Maschinen Lern Optionen Handel

Ich bin mir nicht ganz sicher, ob diese Frage hier passt. Ich habe vor kurzem begonnen, lesen und lernen über maschinelles Lernen. Kann jemand etwas Licht auf, wie man darüber geht oder lieber kann jeder seine Erfahrung und einige grundlegende Hinweise darüber, wie man darüber geht oder atleast anfangen, es anzuwenden, um einige Ergebnisse aus Datensätzen zu sehen Wie ehrgeizig ist das auch klingt Standard-Algorithmen, die ausprobiert oder betrachtet werden sollten, während dies zu tun. Fragte am 1. Februar um 18:35 Es scheint ein grundlegender Irrtum zu sein, dass jemand mitkommen kann und lernt etwas maschinelles Lernen oder AI-Algorithmen, setze sie als Black Box auf, schlägst und lehn dich zurück, während sie sich zurückziehen. Mein Rat an Sie: Lernen Sie Statistiken und maschinelles Lernen zuerst, dann Sorgen darüber, wie man sie auf ein gegebenes Problem anwenden. Hier gibt es kein kostenloses Mittagessen. Datenanalyse ist harte Arbeit. Lesen Sie die Elemente des statistischen Lernens (das pdf ist kostenlos auf der Website verfügbar), und versuchen Sie nicht, ein Modell zu bauen, bis Sie mindestens die ersten 8 Kapitel verstehen. Sobald Sie die Statistiken und das maschinelle Lernen verstehen, dann müssen Sie lernen, wie man Backtest und bauen ein Handelsmodell, die Abrechnung von Transaktionskosten, etc., die ein ganzer anderer Bereich ist. Nachdem du einen Griff sowohl bei der Analyse als auch bei der Finanzierung hast, dann wird es etwas offensichtlich sein, wie man es anwendet. Der gesamte Punkt dieser Algorithmen versucht, einen Weg zu finden, um ein Modell an Daten anzupassen und eine geringe Vorspannung und Varianz in der Vorhersage zu erzeugen (d. h. dass der Trainings - und Testvorhersagefehler niedrig und ähnlich ist). Hier ist ein Beispiel für ein Handelssystem mit einem Support-Vektor-Maschine in R. aber nur im Hinterkopf behalten, dass Sie sich selbst einen riesigen Bärendienst tun, wenn Sie nicht die Zeit verbringen, um die Grundlagen zu verstehen, bevor Sie versuchen, etwas Esoterisches anzuwenden. Nur um ein unterhaltsames Update hinzuzufügen: Ich habe vor kurzem auf diese Masterarbeit gestoßen: Ein neuartiges algorithmisches Trading Framework, das Evolution und Machine Learning für Portfolio Optimization (2012) anwendet. Es ist eine umfangreiche Überprüfung der verschiedenen maschinellen Lernansätze im Vergleich zu Buy-and-Hold. Nach fast 200 Seiten erreichen sie die grundlegende Schlussfolgerung: Kein Handelssystem konnte die Benchmark bei Transaktionskosten übertreffen. Unnötig zu sagen, das bedeutet nicht, dass es nicht getan werden kann (ich havent verbrachte jede Zeit, ihre Methoden zu überprüfen, um die Gültigkeit des Ansatzes zu sehen), aber es gibt sicherlich einige mehr Beweise für das freilose Mittagessen Theorem. Antwortete am 1. Februar um 18:48 Jase Als einer der Autoren der erwähnten Masterarbeit kann ich meine eigene Arbeit zitieren und sagen: Wenn jemand tatsächlich profitable Ergebnisse erzielt, gibt es keinen Anreiz, sie zu teilen, da es ihren Vorteil negieren würde Obwohl unsere Ergebnisse die Markthypothese unterstützen könnten, schließt sie nicht die Existenz von Systemen aus, die funktionieren. Es könnte wie Wahrscheinlichkeitstheorie sein: "Es wird spekuliert, dass Durchbrüche im Bereich der Wahrscheinlichkeitstheorie mehrmals passiert sind, aber nie geteilt wurden. Dies könnte aufgrund seiner praktischen Anwendung in Glücksspiel. quot Dann wieder, vielleicht ist dies alles moderne Alchemie. Ndash Andr233 Christoffer Andersen 30. April um 10:01 Meine Beratung zu Ihnen: Es gibt mehrere Maschinelle Lernkarikatur (MLAI) Zweige draußen: www-formal. stanford. edujmcwhatisainode2.html Ich habe nur genetische Programmierung und einige neuronale Netzwerke versucht und Ich persönlich denke, dass das Lernen aus dem Erfahrungszweig das Potenzial hat. GPGA und neuronale Netze scheinen die am häufigsten erforschten Methoden für den Zweck der Börsenvorhersagen zu sein, aber wenn Sie einige Data Mining auf Predict Wall Street machen. Du kannst vielleicht auch eine Stimmungsanalyse machen. Verbringen Sie einige Zeit über die verschiedenen MLAI-Techniken zu lernen, finden Sie einige Marktdaten und versuchen, einige dieser Algorithmen zu implementieren. Jeder wird seine Stärken und Schwächen haben, aber Sie können die Vorhersagen jedes Algorithmus zu einer zusammengesetzten Vorhersage kombinieren (ähnlich wie die Gewinner des NetFlix-Preises). Einige Ressourcen: Hier sind einige Ressourcen, die Sie vielleicht untersuchen möchten: Das Geschwätz: Der allgemeine Konsens unter den Händlern ist, dass Künstliche Intelligenz eine Voodoo-Wissenschaft ist, können Sie nicht einen Computer vorhersagen Aktienkurse und youre sicher, Ihr Geld zu verlieren, wenn Sie versuchen Tut es Dennoch werden die gleichen Leute Ihnen sagen, dass nur über die einzige Möglichkeit, Geld zu verdienen auf der Börse ist zu bauen und zu verbessern auf Ihre eigene Handelsstrategie und folgen sie genau (was nicht wirklich eine schlechte Idee). Die Idee von AI-Algorithmen ist nicht, Chip zu bauen und ihn für Sie handeln zu lassen, sondern um den Prozess der Schaffung von Strategien zu automatisieren. Es ist ein sehr langwieriger Prozess und keineswegs ist es einfach :). Minimierung von Overfitting: Wie schon früher gehört, ist ein fundamentales Problem mit AI-Algorithmen übertrieben (aka datamining bias): Bei einem Satz von Daten kann dein AI-Algorithmus ein Muster finden, das für das Trainingsset besonders relevant ist. Aber es ist möglicherweise nicht relevant in der Testmenge. Es gibt mehrere Möglichkeiten, die Überfüllung zu minimieren: Verwenden Sie einen Validierungssatz. Es gibt keine Rückmeldung an den Algorithmus, aber es erlaubt Ihnen, zu erkennen, wann Ihr Algorithmus potenziell anfängt zu übertreiben (d. h. Sie können das Training beenden, wenn youre überfällig zu viel). Verwenden Sie Online-Maschine lernen. Es beseitigt weitgehend die Notwendigkeit für Back-Testing und es ist sehr anwendbar für Algorithmen, die versuchen, Marktvorhersagen zu machen. Ensemble Lernen. Bietet Ihnen einen Weg, um mehrere maschinelle Lernalgorithmen zu machen und ihre Vorhersagen zu kombinieren. Die Annahme ist, dass verschiedene Algorithmen die Daten in einigen Bereichen übertreffen können, aber die korrekte Kombination ihrer Vorhersagen wird eine bessere Vorhersagekraft haben. Zwei Aspekte des statistischen Lernens sind für den Handel nützlich 1. Zuerst die oben erwähnten: Einige statistische Methoden konzentrierten sich auf die Arbeit an Live-Datasets. Es bedeutet, dass Sie wissen, dass Sie nur ein Beispiel von Daten beobachten und Sie extrapolieren möchten. Sie haben also in der Probe und aus der Probe Fragen, Überfüllung und so weiter zu behandeln. Aus diesem Blickwinkel ist der Data-Mining mehr auf tote Datasets fokussiert (dh man kann fast alle Daten sehen, man hat nur ein Problem mit dem Problem) als das statistische Lernen. Weil das statistische Lernen über die Arbeit am Live-Dataset geht, mussten die angewandten Mathematik, die sich mit ihnen befassen, auf ein Problem mit zwei Skalen fokussieren: links X ampamp Ftheta (Xn, xi) ampamp L (pi (Xn), n) Ende rechts. Wo X der (multidimensionale) Zustand Raum zu studieren (Sie haben in ihr Ihre erklärenden Variablen und die zu prognostizieren), F enthält die Dynamik von X, die einige Parameter Theta benötigen. Die Zufälligkeit von X kommt von der Innovation xi, die i. i.d. Das Ziel des statistischen Lernens ist es, eine Methodik zu erstellen, die als Eingaben eine partielle Beobachtung pi von X und schrittweise eine Schätzung Hattθ von Theta anzupassen, so dass wir alles wissen, was auf X benötigt wird. Wenn Sie darüber nachdenken, mit statistischem Lernen zu finden Die Parameter einer linearen Regression. Wir können den staatlichen raum wie folgt modellieren: underbrace yx end right) links begin a amp b amp 1 1 amp 0 amp 0 end right cdot underbrace x 1 epsilon ende rechts), die so erlaubt, (y, x) n bei jedem n zu beobachten Hier theta (a, b). Dann musst du einen Weg finden, um schrittweise einen Schätzer von Theta mit unseren Beobachtungen zu bauen. Warum nicht ein Steigung Abstieg auf den L2 Abstand zwischen y und der Regression: C (Hut a, Hut b) n Summe (yk - (Hut a, xk Hut b)) 2 Hier ist Gamma ein Gewichtungsschema. Normalerweise ist eine nette Art, einen Schätzer zu bauen, um die Kriterien richtig zu schreiben, um einen Gradientenabstieg zu minimieren und umzusetzen, der das Lernschema L hervorbringt. Zurück zu unserem ursprünglichen generischen Problem. Wir brauchen einige angewandte Mathematik, um zu wissen, wann Paar dynamische Systeme in (X, Hattungen) konvergieren, und wir müssen wissen, wie man Schätzschemata L, die auf die ursprüngliche Theta konvergieren zu bauen. Um Ihnen Hinweise auf solche mathematischen Ergebnisse zu geben: Jetzt können wir auf den zweiten Aspekt des statistischen Lernens zurückgreifen, der für quant tradersstrateisten sehr interessant ist: 2. Die Ergebnisse, die zur Effizienz der statistischen Lernmethoden verwendet werden, können genutzt werden, um die Effizienz zu beweisen Handelsalgorithmen. Um zu sehen, dass es genug ist, um das gekoppelte dynamische System zu lesen, das erlaubt, statistisches Lernen zu schreiben: links M ampamp Frho (Mn, xi) Ampampel L (pi (Mn), n) Ende rechts. Jetzt sind M Marktvariablen, Rho liegt unter PnL, L ist eine Handelsstrategie. Ersetzen Sie einfach die Minimierung eines Kriteriums durch die Maximierung der PnL. Siehe z. B. Optimale Aufteilung der Aufträge über Liquiditätspools: ein stochatischer Algorithmusansatz von: Gilles Pags, Sophie Laruelle, Charles-Albert Lehalle. In dieser Arbeit zeigen Autoren, wer diesen Ansatz nutzen, um einen Auftrag über verschiedene dunkle Pools optimal zu teilen und gleichzeitig die Fähigkeit der Pools zu erlernen, Liquidität zu liefern und die Ergebnisse zu handeln. Die statistischen Lerninstrumente können verwendet werden, um iterative Handelsstrategien aufzubauen (die meisten von ihnen sind iterativ) und beweisen ihre Effizienz. Die kurze und brutale Antwort ist: Sie nicht. Erstens, weil ML und Statistik nicht etwas ist, das man in ein oder zwei Jahren gut beherrschen kann. Meine empfohlene Zeit Horizont zu lernen, nichts trivial ist 10 Jahre. ML nicht ein Rezept, um Geld zu verdienen, sondern nur ein anderes Mittel, um die Realität zu beobachten. Zweitens, weil jeder gute Statistiker weiß, dass das Verständnis der Daten und die Problem-Domain ist 80 der Arbeit. Das ist der Grund, warum Sie Statistiker haben, die sich auf die Physik-Datenanalyse, auf die Genomik, auf die Sabermetrika usw. konzentrieren. Für den Rekord ist Jerome Friedman, Co-Autor von ESL, der oben zitiert wurde, ein Physiker und hält immer noch eine Höflichkeit bei SLAC. Also, studiere Statistik und Finanzen für ein paar Jahre. Sei geduldig. Gehen Sie Ihren eigenen Weg. Meilenzahl kann variieren Antwortete Feb 9 11 um 4:41 Ich bin völlig einverstanden. Nur weil Sie maschinelles Lernen und Statistiken kennen, bedeutet es nicht, dass Sie wissen, wie man es zur Finanzierung anwendet. Ndash Dr. Mike Auch eine wichtige Sache zu erinnern ist, dass Sie gewinnt, um gegen Menschen zu handeln, werden Sie handeln gegen andere künstliche Intelligenz-Algorithmen, die Ihre Trades Haufen in und sind wütend berechnen die Chancen, dass die Kollektive yous würde durch einen hergestellten Rückgang ausgespielt und diesen kleinen Verlust bei der Schaffung eines Spikedips und Narr alle diese AI39s zum Stoppen, und dann rollen das Dip zurück in sie und reiten die Welle, verdienen Ihre Verluste. Die Börse ist ein Null Summe Spiel, behandeln Sie es wie die Eingabe eines Profi-Box-Match, wenn Sie aren39t ein 20-jähriger Veteran, you39re gehen zu verlieren ndash Eric Leschinski 13. Februar 16 um 1:56 Eine grundlegende Anwendung ist die Vorhersage der finanziellen Notlage. Holen Sie sich eine Reihe von Daten mit einigen Unternehmen, die ausgefallen sind, und andere, die havent, mit einer Vielzahl von finanziellen Informationen und Ratios. Verwenden Sie eine Maschine Lernmethode wie SVM zu sehen, ob Sie vorhersagen können, welche Unternehmen werden standardmäßig und was nicht. Nutzen Sie diese SVM in der Zukunft zu kurzen High-Wahrscheinlichkeit Default-Unternehmen und lange Low-Wahrscheinlichkeit Default-Unternehmen, mit dem Erlös der Leerverkäufe. Es gibt ein Sprichwort quotPicking Pennies oben vor Dampfwalze. Du machst das Äquivalent, einen Out-of-the-money zu verkaufen. In diesem Fall machst du seit Jahren winzige Gewinne, dann werde ich total gereinigt, wenn der Markt alle 10 Jahre oder so schmilzt. Es gibt auch eine gleichwertige Strategie, die Out-of-the-money setzt: Sie verlieren Geld für Jahre, dann machen Sie eine Tötung, wenn der Markt schmilzt. Siehe Talab39s Der Schwarze Schwan. Ndash Contango Jun 5 11 um 22:20 Denken Sie daran, dass internationale Unternehmen Hunderte von Milliarden von Dollar und Mann Stunden auf die besten und hellsten künstlichen Intelligenz Köpfe in den letzten 40 Jahren ausgegeben haben. Ich sprach mit einigen der Türme des Geistes, die für die Alphas über die Zitadelle und Goldman Sachs verantwortlich sind, und die Hybris von Anfängern, um zu denken, dass sie einen Algorithmus zusammenstellen können, der mit ihnen zusieht, um mit ihnen zu spielen und zu gewinnen, ist fast so dumm wie Ein Kind, das euch sagt, dass er auf den Mond springen wird. Viel Glück Kind, und achten Sie auf die Raummärtner. Nicht zu sagen, dass neue Champions gemacht werden können, aber die Chancen sind gegen dich. Ndash Eric Leschinski 13. Februar 16 um 2:00 Eine Möglichkeit, die es zu erforschen ist, ist die Unterstützung der Vektor-Maschinen-Lern-Tool auf der Metatrader 5-Plattform. Erstens, wenn Sie nicht vertraut sind, ist Metatrader 5 eine Plattform, die für Benutzer entwickelt wurde, um algorithmischen Handel in Forex - und CFD-Märkten zu implementieren (Im nicht sicher, ob die Plattform auf Aktien und andere Märkte erweitert werden kann). Es wird typischerweise für technische Analyse-basierte Strategien verwendet (d. h. unter Verwendung von Indikatoren, die auf historischen Daten basieren) und wird von Menschen verwendet, die ihren Handel automatisieren möchten. Das Support Vector Machine Learning Tool wurde von einer der Community von Benutzern entwickelt, um die Unterstützung von Vektor-Maschinen auf technische Indikatoren anzuwenden und auf Trades zu beraten. Eine kostenlose Demo-Version des Tools kann hier heruntergeladen werden, wenn man weiter nachforschen möchte. Wie ich es verstehe, verwendet das Tool historische Preisdaten, um zu beurteilen, ob hypothetische Trades in der Vergangenheit erfolgreich gewesen wären. Es nimmt dann diese Daten zusammen mit den historischen Werten aus einer Reihe von anpassbaren Indikatoren (MACD, Oszillatoren usw.), und nutzt dies, um eine Support-Vektor-Maschine zu trainieren. Dann nutzt es die ausgebildete Support-Vektor-Maschine, um zukünftige Buysell-Trades zu signalisieren. Eine bessere Beschreibung finden Sie unter dem Link. Ich habe mit ihm ein wenig mit einigen sehr interessanten Ergebnissen gespielt, aber wie bei allen algorithmischen Trading-Strategien empfehle ich solide Backforward-Tests, bevor ich sie auf den Live-Markt. Beantwortet Dec 10 12 at 11:59 Sorry, aber trotz der Verwendung als ein beliebtes Beispiel im maschinellen Lernen, hat niemand jemals eine Börsenvorhersage erreicht. Es funktioniert nicht aus mehreren Gründen (überprüfen Sie zufällige Spaziergang durch Fama und ein bisschen von anderen, rationale Entscheidung, die Irrtum, falsche Annahmen zu machen.), Aber das überzeugendste ist, dass wenn es funktionieren würde, würde jemand in der Lage sein, wahnsinnig reich zu werden Innerhalb von Monaten, im Grunde, die ganze Welt zu besitzen. Da dies nicht passiert (und man kann sicher sein, dass alle Bank es ausprobiert hat), haben wir gute Beweise dafür, dass es einfach nicht funktioniert. Außerdem: Wie denkst du, du wirst erreichen, was Zehntausende von Profis nicht geschafft haben, indem sie die gleichen Methoden verwenden, die sie haben, plus begrenzte Ressourcen und nur grundlegende Versionen ihrer Methoden beantwortet am 4. Juni um 7:47 Nur eine beiseite in Bezug auf Ihre Quasi zwingend Grund: Strategien haben Kapazitätsgrenzen, dh Ebenen, über die Ihre Marktauswirkungen das verfügbare Alpha übersteigen würden, auch wenn Sie ein unbegrenztes Kapital hatten. Ich bin mir nicht sicher, was du mit einem Deadmarkt-Markt voraussagen willst (Index-Futures ETF39s), aber sicher gibt es viele Leute, die kurzfristige Vorhersagen machen und von ihnen profitieren, jeden Tag auf den Märkten. Ndash afekz Nov 23 15 at 13:19 Ich höre viel von dem, was Shane schrieb. Neben dem Lesen von ESL, würde ich vorschlagen, eine noch grundlegende Studie der Statistiken zuerst. Darüber hinaus sind die Probleme, die ich in einer anderen Frage zu diesem Austausch skizzierte, sehr relevant. Insbesondere ist das Problem der Datamination Bias eine ernsthafte Straßensperre für jede maschinell lernende Strategie. Diese Post wird detailliert, was ich getan habe, um ca. 500k vom Hochfrequenzhandel von 2009 bis 2010. Da ich völlig unabhängig handelte und nicht mehr mein Programm Irsquom gerne alles erzähle. Mein Handel war vor allem in Russel 2000 und DAX Futures-Kontrakte. Der Schlüssel zu meinem Erfolg, glaube ich, war nicht in einer anspruchsvollen finanziellen Gleichung, sondern in der Gesamt-Algorithmus-Design, die zusammengebunden viele einfache Komponenten und verwendet Maschinen Lernen zu optimieren für maximale Rentabilität. Sie müssen nicht wissen, jede anspruchsvolle Terminologie hier, denn wenn ich mein Programm einrichten, war es alles auf Intuition basiert. (Andrew Ngrsquos erstaunliche Maschine Lernkurs war noch nicht verfügbar - btw, wenn Sie auf diesen Link klicken Sie zu Ihrem aktuellen Projekt: CourseTalk, eine Rezension Website für MOOCs) Zuerst möchte ich nur zeigen, dass mein Erfolg war nicht einfach das Ergebnis von Glück. Mein Programm machte 1000-4000 Trades pro Tag (halb lang, halb kurz) und nie in Positionen von mehr als ein paar Verträge auf einmal. Dies bedeutete das zufällige Glück von jedem einzelnen Handel gemittelt ziemlich schnell. Das Ergebnis war, dass ich niemals mehr als 2000 an einem Tag verloren hatte und nie einen verlorenen Monat hatte: (EDIT. Diese Zahlen sind nach Bezahlung von Provisionen) Und Herersquos ein Diagramm, um dir ein Gefühl der täglichen Variation zu geben. Beachten Sie, dass dies die letzten 7 Monate ausschließt, weil - da die Figuren aufgehört haben - ich habe meine Motivation verloren, sie zu betreten. Mein Trading Hintergrund Vor der Einrichtung meiner automatisierten Trading-Programm Irsquod hatte 2 Jahre Erfahrung als ldquomanualrdquo Tag Händler. Dies war wieder im Jahr 2001 - es war die frühen Tage des elektronischen Handels und es gab Möglichkeiten für ldquoscalpersrdquo, um gutes Geld zu machen. Ich kann nur beschreiben, was ich tat so ähnlich wie ein Videospiel spielen mit einem angeblichen Rand. Erfolgreich zu sein bedeutet, schnell zu sein, diszipliniert zu sein und eine gute intuitive Mustererkennung zu haben. Ich konnte rund 250k machen, meine Studentenkredite auszahlen und Geld übrig haben. Win In den nächsten fünf Jahren würde ich zwei Startups starten und dabei einige Programmierkenntnisse abholen. Es würde bis Ende 2008 sein, dass ich wieder in den Handel zurückkehren würde. Mit Geld läuft niedrig aus dem Verkauf meiner ersten Startup, Trading angeboten Hoffnungen auf einige schnelle Bargeld, während ich herausgefunden, meine nächste Bewegung. Im Jahr 2008 war ich ldquomanuallyrdquo Tag Handel Futures mit Software namens T4. Irsquod wünschte einige kundenspezifische Auftragseingabe-Hotkeys, also nach der Entdeckung von T4 hatte eine API, nahm ich auf die Herausforderung des Lernens C (die Programmiersprache erforderlich, um die API verwenden) und ging voran und baute mir einige Hotkeys. Nachdem ich meine Füße nass mit der API hatte, hatte ich bald größere Bestrebungen: Ich wollte den Computer lehren, um für mich zu handeln. Die API stellte sowohl einen Strom von Marktdaten als auch einen einfachen Weg zur Verfügung, um Aufträge an den Austausch zu senden - alles was ich tun musste, war die Logik in der Mitte zu schaffen. Unten ist ein Screenshot eines T4-Handelsfensters. Was war cool war das, wenn ich mein Programm arbeitete, konnte ich den Computerhandel auf dieser exakt gleichen Schnittstelle sehen. Das Aufpassen von echten Ordnungen, die in und aus (selbst mit meinem echten Geld) auftauchen, war sowohl spannend als auch beängstigend. Das Design meines Algorithmus Von Anfang an war mein Ziel, ein System so einzurichten, dass ich vernünftig zuversichtlich sein könnte Irsquod Geld verdienen, bevor es jemals irgendwelche Live-Trades macht. Um dies zu erreichen, musste ich ein Trading-Simulations-Framework aufbauen, das - so genau wie möglich - den Live-Handel simulieren würde. Während der Handel im Live-Modus erforderlich Verarbeitungs-Markt-Updates durch die API gestreamt, Simulations-Modus erforderlich Lesung Markt Updates aus einer Datei-Datei. Um diese Daten zu sammeln, setze ich die erste Version meines Programms ein, um einfach eine Verbindung zum API herzustellen und Marktaktualisierungen mit Zeitstempeln aufzuzeichnen. Ich landete mit 4 Wochen im Wert von aktuellen Marktdaten zu trainieren und testen mein System auf. Mit einem Grundrahmen stand ich immer noch die Aufgabe, herauszufinden, wie man ein profitables Handelssystem macht. Wie sich herausstellt, würde mein Algorithmus in zwei verschiedene Komponenten zerfallen, die Irsquoll nacheinander erforscht: Preisbewegungen vorhersagen und gewinnbringend handeln Vorhersage der Preisbewegungen Vielleicht ist ein offensichtlicher Bestandteil eines jeden Handelssystems in der Lage, vorherzusagen, wo sich die Preise bewegen werden. Und meine war keine Ausnahme. Ich habe den aktuellen Preis als den Durchschnitt des Innengebots und des Innenangebots definiert und ich habe das Ziel der Vorhersage, wo der Preis in den nächsten 10 Sekunden wäre. Mein Algorithmus müsste diese Vorhersage morgens über den Handelstag heraufkommen. Erstellen von Amp-Optimierungsindikatoren Ich habe eine Handvoll von Indikatoren erstellt, die eine sinnvolle Fähigkeit zur Vorhersage kurzfristiger Kursbewegungen haben. Jeder Indikator produzierte eine Zahl, die entweder positiv oder negativ war. Ein Indikator war nützlich, wenn mehr als oft nicht eine positive Zahl mit dem Markt übereinstieg und eine negative Zahl entsprach mit dem Markt nach unten. Mein System erlaubte mir, schnell zu bestimmen, wieviel prädiktive Fähigkeit irgendein Indikator so war, dass ich mit vielen verschiedenen Indikatoren experimentieren konnte, um zu sehen, was funktionierte. Viele der Indikatoren hatten Variablen in den Formeln, die sie produzierten, und ich konnte die optimalen Werte für diese Variablen finden, indem sie nebeneinander Vergleiche von Ergebnissen mit unterschiedlichen Werten erzielten. Die Indikatoren, die am nützlichsten waren, waren alle relativ einfach und basierten auf den jüngsten Ereignissen auf dem Markt, den ich handelte, sowie die Märkte der korrelierten Wertpapiere. Genaue Preisbewegungen vorhersagen Mit Indikatoren, die einfach eine Aufwärts - oder Abwärtsbewegungsbewegung vorhergesagt haben, war gar nicht genug. Ich musste genau wissen, wie viel Preisbewegung von jedem möglichen Wert jedes Indikators vorhergesagt wurde. Ich brauchte eine Formel, die einen Indikatorwert zu einer Preisvorhersage umwandeln würde. Um dies zu erreichen, verfolgte ich die vorhergesagten Preisbewegungen in 50 Eimern, die von der Reichweite abhingen, die der Indikatorwert einfiel. Dies erzeugte einzigartige Vorhersagen für jeden Eimer, den ich dann in Excel grafisch darstellen konnte. Wie Sie sehen können, steigt die erwartete Preisänderung mit steigendem Indikatorwert. Basierend auf einem Graphen wie diesem war ich in der Lage, eine Formel zu machen, um die Kurve zu passen. Am Anfang habe ich diese ldquocurve fittingrdquo manuell, aber ich schrieb bald einen Code, um diesen Prozess zu automatisieren. Beachten Sie, dass nicht alle Indikatorkurven die gleiche Form hatten. Beachten Sie auch, dass die Eimer logarithmisch verteilt wurden, um die Datenpunkte gleichmäßig zu verbreiten. Schließlich ist zu beachten, dass negative Indikatorwerte (und ihre entsprechenden Abwärtspreisvorhersagen) umgedreht und mit den positiven Werten kombiniert wurden. (Mein Algorithmus behandelt genau und unten genau das gleiche.) Kombinieren von Indikatoren für eine einzelne Vorhersage Eine wichtige Sache zu berücksichtigen war, dass jeder Indikator war nicht völlig unabhängig. Ich konnte einfach nur addieren alle Vorhersagen, dass jeder Indikator individuell gemacht. Der Schlüssel war, um herauszufinden, die zusätzlichen prädiktiven Wert, dass jeder Indikator hatte über das, was bereits vorhergesagt wurde. Dies war nicht schwer zu implementieren, aber es bedeutete, dass, wenn ich ldquocurve passend wäre, um mehrere Indikatoren zur gleichen Zeit musste ich vorsichtig ändern, würde man die Vorhersagen eines anderen beeinflussen. Um ldquocurve fitrdquo alle Indikatoren zur gleichen Zeit Ich setze den Optimierer zu Schritt nur 30 der Weg in Richtung der neuen Vorhersage Kurven mit jedem Pass. Mit diesem 30 Sprung habe ich festgestellt, dass sich die Vorhersagekurven innerhalb einiger Pässe stabilisieren würden. Mit jedem Indikator jetzt geben uns itrsquos zusätzliche Preisvorhersage Ich könnte einfach addieren sie bis zu einer einzigen Vorhersage, wo der Markt wäre in 10 Sekunden zu produzieren. Warum die Vorhersage der Preise ist nicht genug Sie könnten denken, dass mit diesem Rand auf dem Markt war ich golden. Aber man muss bedenken, dass der Markt aus Angeboten und Angeboten besteht - itrsquos nicht nur einen Marktpreis. Erfolg im Hochfrequenzhandel kommt auf gute Preise und itrsquos nicht so einfach. Die folgenden Faktoren machen das Schaffen eines rentablen Systems schwierig: Mit jedem Handel musste ich Provisionen sowohl an meinen Makler als auch an den Austausch bezahlen. Die Ausbreitung (Differenz zwischen Höchstgebot und niedrigem Angebot) bedeutete, dass ich, wenn ich einfach zufällig kaufen und verkaufen würde, Irsquod eine Tonne Geld verlieren würde. Die meisten der Marktvolumen waren andere Bots, die nur einen Handel mit mir ausführen würden, wenn sie dachten, sie hätten einen statistischen Rand. Ein Angebot zu sehen, garantierte nicht, dass ich es kaufen könnte. Zu der Zeit, als mein Kaufauftrag an die Börse kam, war es sehr möglich, dass dieses Angebot storniert wurde. Als kleiner Marktspieler gab es keine Möglichkeit, mit der Geschwindigkeit allein zu konkurrieren. Aufbau einer vollständigen Trading-Simulation So hatte ich einen Rahmen, der mir erlaubt, Backtest und Optimierung Indikatoren. Aber ich musste darüber hinausgehen - ich brauchte einen Rahmen, der es mir erlaubte, ein volles Trading System zu backtest und zu optimieren, wo ich Aufträge abschickte und in Positionen kam. In diesem Fall wird Irsquod für die Gesamt-PampL und in gewissem Maße die durchschnittliche Pampl pro Handel optimieren. Das wäre schwieriger und in gewisser Weise unmöglich, genau zu modellieren, aber ich tat so gut wie ich konnte. Hier sind einige der Probleme, mit denen ich zu tun hatte: Als ein Auftrag in der Simulation auf den Markt geschickt wurde, musste ich die Verzögerungszeit modellieren. Die Tatsache, dass mein System ein Angebot sah, bedeutete nicht, dass es es sofort kaufen konnte. Das System würde die Bestellung senden, ca. 20 Millisekunden warten und dann nur dann, wenn das Angebot noch da war, wurde es als ein ausgeführter Handel betrachtet. Dies war ungenau, weil die reale Verzögerungszeit inkonsistent und nicht gemeldet war. Als ich Angebote oder Angebote platzierte, musste ich den Handelsausführungsstrom (von der API zur Verfügung gestellt) betrachten und diese nutzen, um zu messen, wann meine Bestellung hingerichtet worden wäre. Um dies zu tun, musste ich die Position meiner Bestellung in der Warteschlange verfolgen. (Itrsquos ein First-In-First-Out-System.) Wieder konnte ich das nicht perfekt machen, aber ich habe eine optimale Annäherung gemacht. Um meine Auftragsausführungssimulation zu verfeinern, habe ich meine Log-Dateien aus dem Live-Trading über die API genommen und sie mit Log-Dateien verglichen, die von simuliertem Trading aus genau dem gleichen Zeitraum erstellt wurden. Ich konnte meine Simulation auf den Punkt bringen, dass es ziemlich genau war und für die Teile, die unmöglich waren, genau zu modellieren, stellte ich sicher, dass ich zumindest Ergebnisse erzähle, die statistisch ähnlich waren (in den Metriken, die ich für wichtig hielt). Profitables Handeln Mit einem Bestellsimulationsmodell konnte ich jetzt im Simulationsmodus Aufträge senden und eine simulierte PampL sehen. Aber wie würde mein System wissen, wann und wo zu kaufen und zu verkaufen Die Preisbewegungsvorhersagen waren ein Ausgangspunkt, aber nicht die ganze Geschichte. Was ich tat, war ein Scoring-System für jedes von 5 Preisniveaus auf dem Angebot und Angebot. Diese beinhalteten eine Ebene über dem Innengebot (für einen Kaufauftrag) und eine Ebene unter dem Innenangebot (für einen Verkaufsauftrag). Wenn die Punktzahl zu einem bestimmten Preisniveau über einer bestimmten Schwelle lag, würde das mein System ein aktives Bidoffer dort haben - unterhalb der Schwelle, dann sollten alle aktiven Aufträge storniert werden. Basierend darauf war es nicht ungewöhnlich, dass mein System ein Gebot auf dem Markt blinkt und dann sofort abbrechen würde. (Obwohl ich versuchte, dies zu minimieren, da es sich um die Klappe handelt, die auf den Bildschirm mit menschlichen Augen - mit mir auf den Bildschirm schaut - die Preisniveau-Scores wurden auf der Grundlage der folgenden Faktoren berechnet: Die Preisbewegungsvorhersage (die wir früher besprochen haben). Das Preisniveau in Frage. (Innere Ebenen bedeuteten größere Preisbewegungsvorhersagen erforderlich.) Die Anzahl der Verträge vor meiner Bestellung in der Warteschlange. (Weniger war besser.) Die Anzahl der Verträge hinter meiner Bestellung in der Warteschlange. (Mehr war besser.) Im Wesentlichen diese Faktoren diente dazu, ldquosaferdquo Plätze zu bieten, um zu bieten. Die Preisbewegungsvorhersage allein war nicht ausreichend, weil es nicht darauf hinwies, dass bei der Abgabe eines Gebots ich nicht automatisch gefüllt war - ich bin nur gefüllt, wenn mir jemand dort verkauft wurde. Die Realität war, dass die bloße Tatsache von jemandem, der mir zu einem bestimmten Preis verkaufte, die statistischen Chancen des Handels änderte. Die in diesem Schritt verwendeten Variablen wurden der Optimierung unterworfen. Dies geschah genau so, wie ich die Variablen in den Preisbewegungsindikatoren optimierte, außer in diesem Fall optimierte ich für die untere Zeile PampL. Was mein Programm ignoriert Beim Handel als Menschen haben wir oft starke Emotionen und Bias, die zu weniger als optimalen Entscheidungen führen können. Klar, ich wollte diese Vorurteile nicht kodifizieren. Hier sind einige Faktoren mein System ignoriert: Der Preis, dass eine Position eingegeben wurde - In einem Handelsbüro itrsquos ziemlich häufig zu sprechen Gespräch über den Preis, bei dem jemand ist lang oder kurz, als ob das sollte ihre zukünftige Entscheidungsfindung zu beeinflussen. Während dies eine gewisse Gültigkeit als Teil einer Risikominderungsstrategie hat, hat es wirklich keinen Einfluss auf den zukünftigen Verlauf der Ereignisse auf dem Markt. Deshalb hat mein Programm diese Informationen völlig ignoriert. Itrsquos das gleiche Konzept wie ignoriert versenkt Kosten. Gehen Sie kurz, um eine lange Position zu verlassen - Typischerweise würde ein Händler unterschiedliche Kriterien haben, die bestimmen, wo man eine lange Position versus, wo man kurz gehen kann. Aber aus meiner Algorithmenperspektive gab es keinen Grund, sich zu unterscheiden. Wenn mein Algorithmus erwartete, dass ein Abwärtsbewegungsverkauf eine gute Idee war, unabhängig davon, ob es momentan lang, kurz oder flach war. Eine ldquodoubling uprdquo Strategie - Dies ist eine gemeinsame Strategie, in der Händler mehr Lager kaufen werden, falls der ursprüngliche Handel gegen sie geht. Dies führt dazu, dass Ihr durchschnittlicher Kaufpreis niedriger ist und es bedeutet, wann (oder wenn) die Aktie um Ihr Geld herum dreht, um Ihr Geld zurück in kürzester Zeit zu machen. Meiner Meinung nach ist das wirklich eine schreckliche Strategie, wenn nicht Ihr Warren Buffet. Du hast in das Denken geträumt, dass es dir gut geht, denn die meisten deiner Trades werden Gewinner sein. Das Problem ist, wenn Sie verlieren verlieren Sie groß. Der andere Effekt ist es macht es schwer zu beurteilen, ob Sie tatsächlich einen Rand auf dem Markt haben oder einfach nur Glück haben. In der Lage zu überwachen und zu bestätigen, dass mein Programm in der Tat eine Kante war ein wichtiges Ziel war. Da mein Algorithmus Entscheidungen auf die gleiche Weise getroffen hat, unabhängig davon, wo er in einen Handel eingetreten ist oder ob es momentan lang oder kurz war, setzte er gelegentlich einige große, verlorene Trades (neben einigen großen Gewinnen). Aber du solltest nicht glauben, dass es kein Risikomanagement gab. Um das Risiko zu bewältigen, habe ich eine maximale Positionsgröße von 2 Verträgen zu einem Zeitpunkt erzwungen, gelegentlich auf hohe Volumen Tage gestoßen. Ich hatte auch eine maximale tägliche Verlustgrenze, um gegen unerwartete Marktbedingungen oder einen Bug in meiner Software zu schützen. Diese Grenzen wurden in meinem Code aber auch im Backend durch meinen Makler erzwungen. Wie es passiert ist, habe ich noch keine signifikanten Probleme gefunden. Das Ausführen des Algorithmus Von dem Moment an, als ich anfing, an meinem Programm zu arbeiten, dauerte es ungefähr 6 Monate, bevor ich es auf den Punkt der Profitabilität erhielt und damit begonnen habe, es zu leben. Obwohl es eine angemessene Menge an Zeit war, eine neue Programmiersprache zu lernen. Als ich arbeitete, um das Programm zu verbessern, sah ich erhöhte Gewinne für jedes der nächsten vier Monate. Jede Woche würde ich mein System auf der Grundlage der vorherigen 4 Wochen im Wert von Daten umschulen. Ich fand, dass dies die richtige Balance zwischen der Erfassung der jüngsten Markt Verhaltens-Trends und versichert mein Algorithmus hatte genug Daten, um sinnvolle Muster zu etablieren. Als die Ausbildung begann immer mehr Zeit, ich spaltete es aus, so dass es von 8 virtuellen Maschinen mit amazon EC2 durchgeführt werden könnte. Die Ergebnisse wurden dann auf meiner lokalen Maschine verschmolzen. Der Höhepunkt meines Handels war Oktober 2009, als ich fast 100k machte. Danach setzte ich fort, die nächsten vier Monate zu verbringen, um mein Programm trotz des verringerten Gewinns jeden Monat zu verbessern. Leider habe ich an diesem Punkt vermutet, dass Irsquod alle meine besten Ideen umgesetzt hat, weil nichts, was ich versuchte, viel zu helfen schien. Mit der Frustration, nicht in der Lage zu sein, Verbesserungen zu machen und kein Gefühl des Wachstums zu haben, begann ich, über eine neue Richtung nachzudenken. Ich emailed 6 verschiedene Hochfrequenz-Handelsfirmen zu sehen, ob theyrsquod daran interessiert sind, meine Software zu kaufen und mich einzustellen, um für sie zu arbeiten. Niemand antwortete. Ich hatte einige neue Startup-Ideen, an denen ich arbeiten wollte, also habe ich nie weiter gefolgt. UPDATE - Ich habe das auf Hacker News geschrieben und es hat viel Aufmerksamkeit bekommen. Ich möchte nur sagen, dass ich niemanden befürworte, der versucht, so etwas selbst zu tun. Du brauchst ein Team von wirklich schlauen Menschen mit einer Reihe von Erfahrungen, um jede Hoffnung auf Konkurrenz zu haben. Sogar als ich das tat, glaube ich, dass es sehr selten für Einzelpersonen war, Erfolg zu erzielen (obwohl ich von anderen gehört hatte). Es gibt einen Kommentar an der Oberseite der Seite, der manipulierte Statistiken erwähnt und bezieht sich auf mich als ldquoretail investorrdquo, das kommt Würde ldquogleeful pick offrdquo. Dies ist ein ziemlich unglücklicher Kommentar, der in der Wirklichkeit einfach nicht basiert. Abgesehen davon, dass beiseite einige interessante Kommentare: news. ycombinatoritemid4748624 UPDATE 2 - Irsquove hat eine Follow-up-FAQ, die einige häufige Fragen beantwortet Irsquove von Händlern über diese Post. Its hart, um Vorhersagen zu machen, vor allem über die Zukunft, sagte Baseball-Legende Yogi Berra . Aber das hört die Leute nicht auf zu versuchen, vor allem auf den Finanzmärkten, wo Maschinenlernende Handelsalgorithmen entwickelt und von Hedgefonds gestartet werden, mit dem Ziel, praktische Anwendungen der großen Theorie zu finden, die für künstliche Intelligenz existiert. Vielleicht, nicht überraschend, viele von denen an der führenden Kante halten fortgeschrittene Grade in Mathematik oder Informatik. Während ein Doktorat ist nicht obligatorisch, ist es eindeutig ein Vorteil. Spencer Greenberg Mitbegründer, Rebellion Research Als ich über das maschinelle Lernen erfuhr, fiel mir ein, dass es in finanziellen Anwendungen nützlich sein könnte, sagte Spencer Greenberg, Mitbegründer von Rebellion Research, einem in New York ansässigen Hedgefonds. Greenberg promoviert derzeit an der New York University Courants Institute of Mathematical Sciences. Wenn wir versuchen, Geld auf dem Aktienmarkt zu verdienen, haben wir keine vollständig geformten Vorstellungen davon, ob Kauf und Verkauf, Wert, Impuls, relativer Wert, etc., sagte Greenberg. Vielleicht maschinelles Lernen kann Investitionsstile in automatisierter Weise extrahieren und ein Algorithmus kann erstellt werden, um diesen Prozess zu erlernen. Ich wurde fasziniert davon. Rebellion Research beschäftigt ein maschinenbasiertes System, um Vorhersagen über die Performance von Aktien und anderen Assetklassen zu machen. Die Grundvoraussetzung ist, dass Maschinen von Google programmiert werden können, um Websuche durchzuführen oder von Amazon und Netflix, um Filme und Bücher zu empfehlen, also theres kein Grund, warum sie nicht in der Lage sein werden, Investitionsentscheidungen zu treffen. Ein Grund, warum die Menschen skeptisch sind, wenn sie künstliche Intelligenz für die Investition verwenden, denken sie, als etwas zu investieren, was für einen Menschen zu schwierig ist, und daher zu schwierig zu programmieren, sagte 8221 Greenberg. 8220Es gibt viele Theorien darüber, wie der Markt funktioniert. Unser Ansatz ist es, maschinelle Lernalgorithmen zu analysieren, die in automatisierter Weise investieren. Das Feld des Wissens in der Gegend erweitert sich in einem schnellen Clip. Seit Jahrzehnten sind maschinenspezifische künstliche Intelligenztechniken die Kernelemente des algorithmischen Handels und der Computational Finance im Allgemeinen, sagte Vadim Mazalov, Forschungs - und Entwicklungsspezialist am Handelssystemanbieter Cyborg Trading Systems und ein Doktorand in Informatik, der sich auf maschinelles Lernen spezialisiert hat An der Western University in London, Ontario. Maschinelles Lernen Das umfangreiche Wissen in der Kunst enthält bereits eine Vielzahl von Modellen, die auf verschiedenen Ebenen und Skalen von Hochfrequenz bis hin zum systematischen Handel angewendet werden können. In den letzten fünf Jahren haben wir enorme Fortschritte in der automatisierten Handelstechnik gesehen, sagte Alfred Eskandar, Chef des Handelssystemanbieters Portware. Fortschrittliche Front-End-Lösungen haben massive Effizienz eingeführt, das Betriebsrisiko reduziert und den Händlern einen noch nie da gewesenen Zugang zur globalen Liquidität gegeben. Allerdings hat die aktuelle Generation von Ausführungs-Management-Systeme Handel und Workflow-Automatisierung über so weit wie es kann. Die Verantwortung für die Erfüllung der gesamten Lebenszyklusanalytischen Marktbedingungen, die Auswahl der richtigen Strategie für eine bestimmte Bestellung, die Überwachung der Fortschritte bei der Durchführung und die notwendigen Änderungen zu den menschlichen Händlern. In den nächsten Jahren wurden Unternehmen sehen, die Technologie einsetzen, die den Händlern helfen wird, automatisch die optimale algorithmische Strategie auszuwählen und umzusetzen, so dass sie die Kapazitäten erhöhen und die gesamte Handelsleistung verbessern können, sagte Eskandar. Allerdings, so viel wie Händler wollen in der richtigen Algorithmus zur richtigen Zeit, sie wollen auch nicht in der falschen Algorithmus zur falschen Zeit sein. Einige der Märkte, die jüngsten Mißschritte zeigen, zeigen, wie wichtig es ist, das Handelsrisiko zu managen, sagte Eskandar. Diese aufkommende Technologie ermöglicht es Unternehmen, ihre Algorithmen dynamisch zu verwalten und den sicheren Betrieb von Handelstischen in jedem Marktzustand zu gewährleisten. Das Aufkommen von maschinenbasierten Trading-Algorithmen ist in keinem kleinen Teil auf die Fähigkeit, Datenblätter in Echtzeit mit fortschrittlicher Hardware und Software zu analysieren. Es geht darum, Muster in Daten zu suchen, sagte Tucker Balch, Professor für Informatik am Georgia Institute of Technology und Gründer von Lucena Research, einem künstlichen Intelligenz-basierten Investment-Technologie-Unternehmen. Im Falle der Finanzierung suchen Sie nach Beziehungen zwischen Daten über ein Unternehmen und seinen zukünftigen Preis. Das ist, was Lucena tut und was ich mit meiner Forschung bei Georgia Tech mache. Mathematische Modelle Lucena bietet quantitative Analyse und statistische maschinelle Lerntechnologie zur Absicherung von Geldern, Vermögensberatern und fortgeschrittenen Einzelanlegern. Die Cloud-basierte künstliche Intelligenz-Entscheidungsunterstützungstechnologie ermöglicht es kurzfristigen Investoren und Händlern, Marktchancen zu finden und Risiken in ihrem Portfolio zu reduzieren, indem sie technische und fundamentale quantitative Musteranpassungen nutzen. Das System erhält so viele historische Daten, einschließlich fundamentaler Daten und technischer Indikatoren, wie möglich, und sucht Beziehungen zwischen diesen historischen Daten und zukünftigen Preisen zu finden, sagte Balch. Diese Beziehung ist ein Modell, etwas, das einige messbare Menge eines Eigenkapitals zu einem zukünftigen Preis bezieht, sagte er. Lucenas Maschine Lern-basierte Preisvorhersage Algorithmus Prognosen fünf, 10 und 20 Handelstag Renditen über alle gedeckten Aktien. Wir verwenden keine statischen Modelle, unser Prognostiker wird täglich überarbeitet, um sich automatisch an veränderte Marktbedingungen anzupassen, sagte Balch. Die Prognose kann verwendet werden, um kurzfristige lange oder kurze Chancen zu identifizieren. Lucenas ultimative Ziel, sagte er, ist es, das Bewusstsein für die Macht der maschinellen Lernmusteranalyse zu bringen und die unterversorgte Investment-Profi-Community zu revolutionieren, indem sie die Werkzeuge und Technologien zur Verfügung stellt, die normalerweise nicht für Unternehmen ihrer Größe zur Verfügung stehen. (Gestern 835 Mal, 5 Besucher heute)