Saya tidak begitu yakin, jika pertanyaan ini sesuai di sini. Baru-baru ini saya mulai, membaca dan belajar tentang pembelajaran mesin. Dapatkah seseorang melemparkan sedikit cahaya ke bagaimana cara melakukannya atau lebih tepatnya siapa pun dapat berbagi pengalaman mereka dan beberapa petunjuk dasar tentang bagaimana melakukannya atau setidaknya mulai menerapkannya untuk melihat beberapa hasil dari rangkaian data Bagaimana ambisius melakukan suara ini Juga, apakah menyebutkan tentang Algoritma standar yang harus dicoba atau dilihat saat melakukan ini. Tanya Feb 1 11 at 18:35 Sepertinya ada kesalahan mendasar bahwa seseorang bisa ikut serta belajar beberapa mesin belajar atau algoritma AI, mengaturnya sebagai kotak hitam, memukul pergi, dan duduk kembali saat mereka pensiun. Saran saya untuk Anda: Pelajari statistik dan pembelajaran mesin terlebih dahulu, lalu khawatirkan bagaimana menerapkannya pada masalah yang diberikan. Tidak ada makan siang gratis disini. Analisis data adalah kerja keras. Baca Unsur-Unsur Pembelajaran Statistik (pdf tersedia secara gratis di situs web), dan jangan mulai mencoba membangun model sampai Anda memahami setidaknya 8 bab pertama. Begitu Anda memahami statistik dan pembelajaran mesin, Anda perlu belajar bagaimana melakukan backtest dan membangun model perdagangan, menghitung biaya transaksi, dll. Yang merupakan keseluruhan area lainnya. Setelah Anda menangani analisis dan keuangan, maka akan agak jelas bagaimana cara menerapkannya. Inti dari algoritma ini mencoba menemukan cara untuk menyesuaikan model dengan data dan menghasilkan bias dan varians yang rendah dalam prediksi (yaitu bahwa kesalahan uji coba dan uji coba akan rendah dan serupa). Berikut adalah contoh sistem perdagangan dengan menggunakan mesin vektor pendukung di R. namun perlu diingat bahwa Anda akan melakukan tindakan merugikan diri sendiri jika Anda tidak meluangkan waktu untuk memahami dasar-dasarnya sebelum mencoba menerapkan sesuatu yang esoteris. Hanya untuk menambahkan pembaruan yang menghibur: Baru-baru ini saya menemukan tesis master ini: Kerangka Perdagangan Algoritma Novel yang Menerapkan Evolusi dan Pembelajaran Mesin untuk Optimalisasi Portofolio (2012). Ini merupakan tinjauan ekstensif terhadap pendekatan pembelajaran mesin yang berbeda dibandingkan dengan pembelian dan pemilikan. Setelah hampir 200 halaman, mereka mencapai kesimpulan dasar: Tidak ada sistem perdagangan yang bisa mengungguli benchmark saat menggunakan biaya transaksi. Tak perlu dikatakan lagi, ini tidak berarti bahwa itu tidak dapat dilakukan (saya havent menghabiskan waktu untuk meninjau metode mereka untuk melihat validitas pendekatan ini), namun pastinya memberikan beberapa bukti yang mendukung teorema makan siang tanpa makan. Jawab Feb 1 11 at 18:48 Jase Sebagai salah satu penulis tesis master tersebut saya dapat mengutip karya saya sendiri dan mengatakan: quotJika ada yang benar-benar mencapai hasil yang menguntungkan, tidak ada insentif untuk membaginya, karena akan meniadakan keuntungan mereka. Meskipun hasil kita mungkin memberi dukungan pada hipotesis pasar, hal itu tidak menghalangi adanya sistem yang bekerja. Ini mungkin seperti teori probabilitas: quotIt berspekulasi bahwa terobosan di bidang teori probabilitas telah terjadi beberapa kali, namun tidak pernah dibagikan. Ini bisa jadi karena aplikasi praktisnya dalam perjudian. quot Kemudian lagi, mungkin ini semua alkimia modern. Ndash Andr233 Christoffer Andersen 30 Apr 13 at 10:01 Saran saya untuk Anda: Ada beberapa cabang Artificial Artificial Intelligence (MLAI) di luar sana: www-formal. stanford. edujmcwhatisainode2.html Saya hanya mencoba pemrograman genetika dan beberapa jaringan syaraf tiruan, dan Secara pribadi saya berpikir bahwa pembelajaran dari cabang pengalaman nampaknya paling potensial. GPGA dan jaring syaraf nampaknya merupakan metodologi yang paling sering dieksplorasi untuk tujuan prediksi pasar saham, namun jika Anda melakukan beberapa data mining di Predict Wall Street. Anda mungkin bisa melakukan analisis sentimen juga. Luangkan waktu untuk mempelajari berbagai teknik MLAI, temukan beberapa data pasar dan cobalah menerapkan beberapa algoritma tersebut. Masing-masing akan memiliki kekuatan dan kelemahannya, namun Anda mungkin bisa menggabungkan prediksi setiap algoritma menjadi prediksi gabungan (serupa dengan apa yang dilakukan oleh pemenang Hadiah NetFlix). Beberapa Sumber: Berikut adalah beberapa sumber yang mungkin ingin Anda lihat: Chatter: Konsensus umum di antara para pedagang adalah bahwa Kecerdasan Buatan adalah sains voodoo, Anda tidak dapat membuat komputer memprediksi harga saham dan Anda pasti akan kehilangan uang Anda jika Anda mencoba lakukanlah. Meskipun demikian, orang yang sama akan mengatakan kepada Anda bahwa hanya satu-satunya cara menghasilkan uang di pasar saham adalah membangun dan memperbaiki strategi trading Anda sendiri dan mengikutinya dengan cermat (sebenarnya bukan ide yang buruk). Gagasan algoritma AI bukan untuk membangun Chip dan membiarkannya berdagang untuk Anda, tapi untuk mengotomatisasi proses pembuatan strategi. Its proses yang sangat membosankan dan tidak berarti mudah :). Meminimalkan Overfitting: Seperti yang telah kita dengar sebelumnya, masalah mendasar dengan algoritma AI adalah overfitting (alias bias datamining): Dengan satu set data, algoritma AI Anda mungkin menemukan pola yang sangat relevan dengan rangkaian pelatihan. Tapi mungkin tidak relevan dalam set tes. Ada beberapa cara untuk meminimalkan overfitting: Gunakan set validasi. Ini tidak memberi umpan balik pada algoritme, namun ini memungkinkan Anda mendeteksi kapan algoritme Anda berpotensi mulai terlalu banyak (misalnya Anda dapat menghentikan pelatihan jika terlalu banyak overfitting). Gunakan pembelajaran mesin secara online. Itu sebagian besar menghilangkan kebutuhan untuk pengujian balik dan sangat berlaku untuk algoritma yang mencoba membuat prediksi pasar. Ensemble Belajar. Memberi Anda cara untuk menggunakan banyak algoritma pembelajaran mesin dan menggabungkan prediksi mereka. Asumsinya adalah bahwa berbagai algoritma mungkin memiliki kelebihan data di beberapa area, namun kombinasi prediksi mereka yang benar akan memiliki kekuatan prediksi yang lebih baik. Dua aspek pembelajaran statistik berguna untuk perdagangan 1. Pertama, yang disebutkan sebelumnya: beberapa metode statistik berfokus untuk mengerjakan dataset hidup. Ini berarti bahwa Anda tahu bahwa Anda hanya mengamati sampel data dan Anda ingin melakukan ekstrapolasi. Anda harus berurusan dengan dalam sampel dan di luar masalah sampel, overfitting dan sebagainya. Dari sudut pandang ini, data-mining lebih terfokus pada dataset mati (misalnya Anda dapat melihat hampir semua data, Anda hanya memiliki satu contoh masalah) daripada pembelajaran statistik. Karena pembelajaran statistik adalah tentang mengerjakan dataset hidup, matematika terapan yang dihadapinya harus dipusatkan pada dua masalah sisik: Biarkan X ampamp Ftheta (Xn, xi) ampamp L (pi (Xn), n) ujung kanan. Dimana X adalah ruang negara (multidimentional) untuk dipelajari (Anda memiliki variabel penjelas dan yang Anda prediksi), F berisi dinamika X yang memerlukan beberapa parameter theta. Keacakan X berasal dari inovasi xi, yaitu i. i.d. Tujuan pembelajaran statistik adalah untuk membangun metodologi L sebagai masukan pi observasi parsial X dan secara progresif menyesuaikan perkiraan hattheta theta, sehingga kita akan mengetahui semua hal yang dibutuhkan pada X. Jika Anda berpikir untuk menggunakan pembelajaran statistik untuk menemukan Parameter regresi linier. Kita bisa memodelkan ruang negara seperti ini: underbrace yx end right) biarkan mulai amp amp amp 1 1 amp 0 amp 0 akhir kanan cdot underbrace x 1 epsilon end right) yang dengan demikian memungkinkan untuk mengamati (y, x) n pada n manapun Inilah theta (a, b). Maka Anda perlu menemukan cara untuk secara progresif membangun estimator theta dengan menggunakan pengamatan kami. Mengapa tidak turunan gradien pada jarak L2 antara y dan regresi: C (topi a, hat b) n sum (yk - (topi a, xk hat b)) 2 Berikut gamma adalah skema pembobotan. Biasanya cara bagus untuk membangun estimator adalah dengan menuliskan kriteria untuk meminimalkan dan menerapkan keturunan gradien yang akan menghasilkan skema pembelajaran L. Kembali ke masalah generik awal kita. Kita memerlukan beberapa matematika terapan untuk mengetahui kapan beberapa sistem dinamik dalam (X, hattheta) bertemu, dan kita perlu mengetahui bagaimana membangun skema estimasi L yang bertemu dengan theta asli. Untuk memberi petunjuk pada hasil matematis seperti itu: Sekarang kita bisa kembali ke aspek kedua dari pembelajaran statistik yang sangat menarik bagi strategi trader quant: 2. Hasil yang digunakan untuk membuktikan efisiensi metode pembelajaran statistik dapat digunakan untuk membuktikan efisiensi Algoritma perdagangan Untuk melihat itu sudah cukup untuk membaca lagi sistem dinamika gabungan yang memungkinkan untuk menulis pembelajaran statistik: kiri M ampamp Frho (Mn, xi) ampamp L (pi (Mn), n) ujung kanan. Sekarang M adalah variabel pasar, rho mendasari PnL, L adalah strategi trading. Ganti saja kriteria dengan memaksimalkan PnL. Lihat misalnya pembagian pesanan secara optimal di seluruh kolam likuiditas: pendekatan algoritma stochatic oleh: Gilles Pags, Sophie Laruelle, Charles-Albert Lehalle. Dalam tulisan ini, penulis menunjukkan kepada siapa untuk menggunakan pendekatan ini untuk membagi pesanan secara optimal di berbagai kolam gelap yang berbeda sekaligus mempelajari kemampuan kolam untuk menyediakan likuiditas dan menggunakan hasilnya untuk diperdagangkan. Alat pembelajaran statistik dapat digunakan untuk membangun strategi perdagangan iteratif (kebanyakan bersifat iteratif) dan membuktikan efisiensinya. Jawaban singkat dan brutal adalah: Anda tidak. Pertama, karena ML dan Statistik bukanlah sesuatu yang bisa Anda perintah dengan baik dalam satu atau dua tahun. Waktu yang saya rekomendasikan untuk belajar sesuatu yang tidak sepele adalah 10 tahun. ML bukan resep untuk menghasilkan uang, tapi hanya sarana lain untuk mengamati kenyataan. Kedua, karena ahli statistik yang baik mengetahui bahwa memahami data dan masalah domain adalah 80 dari pekerjaan. Itulah mengapa Anda memiliki statistik yang berfokus pada analisis data Fisika, genomik, sabermetri dll. Sebagai catatan, Jerome Friedman, rekan penulis ESL yang dikutip di atas, adalah seorang fisikawan dan masih memegang posisi sopan santun di SLAC. Jadi, studi Statistik dan Keuangan selama beberapa tahun. Sabar. Pergilah jalanmu sendiri Jarak tempuh bisa berbeda. Jawab 9 Feb 11 jam 4:41 saya sangat setuju Hanya karena Anda tahu mesin belajar dan statistik, itu tidak berarti bahwa Anda tahu bagaimana menerapkannya untuk membiayai. Ndash Dr. Mike 10 Agustus 11 di 20:25 Hal yang perlu diingat adalah Anda tidak akan melakukan trading melawan orang-orang, Anda akan trading melawan algoritma kecerdasan buatan lainnya yang mengamati tumpukan perdagangan Anda, dan dengan marah menghitung kemungkinan bahwa Kolektif akan tercengang oleh penurunan produksi dan mengambil kerugian kecil itu dalam menciptakan sebuah spikedip dan membodohi semua AI tersebut untuk berhenti, dan kemudian memutar kembali ke dalamnya dan mengendarai ombaknya, mendapatkan kerugian Anda. Pasar saham adalah permainan dengan jumlah nol, perlakukan seperti memasuki pertandingan tinju pro, jika Anda seorang veteran berusia 20 tahun, Anda akan kehilangan pemain belakang pada 13/05 16 at 1:56 Salah satu aplikasi dasarnya adalah meramalkan tekanan finansial. Dapatkan banyak data dengan beberapa perusahaan yang telah gagal bayar, dan lainnya yang havent, dengan berbagai informasi dan rasio keuangan. Gunakan metode pembelajaran mesin seperti SVM untuk melihat apakah Anda dapat memprediksi perusahaan mana yang akan default dan mana yang tidak. Gunakan SVM di masa depan ke perusahaan default dengan probabilitas tinggi dan perusahaan gagal jangka pendek yang rendah, dengan hasil penjualan singkat. Ada pepatah quotPicking uang di depan rollersquot uap. Anda melakukan hal yang setara dengan menjual uang yang tidak terjangkau. Dalam kasus ini, Anda akan menghasilkan keuntungan kecil selama bertahun-tahun, kemudian benar-benar dibersihkan saat pasar meleleh setiap 10 tahun sekali. Ada juga strategi setara yang membeli out-of-the-money: mereka kehilangan uang selama bertahun-tahun, lalu melakukan pembunuhan saat pasar meleleh. Lihat Talabs The Black Swan. Ndash Contango 5 Jun 11 at 22:20 Ingatlah bahwa perusahaan internasional telah menghabiskan ratusan miliar dolar dan jam kerja untuk mendapatkan pemikiran kecerdasan buatan terbaik dan paling cemerlang selama 40 tahun terakhir ini. Saya telah berbicara dengan beberapa menara pikiran yang bertanggung jawab atas alpha di Citadel dan Goldman Sachs, dan keangkuhan dari para pemula untuk berpikir bahwa mereka dapat mengumpulkan sebuah algoritma yang akan berjalan kaki sampai kaki dengan mereka, dan menang, hampir sama konyolnya dengan Seorang anak mengatakan bahwa dia akan melompat ke bulan. Good luck anak, dan hati-hati untuk Marsers ruang. Bukan untuk mengatakan juara baru tidak bisa dibuat, tapi kemungkinannya bertentangan dengan Anda. Ndash Eric Leschinski 13 Feb at 2:00 Salah satu kemungkinan yang patut ditelusuri adalah menggunakan alat bantu belajar mesin vektor pendukung di platform Metatrader 5. Pertama, jika Anda tidak mengenalnya, Metatrader 5 adalah platform yang dikembangkan bagi pengguna untuk menerapkan perdagangan algoritmik di pasar forex dan CFD (Saya tidak yakin apakah platform tersebut dapat diperluas ke saham dan pasar lainnya). Ini biasanya digunakan untuk strategi analisis berbasis teknik (yaitu menggunakan indikator berdasarkan data historis) dan digunakan oleh orang-orang yang ingin mengotomatisasi perdagangan mereka. Alat Belajar Mesin Vektor Support telah dikembangkan oleh salah satu komunitas pengguna untuk memungkinkan mesin vektor pendukung diterapkan pada indikator teknis dan saran mengenai perdagangan. Versi demo gratis dari alat ini dapat didownload di sini jika Anda ingin menyelidiki lebih lanjut. Seperti yang saya mengerti, alat ini menggunakan data harga historis untuk menilai apakah perdagangan hipotetis di masa lalu pasti berhasil. Kemudian mengambil data ini beserta nilai historis dari sejumlah indikator yang dapat disesuaikan (MACD, oscillators dll), dan menggunakan ini untuk melatih mesin vektor pendukung. Kemudian menggunakan mesin vektor pendukung yang terlatih untuk memberi sinyal pada perdagangan buysell masa depan. Sebuah desciption yang lebih baik dapat ditemukan di link. Saya telah bermain-main dengannya sedikit dengan beberapa hasil yang sangat menarik, namun seiring dengan semua strategi trading algoritmik saya merekomendasikan pengujian balik yang solid sebelum membawanya ke pasar live. Jawab 10 Des 12 di 11:59 Maaf, tapi meski digunakan sebagai contoh populer dalam pembelajaran mesin, tidak ada yang pernah mencapai prediksi pasar saham. Ini tidak bekerja karena beberapa alasan (lihat jalan acak oleh Fama dan sedikit lainnya, kesalahan keputusan rasional, asumsi yang salah). Namun, yang paling menarik adalah jika berhasil, seseorang bisa menjadi orang yang sangat kaya. Dalam beberapa bulan, pada dasarnya memiliki seluruh dunia. Karena ini tidak terjadi (dan Anda bisa yakin semua bank telah mencobanya), kami memiliki bukti bagus, bahwa itu tidak berhasil. Selain itu: Menurut Anda, bagaimana Anda akan mencapai puluhan ribu profesional yang gagal, dengan menggunakan metode yang sama dengan yang mereka miliki, ditambah sumber daya yang terbatas dan hanya versi dasar metode mereka yang dijawab pada 4 Juni pukul 7:47. Alasan paling meyakinkan: strategi memiliki batasan kapasitas, yaitu tingkat di mana dampak pasar Anda akan melebihi alfa yang ada, bahkan dengan asumsi Anda memiliki modal tak terbatas. Saya tidak yakin apa yang Anda maksud dengan prediksi pasar kutipan (indeks futures ETF39s), namun pastinya ada banyak orang yang membuat prediksi jangka pendek, dan mendapatkan keuntungan dari mereka, setiap hari di pasar. Ndash afekz 23 Nov 15 at 13:19 Aku echo banyak dari apa yang ditulis Shane. Selain membaca ESL, saya akan menyarankan studi statistik yang lebih mendasar lagi. Selain itu, masalah yang saya gambarkan dalam pertanyaan lain mengenai pertukaran ini sangat relevan. Secara khusus, masalah bias datamining adalah hambatan serius bagi strategi pembelajaran berbasis mesin. Postingan ini akan merinci apa yang saya lakukan untuk membuat perkiraan. 500k dari perdagangan frekuensi tinggi dari tahun 2009 sampai 2010. Sejak saya berdagang secara independen dan saya tidak lagi menjalankan program saya, Irsquom senang memberi tahu semua. Perdagangan saya sebagian besar berada di kontrak berjangka Russel 2000 dan DAX. Kunci kesuksesan saya, saya percaya, tidak dalam persamaan keuangan yang canggih, melainkan dalam keseluruhan desain algoritma yang mengikat banyak komponen sederhana dan pembelajaran mesin yang digunakan untuk mengoptimalkan profitabilitas maksimum. Anda tidak perlu mengetahui terminologi yang canggih di sini karena ketika saya mengatur program saya, semuanya didasarkan pada intuisi. (Tentu saja, Andrew Ngrsquos tentu saja belajar mesin yang tidak ada - btw jika Anda mengeklik tautan itu milik Anda untuk dibawa ke proyek saya saat ini: CourseTalk, situs ulasan untuk MOOC) Pertama, saya hanya ingin menunjukkan bahwa kesuksesan saya bukan sekadar hasil dari keberuntungan. Program saya menghasilkan 1000-4000 perdagangan per hari (setengah lama, setengah pendek) dan tidak pernah masuk ke posisi lebih dari beberapa kontrak dalam satu waktu. Ini berarti keberuntungan acak dari perdagangan tertentu rata-rata cukup cepat. Hasilnya saya tidak pernah kalah lebih dari 2000 dalam satu hari dan tidak pernah mengalami bulan yang kalah: (EDIT) Angka-angka ini setelah membayar komisi) Dan herersquos sebuah bagan untuk memberi Anda kesan variasi harian. Catatan ini tidak termasuk 7 bulan terakhir karena - saat angka tersebut berhenti naik - saya kehilangan motivasi untuk masuk ke dalamnya. Latar belakang trading saya Sebelum membuat program trading otomatis Irsquod memiliki pengalaman 2 tahun sebagai trader hari ldquomanualrdquo. Ini terjadi pada tahun 2001 - ini adalah hari-hari awal perdagangan elektronik dan ada peluang bagi ldquoscalpersrdquo untuk menghasilkan uang dengan baik. Saya hanya bisa menggambarkan apa yang saya lakukan sama seperti bermain game judi video dengan tepi yang seharusnya. Menjadi sukses berarti menjadi cepat, disiplin, dan memiliki kemampuan pengenalan pola intuitif yang baik. Saya mampu menghasilkan sekitar 250k, melunasi pinjaman mahasiswa saya dan memiliki sisa uang. Menang Selama lima tahun ke depan saya akan meluncurkan dua startups, mengambil beberapa keterampilan pemrograman di sepanjang jalan. Tidak akan sampai akhir 2008 bahwa saya akan kembali ke perdagangan. Dengan uang yang rendah dari penjualan startup pertama saya, perdagangan menawarkan harapan beberapa uang cepat sementara saya mengetahui langkah selanjutnya saya. Pada tahun 2008 saya memakai futures perdagangan hari ini dengan menggunakan software yang disebut T4. Irsquod menginginkan beberapa hotkey yang disesuaikan dengan pesanan, jadi setelah menemukan T4 memiliki API, saya mengambil tantangan untuk belajar C (bahasa pemrograman yang dibutuhkan untuk menggunakan API) dan terus maju dan membangun beberapa hotkeys lagi. Setelah mendapatkan kaki saya basah dengan API, saya segera memiliki aspirasi yang lebih besar: Saya ingin mengajarkan komputer untuk berdagang untuk saya. API menyediakan aliran data pasar dan cara mudah mengirim pesanan ke bursa - yang harus saya lakukan hanyalah menciptakan logika di tengahnya. Berikut adalah tangkapan layar dari jendela perdagangan T4. Apa yang keren adalah ketika saya menjalankan program saya, saya dapat melihat perdagangan komputer dengan antarmuka yang sama persis ini. Menonton perintah nyata muncul masuk dan keluar (sendiri dengan uang riil saya) sangat mendebarkan dan menyeramkan. Perancangan Algoritma Dari awal, tujuan saya adalah menata sistem sedemikian rupa sehingga saya cukup yakin Irsquod menghasilkan uang sebelum melakukan perdagangan langsung. Untuk mencapai hal ini, saya perlu membangun kerangka simulasi perdagangan yang seakurat mungkin - mensimulasikan live trading. Sementara perdagangan dalam mode live diperlukan pemutakhiran pasar pemrosesan yang mengalir melalui API, mode simulasi memerlukan pembacaan pasar dari file data. Untuk mengumpulkan data ini, saya menyiapkan versi pertama program saya untuk hanya terhubung ke API dan merekam pembaruan pasar dengan cap waktu. Saya akhirnya menggunakan data pasar terkini 4 minggu untuk melatih dan menguji sistem saya. Dengan kerangka dasar di tempat saya masih memiliki tugas mencari tahu bagaimana membuat sistem perdagangan yang menguntungkan. Ternyata algoritme saya akan terbagi menjadi dua komponen berbeda, yang Irsquoll jelajahi secara bergantian: Memprediksi pergerakan harga dan Membuat perdagangan yang menguntungkan Memprediksi pergerakan harga Mungkin komponen yang jelas dari sistem perdagangan mana pun dapat memprediksi kemana harga akan bergerak. Dan saya tidak terkecuali. Saya menentukan harga saat ini sebagai rata-rata tawaran dalam dan penawaran dalam dan saya menetapkan tujuan untuk memperkirakan di mana harga akan berada dalam 10 detik berikutnya. Algoritma saya perlu memikirkan prediksi momen demi momen ini sepanjang hari perdagangan. Dengan membuat indikator pengoptimalan, saya membuat beberapa indikator yang terbukti memiliki kemampuan yang berarti untuk memprediksi pergerakan harga jangka pendek. Setiap indikator menghasilkan angka yang positif atau negatif. Indikatornya berguna jika lebih sering daripada tidak angka positif berhubungan dengan pasar naik dan angka negatif berhubungan dengan pasar yang turun. Sistem saya memungkinkan saya untuk dengan cepat menentukan berapa banyak kemampuan prediksi yang ada sehingga saya dapat bereksperimen dengan banyak indikator berbeda untuk melihat apa yang berhasil. Banyak indikator memiliki variabel dalam formula yang menghasilkannya dan saya dapat menemukan nilai optimal untuk variabel tersebut dengan melakukan perbandingan dengan hasil yang dicapai dengan nilai yang bervariasi. Indikator yang paling berguna semuanya relatif sederhana dan didasarkan pada kejadian terkini di pasar yang sedang saya trading dan juga pasar efek berkorelasi. Membuat prediksi pergerakan harga pasti Memiliki indikator yang hanya memperkirakan pergerakan harga naik atau turun tidak cukup. Saya perlu tahu persis berapa banyak pergerakan harga yang diprediksi oleh setiap nilai yang mungkin dari setiap indikator. Saya membutuhkan formula yang akan mengubah nilai indikator menjadi prediksi harga. Untuk mencapai hal ini, saya melacak pergerakan harga yang diprediksi dalam 50 ember yang bergantung pada kisaran nilai indikator yang jatuh. Ini menghasilkan prediksi unik untuk setiap ember yang kemudian dapat saya grafik di Excel. Seperti yang Anda lihat, kenaikan harga yang diharapkan akan meningkat seiring dengan meningkatnya nilai indikator. Berdasarkan grafik seperti ini saya bisa membuat formula agar sesuai dengan kurva. Pada awalnya saya melakukan ini dengan benar secara manual tapi saya segera menulis beberapa kode untuk mengotomatisasi proses ini. Perhatikan bahwa tidak semua kurva indikator memiliki bentuk yang sama. Perhatikan juga bahwa ember itu didistribusikan secara logaritma sehingga menyebarkan data secara merata. Akhirnya perhatikan bahwa nilai indikator negatif (dan perkiraan harga turunnya yang sesuai) dibalik dan digabungkan dengan nilai positif. (Algoritma saya diobati naik turun sama persis.) Menggabungkan indikator untuk prediksi tunggal Hal penting yang harus dipertimbangkan adalah bahwa setiap indikator tidak sepenuhnya independen. Saya tidak hanya bisa menambahkan semua prediksi yang dibuat setiap indikator secara individual. Kuncinya adalah untuk mengetahui nilai prediktif tambahan yang setiap indikator melebihi apa yang telah diperkirakan. Ini sulit diterapkan, tapi itu berarti bahwa jika saya menerapkan beberapa indikator pada saat bersamaan, saya harus hati-hati mengubahnya sehingga akan mempengaruhi prediksi orang lain. Agar ldquocurve fitrdquo semua indikator pada saat yang sama saya setup optimizer untuk langkah hanya 30 jalan menuju kurva prediksi baru dengan masing-masing lulus. Dengan lompatan 30 ini saya menemukan bahwa kurva prediksi akan stabil dalam beberapa lintasan. Dengan setiap indikator yang sekarang memberi kita prediksi harga tambahan, saya bisa menambahkannya untuk menghasilkan prediksi tunggal dimana pasar berada dalam 10 detik. Mengapa memprediksi harga tidak cukup Anda mungkin berpikir bahwa dengan keunggulan ini di pasar saya emas. Tapi Anda harus ingat bahwa pasar terdiri dari penawaran dan penawaran - bukan hanya satu harga pasar. Kesuksesan dalam perdagangan frekuensi tinggi turun untuk mendapatkan harga yang bagus dan harganya tidak semudah itu. Faktor-faktor berikut membuat sistem yang menguntungkan menjadi sulit: Dengan setiap perdagangan saya harus membayar komisi kepada broker dan bursa saya. Penyebaran (selisih antara tawaran tertinggi dan penawaran terendah) berarti bahwa jika saya hanya membeli dan menjual secara acak Irsquod akan kehilangan satu ton uang. Sebagian besar volume pasar adalah bots lain yang hanya akan melakukan perdagangan dengan saya jika mereka mengira memiliki beberapa keunggulan statistik. Melihat tawaran itu tidak menjamin saya bisa membelinya. Pada saat pesanan pembelian saya sampai ke bursa, sangat mungkin tawaran itu dibatalkan. Sebagai pemain pasar kecil tidak mungkin saya bisa bersaing dengan kecepatan sendiri. Membangun simulasi perdagangan penuh Jadi, saya memiliki kerangka kerja yang memungkinkan saya untuk mendukung dan mengoptimalkan indikator. Tapi saya harus melampaui ini - saya memerlukan kerangka kerja yang memungkinkan saya melakukan backtest dan mengoptimalkan sistem perdagangan penuh di mana saya mengirim pesanan dan mendapatkan posisi. Dalam hal ini Irsquod akan mengoptimalkan total PampL dan sampai batas tertentu rata-rata PampL per perdagangan. Ini akan menjadi lebih rumit dan dalam beberapa hal tidak mungkin untuk model persis tapi saya melakukan yang terbaik yang saya bisa. Berikut adalah beberapa masalah yang harus saya hadapi: Ketika sebuah pesanan dikirim ke pasar dalam simulasi, saya harus memodelkan jeda waktu. Fakta bahwa sistem saya melihat sebuah tawaran tidak berarti bahwa itu bisa membelinya langsung. Sistem akan mengirim pesanan, menunggu sekitar 20 milidetik dan kemudian hanya jika tawaran itu masih ada yang dianggap sebagai perdagangan yang dieksekusi. Ini tidak tepat karena jeda waktu sebenarnya tidak konsisten dan tidak dilaporkan. Ketika saya mengajukan penawaran atau tawaran, saya harus melihat arus eksekusi perdagangan (disediakan oleh API) dan menggunakannya untuk mengukur kapan pesanan saya akan berhasil dieksekusi. Untuk melakukan ini, saya harus melacak posisi pesanan saya dalam antrian. (Ini merupakan sistem first-in first-out pertama.) Sekali lagi, saya tidak dapat melakukan ini dengan sempurna tapi saya membuat perkiraan terbaik. Untuk memperbaiki simulasi pelaksanaan pesanan saya, yang saya lakukan adalah mengambil file log saya dari live trading melalui API dan membandingkannya dengan file log yang dihasilkan oleh simulasi perdagangan dari periode waktu yang sama. Saya bisa mendapatkan simulasi saya sampai pada titik yang cukup akurat dan untuk bagian-bagian yang tidak mungkin dipodelkan dengan tepat, saya memastikan setidaknya menghasilkan hasil yang serupa secara statistik (dalam metrik yang saya anggap penting). Membuat perdagangan yang menguntungkan Dengan model simulasi pesanan di tempat, saya sekarang bisa mengirim pesanan dalam mode simulasi dan melihat Simulasi PampL. Tapi bagaimana sistem saya tahu kapan dan di mana untuk membeli dan menjual Prediksi pergerakan harga adalah titik awal tapi bukan keseluruhan cerita. Yang saya lakukan adalah membuat sistem penilaian untuk masing-masing dari 5 tingkat harga pada penawaran dan penawaran. Ini termasuk satu tingkat di atas tawaran dalam (untuk pesanan beli) dan satu tingkat di bawah tawaran dalam (untuk pesanan jual). Jika skor pada tingkat harga tertentu berada di atas ambang batas tertentu yang berarti sistem saya harus memiliki bidoffer aktif di sana - di bawah ambang batas maka pesanan aktif apapun harus dibatalkan. Berdasarkan hal itu, tidak jarang sistem saya akan meniru tawaran di pasar lalu segera membatalkannya. (Meskipun saya mencoba untuk meminimalkan hal ini karena hal itu mengganggu siapa pun yang melihat layar dengan mata manusia - termasuk saya.) Nilai tingkat harga dihitung berdasarkan faktor-faktor berikut: Prediksi pergerakan harga (yang telah kita bahas sebelumnya). Tingkat harga yang dimaksud. (Tingkat dalam berarti prediksi pergerakan harga yang lebih besar diperlukan.) Jumlah kontrak di depan pesanan saya dalam antrian. (Kurang lebih baik.) Jumlah kontrak di balik pesanan saya dalam antrian. (Lebih baik lebih baik.) Pada dasarnya faktor-faktor ini berfungsi untuk mengidentifikasi tempat-tempat ldquosaferdquo untuk bidoffer. Prediksi pergerakan harga saja tidak memadai karena tidak memperhitungkan fakta bahwa ketika mengajukan penawaran saya tidak otomatis terisi - saya hanya terisi jika seseorang menjual kepada saya di sana. Kenyataannya adalah fakta bahwa seseorang menjual kepada saya dengan harga tertentu telah mengubah peluang statistik perdagangan. Variabel yang digunakan dalam langkah ini semuanya tunduk pada optimasi. Hal ini dilakukan dengan cara yang sama seperti yang saya optimalkan pada indikator pergerakan harga kecuali dalam hal ini saya mengoptimalkan posisi bottom line PampL. Apa yang diabaikan program saya Ketika bertransaksi sebagai manusia kita sering memiliki emosi dan bias yang kuat yang dapat menyebabkan keputusan yang kurang optimal. Jelas saya tidak ingin mengkodifikasi bias ini. Berikut adalah beberapa faktor yang diabaikan oleh sistem saya: Harga suatu posisi dimasukkan - Di kantor perdagangan, cukup umum mendengar percakapan tentang harga di mana seseorang panjang atau pendek seolah-olah itu akan mempengaruhi pengambilan keputusan di masa depan mereka. Meskipun ini memiliki beberapa keabsahan sebagai bagian dari strategi pengurangan risiko, hal itu benar-benar tidak berpengaruh pada kejadian masa depan di pasar. Oleh karena itu, program saya sama sekali mengabaikan informasi ini. Konsep itu sama dengan mengabaikan biaya hangus. Pergi pendek vs keluar dari posisi panjang - Biasanya seorang trader akan memiliki kriteria berbeda yang menentukan di mana untuk menjual posisi long versus mana harus pergi pendek. Namun dari perspektif algoritme saya tidak ada alasan untuk membuat perbedaan. Jika algoritme saya memperkirakan pergerakan ke bawah adalah ide bagus terlepas dari apakah saat ini panjang, pendek, atau datar. Strategi tingkat atas yang ldquodoubling - Ini adalah strategi umum dimana pedagang akan membeli lebih banyak saham jika ada perdagangan asli melawan mereka. Hal ini menyebabkan harga beli rata-rata Anda lebih rendah dan berarti kapan (atau jika) saham berbalik, Anda harus mengatur agar uang Anda kembali dalam waktu singkat. Menurut pendapat saya ini benar-benar strategi yang mengerikan kecuali jika Anda memilih Warren Buffet. Yoursquore menipu untuk berpikir bahwa Anda melakukannya dengan baik karena sebagian besar perdagangan Anda akan menjadi pemenang. Masalahnya adalah saat Anda kehilangan Anda kehilangan besar. Efek lainnya adalah membuat sulit untuk menilai apakah Anda benar-benar memiliki keunggulan di pasar atau hanya beruntung. Mampu memonitor dan memastikan bahwa program saya ternyata memiliki keunggulan merupakan tujuan penting. Karena algoritme saya membuat keputusan dengan cara yang sama terlepas dari dari mana ia memasuki perdagangan atau jika saat ini panjang atau pendek, kadang-kadang mereka masuk (dan mengambil) beberapa transaksi kerugian besar (sebagai tambahan pada beberapa perdagangan besar). Tapi, sebaiknya Anda tidak berpikir bahwa tidak ada manajemen risiko. Untuk mengelola risiko saya memaksakan posisi maksimal 2 kontrak sekaligus, kadang-kadang menumpuk pada hari volume tinggi. Saya juga memiliki batas kerugian harian maksimum untuk melindungi terhadap kondisi pasar yang tidak terduga atau adanya bug dalam perangkat lunak saya. Batasan ini diberlakukan dalam kode saya tapi juga di backend melalui broker saya. Seperti yang terjadi saya tidak pernah mengalami masalah yang signifikan. Menjalankan Algoritma Dari saat saya mulai mengerjakan program saya, saya membutuhkan waktu sekitar 6 bulan sebelum saya sampai pada titik profitabilitas dan mulai menjalankannya secara langsung. Meski lumayan banyak waktu belajar bahasa pemrograman baru. Seiring saya memperbaiki program, saya melihat peningkatan keuntungan untuk masing-masing empat bulan ke depan. Setiap minggu saya akan melatih sistem saya berdasarkan data 4 minggu sebelumnya. Saya menemukan ini mencapai keseimbangan yang tepat antara menangkap tren perilaku pasar terkini dan mengasuransikan algoritme saya memiliki cukup data untuk membangun pola yang berarti. Sebagai pelatihan mulai mengambil lebih banyak dan lebih banyak waktu saya membaginya sehingga bisa dilakukan oleh 8 mesin virtual menggunakan amazon EC2. Hasilnya kemudian disatukan pada mesin lokal saya. Inti dari trading saya adalah Oktober 2009 ketika saya menghasilkan hampir 100k. Setelah ini saya terus menghabiskan empat bulan ke depan untuk mencoba memperbaiki program saya meski mengalami penurunan keuntungan setiap bulannya. Sayangnya, pada titik ini saya rasa Irsquod menerapkan semua gagasan terbaik saya karena tidak ada yang saya coba nampaknya sangat membantu. Dengan frustrasi karena tidak bisa melakukan perbaikan dan tidak merasakan pertumbuhan saya mulai memikirkan arah baru. Saya mengirimi email ke 6 perusahaan perdagangan frekuensi tinggi yang berbeda untuk melihat apakah mereka tertarik untuk membeli perangkat lunak saya dan mempekerjakan saya untuk bekerja untuk mereka. Tidak ada yang menjawab Saya memiliki beberapa ide startup baru yang ingin saya kerjakan jadi saya tidak pernah menindaklanjutinya. UPDATE - Saya memposting ini di Hacker News dan mendapat banyak perhatian. Saya hanya ingin mengatakan bahwa saya tidak menganjurkan siapapun yang mencoba melakukan hal seperti ini sekarang juga. Anda akan membutuhkan tim orang yang sangat cerdas dengan berbagai pengalaman untuk memiliki harapan untuk bersaing. Bahkan ketika saya melakukan ini, saya percaya sangat jarang bagi individu untuk meraih kesuksesan (walaupun saya pernah mendengar tentang orang lain.) Ada komentar di bagian atas halaman yang menyebutkan statistik yang dimanipulasi dan merujuk kepada saya sebagai investor ldquoretail yang menginginkan Akan memilih offrdquo. Ini adalah komentar yang agak disayangkan yang hanya didasarkan pada kenyataan. Menetapkan hal itu di samping beberapa komentar menarik lainnya: news. ycombinatoritemid4748624 UPDATE 2 - Irsquove memposting sebuah FAQ lanjutan yang menjawab beberapa pertanyaan umum yang Irsquove terima dari trader tentang postingan ini. Sulit untuk membuat prediksi, terutama tentang masa depan, kata legenda baseball Yogi Berra . Tapi itu tidak menghentikan orang untuk mencoba, terutama di pasar keuangan, di mana algoritma pembelajaran pembelajaran mesin sedang dikembangkan dan diluncurkan oleh hedge fund, dengan tujuan untuk menemukan aplikasi praktis dari teori besar yang ada untuk kecerdasan buatan. Mungkin, tidak mengherankan, banyak dari mereka yang terdepan memegang gelar maju dalam bidang matematika atau sains komputer. Sementara memiliki PhD isnt wajib, itu jelas merupakan keuntungan. Spencer Greenberg. Co-founder, Rebellion Research Ketika saya belajar tentang pembelajaran mesin, terpikir oleh saya bahwa ini bisa berguna dalam aplikasi keuangan, kata Spencer Greenberg, salah satu pendiri Rebellion Research, hedge fund yang berbasis di New York. Greenberg saat ini sedang mengikuti gelar doktor di New York University Courant Institute of Mathematical Sciences. Ketika kita mencoba menghasilkan uang di pasar saham, kita tidak memiliki gagasan yang sepenuhnya terbentuk mengenai apakah akan membeli dan menjual, memberi nilai, momentum, nilai relatif, dan sebagainya, kata Greenberg. Mungkin pembelajaran mesin bisa mengekstrak gaya investasi secara otomatis, dan sebuah algoritma dapat diciptakan untuk mempelajari proses itu. Aku terpesona dengan itu. Pemberontakan Penelitian menggunakan mesin berbasis sistem pembelajaran untuk membuat prediksi tentang kinerja saham dan kelas aset lainnya. Premis dasarnya adalah mesin dapat diprogram oleh Google untuk melakukan penelusuran web atau oleh Amazon dan Netflix untuk merekomendasikan film dan buku, jadi tidak ada alasan mengapa mereka tidak dapat dilatih untuk membuat keputusan investasi. Salah satu alasan orang skeptis menggunakan kecerdasan buatan untuk berinvestasi adalah mereka memikirkan investasi sebagai sesuatu yang terlalu sulit bagi manusia untuk dipecahkan, dan karena itu terlalu sulit untuk diprogram, 8221 mengatakan Greenberg. Ada banyak teori tentang bagaimana pasar bekerja. Pendekatan kami adalah memiliki algoritma pembelajaran mesin yang menganalisa investasi secara otomatis. Bidang pengetahuan di daerah berkembang dengan cepat. Selama beberapa dekade, teknik kecerdasan buatan berbasis mesin telah menjadi elemen inti dari perdagangan algoritmik dan keuangan komputasi secara umum, kata Vadim Mazalov, spesialis penelitian dan pengembangan di penyedia sistem perdagangan Cyborg Trading Systems, dan seorang mahasiswa PhD di bidang ilmu komputer yang mengkhususkan diri dalam pembelajaran mesin. Di Western University di London, Ontario. Pembelajaran Mesin Bagian pengetahuan yang luas dalam bidang ini sudah mengandung berbagai model yang dapat diterapkan pada tingkat dan skala yang berbeda dari frekuensi tinggi hingga perdagangan sistematis. Selama lima tahun terakhir, kami melihat kemajuan besar dalam teknologi perdagangan otomatis, kata Alfred Eskandar, chief executive penyedia sistem perdagangan Portware. Solusi front-end yang canggih telah memperkenalkan efisiensi yang besar, mengurangi risiko operasional dan memberi akses kepada para pedagang untuk mengakses likuiditas global secara global. Namun, generasi saat ini sistem manajemen eksekusi telah mengambil otomasi perdagangan dan alur kerja sejauh mungkin. Tanggung jawab untuk perdagangan yang secara keseluruhan memenuhi kondisi pasar yang bersih, memilih strategi yang tepat untuk pesanan tertentu, memantau kemajuan pelaksanaan dan membuat perubahan yang diperlukan jatuh ke pedagang manusia. Selama beberapa tahun ke depan, akan melihat perusahaan menerapkan teknologi yang akan membantu pedagang secara otomatis memilih dan menerapkan strategi algoritmik yang optimal, yang memungkinkan mereka meningkatkan kapasitas dan meningkatkan kinerja perdagangan secara keseluruhan, kata Eskandar. Namun, sama seperti trader ingin berada di algoritma yang tepat pada saat yang tepat, mereka juga tidak ingin berada dalam algoritma yang salah pada waktu yang salah. Beberapa pasar baru-baru ini salah langkah menunjukkan betapa pentingnya mengelola risiko perdagangan, kata Eskandar. Teknologi baru ini akan memungkinkan perusahaan untuk secara dinamis mengelola algoritme mereka dan memastikan pengoperasian meja perdagangan yang aman dalam kondisi pasar apapun. Munculnya algoritme perdagangan berbasis mesin karena sebagian kecil kapasitas untuk menganalisis rim data secara real time menggunakan perangkat keras dan perangkat lunak tingkat lanjut. Its tentang mencari pola dalam data, kata Tucker Balch, profesor ilmu komputer di Georgia Institute of Technology, dan pendiri Lucena Research, sebuah firma teknologi investasi berbasis kecerdasan buatan. Dalam kasus keuangan, Anda mencari hubungan antara data tentang perusahaan dan harga masa depannya. Itulah yang Lucena lakukan, dan apa yang saya lakukan dengan penelitian saya di Georgia Tech. Model Matematika Lucena memberikan analisis kuantitatif dan teknologi pembelajaran mesin statistik untuk lindung nilai dana, penasihat kekayaan dan investor individual yang maju. Teknologi pendukung keputusan kecerdasan buatan berbasis cloud memungkinkan investor dan pedagang jangka pendek untuk menemukan peluang pasar dan mengurangi risiko dalam portofolio mereka dengan menggunakan pencocokan pola kuantitatif teknis dan fundamental. Sistem ini mendapatkan banyak data historis, termasuk data fundamental dan indikator teknis, dan mungkin untuk menemukan hubungan antara data historis dan harga di masa depan, kata Balch. Hubungan itu adalah model, sesuatu yang menghubungkan beberapa kuantitas ekuitas yang terukur dengan harga di masa depan, katanya. Analisis peramalan harga berbasis komputer Lucenas berdasarkan prakiraan lima, 10 dan 20 hari perdagangan kembali di semua saham yang tercakup. Kami tidak menggunakan model statis, peramal kami direvisi setiap hari agar otomatis menyesuaikan diri dengan perubahan kondisi pasar, kata Balch. Perkiraan tersebut dapat digunakan untuk mengidentifikasi peluang jangka pendek atau pendek jangka pendek. Tujuan akhir Lucenas, katanya, adalah untuk membawa kesadaran akan kekuatan analisis pola pembelajaran mesin, dan untuk merevolusi komunitas profesional investasi yang kurang terlayani, dengan menyediakan alat dan teknologi yang biasanya tidak tersedia bagi bisnis dengan ukuran mereka. (Dikunjungi 835 kali, 5 kunjungan hari ini)
No comments:
Post a Comment