MetaTrader5
แนะนำเครื่องมือ Machine Learning สำหรับการเทรด: Schnick Demo ใน MetaTrader 5
สวัสดีครับเพื่อนๆ นักลงทุนทุกคน วันนี้เราจะมาพูดถึงเครื่องมือ Machine Learning ที่น่าสนใจอย่าง "การเรียนรู้ของเครื่อง: วิธีใช้ Support Vector Machines ในการเทรด" ที่โพสต์ในเว็บไซต์ MQL5 กันครับ เวอร์ชันนี้ของโค้ดถูกเขียนขึ้นเพื่อใช้ร่วมกับเวอร์ชัน เดโม ของเครื่องมือ Support Vector Machine Learning Tool ที่มีให้ใช้ฟรีที่ MQL5 Market.ลองจินตนาการถึงสถานการณ์สมมุติว่าคุณเป็นนักวิจัยที่กำลังศึกษาสัตว์หายากชนิดหนึ่งที่พบเฉพาะในอาร์กติกชื่อว่า Schnick โดยเนื่องจากความห่างเหินของสัตว์เหล่านี้ มีเพียงไม่กี่ตัวที่เคยพบ (ประมาณ 5000 ตัว) คุณจึงติดอยู่กับคำถามว่า... เราจะระบุว่า Schnick คืออะไรได้อย่างไร?สิ่งที่คุณมีอยู่คือเอกสารวิจัยที่เผยแพร่โดยนักวิจัยที่เคยเห็นสัตว์เหล่านี้ โดยในเอกสารเหล่านั้นได้อธิบายลักษณะเฉพาะบางอย่างของ Schnicks ที่พวกเขาพบ เช่น ความสูง น้ำหนัก จำนวนขา เป็นต้น แต่ทุกอย่างดูแตกต่างกันไปในแต่ละเอกสารไม่มีรูปแบบที่ชัดเจน...เราจะใช้ข้อมูลนี้ในการระบุสัตว์ใหม่ว่าเป็น Schnick ได้อย่างไร?ทางออกหนึ่งที่เป็นไปได้คือการใช้ Support Vector Machine เพื่อระบุรูปแบบในข้อมูลและสร้างกรอบการทำงานที่สามารถใช้ในการจำแนกสัตว์เป็น Schnick หรือไม่เป็น Schnick ได้ ขั้นตอนแรกคือการสร้างชุดข้อมูลที่สามารถใช้ในการฝึก Support Vector Machine ของคุณในการระบุ Schnicks โดยข้อมูลการฝึกคือชุดข้อมูลที่มีการป้อนเข้ากับผลลัพธ์ที่ตรงกันเพื่อให้ Support Vector Machine วิเคราะห์และดึงรูปแบบจากข้อมูลนั้นในโพสต์นี้ เราจะมาสาธิตพลังของการใช้ Support Vector Machines ในการแก้ปัญหาการจำแนกประเภท โดยการใช้เครื่องมือ Support Vector Machine Learning Tool ที่มีให้ที่ MQL5 Market. รายละเอียดเต็มๆ เกี่ยวกับปัญหาสมมุตินี้และโค้ดสามารถดูได้ในบทความ "การเรียนรู้ของเครื่อง: วิธีใช้ Support Vector Machines ในการเทรด" ซึ่งในบทความจะมีการสอนการใช้สคริปต์และวิธีการที่ปัญหานี้สามารถให้ข้อมูลเชิงลึกในการใช้ Machine Learning เพื่อประเมินแนวโน้มของตลาดโค้ด://+------------------------------------------------------------------+
//| Schnick_Demo.mq5 |
//| Copyright 2011, MetaQuotes Software Corp. |
//| http://www.mql5.com |
//+------------------------------------------------------------------+
#property copyright "Copyright 2011, MetaQuotes Software Corp."
#property link "http://www.mql5.com"
#property version "1.00"
//+------------------------------------------------------------------+
//| This script demonstrates the capabilities of the Support Vector
//| Machine Learning Tool
//+------------------------------------------------------------------+
//+------------------------------------------------------------------+
//| The following statement imports all of the functions included in
//| the Support Vector Machine Tool 'svMachineTool.ex5'
//+------------------------------------------------------------------+
#import "svMachineTool_demo.ex5"
enum ENUM_TRADE {BUY,SELL};
enum ENUM_OPTION {OP_MEMORY,OP_MAXCYCLES,OP_TOLERANCE};
int initSVMachine(void);
void setIndicatorHandles(int handle,int &indicatorHandles[],int offset,int N);
void setParameter(int handle,ENUM_OPTION option,double value);
bool genOutputs(int handle,ENUM_TRADE trade,int StopLoss,int TakeProfit,double duration);
bool genInputs(int handle);
bool setInputs(int handle,double &Inputs[],int nInputs);
bool setOutputs(int handle,bool &Outputs[]);
bool training(int handle);
bool classify(int handle);
bool classify(int handle,int offset);
bool classify(int handle,double &iput[]);
void deinitSVMachine(void);
#import
//--- The number of inputs we will be using for the svm
int N_Inputs=7;
//+------------------------------------------------------------------+
//| Expert initialization function |
//+------------------------------------------------------------------+
int OnInit() { double inputs[]; //empty double array to be used for creating training inputs bool outputs[]; //empty bool array to be used for creating training inputs int N_TrainingPoints=5000; //defines the number of training samples to be generated int N_TestPoints=5000 //defines the number of samples to used when testing genTrainingData(inputs,outputs,N_TrainingPoints); //Generates the inputs and outputs to be used for training the svm int handle1=initSVMachine(); //initializes a new support vector machine and returns a handle setInputs(handle1,inputs,7); //passes the inputs (without errors) to the support vector machine setOutputs(handle1,outputs); //passes the outputs (without errors) to the support vector machine setParameter(handle1,OP_TOLERANCE,0.01); //sets the error tolerance parameter to <5% training(handle1); //trains the support vector machine using the inputs/outputs passed insertRandomErrors(inputs,outputs,500); //takes the original inputs/outputs generated and adds random errors to the data int handle2=initSVMachine(); //initializes a new support vector machine and returns a handle setInputs(handle2,inputs,7); //passes the inputs (with errors) to the support vector machine setOutputs(handle2,outputs); //passes the outputs (with errors) to the support vector machine setParameter(handle2,OP_TOLERANCE,0.01); //sets the error tolerance parameter to <5% training(handle2); //trains the support vector machine using the inputs/outputs passed double t1=testSVM(handle1,N_TestPoints); //tests the accuracy of the trained support vector machine and saves it to t1 double t2=testSVM(handle2,N_TestPoints); //tests the accuracy of the trained support vector machine and saves it to t2 Print("The SVM accuracy is ",NormalizeDouble(t1,2),"% (using training inputs/outputs without errors)"); Print("The SVM accuracy is ",NormalizeDouble(t2,2),"% (using training inputs/outputs with errors)"); deinitSVMachine(); //Cleans up all of the memory used in generating the SVM to avoid memory leakage return(0); }//+------------------------------------------------------------------+
//| Expert deinitialization function |
//+------------------------------------------------------------------+
void OnDeinit(const int reason) {//--- No functions executed in OnDeinit() }//+------------------------------------------------------------------+
//| Expert tick function |
//+------------------------------------------------------------------+
void OnTick() {//--- No functions executed in OnTick() }//+------------------------------------------------------------------+
//| This function takes the observation properties of the observed
//| animal and based on the critera we have chosen, returns
//| true/false whether it is a schnick
//+------------------------------------------------------------------+
bool isItASchnick(double height,double weight,double N_legs,double N_eyes,double L_arm,double av_speed,double f_call) { if(height < 1000 || height > 1100) return(false); //If the height is outside the parameters > return(false) if(weight < 40 || weight > 50) return(false); //If the weight is outside the parameters > return(false) if(N_legs < 8 || N_legs > 10) return(false); //If the N_Legs is outside the parameters > return(false) if(N_eyes < 3 || N_eyes > 4) return(false); //If the N_eyes is outside the parameters > return(false) if(L_arm < 400 || L_arm > 450) return(false); //If the L_arm is outside the parameters > return(false) if(av_speed < 2 || av_speed > 2.5) return(false); //If the av_speed is outside the parameters > return(false) if(f_call < 11000 || f_call > 15000) return(false); //If the f_call is outside the parameters > return(false) return(true); //Otherwise > return(true) }//+------------------------------------------------------------------+
//| This function takes an empty double array and empty boolean array
//| and generates the inputs/outputs to be used for training the SVM
//+------------------------------------------------------------------+
void genTrainingData(double &inputs[],bool &outputs[],int N) { double in[]; //creates an empty double array to be used //for temporarily storing the inputs generated ArrayResize(in,N_Inputs); //resize the in[] array to N_Inputs ArrayResize(inputs,N*N_Inputs); //resize the inputs[] array to have a size of N*N_Inputs ArrayResize(outputs,N); //resize the outputs[] array to have a size of N for(int i=0;i<N;i++) { in[0]= randBetween(980,1120); //Random input generated for height in[1]= randBetween(38,52); //Random input generated for weight in[2]= randBetween(7,11); //Random input generated for N_legs in[3]= randBetween(3,4.2); //Random input generated for N_eyes in[4]= randBetween(380,450); //Random input generated for L_arms in[5]= randBetween(2,2.6); //Random input generated for av_speed in[6]= randBetween(10500,15500); //Random input generated for f_call //--- copy the new random inputs generated into the training input array ArrayCopy(inputs,in,i*N_Inputs,0,N_Inputs); //--- assess the random inputs and determine if it is a schnick outputs[i]=isItASchnick(in[0],in[1],in[2],in[3],in[4],in[5],in[6]); } }//+------------------------------------------------------------------+
//| This function takes the handle for the trained SVM and tests how
//| successful it is at classifying new random inputs
//+------------------------------------------------------------------+
double testSVM(int handle,int N) { double in[]; int atrue=0; int afalse=0; int N_correct=0; bool Predicted_Output; bool Actual_Output; ArrayResize(in,N_Inputs); for(int i=0;i<N;i++) { in[0]= randBetween(980,1120); //Random input generated for height in[1]= randBetween(38,52); //Random input generated for weight in[2]= randBetween(7,11); //Random input generated for N_legs in[3]= randBetween(3,4.2); //Random input generated for N_eyes in[4]= randBetween(380,450); //Random input generated for L_arms in[5]= randBetween(2,2.6); //Random input generated for av_speed in[6]= randBetween(10500,15500); //Random input generated for f_call //--- uses the isItASchnick fcn to determine the actual desired output Actual_Output=isItASchnick(in[0],in[1],in[2],in[3],in[4],in[5],in[6]); //--- uses the trained SVM to return the prediced output. Predicted_Output=classify(handle,in); if(Actual_Output==Predicted_Output) { N_correct++; //This statement keeps count of the number of times the predicted output is correct. } }//--- returns the accuracy of the trained SVM as a percentage return(100*((double)N_correct/(double)N)); }//+------------------------------------------------------------------+
//| This function takes the correct training inputs and outputs
//| generated and inserts N random errors into the data
//+------------------------------------------------------------------+
void insertRandomErrors(double &inputs[],bool &outputs[],int N) { int nTrainingPoints=ArraySize(outputs); //calculates the number of training points int index; //creates new integer 'index' bool randomOutput; //creates new bool 'randomOutput' double in[]; //creates an empty double array to be used //for temporarily storing the inputs generated ArrayResize(in,N_Inputs); //resize the in[] array to N_Inputs for(int i=0;i<N;i++) { in[0]= randBetween(980,1120); //Random input generated for height in[1]= randBetween(38,52); //Random input generated for weight in[2]= randBetween(7,11); //Random input generated for N_legs in[3]= randBetween(3,4.2); //Random input generated for N_eyes in[4]= randBetween(380,450); //Random input generated for L_arms in[5]= randBetween(2,2.6); //Random input generated for av_speed in[6]= randBetween(10500,15500); //Random input generated for f_call //--- randomly chooses one of the training inputs to insert an error index=(int)MathRound(randBetween(0,nTrainingPoints-1)); //--- generates a random boolean output to be used to create error if(randBetween(0,1)>0.5) randomOutput=true; else randomOutput=false; //--- copy the new random inputs generated into the training input array ArrayCopy(inputs,in,index*N_Inputs,0,N_Inputs); //--- copy the new random output generated into the training output array outputs[index]=randomOutput; } }//+------------------------------------------------------------------+
//| This function is used to create a random value between t1 and t2
//+------------------------------------------------------------------+
double randBetween(double t1,double t2) { return((t2-t1)*((double)MathRand()/(double)32767)+t1); }//+------------------------------------------------------------------+
2012.12.14
