Deep Learning for Forex Trading

• Objetivo General

Desarrollar un sistema capaz de tradear  con Deep Learning de forma eficiente y rentable en el mercado  Forex bajo los siguientes lineamientos:

·      Implementado en Python

·      Todos los procesos estaran basado en  Deep Learning

·      Los input del sistema serán:

o  Precios en TF 1M, 15M, 1H, 4H, 1D. Idealmente se deberia considerar todos estos TF, por favor confirmar la factibilidad de hacerlo.

§  Formato: csv,

§  Esquema: Time, Open High, low, close, volumen.

o   Par de divisa, EURUSD y GBPUSD

o   Indicadores TALIB que se encuentra en librería Python

o   Not icias de parametricas proporcionado por una api

Etapa 1: Prueba de Concepto

Objetivo: Implementar un algoritmo de aprendizaje que dada una entrada de datos OHLCV, entrene a una red neuronal para encontrar los puntos de entrada/salida mas rentables en una señal. Se debe testear los diferentes TF desde 1M a H4 y ver la interrelación entre elllos. Se debe utilizar metodologia de comprobacion Training 4 años, validacion 2 años y test 2 años.

Entregables: Dimensionamiento del equipo de computo recomendado para la ejecución del programa(s) Programa(s) en Python con la implementación del sistema, con los diferentes escenarios para escojer el mejor,(deben contener parametros de medicion de rendimiento) instalados y en ejecución en el servidor del cliente.

Etapa 2: Automatización del trading

Objetivo: Implementar los mecanismos necesarios para realizar el trading en forma automatico en la plataforma MT5 del broker IC Market en una cuenta DEMO. Existen API de Python para este propósito.

Entregables: Programa(s) para el trading automático instalados y en ejecución en la plataforma del cliente, con una interfaz grafica de fácil manejo para el cliente, donde pueda introducir, Lote, estrategia monetaria y estrategia de riesgo.
Entrenamiento al cliente en el uso del (los) programa(s) para el entrenamiento de la red y el trading automático. El entrenamiento se entregara en manual que se hará en formato video. Esto debe contener una interfaz grafica para el usuario.

Etapa 3: Incluir proveedores de Noticias como parámetros

Objetivo: Implementar los mecanismos necesarios para suministar de forma automática proveedores de noticias (operacionalizadas) e incluir estas entre los parámetros de aprendizaje de la red neuronal. Las noticias se deben programar en Deep Learning para que el EA cierre o abra los trades de acuerdo a las noticias el USD, EUR y GBP.

Entregables: Programa(s) para el consumo y uso de noticias en ejecución en la plataforma del cliente. Todo esto debe estar integrado en un solo robot y con una interfaz grafica para el usuario. 

Etapa 4: Optimzación de Hyper-parámetros 

Objetivo: Condiciones como multi timeframe TF, multi pares de divisas de la señal

Entregables: Programa(s) para la selección de parámetros en ejecución en la plataforma del client, con interfaz grafica para el usuario.

Valoracion del Sistema:

·      El sitema debe tener una interfas grafica que indique el avance del aprendisaje de la NN,

·      Debe entregarse corriendo en una cuenta demo proporcionada por el clientecon el Broker IC Market

·      Los parámetros usados en los indicadores afectan el rendimiento del entrenamiento (velocidad de respuesta ante cambios en el entorno) e incluso la eficiencia de las predicciones de la red.

·      El sitema debe llegar a un Winrate >80%

·      Profit Factor > 5,4

·      DD < 0,3%

·      NOTA:

o   Recomendar las caracteristicas del servidor para poner en funcionamiento este robot.

$kp: juan.diego.risopatron de chile