Boas estratégias de negociação de curto prazo

Estratégia de negociação Forex # 6 (Double Stochastic)

Enviado por Edward Revy em 28 de fevereiro de 2007 - 14:36.

Ao dobrar em análise estocástica, estamos dobrando a precisão de negociação. No entanto, deve-se lembrar que, a cada nova ferramenta de Forex, a complexidade adicionada pode aparecer; e uma abordagem muito complexa nem sempre é boa.

Pares de moedas: QUALQUER.

Quadro de tempo: 1 hora, 1 dia.

Indicadores: Estocástico completo (21, 9, 9) e Estocástico completo (9, 3, 3).

Regras de entrada: Quando o cruzamento de linhas estocásticas (21, 9, 9) aparecer - digite (ou aguarde até que a barra de preços atual seja fechada e depois entre). Será a maior tendência.

Olhe para o estocástico (9, 3, 3) para antecipar oscilações dentro da tendência principal e voltar a entrar no mercado novamente - entradas adicionais. Ignore também os movimentos de curto prazo do Estocástico (9, 3, 3) que sinalizam para a saída - não saia mais cedo até que o Estocástico (21, 9, 9) dê um sinal claro para o fazer.

Regras de saída: na próxima cruz de linhas principais do estocástico (21, 9, 9).

Vantagens: usar dois indicadores estocásticos ajuda a ver a tendência principal e as oscilações dentro dela. Isso fornece regras de entrada mais precisas e fornece boas regras de saída.

Desvantagens: precisa de monitoramento constante e, novamente, estamos lidando com um indicador de atraso.

Esta estratégia é adequada para escalpelamento?

Está funcionando no TF5?

Bem possível. No entanto, mais testes são necessários para encontrar o par de moedas mais adequado.

Existem estratégias que funcionam bem em alguns pares de moedas, enquanto eles não fazem o mesmo em outros pares?

Você pode dar um exemplo?

Existe uma razão para isso acontecer?

Sim, existem essas estratégias. Muitas estratégias no Forex são especificamente "projetadas" para certos pares de moedas.

Há pelo menos duas razões para que eu possa pensar rapidamente:

Primeiro é o custo de spread. Por exemplo, muitas estratégias de escalpelamento recomendam par de moedas EUR / USD (ou no máximo GBP / USD), porque o Euro / Dólar atualmente tem o spread mais baixo. Isso significa que os cambistas que visam apenas 3-5 pips de lucro por negociação não têm que pagar altos custos de spread e, portanto, esperar muito antes de realmente fazer seus lucros. E geralmente não há muito espaço para spreads em estratégias de escalpelamento: você ganha seus 5 pips ou perderá.

O segundo é o "comportamento" da moeda, que inclui volatilidade, média de pips por dia, etc. Por exemplo, sabe-se que esses pares de moedas como USD / JPY, GBP / JPY e GBP / USD produzem regularmente grandes movimentos, que são benéficos para os comerciantes estratégias de fuga.

Existem duas formas racionais de procurar a abordagem de negociação própria:

1. Escolher uma estratégia que se ajuste melhor à programação diária e depois testá-la nos pares de moedas sugeridos (ou todos) escolhendo o melhor.

2. Escolhendo um par de moedas (usando critérios de maior atividade horária e horário próprio, volatilidade, características de tendência, spread) e então procurando uma estratégia adequada para usar com este par.

Em ambos os casos é sempre sugerido escolher um ou no máximo dois pares de moedas para negociar e aprender o máximo possível sobre o seu comportamento no mercado Forex.

Boa noite (ou de manhã)

Essa estratégia parece realmente interessante.

mas algo passou pela minha cabeça.

O que eu faço quando a estratégia é supor para trabalhar em um gráfico de 1 hora ou 1 dia e o gráfico diário dá um sinal de compra enquanto a 1 hora cnart dá um sinal de venda?

Estou falando de qualquer estratégia, não de uma específica.

A solução é bem simples neste caso.

Se você é um comerciante de dia ou um cambista e não planeja deixar as posições abertas durante a noite - use somente o sinal de gráfico de 1 hora.

Se você planeja adotar uma posição de longo prazo, seu gráfico principal é diário, mas seu melhor ponto de entrada deve ser escolhido usando gráficos por hora. Portanto, aqui, se você tiver um sinal Comprar no gráfico de 1 dia, mas vender sinal no gráfico de 1 hora, terá que esperar até que o gráfico de 1 hora altere seu sinal para "Comprar".

Olá pessoal, de Bogotá, Colômbia.

Este sistema de negociação parece interessante. Meu programa de negociação (Metatrader) tem apenas um oscilador estocástico. Eu acho que é um Slow Stoch. Os resultados serão os mesmos com este oscilador? Eu devo mudar meu programa?

Agradecemos antecipadamente e desejo-lhe Happy Trading.

CARLOS ALBERTO CASTILLO SANCHEZ.

Você não precisa mudar nada. Use o Slow Stochastic. Os resultados serão os mesmos.

Comerciantes ativos Pesquise - compartilhe sua experiência ao vivo ou leia o que os outros têm a dizer.

Explorando estratégias de negociação de ações.

Escolher entre diferentes estratégias de negociação de ações pode ser uma decisão difícil.

Nesta seção, explicarei brevemente alguns dos tipos mais comuns que encontrei ao longo dos anos. É uma boa ideia familiarizar-se com vários tipos diferentes e, em seguida, selecionar qual deles é mais adequado para você.

O tipo de estratégias de negociação de ações que você escolhe fazem parte do seu plano de negociação de ações completo. Eles são um foco específico que você pode usar para restringir suas opções de seleção de ações.

Usando uma estratégia específica que inclui ferramentas de pesquisa à sua disposição, como análise técnica ou análise fundamental, você pode aumentar sua probabilidade de sucesso.

Embora existam pessoas que invistam a longo prazo com algum tipo de estratégia Buy and Hold, os exemplos a seguir são voltados mais para o Investimento a Curto Prazo / Negociação, mas muitas vezes também podem ser aplicados a cenários de longo prazo. Leia mais sobre Curto Prazo Investir / Negociação aqui, e para uma cartilha sobre os tópicos abaixo, leia o que é uma estratégia de negociação de ações.

Confira uma nova adição, atualizações diárias do Market Club, que serão atualizadas por volta das 13:00. De segunda a sexta com uma olhada no que está acontecendo nos mercados de ações e commodities.

Diversificação com resultados lucrativos: não espere apenas diversificar e relaxar enquanto os lucros chegam, considere fazer alguns ajustes ao longo do caminho para aumentar os lucros potenciais. Momentum Stock Trading: Às vezes chamado Trend Trading, este tipo de negociação é baseado em fazer pesquisas e encontrar ações ou setores que estão se movendo em uma direção com algum tipo de força. Stocks quentes para comprar: Procurar quais ações são quentes e quais não são. Como reconhecer um breakout: Setups que os comerciantes de momento amam. Penny Stock Trading: Negociar títulos de baixo preço com uma capitalização de mercado pequena geralmente custa menos de US $ 10,00 por ação. Quais são os estoques de moeda de um centavo ?: Uma introdução em várias definições que você pode encontrar enquanto pesquisando ações de moeda de um centavo em geral. Aprenda como negociar ações de moeda de um centavo: alguns breves, pontos importantes sobre este tipo de negociação. Benefícios da negociação de ações Penny: Aprender sobre os benefícios e as armadilhas é altamente recomendado antes de fazer seu primeiro comércio de ações de baixo preço. Insider Seguindo o Sistema de Negociação: Esse tipo de negociação envolve fazer uma pesquisa sobre as principais transações de insider trade que são arquivadas na SEC. Pode ser usado em qualquer tipo de negociação. Ações de curto prazo: O curto é apenas um procedimento para lucrar com um declínio no preço de uma ação. O shorting recebeu um nome ruim no passado. Acredito que isso se deva principalmente à falta de regulamentações específicas ou ao cumprimento de regulamentos. Não porque é terrivelmente errado como as pessoas receberam a impressão. Notícias Trading: Este tipo de estratégia de negociação de ações é projetado para colocar negócios com base em notícias em tempo real. Geralmente é voltado para Scalping ou Day Trading. Gap Trading: "Gap Trading" pode ser descrito como colocar negociações no nível de extremos durante uma lacuna de abertura, seja mais alto ou mais baixo, enquanto busca lucrar à medida que o preço da ação se inverte para preencher o "Gap". Ele pode ser voltado para Scalping, Day Trading ou Swing Trading. Negociando um gap de abertura: abrir as lacunas oferece boas oportunidades de negociação se você tiver um plano de ação antes que elas ocorram. Este artigo aborda alguns dos possíveis resultados, juntamente com um exemplo real de negociação. Horário de negociação prolongado:

Pré-negociação de ações no mercado: Pré-negociação de mercado é uma estratégia de negociação usada em Scalping e Day Trading. O horário de negociação pré-mercado é das 7:30 às 9:30 e é feito com mais frequência em combinação com o News Trading. As horas acessíveis para negociação são específicas do seu corretor. Depois de horas de negociação: After-Hours Trading também é usado em Scalping e Day Trading. Depois do horário de negociação é a partir das 04:00. às 20:00 horas e está disponível dependendo do seu corretor específico.

ETF Trading System: O investimento em ETF é projetado para distribuir o risco porque um ETF contém uma cesta de ações em um setor específico. A negociação de ETFs é geralmente combinada com um sistema de negociação Momentum. Estratégia de Negociação de Ações de Dividendos / Rendimentos: Algumas pessoas compram ações produtoras de Dividendo alto ou fundos negociados em bolsa, para produzir uma renda estável. A negociação de dividendos é geralmente feita por um investidor de longo prazo. Dividend Paying Stocks: Os dividendos de alta qualidade que pagam ações podem ajudar a construir um portfólio que produza renda passiva se for feito corretamente. Princípio das Ondas de Elliott: Ralph Elliott viveu de 1871 a 1948. O princípio de Elliott Wave é baseado em uma teoria de que a psicologia dos investidores, que move os preços das ações, passa de pessimista a otimista e vice-versa, formando padrões que podem ser reconhecidos. Depois de aprender um pouco sobre como isso funciona, você ficará surpreso com o que pode ver em diferentes gráficos. Como um ZigZag difere de uma vantagem simples de negociar com o princípio da onda: Aprenda a ajudar a determinar pontos de entrada e onde colocar paradas de proteção usando níveis de preço pré-determinados. Estratégia de negociação de Fibonacci: Leonardo Fibonacci foi um matemático italiano que viveu de 1170 a 1250. Um dos usos mais comuns de Fibonacci no comércio, usando níveis de retração de Fibonacci, é uma forma de análise técnica que é baseada na crença de que o preço de uma ação irá retrair parte de sua recente mudança para níveis específicos de suporte ou resistência. Opções de negociação: As opções de compra de ações são basicamente contratos que dão a você o direito, mas não a obrigação, de comprar ou vender ações em ações a um preço especificado. Como comprar ações com desconto: aprenda como reduzir seu custo inicial de compra de suas ações favoritas ou ganhe dinheiro tentando. Gerenciando uma posição de venda curta: Depois de aprender como comprar ações com desconto, você também vai querer aprender como gerenciar uma posição de venda curta. Como usar o princípio de ondas de Elliott para melhorar suas estratégias de negociação de opções - Spreads verticais. Normalmente vendido na loja online da EWI por US $ 79, está disponível gratuitamente, exclusivamente para nossos leitores aqui, por um tempo limitado. Aqui está um bom recurso que ajudará a explicar a Opção de Negociação desde o básico até exemplos reais de negociação e serviços de coaching. Estratégia de Negociação Intradiária - Uma Grande Classe de Ativos: Negociando uma ação individual ou ETF usando várias classes de ativos para análise. 123 Padrão de Reversão O Padrão de Reversão 123 é um exemplo de uma estratégia de negociação intraday simples que ocorre em uma base regular. Fim do dia de negociação: uma lição aprendida do final do dia de negociação e um lembrete do aumento das dificuldades comerciais durante este período de tempo que existe. Fim do ano de negociação: Diferente do que acima, o final do ano de negociação é diferente do habitual devido ao baixo volume que normalmente ocorre. Sistema de Negociação de Ações Mecânicas: Você pode usar um Sistema de Negociação de Ações Mecânicas para ajudar a eliminar, ou pelo menos minimizar, a interação emocional e humana envolvida na negociação de ações.

Usando Trendlines: Trendlines podem ajudar com praticamente qualquer tipo de estratégias de negociação de ações mencionadas acima. Depois de conhecer a tendência, você deve poder selecionar pontos de entrada e saída com melhores resultados gerais. Compre e segure para sempre vs. Ter uma estratégia de saída.

Certifique-se de ler o meu artigo sobre estratégias de negociação de ações não são sempre um tamanho serve para obter algumas dicas sobre uma dica que muitas pessoas acabam aprendendo da maneira mais difícil.

Todas essas estratégias de negociação de ações são amplamente utilizadas no comércio cotidiano. Quanto mais você aprender sobre cada uma das diferentes técnicas que eles usam, melhor você estará preparado. Toda vez que eu aprendo mais sobre qualquer um deles, eu sempre lembro de ter visto os padrões particulares ou as oportunidades que existiam, que eu perdi porque eu não sabia na época.

Melhores estratégias 5: um sistema de aprendizado de máquina de curto prazo.

É hora da quinta e última parte da série Build Better Strategies. Na parte 3, discutimos o processo de desenvolvimento de um sistema baseado em modelo e, consequentemente, concluiremos a série com o desenvolvimento de um sistema de mineração de dados. Os princípios de mineração de dados e aprendizado de máquina têm sido o tópico da parte 4. Para nosso exemplo de negociação de curto prazo, usaremos um algoritmo de aprendizado profundo, um autoencoder empilhado, mas funcionará da mesma maneira com muitas outras máquinas. algoritmos de aprendizagem. Com as ferramentas de software de hoje, apenas cerca de 20 linhas de código são necessárias para uma estratégia de aprendizado de máquina. Eu tentarei explicar todas as etapas em detalhes.

Nosso exemplo será um projeto de pesquisa & # 8211; uma experiência de aprendizado de máquina para responder a duas perguntas. Faz um algoritmo mais complexo & # 8211; como, por exemplo, mais neurônios e aprendizado mais profundo & # 8211; produzir uma previsão melhor? E os movimentos de preço de curto prazo são previsíveis pelo histórico de preços de curto prazo? A última questão surgiu devido ao meu ceticismo sobre a negociação de ações de preço na parte anterior desta série. Eu recebi vários e-mails perguntando sobre os geradores de sistema de negociação & # 8220; & # 8221; ou ferramentas de ação de preço semelhantes que são elogiadas em alguns sites. Não há provas concretas de que tais ferramentas tenham produzido algum lucro (exceto para seus fornecedores) & # 8211; mas isso significa que todos eles são lixo? Nós veremos.

Nosso experimento é simples: coletamos informações das últimas velas de uma curva de preços, as alimentamos em uma rede neural de aprendizagem profunda e as usamos para prever as próximas velas. Minha hipótese é que algumas velas não contêm nenhuma informação preditiva útil. É claro que um resultado não previsto do experimento não significa que estou certo, já que eu poderia ter usado parâmetros errados ou preparado mal os dados. Mas um resultado preditivo seria uma indicação de que eu estou errado e a negociação de ações de preço pode realmente ser lucrativa.

Desenvolvimento de estratégia de aprendizado de máquina.

Etapa 1: a variável de destino.

Para recapitular a parte anterior: um algoritmo de aprendizado supervisionado é treinado com um conjunto de recursos para prever uma variável de destino. Então, a primeira coisa a determinar é qual será a variável alvo. Um alvo popular, usado na maioria dos jornais, é o sinal do retorno de preço na próxima barra. Mais adequado para previsão, já que menos suscetível à aleatoriedade, é a diferença de preço para um horizonte de previsão mais distante, como 3 barras a partir de agora, ou mesmo dia na próxima semana. Como quase qualquer coisa nos sistemas de negociação, o horizonte de previsão é um compromisso entre os efeitos da aleatoriedade (menos barras são piores) e previsibilidade (menos barras são melhores).

Às vezes você não está interessado em prever diretamente o preço, mas em prever algum outro parâmetro & # 8211; como a perna atual de um indicador Zigzag & # 8211; que de outra forma só poderia ser determinado em retrospectiva. Ou você quer saber se uma certa ineficiência do mercado estará presente na próxima vez, especialmente quando você estiver usando aprendizado de máquina não diretamente para negociação, mas para filtrar negociações em um sistema baseado em modelo. Ou você quer prever algo totalmente diferente, por exemplo, a probabilidade de um crash no mercado amanhã. Tudo isso é geralmente mais fácil de prever do que o retorno popular de amanhã.

Em nosso experimento de ação de preço, usaremos o retorno de uma negociação de ação de preço de curto prazo como variável de destino. Uma vez que o alvo é determinado, o próximo passo é selecionar os recursos.

Etapa 2: os recursos.

Uma curva de preço é o pior caso para qualquer algoritmo de aprendizado de máquina. Não só transporta pouco sinal e principalmente ruído, como também é não-estacionário e a relação sinal / ruído muda o tempo todo. A relação exata de sinal e ruído depende do significado de "sinal", mas normalmente é muito baixo para qualquer algoritmo de aprendizado de máquina conhecido produzir algo útil. Portanto, devemos derivar recursos da curva de preço que contêm mais sinal e menos ruído. O sinal, nesse contexto, é qualquer informação que possa ser usada para prever o alvo, seja ele qual for. Todo o resto é barulho.

Assim, selecionar os recursos é fundamental para o sucesso & # 8211; muito mais crítico do que decidir qual algoritmo de aprendizado de máquina você vai usar. Existem duas abordagens para selecionar recursos. O primeiro e mais comum é extrair tanta informação da curva de preços quanto possível. Como você não sabe onde as informações estão ocultas, você apenas gera uma coleção selvagem de indicadores com uma ampla gama de parâmetros e espera que pelo menos alguns deles contenham as informações de que o algoritmo precisa. Esta é a abordagem que você normalmente encontra na literatura. O problema deste método: Qualquer algoritmo de aprendizado de máquina é facilmente confundido por preditores não previsíveis. Então, ele não vai jogar apenas 150 indicadores nele. Você precisa de algum algoritmo de pré-seleção que determine quais delas contêm informações úteis e quais podem ser omitidas. Sem reduzir os recursos dessa maneira para talvez oito ou dez, até mesmo o algoritmo de aprendizado mais profundo não produziu nada de útil.

A outra abordagem, normalmente para experimentos e pesquisas, está usando apenas informações limitadas da curva de preços. Esse é o caso aqui: Como queremos examinar a negociação de ações de preço, usamos apenas os últimos preços como entradas e descartamos todo o restante da curva. Isso tem a vantagem de não precisarmos de nenhum algoritmo de pré-seleção, já que o número de recursos é limitado de qualquer maneira. Aqui estão as duas funções preditoras simples que usamos em nosso experimento (em C):

As duas funções devem conter as informações necessárias para a ação do preço: movimento por barra e volatilidade. A função de modificação é a diferença do preço atual para o preço de n barras antes, dividido pelo preço atual. A função range é a distância total alta-baixa das últimas n velas, também dividida pelo preço atual. E a função de escala centraliza e comprime os valores para o intervalo de +/- 100, então nós os dividimos por 100 para deixá-los normalizados para +/- 1. Lembramos que a normalização é necessária para algoritmos de aprendizado de máquina.

Etapa 3: preditores de pré-seleção / pré-processamento.

Quando você selecionou um grande número de indicadores ou outros sinais como recursos para o seu algoritmo, você deve determinar qual deles é útil e quais não. Existem muitos métodos para reduzir o número de recursos, por exemplo:

Determine as correlações entre os sinais. Remova aqueles com uma correlação forte a outros sinais, desde que não contribuam à informação. Compare o conteúdo de informação de sinais diretamente, com algoritmos como entropia de informação ou árvores de decisão. Determine o conteúdo da informação indiretamente, comparando os sinais com sinais aleatórios; Existem algumas bibliotecas de software para isso, como o pacote R Boruta. Use um algoritmo como Análise de Componentes Principais (PCA) para gerar um novo conjunto de sinais com dimensionalidade reduzida. Use a otimização genética para determinar os sinais mais importantes apenas pelos resultados mais lucrativos do processo de previsão. Ótimo para ajuste de curva se você deseja publicar resultados impressionantes em um trabalho de pesquisa.

Para nossa experiência, não precisamos pré-selecionar ou pré-processar os recursos, mas você pode encontrar informações úteis sobre isso nos artigos (1), (2) e (3) listados no final da página.

Etapa 4: selecione o algoritmo de aprendizado de máquina.

R oferece muitos pacotes ML diferentes, e qualquer um deles oferece muitos algoritmos diferentes com muitos parâmetros diferentes. Mesmo se você já decidiu sobre o método & # 8211; aqui, aprendizagem profunda & # 8211; você ainda tem a escolha entre diferentes abordagens e diferentes pacotes R. A maioria é bem nova e você não encontra muitas informações empíricas que ajudem na sua decisão. Você tem que experimentá-los todos e ganhar experiência com métodos diferentes. Para o nosso experimento, escolhemos o pacote Deepnet, que é provavelmente o mais simples e fácil de usar biblioteca de aprendizagem profunda. Isso mantém nosso código curto. Estamos usando o algoritmo do Autoencoder Stacked (SAE) para pré-treinamento da rede. A Deepnet também oferece uma Máquina Boltzmann Restrita (RBM) para pré-treinamento, mas eu não consegui obter bons resultados com ela. Existem outros pacotes de aprendizado mais complexos para o R, então você pode gastar muito tempo conferindo todos eles.

Como funciona o pré-treinamento é facilmente explicado, mas por que funciona é uma questão diferente. Até onde sei, ninguém ainda apresentou uma prova matemática sólida de que funcione. Enfim, imagine uma grande rede neural com muitas camadas ocultas:

Treinar a rede significa configurar os pesos de conexão entre os neurônios. O método usual é a retropropagação de erro. Mas acontece que quanto mais camadas ocultas você tem, pior funciona. Os termos de erro backpropagated ficam menores e menores de camada para camada, fazendo com que as primeiras camadas da rede não aprendam quase nada. O que significa que o resultado previsto se torna cada vez mais dependente do estado inicial aleatório dos pesos. Isso limitou severamente a complexidade das redes neurais baseadas em camadas e, portanto, as tarefas que eles podem resolver. Pelo menos até 10 anos atrás.

Em 2006, cientistas em Toronto publicaram pela primeira vez a idéia de pré-treinar os pesos com um algoritmo de aprendizado não supervisionado, uma máquina restrita de Boltzmann. Isso resultou em um conceito revolucionário. Isso impulsionou o desenvolvimento da inteligência artificial e permitiu que todos os tipos de novas aplicações de máquinas Go-playing para carros autônomos. No caso de um autoencoder empilhado, funciona assim:

Selecione a camada oculta para treinar; comece com a primeira camada oculta. Conecte suas saídas a uma camada de saída temporária que tenha a mesma estrutura que a camada de entrada da rede. Alimente a rede com as amostras de treinamento, mas sem as metas. Treine-o para que a primeira camada oculta reproduza o sinal de entrada & # 8211; os recursos & # 8211; em suas saídas, o mais exatamente possível. O resto da rede é ignorado. Durante o treinamento, aplique um termo de penalidade de peso & # 8216; & # 8217; de modo que o menor número possível de pesos de conexão seja usado para reproduzir o sinal. Agora, alimente as saídas da camada oculta treinada para as entradas da próxima camada oculta não treinada e repita o processo de treinamento para que o sinal de entrada seja agora reproduzido nas saídas da próxima camada. Repita este processo até que todas as camadas ocultas sejam treinadas. Temos agora uma rede esparsa & # 8217; com muito poucas conexões de camada que podem reproduzir os sinais de entrada. Agora treine a rede com retropropagação para aprender a variável de destino, usando os pesos pré-treinados das camadas ocultas como ponto de partida.

A esperança é que o processo de pré-treinamento não supervisionado produza uma abstração interna de ruído reduzido dos sinais de entrada que possam ser usados ​​para facilitar o aprendizado do alvo. E isso realmente parece funcionar. Ninguém sabe realmente porque, mas várias teorias & # 8211; veja o papel (4) abaixo & # 8211; tente explicar esse fenômeno.

Etapa 5: gerar um conjunto de dados de teste.

Primeiro, precisamos produzir um conjunto de dados com recursos e metas, para que possamos testar nosso processo de previsão e testar os parâmetros. As características devem basear-se nos mesmos dados de preço que na negociação ao vivo e, para o alvo, devemos simular uma negociação de curto prazo. Portanto, faz sentido gerar os dados não com R, mas com nossa plataforma de negociação, que é de qualquer maneira muito mais rápida. Aqui está um pequeno script do Zorro para isso, DeepSignals. c:

Estamos a gerar 2 anos de dados com funcionalidades calculadas pelas nossas funções de alteração e alcance definidas acima. Nosso objetivo é o resultado de um trade com 3 barras de tempo de vida. Os custos de negociação são definidos como zero, portanto, neste caso, o resultado é equivalente ao sinal da diferença de preço em 3 barras no futuro. A função adviseLong é descrita no manual do Zorro; é uma função poderosa que lida automaticamente com treinamento e previsão e permite usar qualquer algoritmo de aprendizado de máquina baseado em R como se fosse um indicador simples.

Em nosso código, a função usa o próximo retorno de troca como destino e as variações de preço e os intervalos das últimas 4 barras como recursos. O sinalizador SIGNALS diz para não treinar os dados, mas para exportá-los para um arquivo. csv. A bandeira BALANCED garante que obtemos tantos retornos positivos quanto negativos; isso é importante para a maioria dos algoritmos de aprendizado de máquina. Execute o script no modo [Train] com nosso ativo de teste usual EUR / USD selecionado. Ele gera um arquivo de planilha chamado DeepSignalsEURUSD_L. csv que contém os recursos nas oito primeiras colunas e o retorno de troca na última coluna.

Etapa 6: Calibre o algoritmo.

Algoritmos complexos de aprendizado de máquina têm muitos parâmetros para ajustar. Alguns deles oferecem grandes oportunidades para ajustar o algoritmo para publicações. Ainda assim, devemos calibrar os parâmetros, pois o algoritmo raramente funciona bem com as configurações padrão. Para isso, aqui está um script R que lê o conjunto de dados criado anteriormente e o processa com o algoritmo de aprendizado profundo (DeepSignal. r):

Nós definimos três funções neural. train, neural. predict e neural. init para treinar, prever e inicializar a rede neural. Os nomes das funções não são arbitrários, mas seguem a convenção usada pela função de recomendação do Zorro (NEURAL.). Isso não importa agora, mas será importante mais tarde, quando usarmos o mesmo script R para treinar e negociar a estratégia de aprendizagem profunda. Uma quarta função, TestOOS, é usada para testar fora da amostra nossa configuração.

A função neural. init sementes o gerador aleatório R com um valor fixo (365 é o meu número de sorte pessoal). Caso contrário, obteríamos um resultado ligeiramente diferente a qualquer momento, já que a rede neural é inicializada com pesos aleatórios. Ele também cria uma lista R global chamada "Modelos". A maioria dos tipos de variáveis ​​R não precisa ser criada antecipadamente, alguns fazem (não me pergunte por quê). O & # 8216; & lt; & lt; - & # 8216; operador é para acessar uma variável global de dentro de uma função.

A função neural. train toma como entrada um número de modelo e o conjunto de dados a ser treinado. O número do modelo identifica o modelo treinado na & # 8220; Modelos & # 8221; Lista. Uma lista não é realmente necessária para este teste, mas precisaremos dela para estratégias mais complexas que treinam mais de um modelo. A matriz que contém os recursos e o destino é passada para a função como segundo parâmetro. Se os dados XY não são uma matriz apropriada, o que freqüentemente acontece em R dependendo de como você os gerou, eles são convertidos em um. Em seguida, ele é dividido em recursos (X) e destino (Y) e, finalmente, o destino é convertido em 1 para um resultado comercial positivo e 0 para um resultado negativo.

Os parâmetros de rede são então configurados. Alguns são óbvios, outros são livres para brincar com:

A estrutura da rede é dada pelo vetor oculto: c (50.100,50) define 3 camadas ocultas, a primeira com 50, a segunda com 100 e a terceira com 50 neurônios. Esse é o parâmetro que mais tarde modificaremos para determinar se o nível mais profundo é melhor. A função de ativação converte a soma dos valores de entrada do neurônio na saída do neurônio; mais frequentemente utilizados são sigmóides que saturam a 0 ou 1, ou tanh que satura a -1 ou +1.

Nós usamos tanh aqui já que nossos sinais também estão na faixa +/- 1. A saída da rede é uma função sigmóide, pois queremos uma previsão na faixa 0..1. Mas a saída SAE deve ser & # 8220; linear & # 8221; para que o Autoencoder Empilhado possa reproduzir os sinais de entrada analógicos nas saídas.

A taxa de aprendizado controla o tamanho do passo para a descida de gradiente no treinamento; uma taxa mais baixa significa passos mais precisos e previsão possivelmente mais precisa, mas um tempo de treinamento mais longo. Momentum adiciona uma fração do passo anterior ao atual. Isso evita que a descida de gradiente fique presa em um minúsculo ponto local ou ponto de sela. A escala de taxa de aprendizado é um fator de multiplicação para alterar a taxa de aprendizado após cada iteração (não tenho certeza do que isso é bom, mas pode haver tarefas em que uma baixa taxa de aprendizado em épocas mais altas melhora o treinamento). Uma época é uma iteração de treinamento sobre todo o conjunto de dados. O treinamento parará quando o número de épocas for atingido. Mais épocas significam melhor previsão, mas maior tempo de treinamento. O tamanho do lote é um número de amostras aleatórias & # 8211; um mini lote & # 8211; retirado do conjunto de dados para uma única execução de treinamento. A divisão dos dados em mini lotes acelera o treinamento, pois o gradiente de peso é calculado a partir de menos amostras. Quanto maior o tamanho do lote, melhor será o treinamento, mas mais tempo ele levará. O dropout é um número de neurônios selecionados aleatoriamente que são desativados durante um mini lote. Desta forma, a rede aprende apenas com uma parte de seus neurônios. Isso parece uma ideia estranha, mas pode efetivamente reduzir o overfitting.

Todos esses parâmetros são comuns para redes neurais. Brinque com eles e verifique o efeito deles no resultado e no tempo de treinamento. A calibração adequada de uma rede neural não é trivial e pode ser o tópico de outro artigo. Os parâmetros são armazenados no modelo juntamente com a matriz de pesos de conexão treinados. Então eles não precisam ser dados novamente na função de previsão, neural. predict. Ele pega o modelo e um vetor X de feições, executa-o pelas camadas e retorna a saída da rede, o alvo previsto Y. Comparado com o treinamento, a previsão é bastante rápida, pois precisa de apenas algumas milhares de multiplicações. Se X for um vetor de linha, ele será transposto e, dessa forma, convertido em um vetor de coluna, caso contrário, a função nn. predict não o aceitará.

Use o RStudio ou algum ambiente semelhante para trabalhar convenientemente com R. Edite o caminho para os dados. csv no arquivo acima, fonte-lo, instale os pacotes R necessários (deepnet, e1071 e caret), em seguida, chame a função TestOOS do comando linha. Se tudo funcionar, deve imprimir algo assim:

O TestOOS lê primeiro o nosso conjunto de dados da pasta Data do Zorro. Divide os dados em 80% para treinamento (XY. tr) e 20% para testes fora da amostra (XY. ts). O conjunto de treinamento é treinado e o resultado é armazenado na lista Modelos no índice 1. O conjunto de testes é dividido em recursos (X) e destinos (Y). Y é convertido em binário 0 ou 1 e armazenado em Y. ob, nosso vetor de alvos observados. Em seguida, prevemos os destinos do conjunto de testes, convertemo-los novamente em 0 ou 1 binários e armazená-los em Y. pr. Para comparar a observação com a previsão, usamos a função confusionMatrix do pacote caret.

Uma matriz de confusão de um classificador binário é simplesmente uma matriz 2 que informa quantos 0 e quantos 1 s foram preditos de forma incorreta e correta. Muitas métricas são derivadas da matriz e impressas nas linhas acima. O mais importante no momento é a precisão de previsão de 62%. Isso pode indicar que eu acabei com a negociação de ações de preço um pouco prematuramente. Mas é claro que os 62% podem ter sido apenas sorte. Nós veremos isso mais tarde, quando fizermos um teste WFO.

Um conselho final: Pacotes R são ocasionalmente atualizados, com a possível conseqüência de que o código R anterior funcione de forma diferente ou não funcione de maneira diferente. Isso realmente acontece, então teste cuidadosamente após qualquer atualização.

Etapa 7: a estratégia

Agora que testamos nosso algoritmo e obtivemos uma precisão de previsão acima de 50% com um conjunto de dados de teste, podemos finalmente codificar nossa estratégia de aprendizado de máquina. Na verdade, nós já codificamos a maior parte dele, apenas precisamos adicionar algumas linhas ao script Zorro acima que exportou o conjunto de dados. Este é o script final para treinamento, teste e (teoricamente) negociação do sistema (DeepLearn. c):

Estamos usando um ciclo de WFO de um ano, dividido em 90% de treinamento e 10% de período de teste fora da amostra. Você pode perguntar por que eu usei anteriormente dados de dois anos e uma divisão diferente, 80/20, para calibrar a rede na etapa 5. Isso é para usar dados compostos de forma diferente para calibrar e para testes de caminhada direta. Se usássemos exatamente os mesmos dados, a calibração poderia superá-lo e comprometer o teste.

Os parâmetros WFO selecionados significam que o sistema é treinado com dados de cerca de 225 dias, seguido por um período de teste ou comércio de 25 dias. Assim, na negociação ao vivo, o sistema reciclará a cada 25 dias, utilizando os preços dos 225 dias anteriores. Na literatura, você às vezes encontra a recomendação de reciclar um sistema de aprendizado de máquina após qualquer negociação, ou pelo menos em qualquer dia. Mas isso não faz muito sentido para mim. Quando você usou quase 1 ano de dados para treinar um sistema, obviamente ele não pode se deteriorar após um único dia. Ou, se o fizesse, e apenas produzisse resultados de testes positivos com reciclagem diária, eu suspeitaria fortemente que os resultados fossem artefatos por algum erro de codificação.

Treinar uma rede profunda leva muito tempo, no nosso caso cerca de 10 minutos para uma rede com 3 camadas ocultas e 200 neurônios. Na negociação ao vivo, isso seria feito por um segundo processo Zorro que é iniciado automaticamente pelo Zorro comercial. No backtest, o sistema treina em qualquer ciclo da WFO. Portanto, é recomendável usar vários núcleos para treinar vários ciclos em paralelo. A variável NumCores em -1 ativa todos os núcleos do processador, exceto um. Múltiplos núcleos estão disponíveis apenas no Zorro S, portanto, um teste completo de caminhada com todos os ciclos da WFO pode levar várias horas com a versão gratuita.

No script, agora treinamos tanto negócios longos quanto curtos. Para isso, temos que permitir o hedge no modo Treinamento, já que posições longas e curtas são abertas ao mesmo tempo. Inserir uma posição agora depende do valor de retorno da função advise, que, por sua vez, chama a função neural. train ou neural. predict do script R. Então, estamos aqui entrando em posições quando a rede neural prevê um resultado acima de 0,5.

O script R agora é controlado pelo script Zorro (para isso, ele deve ter o mesmo nome, DeepLearn. r, somente com extensão diferente). É idêntico ao nosso script R acima, já que estamos usando os mesmos parâmetros de rede. Apenas uma função adicional é necessária para suportar um teste WFO:

A função neural. save armazena a lista Modelos & # 8211; agora contém 2 modelos para negociações longas e curtas & # 8211; após cada treinamento executado na pasta Data do Zorro. Como os modelos são armazenados para uso posterior, não precisamos treiná-los novamente para testes repetidos.

Esta é a curva patrimonial da WFO gerada com o script acima (EUR / USD, sem custos de negociação):

Curva de capital EUR / USD com estrutura de rede 50-100-50.

Embora nem todos os ciclos da WFO obtenham um resultado positivo, parece que existe algum efeito preditivo. A curva é equivalente a um retorno anual de 89%, obtido com uma estrutura de camada oculta de 50-100-50. Verificaremos na próxima etapa como diferentes estruturas de rede afetam o resultado.

Como as funções neural. init, neural. train, neural. predict e neural. save são chamadas automaticamente pelas funções adviseLong / adviseShort do Zorro, não há funções R diretamente chamadas no script do Zorro. Assim, o script pode permanecer inalterado ao usar um método de aprendizado de máquina diferente. Apenas o script DeepLearn. r deve ser modificado e a rede neural, por exemplo, substituída por uma máquina de vetores de suporte. Para negociar esse sistema de aprendizado de máquina ao vivo em um VPS, certifique-se de que R também esteja instalado no VPS, que os pacotes R necessários estejam instalados e que o caminho para o terminal R esteja configurado no arquivo ini do Zorro. Caso contrário, você receberá uma mensagem de erro ao iniciar a estratégia.

Etapa 8: o experimento.

Se nosso objetivo estivesse desenvolvendo uma estratégia, os próximos passos seriam a verificação da realidade, o gerenciamento de risco e dinheiro e a preparação para negociação ao vivo, exatamente como descrito no desenvolvimento de estratégias baseadas em modelos. Mas para o nosso experimento, agora executamos uma série de testes, com o número de neurônios por camada aumentado de 10 para 100 em 3 etapas e 1, 2 ou 3 camadas ocultas (o deepnet não suporta mais de 3) . Então, estamos analisando as seguintes 9 estruturas de rede: c (10), c (10,10), c (10,10,10), c (30), c (30,30), c (30 , 30, 30), c (100), c (100, 100), c (100, 100, 100). Para esta experiência, você precisa de uma tarde, mesmo com um PC rápido e em vários modos principais. Aqui estão os resultados (SR = relação de Sharpe, R2 = linearidade da inclinação):

Vemos que uma rede simples com apenas 10 neurônios em uma única camada oculta não funciona bem para previsão de curto prazo. A complexidade da rede melhora claramente o desempenho, mas apenas até certo ponto. Um bom resultado para o nosso sistema já é alcançado com 3 camadas x 30 neurônios. Até mesmo mais neurônios não ajudam muito e às vezes até produzem um resultado pior. Isso não é uma surpresa real, já que para processar apenas 8 entradas, 300 neurônios provavelmente não farão um trabalho melhor que 100.

Conclusão.

Nosso objetivo foi determinar se algumas velas podem ter poder preditivo e como os resultados são afetados pela complexidade do algoritmo. Os resultados parecem sugerir que os movimentos de preços a curto prazo podem ser previstos, por vezes, analisando as mudanças e intervalos das últimas 4 velas. A previsão não é muito precisa & # 8211; está na faixa de 58% a 60%, e a maioria dos sistemas da série de testes se torna não lucrativa quando os custos de negociação são incluídos. Ainda assim, tenho que reconsiderar minha opinião sobre a negociação de ações de preço. O fato de que a previsão melhora com a complexidade da rede é um argumento especialmente convincente para a previsibilidade de preços no curto prazo.

Seria interessante analisar a estabilidade a longo prazo dos padrões de preços preditivos. Para isso, tivemos que executar outra série de experimentos e modificar o período de treinamento (WFOPeriod no script acima) e a divisão de 90% IS / OOS. Isso leva mais tempo, pois precisamos usar mais dados históricos. Eu fiz alguns testes e descobri até agora que um ano parece ser de fato um bom período de treinamento. O sistema se deteriora com períodos mais longos que alguns anos. Padrões preditivos de preços, pelo menos de EUR / USD, têm vida útil limitada.

onde podemos ir a partir daqui? Existe uma infinidade de possibilidades, por exemplo:

Use insumos de mais velas e processe-os com redes muito maiores com milhares de neurônios. Use oversampling para expandir os dados de treinamento. A previsão sempre melhora com mais amostras de treinamento. Comprimir séries temporais f. i. com análise espetacular e analisa não as velas, mas a representação de freqüência deles / delas com métodos de aprendizagem de máquina. Use entradas de muitas velas & # 8211; como, por exemplo, 100 & # 8211; e pré-processar velas adjacentes com camadas de rede convolucionais unidimensionais. Use redes recorrentes. Especialmente o LSTM poderia ser muito interessante para analisar séries temporais & # 8211; e, quanto ao meu conhecimento, eles raramente foram usados ​​para previsões financeiras até agora. Use um conjunto de redes neurais para previsão, como os oracles & # 8217; s de Aronson & # 8217; e comites & # 8221 ;.

Artigos / Artigos.

(3) V. Pererenko, Seleção de Variáveis ​​para Aprendizado de Máquina.

Eu adicionei os scripts C e R ao repositório de scripts de 2016. Você precisa dos dois na pasta Estratégia do Zorro. Zorro versão 1.474, e R versão 3.2.5 (64 bits) foi usado para o experimento, mas também deve funcionar com outras versões.

75 pensamentos sobre "Melhores Estratégias 5: Um Sistema de Aprendizagem Automática de Curto Prazo"

Eu testei sua estratégia usando dados AAPL de 30 minutos, mas & # 8220; sae. dnn. train & # 8221; retorna todos NaN em treinamento.

(Funciona apenas diminuindo os neurônios para menos de (5,10,5) & # 8230; mas a precisão é de 49%)

Você pode me ajudar a entender por quê?

Desde já, obrigado.

Se você não alterou nenhum parâmetro SAE, examine os dados. csv. É então a única diferença para o teste EUR / USD. Talvez algo esteja errado com isso.

Outro artigo fantástico, jcl. Zorro é um ambiente notável para esses experimentos. Obrigado por compartilhar seu código e sua abordagem & # 8211; Isso realmente abre um número incrível de possibilidades para qualquer pessoa disposta a investir tempo para aprender a usar o Zorro.

O problema com os dados AAPL 30min foi relacionado ao método de normalização que eu usei (X-mean / SD).

O intervalo de recursos não estava entre -1: 1 e eu suponho que o sae. dnn precise que ele funcione & # 8230;

Enfim performances não são comparáveis ​​às suas 🙂

Eu tenho uma pergunta:

Por que você usa o Zorro para criar os recursos no arquivo csv e, em seguida, abri-lo em R?

Por que não criar o arquivo com todos os recursos em R em poucas linhas e fazer o treinamento no arquivo quando você já estiver em R? em vez de entrar no Zorro e depois no R.

Quando você quer que R crie os recursos, você ainda deve transmitir os dados de preços e os alvos de Zorro para R. Então você não está ganhando muito. Criar os recursos nos resultados do Zorro geralmente em código mais curto e treinamento mais rápido. Recursos em R fazem sentido apenas quando você precisa de algum pacote R para calculá-los.

Artigo realmente útil e interessante! Eu gostaria de saber se há alguma versão em inglês do livro:

"Das Börsenhackerbuch: Finanziell unabhängig durch algorithmische Handelssysteme & # 8221;

Eu estou realmente interessado nisso,

Ainda não, mas uma versão em inglês está planejada.

Obrigado JCL! Por favor, deixe-me agora quando a versão em inglês estiver pronta, porque estou realmente interessado nela.

Funciona soberbamente (como sempre). Muito Obrigado. Uma pequena nota, se você tiver o pacote & # 8220; dlm & # 8221; carregado em R, o TestOOS falhará com erro: & # 8220; Erro no TestOOS (): não é possível alterar o valor da ligação bloqueada para o & # 8216; X '& # 8221 ;. Isso ocorre porque existe uma função X no pacote dlm, portanto, o nome é bloqueado quando o pacote é carregado. Facilmente consertado renomeando as ocorrências da variável X para outra coisa, ou temporariamente desanexando o pacote dlm com: detach (& # 8220; package: dlm & # 8221 ;, unload = TRUE)

Obrigado pela informação com o pacote dlm. Eu admito que & # 8216; X & # 8217; não é um bom nome para uma variável, mas uma função chamada & # 8216; X & # 8217; em um pacote distribuído é até um pouco pior.

Os resultados abaixo foram gerados pela versão revisada do DeepSignals. r & # 8211; A única mudança foi o uso da rede LSTM do pacote rnn no CRAN. Os autores do pacote consideram sua implementação do LSTM como "experimental" & # 8221; e não sinto que ainda esteja aprendendo corretamente, então espero que mais melhorias venham até lá. (Passou a idade tentando realizar o elemento LSTM usando o pacote mxnet, mas desistiu como não pôde descobrir o formato de entrada correto ao usar vários recursos de treinamento.)

Irá publicar os resultados do WFO completo quando eu tiver terminado a versão LSTM do DeepLearn. r.

Matriz de Confusão e Estatística.

IC 95%: (0,5699, 0,5956)

Nenhuma taxa de informação: 0,5002.

Valor-P [Acc & gt; NIR]: & lt; 2e-16.

Teste P de Mcnemar: 0,2438.

Pos Pred Valor: 0,5844.

Valor Pred Neg .: 0.5813.

Taxa de Detecção: 0,2862.

Prevalência de Detecção: 0,4897.

Precisão balanceada: 0,5828.

Resultados do teste WFO abaixo. Mais uma vez, apenas a alteração para arquivos originais foi o uso de LSTM em R, em vez de DNN + SAE.

Teste de caminhada para frente DeepLearnLSTMV4 EUR / USD.

Conta simulada AssetsFix.

Período da barra 1 hora (média 87 min)

Período de simulação 15.05.2014-07.06.2016 (12486 barras)

Período de teste 04.05.2015-07.06.2016 (6649 barras)

Período de lookback 100 bars (4 dias)

Ciclos de teste WFO 11 x 604 bars (5 semanas)

Ciclos de treinamento 12 x 5439 barras (46 semanas)

Ciclos de Monte Carlo 200.

Deslizamento assumido 0.0 seg.

Spread 0,0 pips (rolo 0,00 / 0,00)

Contratos por lote 1000.0.

Ganho / perda bruta 3628 $ / -3235 $ (+ 5199p)

Average profit 360$/year, 30$/month, 1.38$/day.

Max drawdown -134$ 34% (MAE -134$ 34%)

Total down time 95% (TAE 95%)

Max down time 5 weeks from Aug 2015.

Max open margin 40$

Max open risk 35$

Trade volume 5710964$ (5212652$/year)

Transaction costs 0.00$ spr, 0.00$ slp, 0.00$ rol.

Capital required 262$

Number of trades 6787 (6195/year, 120/week, 25/day)

Percent winning 57.6%

Max win/loss 16$ / -14$

Avg trade profit 0.06$ 0.8p (+12.3p / -14.8p)

Avg trade slippage 0.00$ 0.0p (+0.0p / -0.0p)

Avg trade bars 1 (+1 / -2)

Max trade bars 3 (3 hours)

Time in market 177%

Max open trades 3.

Max loss streak 17 (uncorrelated 11)

Annual return 137%

Profit factor 1.12 (PRR 1.08)

Sharpe ratio 1.79.

Kelly criterion 2.34.

R2 coefficient 0.435.

Ulcer index 13.3%

Prediction error 152%

Confidence level AR DDMax Capital.

Portfolio analysis OptF ProF Win/Loss Wgt% Cycles.

EUR/USD .219 1.12 3907/2880 100.0 XX/\//\X///

EUR/USD:L .302 1.17 1830/1658 65.0 /\/\//\////

EUR/USD:S .145 1.08 2077/1222 35.0 \//\//\\///

Interessante! For a still experimental LSTM implementation that result looks not bad.

Sorry for being completely off topic but could you please point me to the best place where i can learn to code trend lines?? I’m a complete beginner, but from trading experience i see them as an important part of what i would like to build…

Robot Wealth has an algorithmic trading course for that – you can find details on his blog robotwealth/.

I think you misunderstand the meaning pretrening. See my articles mql5/ru/articles/1103.

I think there is more fully described this stage.

I don’t think I misunderstood pretraining, at least not more than everyone else, but thanks for the links!

You can paste your LTSM r code please ?

Could you help me answering some questions?

I have few question below:

1.I want to test Commission mode.

If I use interactive broker, I should set Commission = ? in normal case.

2.If I press the “trade” button, I see the log the script will use DeepLearn_EURUSD. ml.

So real trade it will use DeepLearn_EURUSD. ml to get the model to trade?

And use neural. predict function to trade?

3.If I use the slow computer to train the data ,

I should move DeepLearn_EURUSD. ml to the trade computer?

I test the real trade on my interactive brokers and press the result button.

Can I use Commission=0.60 to train the neural and get the real result?

Result button will show the message below:

Trade Trend EUR/USD.

Bar period 2 min (avg 2 min)

Trade period 02.11.2016-02.11.2016.

Spread 0.5 pips (roll -0.02/0.01)

Contracts per lot 1000.0.

Commission should be normally not set up in the script, but entered in the broker specific asset list. Otherwise you had to change the script every time when you want to test it with a different broker or account. IB has different lot sizes and commissions, so you need to add the command.

to the script when you want to test it for an IB account.

Yes, DeepLearn_EURUSD. ml is the model for live trading, and you need to copy it to the trade computer.

Do I write assetList(“AssetsIB. csv”) in the right place?

So below code’s result includes Commission ?

I test the result with Commission that seems pretty good.

Annual +93% +3177p.

BarPeriod = 60; // 1 hour.

WFOPeriod = 252*24; // 1 year.

NumCores = -1; // use all CPU cores but one.

Spread = RollLong = RollShort = Commission = Slippage = 0;

if(Train) Hedge = 2;

I run the DeepLearn. c in the IB paper trade.

The code “LifeTime = 3; // prediction horizon” seems to close the position that you open after 3 bars(3 hours).

But I can’t see it close the position on third bar close.

I see the logs below:

Closing prohibited – check NFA flag!

[EUR/USD::L4202] Can’t close 1@1.10995 at 09:10:51.

In my IB paper trade, it the default order size is 1k on EUR/USD.

How to change the order size in paper trade?

Muito obrigado.

IB is an NFA compliant broker. You can not close trades on NFA accounts. You must set the NFA flag for opening a reverse position instead. And you must enable trading costs, otherwise including the commission has no effect. I don’t think that you get a positive result with trading costs.

Those account issues are not related to machine learning, and are better asked on the Zorro forum. Or even better, read the Zorro manual where all this is explained. Just search for “NFA”.

I do some experiment to change the neural’s parameter with commission.

The code is below:

BarPeriod = 60; // 1 hour.

WFOPeriod = 252*24; // 1 year.

NumCores = -1; // use all CPU cores but one.

Spread = RollLong = RollShort = Slippage = 0;

if(Train) Hedge = 2;

I get the result with commission that Annual Return is about +23%.

But I don’t complete understand the zorro’s setting and zorro’s report.

Walk-Forward Test DeepLearn EUR/USD.

Simulated account AssetsIB. csv.

Bar period 1 hour (avg 86 min)

Simulation period 15.05.2014-09.09.2016 (14075 bars)

Test period 23.04.2015-09.09.2016 (8404 bars)

Lookback period 100 bars (4 days)

WFO test cycles 14 x 600 bars (5 weeks)

Training cycles 15 x 5401 bars (46 weeks)

Monte Carlo cycles 200.

Simulation mode Realistic (slippage 0.0 sec)

Spread 0.0 pips (roll 0.00/0.00)

Contracts per lot 20000.0.

Gross win/loss 24331$ / -22685$ (+914p)

Average profit 1190$/year, 99$/month, 4.58$/day.

Max drawdown -1871$ 114% (MAE -1912$ 116%)

Total down time 92% (TAE 41%)

Max down time 18 weeks from Dec 2015.

Max open margin 2483$

Max open risk 836$

Trade volume 26162350$ (18916130$/year)

Transaction costs 0.00$ spr, 0.00$ slp, 0.00$ rol, -1306$ com.

Capital required 5239$

Number of trades 1306 (945/year, 19/week, 4/day)

Percent winning 52.5%

Max win/loss 375$ / -535$

Avg trade profit 1.26$ 0.7p (+19.7p / -20.3p)

Avg trade slippage 0.00$ 0.0p (+0.0p / -0.0p)

Avg trade bars 2 (+2 / -3)

Max trade bars 3 (3 hours)

Time in market 46%

Max open trades 3.

Max loss streak 19 (uncorrelated 10)

Annual return 23%

Profit factor 1.07 (PRR 0.99)

Sharpe ratio 0.56.

Kelly criterion 1.39.

R2 coefficient 0.000.

Ulcer index 20.8%

Confidence level AR DDMax Capital.

10% 29% 1134$ 4153$

20% 27% 1320$ 4427$

30% 26% 1476$ 4656$

40% 24% 1649$ 4911$

50% 23% 1767$ 5085$

60% 22% 1914$ 5301$

70% 21% 2245$ 5789$

80% 19% 2535$ 6216$

90% 16% 3341$ 7403$

95% 15% 3690$ 7917$

100% 12% 4850$ 9625$

Portfolio analysis OptF ProF Win/Loss Wgt% Cycles.

EUR/USD .256 1.07 685/621 100.0 /X/XXXXXXXXXXX.

The manual is your friend:

Great read…I built this framework to use XGB to analyze live ETF price movements. Let me know what you think:

Hi, deep learning researcher and programmer here. 🙂

Great blog and great article, congratulations! I have some comments:

& # 8211; if you use ReLUs as activation functions, pretraining is not necessary.

& # 8211; AE is genarraly referred to as networks with same input and output, I would call the proposed network rather a MLP (multi-layer perceptron).

Do you think it is possible to use Python (like TensorFlow) or LUA (like Torch7) based deep learing libraries with Zorro?

I have also heard that ReLUs make a network so fast that you can brute force train it in some cases, with no pretraining. But I have not yet experimented with that. The described network is commonly called ‘SAE’ since it uses autoencoders, with indeed the same number of inputs and outputs, for the pre-training process. & # 8211; I am not familiar with Torch7, but you can theoretically use Tensorflow with Zorro with a DLL based interface. The network structure must still be defined in Python, but Zorro can use the network for training and prediction.

Would you do YouTube Tutorials to your work, this series of articles. And where can I subscribe this kinda of algorithmic trading tutorials. Obrigado pela sua contribuição.

I would do YouTube tutorials if someone payed me very well for them. Until then, you can subscribe this blog with the link on the right above.

Why not feed economic data from a calendar like forexfactory into the net as well? I suggested that several times before. This data is what makes me a profitable manual trader (rookie though), if there is any intelligence in these neuronal networks it should improve performance greatly. input must be name (non farm payrolls for example or some unique identifier) , time left to release, predicted value (like 3-5 days before) last value and revision. Some human institutional traders claim its possible to trade profitably without a chart from this data alone. Detecting static support and resistance areas (horizontal lines) should be superior to any simple candle patterns. It can be mathematically modeled, as the Support and Resistance indicator from Point Zero Trading proves. Unfortunately i dont have a clue how Arturo the programmer did it. I imagine an artificial intelligence actually “seeing” what the market is focussed on (like speculation on a better than expected NFP report based on other positive Data in the days before, driving the dollar up into the report). “seeing” significant support and resistance levels should allow for trading risk, making reasonable decisions on where to place SL and TP.

We also made the experience that well chosen external data, not derived from the price curve, can improve the prediction. There is even a trading system based on Trump’s twitter outpourings. I can’t comment on support and resistance since I know no successful systems that use them, and am not sure that they exist at all.

thank you very much for everything that you did so far.

I read the book (German here, too) and am working through your blog articles right now.

I already learnt a lot and still am learning more and more about the really important stuff (other than: Your mindset must be perfect and you need to have well-defined goals. I never was a fan of such things and finally I found someone that is on the same opinion and actually teaches people how to correctly do it).

So, thank you very much and thanks in advance for all upcoming articles that I will read and you will post.

As a thank you I was thinking about sending you a corrected version of your book (there are some typos and wrong articles here and there…). Would you be interested in that?

Again thank you for everything and please keep up the good work.

Obrigado! And I’m certainly interested in a list of all my mistakes.

Thank you for this interesting post. I ran it on my pc and obtained similar results as yours. Then I wanted to see if it could perform as well when commission and rollover and slippage were included during test. I used the same figures as the ones used in the workshops and included in the AssetFix. csv file. The modifications I did in your DeepLearn. c file are as follows:

Spread = RollLong = RollShort = Commission = Slippage = 0;

The results then were not as optimistic as without commission:

Walk-Forward Test DeepLearn_realistic EUR/USD.

Simulated account AssetsFix.

Bar period 1 hour (avg 86 min)

Simulation period 09.05.2014-27.01.2017 (16460 bars)

Test period 22.04.2015-27.01.2017 (10736 bars)

Lookback period 100 bars (4 days)

WFO test cycles 18 x 596 bars (5 weeks)

Training cycles 19 x 5367 bars (46 weeks)

Monte Carlo cycles 200.

Simulation mode Realistic (slippage 5.0 sec)

Spread 0.5 pips (roll -0.02/0.01)

Contracts per lot 1000.0.

Gross win/loss 5608$ / -6161$ (-6347p)

Average profit -312$/year, -26$/month, -1.20$/day.

Max drawdown -635$ -115% (MAE -636$ -115%)

Total down time 99% (TAE 99%)

Max down time 85 weeks from Jun 2015.

Max open margin 40$

Max open risk 41$

Trade volume 10202591$ (5760396$/year)

Transaction costs -462$ spr, 46$ slp, -0.16$ rol, -636$ com.

Capital required 867$

Number of trades 10606 (5989/year, 116/week, 24/day)

Percent winning 54.9%

Max win/loss 18$ / -26$

Avg trade profit -0.05$ -0.6p (+11.1p / -14.8p)

Avg trade slippage 0.00$ 0.0p (+1.5p / -1.7p)

Avg trade bars 1 (+1 / -2)

Max trade bars 3 (3 hours)

Time in market 188%

Max open trades 3.

Max loss streak 19 (uncorrelated 12)

Annual return -36%

Profit factor 0.91 (PRR 0.89)

Sharpe ratio -1.39.

Kelly criterion -5.39.

R2 coefficient 0.737.

Ulcer index 100.0%

Confidence level AR DDMax Capital.

Portfolio analysis OptF ProF Win/Loss Wgt% Cycles.

EUR/USD .000 0.91 5820/4786 100.0 XX/\XX\X\X/X/\\X\\

I am a very beginner with Zorro, maybe I did a mistake ? O que você acha ?

No, your results look absolutely ok. The predictive power of 4 candles is very weak. This is just an experiment for finding out if price action has any predictive power at all.

Although it apparently has, I have not yet seen a really profitable system with this method. From the machine learning systems that we’ve programmed so far, all that turned out profitable used data from a longer price history.

Thank you for the great article, it’s exactly what I needed in order to start experimenting with ML in Zorro.

I’ve noticed that the results are slightly different each time despite using the random seed. Here it doesn’t matter thanks to the large number of trades but for example with daily bars the performance metrics fluctuate much more. My question is: do you happen to know from where does the randomness come? Is it still the training process in R despite the seed?

It is indeed so. Deepnet apparently uses also an internal function, not only the R random function, for randomizing some initial value.

any idea about how to use machine learning like in this example with indicators? you could do as better strategy 6.

would be very interesting.

Is it grid search inside the neural. train function allowed? I get error when I try it.

Besides Andy, how did you end up definining the LSTM structure using rnn? Is it not clear for me after reading inside the package.

where is the full code?(or where is the repository?)

You said” Use genetic optimization for determining the most important signals just by the most profitable results from the prediction process. Great for curve fitting” How about after using genetic optimization process for determining the most profitable signals , match and measure the most profitable signals with distance metrics/similarity analysis(mutual information, DTW, frechet distance algorithm etc…) then use the distance metrics/similarity analysis as function for neural network prediction? Does that make sense ?

Distance to what? To each other?

Yes find similar profitable signal-patterns in history and find distance between patterns/profitable signals then predict the behavior of the profitable signal in the future from past patterns.

Was wondering about this point you made in Step 5:

“Our target is the return of a trade with 3 bars life time.”

But in the code, doesn’t.

mean that we are actually predicting the SIGN of the return, rather than the return itself?

Sim. Only the binary win/loss result, but not the magnitude of the win or loss is used for the prediction.

“When you used almost 1 year’s data for training a system, it can obviously not deteriorate after a single day. Or if it did, and only produced positive test results with daily retraining, I would strongly suspect that the results are artifacts by some coding mistake.”

There is an additional trap to be aware of related to jcl’s comment above that applies to supervised machine learning techniques (where you train a model against actual outcomes). Assume you are trying to predict the return three bars ahead (as in the example above – LifeTime = 3;). In real time you obviously don’t have access to the outcomes for one, two and three bars ahead with which to retrain your model, but when using historical data you do. With frequently retrained models (especially if using relatively short blocks of training data) it is easy to train a model offline (and get impressive results) with data you will not have available for training in real time. Then reality kicks in. Therefore truncating your offline training set by N bars (where N is the number of bars ahead you are trying to predict) may well be advisable…

Amazing work, could you please share the WFO code as well. I was able to run the code till neural. save but unable to generate the WFO results.

Muito obrigado.

The code above does use WFO.

Dear jcl, in the text you mentioned that you could predict the current leg of zig-zag indicator, could you please elaborate on how to do that? what features and responses would you reccomend?

I would never claim that I could predict the current leg of zigzag indicator. But we have indeed coded a few systems that attempted that. For this, simply use not the current price movement, but the current zigzag slope as a training target. Which parameters you use for the features is completely up to you.

Bom trabalho. I was wondering if you ever tried using something like a net long-short ratio of the asset (I. e. the FXCM SSI index – real time live data) as a feature to improve prediction?

Not with the FXCM SSI index, since it is not available as historical data as far as I know. But similar data of other markets, such as order book content, COT report or the like, have been used as features to a machine learning system.

I see, thanks, and whats’s the experience on those? do they have any predictive power? if you know any materials on this, I would be very interested to read it. (fyi, the SSI index can be exported from FXCM Trading Station (daily data from 2003 for most currency pairs)

Thanks for the info with the SSI. Yes, additional market data can have predictive power, especially from the order book. But since we gathered this experience with contract work for clients, I’m not at liberty to disclose details. However we plan an own study with ML evaluation of additional data, and that might result in an article on this blog.

Thanks jcl, looking forward to it! there is a way to record SSI ratios in a CSV file from a LUA Strategy script (FXCM’s scripting language) for live evaluation. happy to give you some details if you decide to evaluate this. (drop me an email) MyFxbook also has a similar indicator, but no historical data on that one unfortunately.

Does random forest algorithm have any advantage over deep net or neural networks for classification problems in financial data? I make it more clear ; I use number of moving averages and oscillators slope colour change for trading decision(buy - sell-hold).Sometimes one oscillator colour change is lagging other is faster etc..There is no problem at picking tops and bottoms but It is quite challenging to know when to hold. Since random forest doesnt’ need normalization, do they have any advantage over deep net or neural networks for classification? Thanks.

This depends on the system and the features, so there is no general answer. In the systems we did so far, a random forest or single decision tree was sometimes indeed better than a standard neural network, but a deep network beats anything, especially since you need not care as much about feature preselection. We meanwhile do most ML systems with deep networks.

I see thank you. I have seen some new implementations of LSTM which sounds interesting. One is called phased LSTM another one is from Yarin Gaal. He is using Bayesian technique(gaussian process) as dropout cs. ox. ac. uk/people/yarin. gal/website/blog_2248.html.

I hooked up the news flow from forexfactory into this algo and predictive power has improved by 7%.

I downloaded forexfactory news history from 2010. Used a algo to convert that into a value of -1 to 1 for EUR. This value becomes another parameter into the neural training network. I think there is real value there …let me see if we can get the win ratio to 75% and then I thik we have a real winner on hands here. & # 8230; ..

The neural training somehow only yields results with EURUSD.

Anyone tried GBPUSD or EURJPY.

That’s also my experience. There are only a few asset types with which price pattern systems seem to really work, and that’s mainly EUR/USD and some cryptos. We also had pattern systems with GBP/USD und USD/JPY, but they work less well and need more complex algos. Most currencies don’t expose patterns at all.

JCL, you are saying “The R script is now controlled by the Zorro script (for this it must have the same name, NeuralLearn. r, only with different extension).”

…same name as what ? Shouldn’t it say DeepLearn. r (instead of NeuralLearn. r) ? Where is the name “NeuralLearn” coming from, we don’t seem to have used it anywhere else. Sorry I am not sure what I am missing here, could you please clarify?

That’s right, DeepLearn. r it is. That was a wrong name in the text. The files in the repository should be correctly named.

Thanks for your reply jcl, much appreciated.

I love your work. And I have got lots to learn.

Hope you don’t mind me asking another question …

Further down you are saying “The neural. save function stores the Models list – it now contains 2 models for long and for short trades – after every training run in Zorro’s Data folder”.

Again, I am not sure why, but I don’t seem to be able to locate that Models list file in the Data folder. In fact it does not seem to make any difference if the neural. save function is there or not. When I [Train] DeepLearn, only the files DeepLearn_EURUSD_x. ml and signals0.csv are being created regardless of whether the function exist or not.

The *.ml files contain the models list.

Do you have any experience with generative adversarial networks (GANs)?Are they suitable for financial time series ?

We have not yet done a GAN based system. AFAIK GANs are best suited for a different class of problems, not for trading, except maybe in special cases where no immediate success function is available.

Best Short Term Trading Strategies – ATR Calculation.

Grow Your Trading Account Up To 266x Trading Tesla, Amazon and Google!

The 20 Day Fade Is One Of The Best Short Term Trading Strategies For Any Market Good day everyone, I wanted to let all the readers of our blog know that the last two articles and videos about putting together some of the best short term trading strategies received wonderful reviews from our readers, and I wanted to thank everyone for that.

This is the last part of the series and I will go over the stop loss placement and profit target placement for our 20 day fade strategy that I have demonstrated during the last 2 days. If you have not read the articles or seen the videos there is a link to both below.

On Monday, I demonstrated how increasing the length of a moving average will increase your odds of trades going your way. The best number was near 90 days. This exercise demonstrated how increasing your moving average or your breakout length from 20 days to 90 days can increase your percentage of profitable trades from 30 percent profitability to about 56 percent profitability, this is huge.

On Tuesday, I demonstrated how we can take a method that has terrible winning ratio and reverse it to provide a very high percentage of winners compared to losers.

I took the 20 day breakouts which yielded a terrible winning ratio and reversed it. Instead of buying 20 day breakouts we would fade them and do the same to the downside. I also provided a few filters to help increase the odds even further.

The method is called the 20 day fade and today I will cover the stop loss placement and the profit target placement for this strategy.

Some Of The Best Short Term Trading Strategies Are Simple To Learn And Trade.

I highly recommend you pay attention because I find this method to provide about 70 percent win to loss ratio and performs better than the majority of trading systems that sell for thousands of dollars.

Remember, there's no correlation between expensive or complex trading methods and profitability.

The 20 day fade remains one of the most profitable and one of the best short term trading strategies I have ever traded, and I have traded just about every strategy you can imagine.

How Does The ATR Indicator Work.

The ATR indicator stands for Average True Range, it was one of the handful of indicators that were developed by J. Welles Wilder, and featured in his 1978 book, New Concepts in Technical Trading Systems.

Although the book was written and published before the computer age, surprisingly it has withstood the test of time and several indicators that were featured in the book remain some of the best and most popular indicators used for short term trading to this day.

One very important thing to keep in mind about the ATR indicator is that it's not used to determine market direction in any way. The sole purpose of this indicator is to measure volatility so traders can adjust their positions, stop levels and profit targets based on increase and decrease of volatility.

The formula for the ATR is very simple: Wilder started with a concept called True Range (TR), that is defined as the greatest of the following: Method 1: Current High less the current Low Method 2: Current High less the previous Close (absolute value) Method 3: Current Low less the previous Close (absolute value) One of the reasons Wilder used one of the three formulas was to makes sure his calculations accounted for gaps.

When measuring just the difference between the high and low price, gaps are not taken into account. By using the greatest number out of the three possible calculations, Wilder made sure that the calculations accounted for gaps that occur during overnight sessions.

Keep in mind, that all technical analysis charting software has the ATR indicator build in. Therefore you won't have to calculate anything manually yourself. However, Wilder used a 14 day period to calculate volatility; the only difference I make is use a 10 day ATR instead of the 14 day.

I find that the shorter time frame reflects better with short term trading positions. The ATR can be used intra-day for day traders, just change the 10 day to 10 bars and the indicator will calculate volatility based on the time frame you chose.

Here is an example of how the ATR looks when added to a chart. I will use the examples from yesterday so you can learn about the indicator and see how we use it at the same time.

Before I get into the analysis, let me give you the rules for the stop loss and profit target so that you can see how it looks visually. The stop loss level is 2 * 10 day ATR and the profit target is 4 * 10 day ATR.

Make Sure You Know Exactly What The 10 Day ATR Equals Before Entering The Order.

Subtract The ATR From Your Actual Entry Level. This will tell you where to place your stop loss level.

In this example you can see how I calculated the profit target using the ATR.

The method is identical to calculating your stop loss levels. You simply take the ATR the day you enter the position and multiply it by 4. The best short term trading strategies have profit targets that are at least double the size of your risk.

Notice how the ATR level is now lower at 1.01, this is decline in volatility.

Don't forget to use the original ATR level to calculate your stop loss and profit target placement. The volatility decreased and ATR went from 1.54 to 1.01. Use the original 1.54 for both calculations, the only difference is profit targets get 4 * ATR and stop loss levels get 2 * ATR.

If you are taking long positions, you need to subtract the stop loss ATR from your entry and add the ATR for your profit target. For short positions, you need to do the opposite, add the stop loss ATR to your entry and subtract the ATR from your profit target.

Please review this so that you don't get confused when using ATR for stop loss placement and profit target placement. This concludes our three part series on the best short term trading strategies that work in the real world.

Remember, the best short term trading strategies do not have to be complicated or cost thousands of dollars to be profitable. For more on this topic, please go to: Technical Analysis Trading - Double Tops And Bottoms and Learn Technical Analysis - The Right Way All the best, Senior Trainer by Roger Scott, Market Geeks.

Posts populares.

MACD Indicator And Center Line Crossovers.

Swing Trading Strategies.

Estratégias De Negociação De Ouro Para Os Negociantes De Ações.

Estratégias de Negociação Diárias que Funcionam - Táticas de Retrocesso Intradiário.

1976 South La Cienega Blvd # 270.

Los Angeles, Califórnia 90034.

Conecte-se conosco.

O desempenho passado não é garantia de resultados futuros. Este site é apenas para uso educacional e de informação geral. Entre em contato com seu consultor financeiro para obter aconselhamento financeiro específico. Nada neste site constitui conselho ou recomendação para comprar ou vender uma determinada ação, opção, futuros ou qualquer outro ativo financeiro. Copyright © Market Geeks, LLC. Todos os direitos reservados.

Dominando a negociação de curto prazo.

Negociações de curto prazo podem ser muito lucrativas, mas também podem ser arriscadas. Uma negociação de curto prazo pode durar apenas alguns minutos até vários dias. Para ter sucesso nessa estratégia, os comerciantes devem entender os riscos e recompensas de cada negociação. Eles devem não apenas saber como identificar boas oportunidades de curto prazo, mas também como se proteger. Neste artigo, examinaremos os conceitos básicos de identificar bons negócios de curto prazo e como lucrar com eles.

Os fundamentos da negociação de curto prazo.

Vários conceitos básicos devem ser entendidos e dominados para negociações de curto prazo bem-sucedidas. Esses fundamentos podem significar a diferença entre uma perda e uma negociação lucrativa.

Reconhecendo Potenciais Candidatos.

Reconhecer o comércio "certo" significa que você sabe a diferença entre uma boa situação potencial e outra a ser evitada. Com muita frequência, os investidores são apanhados no momento e acreditam que, se assistirem ao noticiário da noite e lerem as páginas financeiras, estarão no topo do que está acontecendo nos mercados. A verdade é que, quando soubermos disso, os mercados já estão reagindo. Assim, alguns passos básicos devem ser seguidos para encontrar as negociações certas nos momentos certos.

Etapa 1: observe as médias móveis.

Uma média móvel é o preço médio de um estoque durante um período de tempo específico. Os prazos mais comuns são 15, 20, 30, 50, 100 e 200 dias. A ideia geral é mostrar se uma ação está tendendo para cima ou para baixo. Geralmente, um bom candidato terá uma média móvel inclinada para cima. Se você está procurando um bom estoque para curto, você geralmente quer encontrar um com uma média móvel que está achatando ou diminuindo.

Etapa 2: Entenda os ciclos ou padrões gerais.

Geralmente, os mercados negociam em ciclos, o que torna importante observar o calendário em momentos específicos. Desde 1950, a maioria dos ganhos nos mercados de ações ocorreu no período de novembro a abril, enquanto no período de maio a outubro, as médias foram relativamente estáticas. Os ciclos podem ser usados ​​para a vantagem dos operadores em determinar bons momentos para entrar em posições longas ou curtas.

Etapa 3: Obtenha um senso de tendências de mercado.

Se a tendência for negativa, você pode pensar em curto e fazer muito pouca compra. Se a tendência for positiva, você pode querer considerar comprar com muito pouco tempo. Quando a tendência geral do mercado é contra você, as chances de ter uma queda de sucesso no comércio.

Seguir estes passos básicos lhe dará uma compreensão de como e quando identificar os negócios potenciais certos.

[Compreender os riscos e recompensas de uma estratégia de negociação de curto prazo é fundamental para tomar a decisão sobre se é certo para você. Se você estiver interessado em se tornar um trader de sucesso, o curso Torne-se um dia de tradutores da Investopedia Academy ensinará os fundamentos que você precisa. ]

Controlando Risco.

O risco de controle é um dos aspectos mais importantes da negociação com sucesso. A negociação de curto prazo envolve risco, por isso é essencial minimizar o risco e maximizar o retorno. Isso requer o uso de paradas de venda ou de compra como proteção contra reversões de mercado.

Uma parada de venda é uma ordem para vender uma ação quando ela atinge um preço predeterminado. Quando esse preço é atingido, torna-se uma ordem de venda ao preço de mercado. Uma parada de compra é o oposto. Ele é usado em uma posição vendida quando a ação sobe para um determinado preço, e nesse ponto ele se torna uma ordem de compra.

Ambos são projetados para limitar o seu lado negativo. Como regra geral, na negociação de curto prazo, você quer definir sua parada de venda ou compra parar dentro de 10% -15% de onde você comprou o estoque ou iniciou o curto. A idéia é manter as perdas gerenciáveis ​​para que os ganhos sejam consideravelmente mais do que as perdas inevitáveis ​​que você incorrer.

Análise técnica.

Há um velho ditado em Wall Street: "Nunca lute contra a fita". Se a maioria admitir ou não, os mercados estão sempre olhando para frente e os preços no que está acontecendo. Isso significa que tudo o que sabemos sobre ganhos, gerenciamento da empresa e outros fatores já está precificado no estoque. Ficar à frente de todos os outros requer que você use a análise técnica.

A análise técnica é um processo de avaliar e estudar ações ou mercados usando preços e padrões anteriores para prever o que acontecerá no futuro. No comércio de curto prazo, esta é uma ferramenta importante para ajudar você a entender como fazer lucros, enquanto outros não têm certeza. Abaixo, vamos descobrir algumas das várias ferramentas e técnicas de análise técnica.

Vários indicadores são usados ​​para determinar o momento certo para comprar e vender. Dois dos mais populares incluem o índice de força relativa (RSI) e o oscilador estocástico. O RSI compara a força ou fraqueza relativa de uma ação em comparação com outras ações do mercado. Geralmente, uma leitura de 70 indica um padrão de cobertura, enquanto uma leitura abaixo de 30 mostra que o estoque foi vendido. Embora seja importante ter em mente que os preços podem permanecer nos níveis de sobrecompra ou sobrevenda por um período considerável de tempo.

O oscilador estocástico é usado para decidir se um estoque é caro ou barato com base na faixa de preço de fechamento da ação durante um período de tempo. Uma leitura de 80 sinaliza que o estoque está sobrecomprado (caro), enquanto uma leitura de 20 indica que o estoque está sobrevendido (barato).

O RSI e o stochastics podem ser usados ​​como ferramentas de coleta de estoque, mas você deve usá-los em conjunto com outras ferramentas para identificar as melhores oportunidades.

Outra ferramenta que pode ajudá-lo a encontrar boas oportunidades de negociação de curto prazo são os padrões em gráficos de ações. Padrões podem se desenvolver ao longo de vários dias, meses ou anos. Embora não haja dois padrões iguais, eles podem ser usados ​​para prever movimentos de preços.

Vários padrões importantes a serem observados incluem:

Cabeça e ombros: A cabeça e os ombros, considerados um dos padrões mais confiáveis, é um padrão de reversão frequentemente visto quando um estoque está chegando ao topo. Triângulos: Um triângulo é formado quando o intervalo entre os altos e baixos de uma ação se estreita. Esse padrão geralmente ocorre quando os preços estão chegando ao limite mínimo. Como os preços se estreitam, isso significa que as ações podem sair de cabeça para baixo ou de maneira violenta. Double tops: Um top duplo ocorre quando os preços sobem a um certo ponto no volume pesado, recuam e, em seguida, testam novamente esse ponto em volume reduzido. Esse padrão sinaliza que o estoque pode estar indo para baixo. Fundos duplos: Um fundo duplo é o reverso de um topo duplo. Os preços vão cair a um certo ponto no volume pesado e, em seguida, subir antes de cair de volta ao nível original em menor volume. Incapaz de quebrar o ponto baixo, esse padrão sinaliza que o estoque pode estar mais alto.

Linha de fundo.

A negociação de curto prazo usa muitos métodos e ferramentas para ganhar dinheiro. O problema é que você precisa se instruir sobre como aplicar as ferramentas para alcançar o sucesso. À medida que você aprende mais sobre negociações de curto prazo, você se verá atraído por uma ou outra estratégia antes de escolher a combinação certa para suas tendências específicas e apetite por risco. O objetivo de qualquer estratégia de negociação é manter as perdas no mínimo e os lucros no máximo, e isso não é diferente para negociações de curto prazo.

Cryptocurrency Trading Strategies – Legit Profitable Investment Tips?

Bitcoin trading is a new concept. Ten years ago, “cryptocurrency” was a foreign word. Hoje, as criptomoedas têm um valor de mercado de mais de US $ 100 bilhões.

Despite that enormous market cap, there are few good tutorials on bitcoin trading strategies. Today, we’re going to help by listing some of the introductory things new bitcoin traders need to know before they begin.

Entendendo a natureza do mercado Bitcoin.

The first and most important thing you need to know about bitcoin is that people aren’t really treating it as a currency right now. Sure, you can spend bitcoin at a growing number of places around the world. People have bought houses with bitcoin. Some people have contactless bitcoin debit cards they can spend anywhere in the world.

However, most investors aren’t treating bitcoin as a currency: they’re treating it as a financial commodity that might provide a return on investment.

The value of bitcoin comes from its potential uses. Bitcoin completely bypasses traditional banking institutions. It removes third parties – with all their fees and slowdowns – from the financial system. It broadcasts transactions to the network (the blockchain) in a transparent way.

Like many unknown commodities, bitcoin is subject to price volatility. Some investors see this as an opportunity, while risk-averse investors want to stay away.

Bitcoin isn’t just an unknown commodity: it will always be an unknown commodity. Bitcoin doesn’t have the fundamentals that investors typically use to analyze an asset. Most stocks or bonds can be analyzed based on some trait of the instrument. Stocks have P/E ratios and dividends, for example, while bonds have return percentages. Bitcoin has no fundamentals that can be easily measured.

Trocas de Bitcoin.

O comércio de Bitcoins ocorre nas trocas. Essas trocas aceitam suas moedas fiduciárias (como o USD e o EUR) em troca de uma criptomoeda (como o BTC). These exchanges maintain a liquid pool of bitcoin, allowing users to withdraw their bitcoin at any time. Investors who wish to trade on that exchange can deposit bitcoin into their personal wallet on the exchange, or make a wire transfer to the exchange’s bank account. The exchange notices this transfer, then credits your account.

Nesse ponto, você pode começar a negociar. You can submit market or limit orders. The orders will be filled as soon as your buy/sell order can be matched to a corresponding one. Most exchanges only offer this limited structure for placing orders. However, a growing number of exchanges now allow more complex orders, including the option to go long/short on a stock and to employ leverage.

Today, the largest bitcoin exchanges by market volume (in June 2017) include Poloniex, Bithumb, Kraken, GDAX, Coinone, Bitfinex, and OKCoin.

You’ll find that different exchanges cater to different markets. Today, most countries have at least one cryptocurrency exchange specializing in their own currency. There are exchanges that can accept New Zealand Dollars in exchange for bitcoin, for example. Other exchanges are known for certain pairs. Bithumb, for example, has particularly strong liquidity in the ETH/KRW (South Korean Won) pair at the moment (and it’s easily the most popular cryptocurrency exchange in Korea).

O CoinMarketCap tem uma classificação das principais trocas de bitcoins por seu volume de 24 horas. Anything in the top 50 allows for good liquidity. However, you can also sort the list by specific currency pairs – so if you want to trade in a more obscure cryptocurrency, you can find the market with the best liquidity.

Tecnologia de Negociação Bitcoin.

Most bitcoin traders make their own trades manually – just like you would execute ordinary trades. However, bitcoin trading technology has improved by leaps and bounds over the past few years. Today, automated bitcoin traders use algorithms to analyze the market, then adjust their portfolios as necessary.

Typically, these companies keep their trading strategies a well-guarded secret. Some companies allow you to purchase their bitcoin trading system, then let it make trades on your behalf.

Unfortunately, bitcoin trading is kind of like the Wild West. Some companies will lure in newbie investors with promises of doubling their bitcoins in 90 days. In reality, automated bitcoin traders shouldn’t guarantee any profits.

Remember that Most Traders Lose Money and Quit Within a Year.

Whether you’re day trading stocks or you’re trading cryptocurrencies, most traders will lose money and give up within a year.

However, there are a small number of traders who can earn consistent profitability – even in markets as unpredictable and volatile as cryptocurrencies.

By keeping up-to-date on bitcoin trading strategies and continuously researching the best tips, you may be able to consistently earn a profit through bitcoin trading.

Comentários Relacionados MAIS DO AUTOR.

Trial Token: Trial Funds Society Plaintiffs Litigation Financing?

World Coin Network WCN ICO: Middle Eastern Cryptocurrency?

Gluwa: Buy & Sell Bitcoin Payment Banking Mobile App Platform?

Digitize Coin DTZ ICO: Token Rewards, Payments & Exchange?

Evonax: Bitcoin Cryptocurrency Exchange To USD, EUR Or GBP?

LitCorp LITT ICO: Reputable Cryptocurrency Investment Option?

10 COMMENTS.

O mercado de criptografia é o maior mercado agora. Under half a year, over $150 billion dollars was made worldwide and has made millions of traders rich. You can be part of the people who are earning a living through trading cryptos. With just half a bitcoin, you can make up to 3 bitcoins in a week.

Can you help and share with us your strategy 🙂 ?

He is scamming. dont write him.

So you think everyone is like you? Scammer.

Most traders who do not have a plan for trading blindly will be eliminated in the near future. As a transaction, bitcoin trading is no different from other underlying objects, such as stock futures. An effective trading strategy is essential in order to make a steady profit in this market. Stop the loss of profits, homeopathy, light warehouse is the key. To strictly implement these trading plan, use the program trading is very effective, program trading my first contact with bitcoin is BotVS quantification in the know the platform to see the column introduced bitcoin hedging strategy is inspired by. Later, I tried to write some trading strategies and use them on firm exchanges. Accumulated a lot of bitcoin trading experience. I’m still bullish on bitcoin, which was a great invention in the twenty-first Century.

I’m an elderly gentleman, closing in on 68 years of age. My son introduced me to Crypto in late 2012. After doing a lot of researching Btc I felt strongly that It had a lot of growth and potential ahead of it. So my son and I built my 1st rig and I started mining in January 2013, pulled $5,000 from my IRA and bought Btc at $13.44 and have never looked back since. The sweetest sound that I’ve ever heard was the clink of my 1st mined Bitcoin way back when. That was as satisfying a note as there ever was on any musical scale. Nothing but happy days ahead since. Don’t get me wrong, there have been bumps in this Crypto highway, the demise of the Silk Road, Mt Gox, DAO hack to name a few but as a HOLDer (holding on for the long duration) not a HODLer (hanging on for dear life) and not day trading, has rewarded me with quite a decent profit. It just takes a lot of patience (Sisu) and doing your research with due diligence. I have since invested in Ethereum (Dec 2015), Monero (Jan 2016) and lately Omisego (July 2017) all purchased from some of my profits from Btc to go along with my newly acquired free Bch and recently free Omg. I’m currently operating 3 rigs equipped with 6 gpus each. 2 mining Eth and 1 Monero for now, all of which will be re-evaluated after Metropolis kicks in to see which direction I go from here. So I ‘m back to doing more research in order to help with my next moves but I’ll always be a strong believer in Ethereum which is where I’ve made my money so far. HOLDing on to the rest for now. Btc $5,000-10,000, Eth $2,500- 5,000, Monero $200-400, Omg $100-1,000 no one ever really knows but MY research says yes and so far MY research has not proven me wrong. Bought Btc at $13.44, Eth at .80, Monero at .48, Omg at .43 Bch for free. No where to go but up for me. Just biding my time. It’s taken me over 4 and a half years to get here but I’ve made over $4,000,000 so far with just my original investment plus the cost of my rigs and I’m still sitting on a lot more. Taking a position and HOLDing is where the real profit is and it isn’t going to happen overnight. So if you want aggravation and ulcers go ahead and day trade, try and beat the Market I wish you luck but the real money comes with Research, HOLDing and Patience. Hope this advice helps because in the long run what it all comes down to, its just Eths, You and Me hopefully making the right decisions.

victor, your comment is too great to despise, can i request your mail address please ?

Thanks or the inspiration… Wish I could have your gained knowledge what a game changer that would be.. Best wishes…

Você tem que ser a melhor história em todo o mundo da moeda criptografada que eu ouvi até agora, e eu tenho que dizer que você tem que estar se sentindo o melhor em sua vida! Parabéns! Eu não estou nem perto do mesmo, mas muito pelo contrário, tenho que dizer. Eu estou aprendendo como eu vou, e eu nunca fui tão dedicada ao meu sucesso e estou mais interessada nisso como minha possível chance de conseguir pagar pelo resto da hipoteca da minha mãe e deixá-la parar de dirigir um ônibus escolar tudo para pagar por uma única assinatura que ela estava tentando conseguir o jantar para 7, como sempre, e com garotas de 2 e 4 anos gritando e o estresse que eu tenho agora como um pouco de motivação para ajudar. Apenas uma pequena assinatura do marido e do meu padrasto, sem nenhuma explicação, bem, ele foi transmitido e o processo de luto não foi suficiente, ela acaba de ser enterrada com um contrato de que ela é a responsável pela assinatura que 25 anos depois é um empréstimo de um milhão de dólares e os detalhes não são da minha conta, mas disseram-me que aumentou para vários milhões com as taxas e multas por atraso & # 8230; Se você tiver algum tempo para entrar em contato comigo, envie-me uma mensagem pelo Facebook ou por email. Eu só preciso de um pouco mais de uma estratégia clara e eu simplesmente não tenho ninguém para perguntar que tenha algum nível de sucesso como você.