصفر حتى النماذج كانرسكوت التنبؤ الحركة الشاملة للسوق على الإطلاق. توقع نطاق السوق بالنسبة لفوركس، يتم تعريف النطاق هنا على أنه الفرق بين ارتفاع درسكوس و دايرسكوس منخفض كنسبة مئوية من الإغلاق السابق (من أجل أدوات مختلفة لتكون قابلة للمقارنة). واحدة من أبسط وأفضل الطرق، أقرب الجيران، أداء أفضل في هذه المهمة. هذا الأسلوب، لكل حالة، ببساطة ينظر في الحالات n في مجموعة التدريب التي تبدو أكثر مثل ذلك ويتوقع المتوسط ​​المرجح من نطاقها. التنبؤ بالحركة المطلقة لأداة إن الحركة المطلقة لأداة ما هي الحركة الشاملة ليوم واحد ولكنها إيجابية دائما. وهذا يشبه إلى حد ما النطاق. فمن المستحيل التنبؤ اتجاه السوق لليوم التالي استنادا فقط على ثمانية أشرطة السابقة وأحجام، على الأقل باستخدام هذه الخوارزميات. ومع ذلك فإن أول عيب في هذا النهج هو ربما أنه يحاول التنبؤ كل يوم واحد. ولعل بعض عمليات القضاء يمكن أن تزيل كمية كبيرة من البيانات التي لا يمكن التنبؤ بها في الغالب. من ناحية أخرى هناك خوارزميات أخرى مثل الشبكات العصبية المتكررة التي هي أكثر ملاءمة للمهمة في متناول اليد. فمن الممكن التنبؤ، إلى حد ما، مجموعة من اليوم التالي ومنطقيا تماما الحركة المطلقة (من وثيقة إلى وثيقة). هذا النوع من المعلومات قد لا تكون ذات صلة للتجار الذين يتبعون الاتجاهات ولكن يمكن أن تكون ذات صلة للمتزلجين الذين يحتاجون إلى التنبؤ بنطاق زوج العملات. وأعتقد أن هذه الخوارزميات تتجاوز مؤشرات المدى مثل أتر بمعنى أنها تنبؤية بدلا من دلالة. (1) مارك هول، إيبي فرانك، جيفري هولمز، برنارد بفهرينجر، بيتر ريوتمان، إيان ه. ويتن (2009) برنامج ويكا لتعدين البيانات: تحديث سيغكد إكسبلوراتيونس، المجلد 11، العدد 1.Machine ليارنينغ ويث ألغوترادرجو انضم ديسمبر 2014 الحالة: 383 المشاركات مرحبا زميل التجار، وأنا بدأت هذا الموضوع يأمل أن أشاطركم بعض التطورات بلدي في مجال التعلم الآلي. على الرغم من أنني قد لا أشاطركم أنظمة دقيقة أو الترميز التطبيقات (لا نتوقع الحصول على أي شيء ل كوتبلوغ و-بلايكوت و ثراء من هذا الموضوع) وسوف أشاطركم الأفكار ونتائج تجربتي وربما جوانب أخرى من عملي. لقد بدأت هذا الموضوع على أمل أن نتمكن من تبادل الأفكار ومساعدة بعضنا البعض على تحسين تطبيقاتنا. وسوف تبدأ مع بعض استراتيجيات التعلم آلة بسيطة وسوف تذهب بعد ذلك إلى أشياء أكثر تعقيدا مع مرور الوقت. آمل أن تستمتع ركوب انضم ديسمبر 2014 الحالة: عضو 383 المشاركات أريد أن أبدأ بالقول بعض الأشياء الأساسية. أنا آسف إذا كان هيكل مشاركاتي يترك الكثير إلى المطلوب، ليس لدي أي منتدى نشر الخبرة ولكن نأمل في الحصول على بعض الوقت. في تعلم الآلة ما نريد القيام به هو ببساطة لتوليد التنبؤ الذي هو مفيد لتداولنا. لجعل هذا التنبؤ نولد نموذجا إحصائيا باستخدام مجموعة من الأمثلة (المخرجات المعروفة وبعض المدخلات نحن الأمور لديها القدرة التنبؤية للتنبؤ تلك النواتج) ثم نقوم بتنبؤ الناتج غير معروف (بياناتنا الأخيرة) باستخدام النموذج الذي أنشأنا مع الأمثلة. وخلاصة القول أنه هو عملية كوتسيمبلكوت حيث نقوم بما يلي: حدد ما نريد للتنبؤ (وهذا سيكون هدفنا (ق)) حدد بعض المتغيرات المدخلات التي نعتقد يمكن التنبؤ أهدافنا بناء مجموعة من الأمثلة باستخدام البيانات الماضية مع مدخلاتنا وأهدافنا إنشاء نموذج باستخدام هذه الأمثلة. نموذج هو ببساطة آلية رياضية التي تتعلق إنبوتستارجيتس جعل التنبؤ الهدف باستخدام آخر المدخلات المعروفة التجارة باستخدام هذه المعلومات أريد أن أقول من البداية أنه من المهم جدا لتجنب القيام ما العديد من الأوراق الأكاديمية على التعلم الآلي تفعل، وهو محاولة لبناء نموذج مع صفيفات كبيرة جدا من الأمثلة ثم محاولة لجعل التنبؤ على المدى الطويل على مجموعة كوتوت-أوف-سامبلكوت. بناء نموذج مع 10 سنوات من البيانات ومن ثم اختباره على الأخيرين هو غير منطقي، تخضع لأنواع كثيرة من التحيزات الإحصائية سنناقش لاحقا. وبوجه عام، سترى أن نماذج التعلم الآلي التي أقوم ببناءها تدرب على كل شريط (أو في كل مرة أحتاج فيها إلى اتخاذ قرار) باستخدام نافذة متحركة للبيانات لبناء الأمثلة (تعتبر الأمثلة الحديثة فقط ذات صلة). ومن المؤكد أن هذا النهج ليس غريبا على بعض أنواع التحيزات الإحصائية، ولكننا نزيل المقتبس في الحجرة عند استخدام المنهج الواسع في عينة من عينة من معظم الأوراق الأكاديمية (والتي، لا مفاجأة، وغالبا ما يؤدي إلى النهج التي ليست مفيدة فعلا للتجارة). هناك أساسا ثلاثة أشياء تهم نفسك عند بناء نموذج التعلم الآلي: ما هو التنبؤ (ما الهدف) ما التنبؤ به (أي المدخلات) كيفية ربط الهدف والمدخلات (ما نموذج) معظم ما سأذكر على هذا الموضوع سوف تركز على الإجابة على هذه الأسئلة، مع الأمثلة الفعلية. إذا كنت تريد كتابة أي أسئلة قد تكون لدي، وسأحاول أن أعطيك الجواب أو ببساطة تتيح لك معرفة ما إذا كنت سوف يجيب على ذلك في وقت لاحق. انضمت ديسمبر 2014 الحالة: عضو 383 المشاركات دعونا نذهب إلى العمل الآن. مثال عملي حقيقي باستخدام التعلم الآلي. دعونا نفترض أننا نريد لبناء نموذج بسيط جدا باستخدام مجموعة بسيطة جدا من إنبوتستارجيتس. لهذه التجربة هذه هي الإجابات على الأسئلة: ما للتنبؤ (ما الهدف) - gt اتجاه اليوم التالي (صاعد أو هبوطي) ما للتنبؤ به مع (المدخلات) - gt اتجاه الأيام السابقة 2 كيف لربط الهدف والمدخلات (ما النموذج) - gt مصنف خطي خريطة هذا النموذج سوف محاولة للتنبؤ اتجاه شريط اليومي التالي. لبناء نموذجنا نحن نأخذ 200 أمثلة الماضية (اتجاه أيام كهدف والاتجاهات السابقة يومين كما المدخلات) ونحن تدريب المصنف الخطي. ونحن نفعل ذلك في بداية كل شريط يوميا. إذا كان لدينا مثال حيث يومين صعوديين يؤديان إلى يوم هبوطي فإن المدخلات ستكون 1،1 وسيكون الهدف 0 (0 مخططة، 1bullish)، ونحن نستخدم 200 من هذه الأمثلة لتدريب النموذج على كل شريط. نأمل أن تكون قادرة على بناء علاقة حيث اتجاه يومين ينتج بعض الاحتمالات فوق العشوائية للتنبؤ اتجاه أيام بشكل صحيح. نحن نستخدم ستوبلوس يساوي 50 من فترة 20 يوما متوسط ​​المدى الحقيقي على كل التجارة. الصورة المرفقة (اضغط للتكبير) تظهر محاكاة هذه التقنية من 1988 إلى 2014 على اليورو مقابل الدولار الأميركي (البيانات قبل عام 1999 هو ديموسد) أعلاه أن النموذج ليس لديه توليد أرباح مستقرة. في الواقع هذا النموذج يتبع المشي العشوائي متحيز سلبا، مما يجعلها تفقد المال كدالة من انتشار (3 نقاط في سيم بلدي). ننظر إلى أداء كوتيمبريسيفيكوت على ما يبدو لدينا في 1993-1995 وفي 2003-2005، حيث يبدو أننا يمكن أن تتنبأ بنجاح الاتجاه أيام المقبلة باستخدام نموذج خطي بسيط والنتائج الاتجاهين الماضيين الماضيين. يوضح لك هذا المثال عدة أشياء مهمة. على سبيل المثال، أن عبر الجداول الزمنية القصيرة (التي يمكن أن تكون بضع سنوات) يمكنك ينخدع بسهولة العشوائية --- يمكنك أن تعتقد أن لديك شيء يعمل الذي لا حقا. تذكر أن النموذج هو إعادة بناء على كل شريط، وذلك باستخدام 200 إنتربارجيت الأمثلة الماضية. ما هي الأشياء الأخرى التي تعتقد أنك يمكن أن تتعلمها من هذا المثال انشر أفكارك حسنا. لذلك كنت توقعت أن المشترين أو البائعين سوف خطوة في. هم، ولكن بالضبط ما عليه أن تفعل مع سعر صعودا أو هبوطا 100 نقطة السعر يمكن أن تتفاعل بطرق مختلفة - قد خزان فقط لبعض الوقت (في حين يتم شغل جميع أوامر الحد) ومن ثم الاستمرار في التحرك أبعد من ذلك. فإنه يمكن أيضا تعقب 5، 10، 50 أو حتى 99 نقطة. في كل هذه الحالات كنت كيندا الحق حول المشترين أو البائعين يخطو في، ولكن يجب أن نفهم أن هذا التحليل لا تملك الكثير للقيام به التجارة الخاصة بك الذهاب من 90pip إلى 100pip. نعم، أنت الحق هذا هو جزء كبير من السبب في أننا الحصول على نتائج سيئة عند استخدام خوارزمية رسم الخرائط الخطية. لأن الربحية لدينا ترتبط ارتباطا وثيقا مع توقعاتنا. توقع أن الأيام هي بريشبيريش هو من استخدام محدود إذا كنت لا تعرف كم السعر سوف تتحرك. ربما التنبؤات الخاصة بك صحيحة فقط في الأيام التي تعطيك 10 نقطة وتحصل على كل الأيام التي لديها 100 نقطة الاتجاه خاطئ تماما. ما الذي ستعتبره هدفا أفضل لطريقة تعلم الآلة نعم، حقك هذا جزء كبير من السبب في أننا نحصل على نتائج سيئة عند استخدام خوارزمية رسم الخرائط الخطية. لأن الربحية لدينا ترتبط ارتباطا وثيقا مع توقعاتنا. توقع أن الأيام هي بريشبيريش هو من استخدام محدود إذا كنت لا تعرف كم السعر سوف تتحرك. ربما التنبؤات الخاصة بك صحيحة فقط في الأيام التي تعطيك 10 نقطة وتحصل على كل الأيام التي لديها 100 نقطة الاتجاه خاطئ تماما. ما الذي ستعتبره هدفا أفضل لطريقة تعلم الآلة لنفترض إذا كان لديك 100 نقطة تب و سي، أود أن أتنبأ بما يأتي أولا: تب أو سي مثال: تب جاء أول 1 سي جاء أول 0 (أو -1، ولكن قمت بتعيين ذلك)