[PYTHON] J'ai essayé l'analyse technique FX par AI "scikit-learn"

table des matières

1. en premier
Structure du document
1. Contenu du document (extrait)
Processus impressionnant
Où trouver "Document de version PDF et ensemble de données d'exécution"

1. 1. en premier

C'est Amenbo. (Bien sûr le nom du stylo) En fait, l'auteur poursuit depuis longtemps le développement EA de MT4 (MQL4), dans l'espoir de le connecter au profit réel si cela peut être fait comme passe-temps, et depuis 1 à 2 ans, en particulier en liant MT4 et AI (en particulier l'analyse non technique) ) C'était l'objectif principal, mais les résultats n'étaient pas très bons et j'étais coincé.

Donc, bien que ce ne soit pas une courte pause, j'ai essayé d'appliquer l'IA à "l'analyse technique" que je pensais que les fonctions et les performances de MT4 étaient suffisantes, "AI" scikit-learn " Analyse technique FX par ".

Depuis que je suis un débutant en IA, j'ai recherché de nombreux articles et matériaux qui tentent d'utiliser l'IA pour l'analyse technique FX. (Net et livres) Cependant, malheureusement, je n'ai rien trouvé qui puisse être utilisé correctement. Il y a peut-être quelque chose qui peut être utilisé à des fins professionnelles privées, mais il n'est pas disponible pour le grand public comme moi.

Par conséquent, j'ai essayé comme ma propre méthode (probablement) d'utiliser MT4 (MQL4) pour sélectionner la "quantité de fonctionnalités" à utiliser dans l'IA. En fait, j'ai trouvé d'autres outils (en particulier basés sur Python) qui pourraient être utilisés. C'est une mesure que j'ai prise parce que je ne l'avais pas, mais je pense que c'est probablement une différence dans le processus de développement par rapport aux autres développeurs.

Actuellement c'est une version prototype, mais j'ai obtenu "un résultat qui semble briller si je le peaufine", alors j'ai décidé de le diffuser à tout le monde. Les documents (rapports) sont sérialisés et divisés en deux. (Actuellement, il y en a deux, mais nous prévoyons de les augmenter à l'avenir)

2. Structure du document

Cette série rapporte les résultats des tests lorsque l'IA (scikit-learn) est utilisée pour la prédiction par analyse technique de FX (USDJPY; dollar / yen). (Actuellement la version prototype)

** Tentative d'analyse technique FX par AI "scikit-learn"; ** Il est divisé en [Partie 1] et [Partie 2].

◎ Veuillez d'abord lire [Partie 1] et obtenir [Partie 2] si vous pensez que cela vaut la peine d'être lu. (Comment l'obtenir est décrit dans la [Partie 1].)

La [Partie 1] et la [Partie 2] sont toutes deux préparées au format PDF et les données sont préparées au format ZIP. Je n'ai pas tout répertorié au format Markdown sur Qiita, et je n'ai pas utilisé GitHub car je ne peux pas encore le maîtriser.

3. 3. Contenu du document (extrait)

** [L'objectif de cette fois] ** ・・ Reportez-vous au diagramme Il s'agit d'extraire des «résultats d'analyse technique» qui valent la peine d'être passés du côté MT4 (MQL4) côté IA. Pour être honnête, je pense que MT4 (MQL4) est suffisant pour la fonction d'analyse technique. Quand je l'ai essayé, j'ai obtenu des résultats assez intéressants, je pense que l'essai n'a pas été perdu. (Le programme AI est écrit en Python)

"DLL" pour transmettre des informations de trading (données) du côté code Python à MT4 (MQL4) et son Veuillez consulter le site Web de l'auteur pour savoir comment l'utiliser. (DLL est également placée)

** Contenu des explications dans [Partie 1] et [Partie 2]; ** Tout d'abord, la "procédure d'application de l'IA à l'analyse technique FX" adoptée par l'auteur cette fois est la suivante.

L'auteur utilise Spyder comme environnement de développement Python.

(1) [Part 1] est Un exemple de l'étape finale ・ DataFrame (montant de la fonction et étiquette) généré à partir du graphique d'échange (FX) Explique un exemple de réalisation de machine learning / prédiction à l'aide d'un programme Python.

(2) Dans [Partie 2] J'expliquerai de la toute première étape à la création d'un DataFrame avec un exemple -Explication détaillée de la façon de générer le DataFrame (quantité de fonctionnalité et étiquette) utilisé dans [Partie 1](article séparé).

** <Indicateur utilisé (exemple)> ** ・・ [Partie 2] publié L'indicateur utilisé pour extraire la quantité de fonction est commun comme l'original de l'auteur (filtre de type aiguille de pin). Bande de Bollinger.

** ** ・・ Publié dans [Partie 1] L'exemple DataFrame a jusqu'à 1049 lignes. -Les éléments de colonne sont des quantités de caractéristiques et des étiquettes, -Les éléments de ligne sont des "données" extraites du graphique FX.

** <Résultat des prévisions> ** ・・ [Partie 1] publié, "2 exemples" La figure ci-dessous est une image coupée de la description (sortie Spyder) Exemple 1; Exemple 2;

** [Méthode de jugement des gains / pertes] **

Le jugement gagnant / perdant utilise le même concept que lors de la création d'un EA MT4. En d'autres termes, «acheter ou vendre» en spécifiant le profit (niveau de profit), la perte (niveau de perte) et l'écart. Il apprend le résultat de la victoire ou de la perte de jugement lors de l'entrée sur le marché et fait des prédictions pour les données de test. De plus, gagner et perdre "l'apprentissage et la prédiction" est effectué par "classification" par forêt aléatoire.
L'environnement de développement requis pour exécuter le contenu (tous disponibles gratuitement) est décrit dans la [Partie 1]. Cependant, il ne fournit pas d'explications techniques sur la façon d'obtenir Python, scicit-learn et MT4, qui sont nécessaires pour les débutants. Certaines des connaissances requises pour les débutants peuvent être trouvées sur le site Web de l'auteur (ci-dessous). ・・ Toutes les connaissances nécessaires pour comprendre le contenu sont disponibles sur le WEB tel que cette Qiita.

4. Processus impressionnant

Initialement, "SVC (SVM)" était utilisé comme algorithme, mais le résultat (exemple de mise en œuvre initiale) est C'était la situation suivante. ◆ Quel phénomène que tous les résultats de prédiction sont "-1", peu importe le nombre de fois que j'essaye Je ne pouvais pas m'améliorer. ("-1" correspond lorsque le résultat de la prédiction est "réduction des pertes") Cependant, le taux global de réponses correctes était de «138/210» (66%), ce qui rendait difficile la compréhension.

La cause est que SVC (SVM) traite des "données déséquilibrées", c'est-à-dire que le nombre de données entre les classes est important. J'ai appris que divers ajustements avancés sont essentiels lorsqu'il s'agit d'objets très biaisés. (La mise à l'échelle, la normalisation, etc. doivent être ajustées) Après tout, j'ai changé l'algorithme de classification en "forêt aléatoire" pour résoudre ce problème ennuyeux. En évitant cela, le résultat était assez convaincant.

5. Où trouver "Document de version PDF et ensemble de données d'exécution"

** ◎ Où trouver l'URL [Partie 1] ** ** ① Document (PDF) **; http://mql4.s1002.xrea.com/ai_tec/ai_tec_01.pdf ** ② Ensemble de données (.zip) **; http://mql4.s1002.xrea.com/ai_tec/ai_tec_01.zip

L'ensemble de données contient les matériaux nécessaires à l'exécution du "code Python, DataFrame, etc." 　　 ** ◎ Comment lier Python et MT4 **
Ce site est en cours de mise à jour et le contenu de base a également été téléchargé. [Nouvelle page d'Amenbo]; http://mql4.s1002.xrea.com/ai_mql4/index.html

** ◎ À propos de MT4 (MQL4) et EA **

C'est un peu vieux, mais je pense que ça vaut toujours la peine d'être lu. Nous améliorons les bases de MT4 et MQL4, mais avant (ou moins que) "Build_600" Le code MQL4 (script) a maintenant besoin de beaucoup de modifications pour fonctionner, S'il vous plaît soyez prudente. [Page Amenbo]; http://www.green.dti.ne.jp/sdimension/mql/

c'est tout