surpriver
1.0.0
ابحث عن مخزونات عالية الحركة قبل أن تتحرك باستخدام الكشف الشاذ والتعلم الآلي. يستخدم Dressiver التعلم الآلي للنظر في إجراء حجم + سعر واستنتاج أنماط غير عادية والتي يمكن أن تؤدي إلى تحركات كبيرة في الأسهم.
| طريق | وصف |
|---|---|
| مفاجئ | المجلد الرئيسي. |
| └ القواميس | مجلد لحفظ قواميس البيانات للاستخدام لاحقًا. |
| └ الأرقام | أرقام لهذا المستودعات github. |
| └ الأسهم | قائمة بجميع الأسهم التي تريد تحليلها. |
| data_loader.py | وحدة لتحميل البيانات من ياهو تمويل. |
| detection_engine.py | الوحدة الرئيسية لتشغيل اكتشاف الشذوذ على البيانات وإيجاد الأسهم مع معظم أنماط الأسعار والأسعار غير العادية. |
| ميزة _generator.py | يولد ميزات العائد في الأسعار والحجم بالإضافة إلى الكثير من المؤشرات التقنية. |
ستحتاج إلى تثبيت الحزمة التالية لتدريب النماذج واختبارها.
يمكنك تثبيت جميع الحزم باستخدام الأمر التالي. يرجى ملاحظة أنه تمت كتابة البرنامج النصي باستخدام Python3.
pip install -r requirements.txt
يمكنك أيضًا استخدام Docker إذا كنت تعرف ما هو عليه ولديك بعض المعرفة حول كيفية استخدامه. فيما يلي خطوات تشغيل الأداة باستخدام Docker.
docker build . -t surpriver<C:\path\to\this\dir> بالدليل الذي تعمل فيه.docker-compose up -ddocker exec -it surpriver إلى سطر الأوامر الخاص بك.إذا كنت ترغب في المضي قدمًا والحصول على أكثر الأسهم الشاذة لهذا اليوم ، فيمكنك تشغيل الأمر التالي للحصول على الأسهم ذات الأنماط الأكثر غرابة. سنغوص بشكل أعمق في الأمر في الأقسام التالية.
python detection_engine.py --top_n 25 --min_volume 5000 --data_granularity_minutes 60 --history_to_use 14 --is_load_from_dictionary 0 --data_dictionary_path 'dictionaries/data_dict.npy' --is_save_dictionary 1 --is_test 0 --future_bars 0
سوف يمنحك هذا الأمر أفضل 25 مخزونًا من الأسهم التي حصلت على أعلى درجة في الشذوذ في آخر 14 بارًا من 60 دقيقة من الشموع . كما أنه سيخزن جميع البيانات التي استخدمتها لإجراء تنبؤات في مجلد القواميس/data_dict.npy . فيما يلي شرح أكثر تفصيلاً لكل معلمة.
python detection_engine.py --top_n 25 --min_volume 5000 --data_granularity_minutes 60 --history_to_use 14 --is_load_from_dictionary 1 --data_dictionary_path 'dictionaries/data_dict.npy' --is_save_dictionary 0 --is_test 0 --future_bars 0 --output_format 'CLI'
لاحظ التغيير في is_save_dictionary و is_load_from_dictionary .
فيما يلي إخراج كيف يبدو تنبؤ واحد. يرجى ملاحظة أن الدرجات السلبية تشير إلى أنماط شاذة وغير عادية أعلى بينما تشير الدرجات الإيجابية إلى أنماط طبيعية. كلما كان ذلك أفضل .
Last Bar Time: 2020-08-25 11:30:00-04:00
Symbol: SPI
Anomaly Score: -0.029
Today Volume (Today = Date Above): 313.94K
Average Volume 5d: 206.53K
Average Volume 20d: 334.14K
Volatility 5bars: 0.013
Volatility 20bars: 0.038
Future Absolute Sum Price Changes: 72.87
إذا كنت متشككًا في استخدام التعلم الآلي والذكاء الاصطناعي في التداول ، فيمكنك في الواقع اختبار التنبؤات من هذه الأداة على البيانات التاريخية. أهم وسيطتين للاختبار للاختبار هما is_test و future_bars . إذا تم تعيين السابق على 1 وتم تعيين اللاحق على أي شيء أكثر من 5 ، فستترك الأداة هذه الكمية من البيانات لأغراض التحليل واستخدام البيانات قبل تلك للتنبؤات الشاذة. بعد ذلك ، سوف ينظر إلى تلك البيانات المتبقية لمعرفة مدى تنبؤات التنبؤات. فيما يلي مثال على مؤامرة مبعثرة من الأمر التالي.
python detection_engine.py --top_n 25 --min_volume 5000 --data_granularity_minutes 60 --history_to_use 14 --is_load_from_dictionary 0 --data_dictionary_path 'dictionaries/data_dict.npy' --is_save_dictionary 1 --is_test 1 --future_bars 25
إذا كنت قد قمت بالفعل بإنشاء قاموس البيانات ، فيمكنك استخدام الأمر التالي حيث قمنا بتعيين IS_LOAD_FROM_DICTIONARY إلى 1 و IS_SAVE_DICTINARY إلى 0.
python detection_engine.py --top_n 25 --min_volume 5000 --data_granularity_minutes 60 --history_to_use 14 --is_load_from_dictionary 1 --data_dictionary_path 'dictionaries/data_dict.npy' --is_save_dictionary 0 --is_test 1 --future_bars 25
كما ترون في الصورة أعلاه ، فإن الأسهم الشاذة (النتيجة <0) عادة ما يكون لها تغيير مطلق أعلى في المستقبل في المتوسط. هذا يثبت أن التنبؤات هي في الواقع لتلك الأسهم التي تحركت أكثر من المتوسط في الساعات القليلة/الأيام القادمة. يطرح سؤال واحد هنا ، ماذا لو كانت الأداة هي مجرد اختيار أعلى أسهم التقلبات لأن تلك ستؤدي إلى تغيير مطلق في المستقبل. لإثبات أن هذا ليس هو الحال ، إليك الوصف الأكثر تفصيلاً للإحصائيات التي تحصل عليها من الأمر أعلاه.
--> Future Performance
Correlation between future absolute change vs anomalous score (lower is better, range = (-1, 1)): **-0.23**
Total absolute change in future for Anomalous Stocks: **89.660**
Total absolute change in future for Normal Stocks: **43.000**
Average future volatility of Anomalous Stocks: **0.332**
Average future volatility of Normal Stocks: **0.585**
Historical volatility for Anomalous Stocks: **2.528**
Historical volatility for Normal Stocks: **2.076**
يمكنك أن ترى أن التقلبات التاريخية للأسهم العادية مقابل المخزونات الشاذة لا تختلف. ومع ذلك ، فإن الفرق في التغير في المستقبل المطلق هو ضعف الأسهم الشاذة مقارنة بالأسهم العادية.
يمكنك الآن تحديد مصدر البيانات الذي ترغب في استخدامه مع قائمة الأسهم التي ترغب في استخدامها.
python detection_engine.py --top_n 25 --min_volume 500 --data_granularity_minutes 60 --history_to_use 14 --is_load_from_dictionary 0 --data_dictionary_path 'dictionaries/feature_dict.npy' --is_save_dictionary 1 --is_test 0 --future_bars 0 --data_source binance --stock_list cryptos.txt
سنحاول نشر أفضل 25 نتائج لمجموعة واحدة من المعلمات كل أسبوع.
تجد الأداة فقط الأسهم التي لديها بعض السلوك غير العادي في أسعارها وحجمها مجتمعة. لا يتنبأ بالاتجاه الذي سيتحركه السهم. قد تكون هذه ميزة سأنفذها في المستقبل ، لكن في الوقت الحالي ، ستحتاج إلى النظر إلى المخططات والقيام DD الخاص بك لمعرفة ذلك.
منتج من Tradytics
حقوق الطبع والنشر (ج) 2020-تقديم ، tradytics.com
