Lua trading system

Guile är ett programmeringsspråk Guile är utformat för att hjälpa programmerare skapa flexibla applikationer som kan utökas av användare eller andra programmerare med plug-ins, moduler eller skript. Med Guile kan du skapa program och spel för skrivbordet. webben. kommandoraden. och mer. Kodsexempel Guile är ett genomförande av schemaläggningsspråket, som stöder de reviderade 5 och de flesta reviderade 6-språkrapporterna, liksom många SRFI. Det kommer också med ett bibliotek med moduler som erbjuder ytterligare funktioner, som en HTTP-server och klient, XML-parsning och objektorienterad programmering. Hej världsprogram Definiera en variabel kallad namn. gå med i texten Hello. namn. och. tillsammans för att bilda hälsning Hello world. och visa den på skärmen. Importera moduler Importera srfi-19-modulen och använd dess funktioner för att visa aktuellt datum och tid i formatet WEEKDAY, MÅNAD MÅNADÅR HOUR: SECOND. Hej HTTP-server Kör en webbserver som returnerar ett svar med texten quotHello Worldquot till varje förfrågan som skickas av HTTP-klienter. Öppna localhost: 8080 för att se resultatet. Guile är en förlängningsspråkplattform Guile innehåller en effektiv kompilator och virtuell maskin. Den kan användas utanför rutan för att skriva program i Schema eller kan enkelt integreras med C och C-program. Guile är GNU Allestädes Intelligent Språket för Extensions, och det officiella språket för GNU-projektet. Utöka applikationer Förutom Scheme innehåller Guile kompilatorns frontändar för ECMAScript och Emacs Lisp (stöd pågår för Lua), vilket innebär att din ansökan kan utökas på det språk som är mest lämpligt för din användarbas. Och Guileaposs-verktyg för analysering och kompilering exponeras som en del av sin standardmoduluppsättning, så stöd för ytterligare språk kan läggas till utan att skriva en enda rad C. Guile ger användare möjlighet att använda quotpractical software freedomquot Använda något av de stödda skriptspråken kan användarna anpassa och utöka applikationer medan de körs och se förändringarna sker live. Användare kan enkelt handla och dela funktioner genom att ladda upp och ladda ner skript, istället för att handla komplexa korrigeringar och återställa deras applikationer. Program som använder Guile GNU Guix Amp GuixSD Pakethanterare och GNU-distributionssupport för elektronisk designautomatisering GNU-debugger GNU Guile på FOSDEM 10 januari 2017 GNU Guile har sin egen session på FOSDEM i år igen. Schemat är nu tillgängligt. Samtalet omfattar en rad ämnen: användargränssnitt GNU Guile 2.1.5 släppt 9 december 2016 Vi är glada att meddela GNU Guile release 2.1.5, nästa förhandsavgivning i vad som blir 2.2 stabila serien. Denna release förbättrar Guileaposs parallellitet GNU Guile 2.0.13 släppte säkerhetsfixar 12 oktober 2016 Weaposve släppte precis en ny version av GNU Guile, version 2.0.13, som är en säkerhetsversion för Guile (se det ursprungliga meddelandet). Det handlar om en betydande Säkerhetsproblem Om webbplatsen Den här webbplatsen drivs av GNU Guile och källkoden är under GNU AGPL. Var vänlig och använd mailinglistan eller guile-kanalen på Freenode för mer information om GNU Guile och den här webbplatsen. Maskininlärning och automatiserad handel The Big Short (Jag gillar det) Söker handelsstrategier med lönsamma backtests - UPDATE Jag har haft några väldigt intressanta samtal sedan Jag erbjöd min icke-offentliga intradag handelsram i utbyte mot information om lönsamma strategier, varför jag vill förlänga detta initialt tidsbegränsade samtal oändligt. Observera att jag inte letar efter strategidéer. Jag har massor av dem själv. Utmaningen ligger inte i att komma fram till en idé utan att välja rätt och testa den till slutet, när du antingen vet att den fungerar eller att den inte gör det. Den kritiska faktorn här är tiden. Så vad jag egentligen handlar om är den tid jag har investerat i utvecklingen av en solid solid intraday trading ram mot den tid du har investerat i att utveckla en lönsam handelsstrategi. Det kan vara en aktie, ETF, framtida eller optionsstrategi. Alla diskussioner och informationsutbyte kommer att hållas konfidentiella. Jag är naturligtvis öppen för att bara diskutera idéer, men vänligen förvänta mig inte att testa dem för dig och klaga inte om jag implementerar dem utan att fråga om ditt godkännande. Call for Proposals Söker handelsstrategier med lönsamma backtests Fram till den 15 juni. Jag accepterar förslag till lovande handelsstrategier för aktier, valutor och lagerindex. Strategin måste vara lönsam vid backtesting och ha ett årligt skarpt förhållande på minst 1,0. Den 1 juli kommer de två mest lovande strategierna att väljas och deras författare kan välja ett av följande alternativ: 1) Få en fullständig och fri kopia av den förbättrade, icke-offentliga handelsramen baserad på R som jag har utvecklat och använt sedan 2012 och att författarna kan använda för att handla sina strategier med interaktiva mäklare. (Den förenklade offentliga versionen kan hämtas här) 2) Skriv in ett samarbetsavtal där jag kommer att åta sig att genomföra sin strategi för R och pappershandel i högst tre månader. Alla enskilda handlar kommer att delas med författarna när de kommer fram. Dessutom kommer R-koden som är specifik för strategin (inte koden för handelsramen) att överlämnas till strategibeskrivarna. Vad ska man skicka in: En skriftlig beskrivning av strategin plus en lista över branscher plus returtidsserierna för backtest eller exekverbar Roctavepython-kod som direkt beräknar backtest-returperiodserierna, tillsammans med det fullständiga datasetet för priser som används i backtestet. Skicka till min e-post tillgänglig i Kontakt-avsnittet Uppdatering av ren R Intraday Trading Framework Slutligen hittade jag tiden att göra detta. Långt för sent. Ramverket kör nu med de senaste (unix) versionerna av IB TWSGW (version 9493 och högre). Detta krävde i sig en delvis omskrivning av flera funktioner från det stora men nu lite föråldrade IBrokers R-paketet av Jeff Ryan. Även standardkonfigurationen för handel EURUSD har uppdaterats så att det nu är en bit tårta att köra exemplet dummy-strategin. Klona bara git repo till din lokala maskin. githubcensixINTRADAY-PartAB och följ README. Något om maskinvara Jag är fortfarande en fan av att äga min egen metall. Visst, att göra saker med konfigurerbara maskinbilder i molnet är populära eftersom du inte måste gå igenom krånget för att hantera din egen hårdvara, men det är inte krångel egentligen bara ett problem för stora organisationer där hundratusentals användare måste hållas nöjda med minimal kostnad. Så är molnet inte bara en lösning på ett problem för människor som måste hantera skalan, men försöker samtidigt sälja-på den lösningen till den individuella joe där ute, som gör det, behöver inte verkligen det. Hur som helst, som jag sa, är jag fan av att äga min egen metall. Billig hårdvara kan hjälpa dig långt om du tar dig tid att konfigurera den ordentligt. Ett 16-64 GB RAM-skrivbord med en eller två GPU: er gör ganska mycket vad du behöver. Det verkar som om backtesting-strategier använder sig av fler datortillgångar än den faktiska live-handeln. Det är därför dessa dagar du kan konfigurera och driva en intraday-strategi från en anständig bärbar dator med självförtroende, medan för backtesting och forskning du verkligen vill ha RAM-CPU-GPU-monsteret ovan eller ett litet litet supercomputingkluster av din egen, som jag nyligen har beskrivit här. Pure R Intraday trading framwork Fullständig nedladdning tillgänglig Jag har gjort INTRADAY-PartA. tar. gz och INTRADAY-PartB. tgz tillgänglig för nedladdning. censixdownloads. html Hitta relationer mellan tillgångar som kan användas för statistisk arbitrage I stället för att fokusera på att förutsäga prisriktning och prisvolatilitet med olinjära modeller som härrör från maskininlärningsmetoder, skulle ett alternativ vara att försöka upptäcka exploaterbara prisförhållanden mellan tillgångar av samma klass och reagera (handel) när felprissättning sker, med andra ord, göra statistisk arbitrage. På ett visst sätt är det på något sätt lättare än att försöka prognostisera priser, eftersom det enda som man måste göra är att hitta ett förhållandevis stabilt, linjärt eller icke-linjärt förhållande mellan en grupp av minst två tillgångar och antar att, från tiden för dess upptäckt, det förhållandet kommer att fortsätta under en tid i framtiden. Handel med detta antagande är då väldigt mycket en reaktiv process som utlöses av prisrörelser som skiljer sig avsevärt från det modellerade förhållandet. Traditionell parhandel och handel med assetter i ett VECM (Vector Error Correction Model) - förhållande är bra exempel på statarb med linjära modeller. Så varför inte använda ett enkelt ett-lags neuralt nätverk eller till och med en RBM för att upptäcka ett icke-linjärt prisförhållande mellan två icke-samordnade tillgångar och om den här upptäckten är framgångsrik, handla den på samma sätt som ett klassiskt par. Saker blir ännu mer intressanta när grupper med mer än bara två tillgångar beaktas. Detta skulle då vara den icke-linjära ekvivalenten av en VECM. Funktionsval Bredd vs. Djup Låt oss säga att vi har ett univariat tiderörs predikitionsmål som antingen kan vara av typregression eller klassificering, och vi måste bestämma vilka inmatningsfunktioner som ska väljas. Mer konkret har vi ett stort univers av tidsserier som vi kan använda som ingångar och vi skulle vilja veta hur många vi borde välja (bredd) och hur långt tillbaka i tiden vill vi leta efter var och en (djup). Det finns ett tvådimensionellt utrymme för val, avgränsat av följande fyra extrema fall, under antagandet att vi har totalt N-serier och vi kan högst se tillbaka K timesteps: (1) Välj endast en serie och lookback en timestep, (2) plocka endast en serie och lookback K timesteps, (3) välj N-serie och lookback en timestep, (4) välj N-serie och lookback K timesteps. Det optimala valet kommer sannolikt inte att vara någon av dessa, eftersom (1) och (2) kanske inte innehåller tillräcklig förutsägbar information och (3) och särskilt (4) inte heller är möjliga på grund av beredningsförhållanden eller innehåller för mycket slumpmässigt brus. Det föreslagna sättet att närma sig detta är att börja små på (1), se vilken prestanda du får och öka sedan inmatningsutrymmet, antingen bredd eller djupgående, tills du har uppnått tillfredsställande prediktionsprestanda eller tills du har uttömt dina beräkningsresurser och måste antingen överge hela tillvägagångssättet :( eller köpa ett nytt (gård av) skrivbord (er) :) Använda staplade autokodrar och begränsade boltzmannmaskiner i R 12 februari 2014 staplade autokodrar (SA) och begränsade boltzmannmaskiner RBM) är mycket kraftfulla modeller för oövervakat lärande. Tyvärr är det vid skrivetiden som om det inte finns några direkta R-implementeringar tillgängliga, vilket är överraskande eftersom båda modelltyperna har funnits ett tag och R har implementeringar för många andra maskinlärningsmodelltyper. Som en lösning skulle SA kunna implementeras med ett av flera neurala nätverkspaket av R ganska snabbt (nnet, AMORE) och RBMs, ja, någon skulle behöva skriva en bra R-implementering för dem. Men med tanke på att träning både modelltyper kräver mycket beräkningsresurser vill vi också ha ett genomförande som kan utnyttja GPU: er. Så för närvarande är den enklaste lösningen vi verkar ha att använda Theano. Det kan använda GPU: er och det ger implementeringar av staplade (denoising) autoencoders och RBMs. Dessutom är PythonTheano-koden för flera andra exotiska Boltzmann Machine-varianter flytande runt nätet. Vi kan använda rPython för att kalla dessa Python-funktioner från R men utmaningen är data. Att få stora dataset fram och tillbaka mellan R och Python utan att använda den ascii-serialisering som rPython implementerar (för långsam) behöver lösas. En åtminstone lika kraftfull implementering av autokodare som stöder GPU-användning är tillgänglig via Torch7-ramen (demo). Men Torch7-funktionerna kallas med hjälp av lua och ringer dem inifrån. R behöver istället lite arbete på C-nivå. Sammanfattningsvis: Använd Theano (Python) eller Torch7 (lua) för träningsmodeller med GPU-support och skriv de utbildade modellerna till filen. I R, importera den utbildade modellen från filen och använd för prediktion. Uppdatera 25 april 2014: Följande fina lösning Ring Python från R till Rcpp borde ta oss ett steg närmare att använda Theano direkt från R. Vilka frekvenser ska vi handla. 13 januari 2014 När man försöker hitta exploaterbara marknadsmönster som man kan handla som detaljhandlare är en av de första frågorna följande: Vilka handelsfrekvenser ska man titta på månadsvisa dagliga eller intradag var som helst mellan 5 sekunder och 1 timme med begränsad tid tillgänglig för genomföra alla dessa tidsramar, blir det en viktig fråga att svara på. Jag och andra har observerat att det verkar finnas ett enkelt förhållande mellan handelsfrekvens och ansträngning som krävs för att hitta en lönsam strategi som är rent kvantitativ och har acceptabel risk. Kort sagt: Ju lägre (långsammare) frekvensen du vill handla på, desto smartare måste din lönsamma strategi vara. tradefreqvssmartness Som ett exempel kan man titta på spektrumets (mycket) högfrekventa ände, där marknadsföringsstrategier baserade på väldigt enkel matematik kan vara mycket lönsamma om man lyckas vara nära nog till marknadscentret. Med ett stort hopp i det dagliga frekvensområdet blir det mycket svårare att hitta kvantitativa strategier som är lönsamma medan de fortfarande bygger på ganska enkel matematik. Handel med vecko - och månadsintervaller med hjälp av enkla kvantitativa metoder eller tekniska indikatorer är ett mycket bra recept på katastrof. Så om vi antar att det här förhållandet verkligen är sant och med tanke på att vi kan och vill använda avancerade maskininlärningstekniker i våra handelsstrategier, kan vi börja med ett veckovis frekvensfönster och arbeta mot högre frekvenser. Veckohandel behöver inte automatiseras alls och kan göras från alla webbaserade mäklare gränssnitt. Vi kan utveckla en väska med strategier med hjälp av allmänt tillgängliga historiska data i kombination med vår favoritinlärningsalgoritm för att hitta handlingsbara marknadsmönster och sedan genomföra strategin manuellt. I denna skala bör all ansträngning gå in i att hitta och finjustera den kvantitativa strategin och mycket liten tanke behöver ställas in i handeln. Handelsautomatiseringsansträngning: 0. Strategisk smartness krävs: 100 Daglig handel bör automatiseras, såvida inte du verkligen kan ägna en fast del av din dag för att övervaka marknaderna och genomföra affärer. Att integrera maskininlärningsalgoritmer med automatiserad daglig handel är inte en trivial uppgift, men det kan göras. Handelsautomatiseringsansträngning: 20, Strategismarthet krävs: 80 På intradagtidsscheman, allt från minuter och sekunder till undersekunder, måste du anstränga sig för att automatisera dina affärer, var som helst inom intervallet mellan 20 och 90. Lyckligtvis är mindre tidsskala blir dummare din strategi kan vara, men dum är förstås ett relativt koncept här. Handelsautomatiseringsinsats: 80, Strategismarthet krävs: 20 Vilka funktioner ska användas. Handgjord vs lärd 10 december 2013 Vid ett tillfälle i designen av ett (maskin) inlärningssystem kommer du oundvikligen att fråga dig vilka funktioner som ska matas in i din modell. Det finns minst två alternativ. Den första är att använda handgjorda funktioner. Det här alternativet ger normalt bra resultat om funktionerna är väl utformade (det är naturligtvis en tautologi, eftersom du bara skulle kalla dem bra om de gav dig bra resultat.). Att utforma handgjorda funktioner kräver expertkunskaper om det fält som lärningssystemet ska tillämpas på, dvs ljudklassificering, bildigenkänning eller i vårt fallhandel. Problemet här är att du kanske inte har någon expertkunskap (ännu) och det kommer bli mycket svårt att komma med eller ta mycket tid eller troligtvis båda. Så alternativet är att lära kännetecknen från data eller med andra ord, använda oövervakat lärande för att erhålla dem. Ett krav här är att du verkligen behöver massor av data. Mycket mer av det än du skulle behöva för handgjorda funktioner, men då måste det inte märkas. Fördelen är emellertid tydlig. Du behöver inte verkligen vara expert på det specifika område du utformar systemet för, dvs handel och finans. Så medan du fortfarande behöver ta reda på vilken delmängd av de lärda funktionerna som är bäst för ditt inlärningssystem, det är också något du skulle behöva göra med de handgjorda funktionerna. Mitt förslag: Försök att utforma några handgjorda funktioner själv. Om de inte utför och du har goda skäl att tro att det är möjligt att få bättre resultat än de du får får du använda oövervakade inlärningsmetoder för att lära dig funktioner. Du kan till och med skapa ett hybridsystem som använder designade och inlärda funktioner tillsammans. Varför använder jag Open Source-verktyg för att bygga handelsapplikationer 19 november 2013 När jag började undersöka min egen automatiserade handel hade jag tre krav på den uppsättning verktyg som jag ville använda. 1) De borde kosta så lite som möjligt för att få mig igång, även om det innebar att jag var tvungen att göra mycket programmering och anpassningar själv (det skulle kosta tid) 2) Det borde finnas ett samhälle med likasinnade människor där ute använda samma verktyg för ett liknande ändamål. 3) Verktygen ska tillåta mig att gå så djupt in i systemets ingångar som det behövs, även om jag i början var mer att upptäcka grunderna. Jag ville inte hitta mig i en situation där två år längs linjen skulle behöva byta till en annan uppsättning verktyg, bara för att de jag hade börjat med gjorde det inte möjligt för mig att göra vad jag ville ha på grund av problem med slutna källor och restriktiva licensiering. Som ett resultat kom jag att välja R som mitt valfria språk för att utveckla handel algortihms och jag började använda interaktiva mäklare eftersom de tillhandahåller ett API för gränssnitt med deras mäklaresystem. Även om det finns många fina handelsverktyg som ansluter till IB Trader Workstation och vissa kan användas för automatiserad handel, erbjuder ingen av dem samma kraft, flexibilitet och samhällsstöd som R-projektet har. Dessutom har R verkligen ett fantastiskt förråd av gratis och väldigt adavanced statistik och maskininlärningspaket, något som är viktigt om du vill skapa handelsalgoritmer. Copyright Copy Censix 2013 - 2015Bättre Strategier 5: Ett Kortsiktigt Machine Learning System It8217s tid för den femte och sista delen av Build Better Strategies-serien. I del 3 diskuterade we8217ve utvecklingsprocessen för ett modellbaserat system, och följaktligen avslutar vi serien med att utveckla ett datasystem. Principerna för data mining och maskininlärning har varit föremål för del 4. För vårt kortfristiga handelsexempel använder we8217ll en djup inlärningsalgoritm. en staplad autoencoder, men den fungerar på samma sätt med många andra maskininlärningsalgoritmer. Med today8217s mjukvaruverktyg behövs endast cirka 20 linjer kod för en maskininlärningsstrategi. I8217ll försöker förklara alla steg i detalj. Vårt exempel kommer att vara ett forskningsprojekt 8211 ett maskininlärningsexperiment för att svara på två frågor. Ger en mer komplex algoritm 8211 som mer neuroner och djupare inlärning 8211 en bättre förutsägelse Och är kortsiktiga prisdragningar förutsägbara av kortvarig prishistoria Den sista frågan uppstod på grund av min skepsis över prishandelshandeln i föregående del av denna serie. Jag har flera e-postmeddelanden som frågar om 8220trading systemgenerators8221 eller liknande prisåtgärder som beröms på vissa webbplatser. Det finns inga svåra bevis för att sådana verktyg någonsin gav någon vinst (förutom deras säljare) 8211 men betyder det att de alla är skräp. Vårt experiment är enkelt: Vi samlar information från de sista ljusen av en priskurva, matar den i ett djupt lärande neuralt nätverk och använder det för att förutsäga nästa ljus. Min hypotes är att några ljus don8217t innehåller någon användbar prediktiv information. Naturligtvis innebär ett ickeprediktivt resultat av experimentet8217t att I8217m är rätt, eftersom jag kunde ha använt felaktiga parametrar eller förberett data dåligt. Men ett förutsägbart resultat skulle vara en ledtråd för att I8217m felaktigt och prishandel kan verkligen vara lönsamt. Utveckling av maskininlärningsstrategi Steg 1: Målvariabeln För att ompröva föregående del. en övervakad inlärningsalgoritm utbildas med en uppsättning funktioner för att förutse en målvariabel. Så det första att bestämma är vad den här målvariabeln ska vara. Ett populärt mål, som används i de flesta papper, är tecknet på prisavkastningen i nästa stapel. Bättre lämpad för prediktering, eftersom mindre känslig för slumpmässighet, är prisskillnaden till en mer avlägsen förutsägelsehorisont. som 3 barer från och med eller samma dag nästa vecka. Precis som vad som helst i handelssystem är prediksionshorisonten en kompromiss mellan effekterna av slumpmässighet (mindre stavar är sämre) och förutsägbarhet (mindre stavar är bättre). Ibland är you8217 inte intresserad av att direkt förutsäga pris, men för att förutsäga någon annan parameter 8211, t. ex. det aktuella benet på en Zigzag-indikator 8211 som annars annars endast kan bestämmas i efterhand. Eller om du vill veta om en viss ineffektivitet på marknaden kommer att vara närvarande nästa gång, särskilt när du använder maskininlärning inte direkt för handel utan för filtrering av handel i ett modellbaserat system. Eller du vill förutsäga något helt annat, till exempel sannolikheten för en marknadskrasch imorgon. Allt detta är ofta lättare att förutsäga än den populära returneringen av tomorrow8217. I vårt prissatsningsexperiment använder vi8217ll återkomsten av en kortsiktig prishandelshandel som målvariabel. När målet är bestämt, väljer nästa steg de olika funktionerna. Steg 2: Funktionerna En priskurva är det värsta fallet för en maskininlärningsalgoritm. Det bär inte bara lite signal och mestadels ljud. det är också icke-stationärt och signalförhållandet förändras hela tiden. Det exakta förhållandet mellan signal och brus beror på vad som menas med 8220signal8221, men det är normalt för lågt för någon känd maskininlärningsalgoritm för att producera något som är användbart. Så vi måste härleda funktioner från priskurvan som innehåller mer signal och mindre ljud. Signal, i det sammanhanget, är någon information som kan användas för att förutsäga målet, oavsett vad det är. Allting resten är buller. Att välja funktioner är därför kritisk för framgång 8211 mycket mer kritisk än att bestämma vilken maskininlärningsalgoritm du ska använda. Det finns två sätt att välja funktioner. Den första och vanligaste är att extrahera så mycket information från priskurvan som möjligt. Eftersom du inte vet var informationen är gömd skapar du bara en vild samling indikatorer med ett stort antal parametrar och hoppas att åtminstone några av dem kommer att innehålla den information som algoritmen behöver. Detta är den metod som du normalt hittar i litteraturen. Problemet med denna metod: Varje maskininlärningsalgoritm är lätt förvirrad av icke-prediktiva prediktorer. Så det vann att göra för att bara kasta 150 indikatorer på den. Du behöver någon förhandsval algoritm som bestämmer vilken av dem som har användbar information och som kan utelämnas. Utan att minska funktionerna på detta sätt till kanske åtta eller tio, producerar även den djupaste inlärningsalgoritmen någonting som är användbart. Den andra metoden, normalt för experiment och forskning, använder endast begränsad information från priskurvan. Så här är det: Eftersom vi vill undersöka prishandelshandel använder vi endast de sista priserna som ingångar och måste kassera hela resten av kurvan. Detta har fördelen att vi inte behöver någon förhandsval algoritm eftersom antalet funktioner är begränsade ändå. Här är de två enkla prediktorfunktionerna som vi använder i vårt experiment (i C): De två funktionerna ska innehålla nödvändig information för prisåtgärder: per-bar-rörelse och volatilitet. Ändringsfunktionen är skillnaden mellan det aktuella priset och priset på n-barer före, i förhållande till det aktuella priset. Spänningsfunktionen är den totala höglängden av de sista n-ljusen, även i förhållande till det aktuella priset. Och skalafunktionen centrerar och komprimerar värdena till -100-intervallet, så vi delar dem med 100 för att få dem normaliserade till -1. Vi kommer ihåg att normalisering behövs för maskininlärningsalgoritmer. Steg 3: Preselectingpreprocessing predictors När du har valt ett stort antal indikatorer eller andra signaler som funktioner för din algoritm, måste du bestämma vilken av dem som är användbar och vilken som inte. Det finns många metoder för att minska antalet funktioner, till exempel: Bestäm korrelationerna mellan signalerna. Ta bort de med en stark korrelation med andra signaler, eftersom de inte bidrar till informationen. Jämför informationens innehåll direkt med algoritmer som information entropi eller beslut träd. Bestäm informationsinnehållet indirekt genom att jämföra signalerna med slumpmässiga signaler. Det finns några programbibliotek för detta, till exempel R Boruta-paketet. Använd en algoritm som Principal Components Analysis (PCA) för att generera en ny signaluppsättning med reducerad dimensionering. Använd genetisk optimering för att bestämma de viktigaste signalerna bara av de mest lönsamma resultaten från prediktionsprocessen. Perfekt för kurvmontering om du vill publicera imponerande resultat i ett forskningspapper. För vårt experiment behöver vi inte förprogrammera eller förbehandla funktionerna, men du kan hitta användbar information om detta i artiklarna 1, 2 och 3 som anges i slutet av sidan. Steg 4: Välj maskininlärningsalgoritmen R erbjuder många olika ML-paket, och någon av dem erbjuder många olika algoritmer med många olika parametrar. Även om du redan har bestämt dig för metoden 8211 här, har du djupt lärande 8211 fortfarande valet mellan olika metoder och olika R-paket. De flesta är ganska nya, och du hittar inte många empiriska uppgifter som hjälper ditt beslut. Du måste försöka dem alla och få erfarenhet av olika metoder. För vårt experiment har we8217ve valt Deepnet-paketet, vilket förmodligen är det enklaste och enklaste att använda djupt lärande bibliotek. Detta håller vår kod kort. We8217re använder sin Stacked Autoencoder (SAE) - algoritm för att träna nätverket. Deepnet erbjuder även en Restricted Boltzmann Machine (RBM) för förträning, men jag kunde inte få bra resultat av det. Det finns andra och mer komplexa djupa inlärningspaket för R, så du kan spendera mycket tid på att kolla alla av dem. Hur förutbildning fungerar lätt förklaras, men varför det fungerar är en annan sak. När det gäller min kunskap har ingen ännu kommit fram till ett solidt matematiskt bevis på att det fungerar alls. Hur som helst, föreställ dig ett stort neuraltät med många dolda lager: Träning av nätet innebär att anslutningsvikterna mellan neuronerna ställs in. Den vanliga metoden är felbackpropagation. Men det visar sig att ju mer dolda lager du har, ju sämre det fungerar. De backpropagerade felvillkoren blir mindre och mindre från lager till lager, vilket gör att de första lagren av nätet lär dig nästan ingenting. Vilket innebär att det förutspådda resultatet blir mer och mer beroende av vikternas slumpmässiga initialtillstånd. Detta har allvarligt begränsat komplexiteten hos lagerbaserade neurala nät och därmed de uppgifter som de kan lösa. Åtminstone för 10 år sedan. Under 2006 publicerade forskare i Toronto först idén att förutbilda vikterna med en obesvarad inlärningsalgoritm, en begränsad Boltzmann-maskin. Detta visade sig vara ett revolutionärt koncept. Det förstärkte utvecklingen av artificiell intelligens och möjliggjorde alla nya applikationer från Go-play-maskiner till självkörande bilar. När det gäller en staplad autoenkoder fungerar den så här: Välj det dolda lagret för att träna börja med det första dolda lagret. Anslut dess utgångar till ett temporärt utmatningslager som har samma struktur som inmatningsskiktet network8217. Mata nätverket med träningsprövningarna, men utan målen. Trä den så att det första dolda skiktet reproducerar inmatningssignalen 8211 funktionerna 8211 vid sina utgångar så exakt som möjligt. Resten av nätverket ignoreras. Under träning, använd en 8216weight straff term8217 så att så få anslutningsvikter som möjligt används för att reproducera signalen. Nu matar utmatningarna från det utbildade dolda lagret till ingångarna till nästa otränna dolda lager och upprepar träningsprocessen så att ingångssignalen nu reproduceras vid utgångarna i nästa lager. Upprepa denna process tills alla dolda lag är utbildade. Vi har nu ett 8216 sparsamt nätverk8217 med väldigt få lageranslutningar som kan reproducera insignalerna. Träna nu nätverket med backpropagation för att lära sig målvariabeln, med hjälp av de förutbildade vikterna av de dolda lagren som utgångspunkt. Förhoppningen är att den oövervakade förutbildningen ger en inre brusreducerad abstraktion av ingångssignalerna som sedan kan användas för att lättare lära in målet. Och det här verkar verkligen fungera. Ingen vet verkligen varför, men flera teorier 8211 ser papper (4) under 8211 försök att förklara det fenomenet. Steg 5: Generera en testdatasats Vi behöver först producera en dataset med funktioner och mål så att vi kan testa vår prediktionsprocess och prova parametrar. Funktionerna måste baseras på samma prisdata som i live trading, och för målet måste vi simulera en kortsiktig handel. Så det är vettigt att generera data inte med R, men med vår handelsplattform, vilket ändå är mycket snabbare. Here8217s ett litet Zorro-skript för detta, DeepSignals. c: We8217re genererar 2 års data med funktioner som beräknas av våra ovan definierade ändrings - och räckviddsfunktioner. Vårt mål är återlämnande av en handel med 3 bar livstid. Handelskostnaderna är nollställda, så i så fall motsvarar avkastningen prisskillnaden på 3 barer i framtiden. Den rådgivande långa funktionen beskrivs i Zorro-manualen, det är en mäktig funktion som automatiskt hanterar träning och förutsäger och tillåter att använda en R-baserad maskininlärningsalgoritm precis som om det var en enkel indikator. I vår kod använder funktionen nästa handelsavkastning som mål och prisändringar och intervall för de senaste 4 staplarna som funktioner. SIGNALS-flaggan säger att det inte ska träna data, utan att exportera det till en. csv-fil. Den BALANCED-flaggan ser till att vi får lika många positiva som negativa avkastningar, vilket är viktigt för de flesta maskininlärningsalgoritmer. Kör skriptet i tågläge med vår vanliga test tillgång EURUSD vald. Det genererar en kalkylarkfil med namnet DeepSignalsEURUSDL. csv som innehåller funktionerna i de första 8 kolumnerna och handelsavkastningen i den sista kolumnen. Steg 6: Kalibrera algoritmen Komplexa maskininlärningsalgoritmer har många parametrar att justera. Vissa av dem erbjuder stora möjligheter att kurva-passa algoritmen för publikationer. Ändå måste vi kalibrera parametrar eftersom algoritmen sällan fungerar bra med standardinställningarna. För detta, här8217s ett R-skript som läser den tidigare skapade datasatsen och behandlar den med deep learning algoritmen (DeepSignal. r): We8217ve definierade tre funktioner neural. train. neural. predict. och neural. init för träning, förutsägelse och initialisering av det neurala nätet. Funktionsnamnen är inte godtyckliga, men följ konventionen som används av Zorro8217s rådgivning (NEURAL.) - funktion. Det har vunnit betydelse nu, men kommer att betyda senare när vi använder samma R-skript för träning och handel med den djupa inlärningsstrategin. En fjärde funktion, TestOOS. används för att prova vår inställning utan test. Funktionen neural. init fröer R slumpgeneratorn med ett fast värde (365 är mitt personliga turnummer). Annars skulle vi någonsin få ett något annorlunda resultat, eftersom det neurala nätet initieras med slumpmässiga vikter. Det skapar också en global R-lista med namnet 8220Models8221. De flesta R-variabla typerna don8217t måste skapas i förväg, vissa gör (don8217t fråga mig varför). Operatören 8216ltlt-8216 har tillgång till en global variabel från en funktion. Funktionen Neural. train tar som inmatning ett modellnummer och dataset som ska utbildas. Modellnumret identifierar den utbildade modellen i 8220 Models 8221-listan. En lista är inte verkligen nödvändig för detta test, men we8217ll behöver det för mer komplexa strategier som tränar mer än en modell. Matrisen som innehåller funktionerna och målet skickas till funktionen som andra parameter. Om XY-data inte är en riktig matris, som ofta händer i R beroende på hur du genererade den, konverteras den till en. Därefter delas det in i funktionerna (X) och målet (Y), och slutligen omvandlas målet till 1 för ett positivt handelsresultat och 0 för ett negativt resultat. Nätverksparametrarna konfigureras sedan. Några är uppenbara, andra är fria att leka med: Nätverksstrukturen ges av den dolda vektorn: c (50,100,50) definierar 3 dolda lager, den första med 50, sekund med 100 och tredje med 50 neuroner. That8217s parametern som vi senare ändrar för att bestämma om djupare är bättre. Aktiveringsfunktionen omvandlar summan av neuroninmatningsvärden till den neuronproduktion som oftast används är sigmoid som mättar till 0 eller 1 eller tanh som mättas till -1 eller 1. Vi använder tanh här eftersom våra signaler också ligger i -1-området . Utgången från nätverket är en sigmoid-funktion eftersom vi vill ha en förutsägelse i 0..1-serien. Men SAE-utgången måste vara 8220linear8221 så att den staplade autokodaren kan reproducera de analoga ingångssignalerna på utgångarna. Inlärningsfrekvensen kontrollerar stegstorleken för gradientnedgången i träning en lägre kurs betyder finare steg och möjligen mer exakt förutsägelse men längre träningstid. Momentum lägger till en bråkdel av föregående steg till den aktuella. Det förhindrar gradientnedstigningen att fastna vid en liten lokal minsta eller sadelpunkt. Lärandeskalan är en multiplikationsfaktor för att ändra inlärningsfrekvensen efter varje iteration (jag är inte säker på vad det här är bra men det kan finnas uppgifter där en lägre inlärningshastighet på högre epoker förbättrar träningen). En epok är en träningsreaktion över hela datasatsen. Träningen kommer att sluta när antalet epoker nås. Fler epoker betyder bättre förutsägelse, men längre träning. Batchstorleken är ett antal slumpmässiga prover 8211 en mini-sats 8211 tagen ur datasatsen för en enda träningsledning. Att dela upp data i mini-satser ökar träningen, eftersom viktgradienten sedan beräknas från färre prov. Ju högre batchstorlek desto bättre är träningen, desto mer tid kommer det att ta. Dropout är ett antal slumpmässigt valda neuroner som är inaktiverade under en mini-sats. På så sätt lär nätet bara med en del av dess neuroner. Detta verkar vara en konstig idé, men kan effektivt minska överfitting. Alla dessa parametrar är vanliga för neurala nätverk. Spela runt med dem och kontrollera deras effekt på resultatet och träningstiden. Korrekt kalibrering av ett neuralt nätverk är inte trivialt och kan vara föremål för en annan artikel. Parametrarna lagras i modellen tillsammans med matrisen av utbildade anslutningsvikter. Så de behöver inte ges igen i prediktionsfunktionen, neural. predict. Det tar modellen och en vektor X av funktioner, kör den genom lagren och returnerar nätverksutgången, det förutsagda målet Y. Jämfört med träningen är predikten ganska snabb eftersom den bara behöver ett par tusen multiplikationer. Om X var en radvektor omvandlas den och omvandlas på så sätt till en kolumnvektor, annars accepterar nn. predict-funktionen8217t den. Använd RStudio eller någon liknande miljö för att bekvämt arbeta med R. Redigera sökvägen till. csv-data i filen ovan, käll den, installera de nödvändiga R-paketen (deepnet, e1071 och caret), och ring sedan TestOOS-funktionen från kommandot linje. Om allt fungerar ska det skriva ut något sådant: TestOOS läser först vår dataset från Zorro8217s Data mapp. Den delar upp data i 80 för träning (XY. tr) och 20 för provning utanför provet (XY. ts). Träningsuppsättningen utbildas och resultatet lagras i Modeller-listan i index 1. Testsatsen delas vidare i funktioner (X) och mål (Y). Y omvandlas till binär 0 eller 1 och lagras i Y. ob. vår vektor av observerade mål. Vi förutsäger sedan målen från testuppsättningen, konvertera dem igen till binär 0 eller 1 och lagra dem i Y. pr. För att jämföra observationen med förutsägelsen använder vi confusionMatrix-funktionen från caret-paketet. En förvirrande matris av en binär klassificerare är helt enkelt en 22152 matris som berättar hur många 08217s och hur många 18217s som hade förutsetts felaktigt och korrekt. Många mätvärden härleds från matrisen och skrivs ut i linjerna ovan. Det viktigaste för tillfället är 62 förutsägelsesnoggrannhet. Detta kan antyda att jag bashandlade prishandlingshandel lite för tidigt. Men självklart kan 62 ha varit lycka till. We8217ll ser det senare när vi kör ett WFO-test. Ett slutligt råd: R-paket uppdateras ibland, med den möjliga konsekvensen att tidigare R-kod plötsligt kan fungera annorlunda, eller inte alls. Det här händer verkligen, så testa noggrant efter en uppdatering. Steg 7: Strategin Nu när vi8217ve testat vår algoritm och fick en viss prediktionsnoggrannhet över 50 med en testdatasats kan vi äntligen koda vår maskininlärningsstrategi. Faktum är att we8217ve redan kodat för det mesta, vi måste bara lägga till några rader till ovanstående Zorro-skript som exporterade datasatsen. Detta är slutskriptet för träning, testning och (teoretiskt) handel med systemet (DeepLearn. c): We8217 använder en WFO-cykel om ett år, delad i en 90-träning och en testperiod på 10 prov. Du kanske frågar varför jag tidigare använde två år8217s data och en annan delning, 8020, för kalibrering av nätverket i steg 5. Detta gäller för att använda olika sammansatta data för kalibrering och för framåtprövning. Om vi ​​använde exakt samma data, kan kalibreringen överföras och kompromissa med testet. De valda WFO-parametrarna innebär att systemet är utbildat med cirka 225 dagars data, följt av ett 25-dagars test eller handelsperiod utan träning. I litteraturen hittar du ibland rekommendationer om att omskole ett maskininlärningssystem efter någon handel, eller åtminstone vilken som helst dag. Men det har inte stor betydelse för mig. När du använde nästan 1 år8217s data för träning av ett system, kan det uppenbarligen inte försämras efter en enda dag. Eller om det gjorde och bara producerade positiva testresultat med daglig omskolning, skulle jag starkt misstänka att resultaten är artefakter av något kodande misstag. Träning av ett djupt nätverk tar verkligen lång tid, i vårt fall ca 10 minuter för ett nätverk med 3 dolda lager och 200 neuroner. Eftersom detta upprepas vid vilken WFO-cykel som helst, rekommenderas att använda flera kärnor för att träna många cykler parallellt. NumCores-variabeln vid -1 aktiverar alla CPU-kärnor men en. Flera kärnor är endast tillgängliga i Zorro S, så ett komplett gångprov med alla WFO-cykler kan ta flera timmar med den fria versionen. I skriptet tränar vi nu både långa och korta affärer. För detta måste vi tillåta säkring i träningsläge, eftersom långa och korta positioner är öppna samtidigt. Att ange en position är nu beroende av returvärdet från rådgivningsfunktionen, som i sin tur kallar antingen neural. train eller neural. predict-funktionen från R-skriptet. Så vi går här in i positioner när det neurala nätet förutspår ett resultat över 0,5. R-skriptet styrs nu av Zorro-skriptet (för detta måste det ha samma namn, NeuralLearn. r. Endast med olika tillägg). Det är identiskt med vårt R-skript ovan eftersom vi8217 använder samma nätverksparametrar. Endast en ytterligare funktion behövs för att stödja ett WFO-test: Neural. save-funktionen lagrar modelllistan 8211 den innehåller nu 2 modeller för långa och korta operationer 8211 efter varje träning i Zorro8217s Data-mapp. Eftersom modellerna lagras för senare användning behöver vi inte träna dem igen för upprepade provkörningar. Detta är WFO-kapitalkurvan som genereras med manuset ovan (EURUSD, utan handelskostnader). Även om inte alla WFO-cykler får ett positivt resultat verkar det som om det finns viss prediktiv effekt. Kurvan motsvarar en årlig avkastning på 89, uppnådd med en 50-100-50 dold lagerstruktur. We8217ll kolla in nästa steg hur olika nätverksstrukturer påverkar resultatet. Sedan neural. init. neural. train. neural. predict. och neural. save-funktioner kallas automatiskt av Zorro8217s rådgivningLongadviseShort-funktioner, det finns inga R-funktioner som kallas direkt i Zorro-skriptet. Skriptet kan således förbli oförändrat när man använder en annan maskininlärningsmetod. Endast DeepLearn. r-skriptet måste modifieras och det neurala nätet ersätts exempelvis av en stödvektormaskin. För handel med ett sådant maskininlärningssystem bor på en VPS, se till att R också är installerat på VPS, de nödvändiga R-paketen är installerade och vägen till R-terminalen ställs in i Zorro8217s ini-fil. Annars får you8217ll ett felmeddelande när strategin startas. Steg 8: Experimentet Om vårt mål hade utvecklat en strategi skulle nästa steg vara verklighetskontroll, risk - och penninghantering och förbereda sig för direkt handel precis som beskrivs under modellbaserad strategiutveckling. Men för vårt experiment kör vi nu en serie test, med antalet neuroner per lager ökat från 10 till 100 i 3 steg och 1, 2 eller 3 dolda lager (deepnet stöder inte mer än 3). Så vi ser på följande 9 nätverksstrukturer: 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). För detta experiment behöver du en eftermiddag, även med en snabb dator och i flera kärnlägen. Här är resultaten (SR Sharpe-förhållandet, R2-lutningslinjäriteten): Vi ser att ett enkelt nät med endast 10 neuroner i ett enda doldt lag won8217t fungerar bra för kortsiktiga förutsägelser. Nätkomplexiteten förbättrar prestanda, men bara upp till en viss punkt. Ett bra resultat för vårt system uppnås redan med 3 lager x 30 neuroner. Ännu fler neuroner vann8217 och hjälper till mycket och ibland producerar ett sämre resultat. Detta är ingen verklig överraskning, eftersom 300 neuroner sannolikt inte kan göra ett bättre jobb än 100 för att bearbeta endast 8 ingångar. Slutsats Vårt mål var att bestämma om några ljus kan ha förutsägande effekt och hur resultaten påverkas av algoritmens komplexitet . Resultaten tycks föreslå att kortsiktiga prisrörelser faktiskt kan förutsägas ibland genom att analysera förändringar och räckvidd av de senaste 4 ljusen. Förutsägelsen är inte så exakt 8211 it8217s i 58..60-serien, och de flesta system i testserien blir olönsamma när handelskostnader ingår. Ändå måste jag ompröva min åsikt om prishandelshandel. Det faktum att förutsägelsen förbättras med nätverkskomplexitet är ett särskilt övertygande argument för kortsiktig prisförutsägbarhet. Det skulle vara intressant att undersöka den långsiktiga stabiliteten hos prediktiva prismönster. För detta behövde vi springa en annan serie experiment och ändra träningsperioden (WFOPeriod i skriptet ovan) och 90 ISOOS-split. Det tar längre tid eftersom vi måste använda mer historiska data. Jag har gjort några test och hittills hittat att ett år verkar vara en bra träningsperiod. Systemet försämras med perioder längre än några år. Prediktiva prismönster, åtminstone EURUSD, har en begränsad livslängd. Var kan vi gå härifrån? Där finns en mängd möjligheter, till exempel: Använd inmatningar från fler ljus och bearbeta dem med mycket större nätverk med tusentals neuroner. Använd översampling för att utöka träningsdata. Prediction förbättras alltid med fler träningsprover. Komprimera tidsserier f. i. med spektalanalys och analysera inte ljusen, men deras frekvensrepresentation med maskininlärningsmetoder. Använd inmatningar från många ljus 8211 såsom 100 8211 och förbehandla intilliggande ljus med endimensionella faltningsnätskikt. Använd återkommande nätverk. Särskilt LSTM kan vara väldigt intressant för att analysera tidsserier 8211 och enligt min kunskap har de sällan använts för ekonomisk förutsägelse hittills. Use an ensemble of neural networks for prediction, such as Aronson8217s 8220oracles8221 and 8220comitees8221. Papers Articles I8217ve added the C and R scripts to the 2016 script repository. You need both in Zorro8217s Strategy folder. Zorro version 1.474, and R version 3.2.5 (64 bit) was used for the experiment, but it should also work with other versions. Results below were generated by revised version of DeepSignals. r 8211 only change was use of LSTM net from the rnn package on CRAN. The authors of the package regard their LSTM implementation as 8220experimental8221 and do not feel it is as yet learning properly, so hopefully more improvement to come there. (Spent ages trying to accomplish the LSTM element using the mxnet package but gave up as couldn8217t figure out the correct input format when using multiple training features.) Will post results of full WFO when I have finished LSTM version of DeepLearn. r Confusion Matrix and Statistics Reference Prediction 0 1 0 1641 1167 1 1225 1701 Accuracy. 0.5828 95 CI. (0.5699, 0.5956) No Information Rate. 0.5002 P-Value Acc gt NIR. lt2e-16 Kappa. 0.1657 Mcnemar039s Test P-Value. 0.2438 Sensitivity. 0.5726 Specificity. 0.5931 Pos Pred Value. 0.5844 Neg Pred Value. 0.5813 Prevalence. 0.4998 Detection Rate. 0.2862 Detection Prevalence. 0.4897 Balanced Accuracy. 0.5828 039Positive039 Class. 0 Results of WFO test below. Again, only change to original files was the use of LSTM in R, rather than DNNSAE. Walk-Forward Test DeepLearnLSTMV4 EURUSD Simulated account AssetsFix Bar period 1 hour (avg 87 min) Simulation period 15.05.2014-07.06.2016 (12486 bars) Test period 04.05.2015-07.06.2016 (6649 bars) Lookback period 100 bars (4 days) WFO test cycles 11 x 604 bars (5 weeks) Training cycles 12 x 5439 bars (46 weeks) Monte Carlo cycles 200 Assumed slippage 0.0 sec Spread 0.0 pips (roll 0.000.00) Contracts per lot 1000.0 Gross winloss 3628 -3235 (5199p) Average profit 360year, 30month, 1.38day 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 (5212652year) Transaction costs 0.00 spr, 0.00 slp, 0.00 rol Capital required 262 Number of trades 6787 (6195year, 120week, 25day) Percent winning 57.6 Max winloss 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 Ma x 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 10 143 128 252 20 129 144 278 30 117 161 306 40 107 179 336 50 101 190 355 60 92 213 392 70 85 232 425 80 77 257 466 90 64 314 559 95 53 383 675 100 42 495 859 Portfolio analysis OptF ProF WinLoss Wgt Cycles EURUSD .219 1.12 39072880 100.0 XXX EURUSD:L .302 1.17 18301658 65.0 EURUSD:S .145 1.08 20771222 35.0 Interesting For a still experimental LSTM implementation that result looks not bad. 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 8220trade8221 button, I see the log the script will use DeepLearnEURUSD. ml. So real trade it will use DeepLearnEURUSD. 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 DeepLearnEURUSD. ml to the trade computer I test the real trade on my interactive brokers and press the result button. Can I use Commission0.60 to train the neural and get the real result Thank you. Result button will show the message below: Trade Trend EURUSD Bar period 2 min (avg 2 min) Trade period 02.11.2016-02.11.2016 Spread 0.5 pips (roll -0.020.01) Commission 0.60 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, DeepLearnEURUSD. ml is the model for live trading, and you need to copy it to the trade computer. Dear jcl Do I write assetList(AssetsIB. csv) in the right place So below code8217s result includes Commission I test the result with Commission that seems pretty good. Annual 93 3177p function run() StartDate 20140601 BarPeriod 60 1 hour LookBack 100 WFOPeriod 25224 1 year DataSplit 90 NumCores -1 use all CPU cores but one assetList(8220AssetsIB. csv8221) set(RULES) Spread RollLong RollShort Commission Slippage 0 LifeTime 3 if(Train) Hedge 2 if(adviseLong(NEURALBALANCED,0, change(1),change(2),change(3),change(4), range(1),range(2),range(3),range(4)) gt 0.5) enterLong() if(adviseShort() gt 0.5) enterShort() Problem 1: I run the DeepLearn. c in the IB paper trade. The code 8220LifeTime 3 prediction horizon8221 seems to close the position that you open after 3 bars(3 hours). But I can8217t see it close the position on third bar close. I see the logs below: Closing prohibited 8211 check NFA flag EURUSD::L4202 Can8217t close 11.10995 at 09:10:51 Problem 2: In my IB paper trade, it the default order size is 1k on EURUSD. How to change the order size in paper trade Thank you very much. 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 don8217t 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 8220NFA8221. I do some experiment to change the neural8217s parameter with commission. The code is below: function run() StartDate 20140601 BarPeriod 60 1 hour LookBack 100 WFOPeriod 25224 1 year DataSplit 90 NumCores -1 use all CPU cores but one assetList(8220AssetsIB. csv8221) set(RULES) Spread RollLong RollShort Slippage 0 LifeTime 3 if(Train) Hedge 2 if(adviseLong(NEURALBALANCED,0, change(1),change(3),change(5),change(7),change(9), range(1),range(3),range(5),range(7),range(9)) gt 0.7) enterLong() if(adviseShort() gt 0.7) enterShort() I get the result with commission that Annual Return is about 23. But I don8217t complete understand the zorro8217s setting and zorro8217s report. Tack. The result: Annual 23 661p Walk-Forward Test DeepLearn EURUSD 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 0.000.00) Commission 0.50 Contracts per lot 20000.0 Gross winloss 24331 -22685 (914p) Average profit 1190year, 99month, 4.58day 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 (18916130year) Transaction costs 0.00 spr, 0.00 slp, 0.00 rol, -1306 com Capital required 5239 Number of trades 1306 (945year, 19week, 4day) Percent winning 52.5 Max winloss 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 tra de 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 WinLoss Wgt Cycles EURUSD .256 1.07 685621 100.0 XXXXXXXXXXXX EURUSD:L .476 1.16 294278 94.5 EURUSD:S .026 1.01 391343 5.5