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 วิเคราะห์และดึงรูปแบบจากข้อมูลนั้น
ในโพสต์นี้ 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 เพื่อประเมินแนวโน้มของตลาด
โค้ด:
//+------------------------------------------------------------------+ //| 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);
}
//+------------------------------------------------------------------+
โพสต์ที่เกี่ยวข้อง
- สร้าง Expert Advisor ด้วย MQL5 Wizard: สัญญาณซื้อขายจาก Morning/Evening Stars + MFI
- MQL5 Wizard: ระบบเทรดสัญญาณจาก Hammer/Hanging Man + MFI บน MetaTrader 5
- สร้าง Expert Advisor ด้วย MQL5 Wizard สำหรับสัญญาณการเทรด Bullish Harami/Bearish Harami และ RSI
- สร้าง Expert Advisor ด้วย MQL5 Wizard: สัญญาณการเทรดจาก Bullish Engulfing/Bearish Engulfing + RSI
- MQL5 Wizard: สร้างสัญญาณเทรดจาก Bullish Harami/Bearish Harami + Stochastic สำหรับ MetaTrader 5