Skip to content

Latest commit

 

History

History
78 lines (54 loc) · 5.89 KB

forex_analytics-de.md

File metadata and controls

78 lines (54 loc) · 5.89 KB
Raw

Forex_analytics wurde entfernt. DeviaVir#1937

forex_analytics Installieren Sie talib und forex.analytics schlägt fehl und wie installiere ich das. DeviaVir#1765

Hier wird eine Talib Installation durchgeführt. https://travis-ci.org/github/DeviaVir/zenbot/jobs/774610348

Strategie: forex_analytics

Die forex_analytics basieren auf forex.analytics by mkmarek:

Das Ergebnis der technischen Analyse sind zwei binäre Bäume, die Strategien für Kauf- und Verkaufssignale beschreiben, die in einem bestimmten Zeitraum, der durch den eingegebenen OHLC-Datensatz angegeben ist, Gewinne erzielt haben [d.h. Leuchter].

Kurz gesagt, der von forex.analytics verwendete genetische Optimierungsalgorithmus permutiert Schwellenwerte, die für einen begrenzten Satz von TA-Lib-Indikatoren verwendet werden, um einen Entscheidungsbaum aus verschiedenen Parametern und Schwellenwerten zu erstellen, die dann entweder zu einem „Kauf“- oder „Verkauf“-Signal führen . Am Ende werden verschiedene Kombinationen von Parametern und Schwellen entweder für eine „Kauf“- oder „Verkauf“-Entscheidung verwendet.

Bitte beachten Sie auch https://github.com/mkmarek/forex.analytics/blob/master/README.md.

Trainieren

Die Strategie kommt mit einem neuen „Train“-Befehl, um ein Modell mit zurückgefüllten Daten zu trainieren. Es wird empfohlen, das Modell zuerst mit einem großen Trainingsdatensatz zu trainieren und das Modell dann mit zuvor nicht sichtbaren Daten zu testen, um die Leistung und eine mögliche Überanpassung zu bewerten. Dies kann durch den train-Befehl erfolgen, z.B.

./zenbot.sh train bitfinex.ETH-USD --days_training 42 --days_test 14

Sie können die folgenden Parameter für das Training angeben:

--conf <path>                               Pfad zur optionalen conf-Überschreibungsdatei
--period <Wert>                             Periodenlänge einer Kerze (Standard: 30m)
--start_training <timestamp>                beginnt mit dem Training um timestamp
--end_training <timestamp>                  beendet das Training zum Zeitpunkt des Timestamps
--days_training <Tage>                      Legt die Dauer des Trainingsdatensatzes nach Tagesanzahl fest
--days_test <days>                          Setze die Dauer des Testdatensatzes zur Verwendung mit der Simulation, angehängt NACH dem Trainingsdatensatz (Standard: 0)
--populationCount <Wert>                    Bevölkerungszahl (Standard: 100)
--generationCount <Wert>                    Generationszähler (Standard: 100)
--selectionAmount <Wert>                    Auswahlbetrag (Standard: 10)
--leafValueMutationProbability <Wert>       Mutationswahrscheinlichkeit des Blattwerts (Standard: 0,5)
--leafSignMutationProbability <Wert>        Blattzeichen-Mutationswahrscheinlichkeit (Standard: 0,3)
--logicalNodeMutationProbability <Wert>     Mutationswahrscheinlichkeit des logischen Knotens (Standard: 0,3)
--leafIndicatorMutationProbability <Wert>   Mutationswahrscheinlichkeit des Blattindikators (Standard: 0,2)
--crossoverProbability <Wert>               Übergangswahrscheinlichkeit (Standard: 0,03)
--indicators <value>                        kommagetrennte Liste von TA-lib-Indikatoren (Standard: CCI,MACD,RSI,SAR,Stochastic, verfügbar: ATR,BOP,CCI,MACD,MACD_Signal,MACD_Histogram,Momentum,RSI,SAR,SMA15_SMA50,Stochastic )
-h, --help                                  gibt Nutzungsinformationen aus

Mit den unterschiedlichen Einstellungen für den genetischen Optimierungsalgorithmus müssen Sie herumspielen, denn wir sind auch noch dabei, sie zu lernen.

Der 'train'-Befehl generiert zuerst die Candlestick-Rohdaten, führt das Training durch, speichert das Modell in einer temporären Datei und führt die Simulationen auf dem Trainings- und Testdatensatz aus.

Sie sollten damit rechnen, dass der Trainingsdatensatz _training extrem gute Ergebnisse zeigt, da das Modell darauf zugeschnitten wurde. Die Ergebnisse aus dem Testdatensatz test dataset zeigen daher ein realistischeres Bild. Wählen Sie mit --days_test einen ausreichend großen Testdatensatz aus.

Das Modell wird dann zusammen mit den HTML-Simulationsergebnissen von training und test dataset im Ordner models/ gespeichert.

##Handel

Sie können das trainierte Modell für das Training verwenden, indem Sie den normalen trade-Befehl verwenden:

./zenbot.sh trade bitfinex.ETH-USD --strategy forex_analytics --modelfile models/trained_model_file.json --paper

Es gibt nicht viele Optionen zu spezifizieren. Normalerweise müssen Sie nur --modelfile und --period anpassen. Der Zeitraum muss derselbe sein wie im Training/Test und Zenbot wird sich beschweren, wenn dies nicht der Fall ist.

Bitte beachten Sie, dass Sie die Modell-JSON-Dateien freigeben können. zenbot ist Open Source, wir teilen. Wenn du den heiligen Mustergral findest, gib es bitte der Community zurück ;)

forex_analytics
  Bezeichnung:
    Wenden Sie das trainierte Forex-Analysemodell an.
  Optionen:
    --modelfile=<Wert>    Modelldatei (erzeugt durch Ausführen von `train`), sollte in models/ sein (Standard: keine)
    --period=<Wert>       Periodenlänge einer Kerze (Standard: 30m) (Standard: 30m)
    --min_periods=<Wert>  min. Anzahl der Historienperioden (Standard: 100)

Einschränkungen

  • Bitte beachten Sie, dass Sie das Modell an retrospektive Daten einer einzelnen Börse anpassen. Es könnte (viel) Overfitting geben. Wie besprochen, verwenden Sie bitte einen ausreichend großen Testdatensatz test dataset.
  • Die ursprüngliche forex.anayltics optimiert nicht für die Länge der Lookback-Perioden für die TA-Lib-Indikatoren. Hier muss noch gearbeitet werden. Wir haben ein Problem eingereicht, aber das Projekt scheint im Leerlauf zu sein – eine Pull-Anfrage wäre sehr willkommen.