Io non sono molto sicuro, se questa domanda si inserisce qui. Recentemente ho iniziato, leggere e conoscere apprendimento automatico. Qualcuno può gettare un po 'di luce su come andare su di esso, o meglio tutti possono condividere la loro esperienza e alcune indicazioni di base su come andare su di esso o almeno cominciare ad applicarlo a vedere alcuni risultati di serie di dati come ambizioso funziona questo suono Inoltre, menzionare di algoritmi standard che dovrebbe essere giudicato o consultato la pagina mentre si fa questo. chiesto 1 febbraio 11 alle 18:35 Sembra che ci sia un errore di base che qualcuno possa venire avanti e imparare un po 'di apprendimento automatico o algoritmi di intelligenza artificiale, configurarli come una scatola nera, ha colpito andare, e si deve aspettare che vanno in pensione. Il mio consiglio per voi: Learn statistiche e di apprendimento automatico, poi preoccuparsi di come applicarli ad un dato problema. Non c'è il pranzo libero qui. L'analisi dei dati è un lavoro duro. Leggi The Elements of Learning statistica (il pdf è disponibile gratuitamente sul sito web), E non iniziare a provare a costruire un modello fino a comprendere almeno i primi 8 capitoli. Una volta capito le statistiche e l'apprendimento automatico, allora avete bisogno di imparare di backtest e costruire un modello di trading, che rappresentano i costi di transazione, ecc, che è tutta un'altra zona. Dopo aver ottenuto una maniglia sia l'analisi e la finanza, allora sarà un po 'ovvio come applicarla. L'intero punto di questi algoritmi sta cercando di trovare un modo per adattarsi a un modello per i dati e produrre bassa distorsione e varianza nella previsione (vale a dire che la formazione e l'errore di previsione di prova sarà basso e simili). Ecco un esempio di un sistema commerciale utilizzando una macchina di supporto vettore in R., ma basta tenere a mente che sarete voi stessi facendo un disservizio enorme se non trascorrere il tempo per capire le basi prima di tentare di applicare qualcosa di esoterico. Giusto per aggiungere un aggiornamento divertente: di recente mi sono imbattuto in questo Masters tesi: A Novel Algorithmic Trading quadro Applicando Evoluzione e apprendimento automatico per l'ottimizzazione del portafoglio (2012). La sua una vasta rassegna di machine learning diversi approcci confrontato con buy-and-hold. Dopo quasi 200 pagine, raggiungono la conclusione di base: Nessun sistema di trading è stato in grado di superare il punto di riferimento quando si utilizzano i costi di transazione. Inutile dire che questo non significa che cant essere fatto (io ho mai passato del tempo rivedendo i loro metodi per vedere la validità del metodo), ma fornisce sicuramente un po 'di prove a favore del pranzo teorema di no-libera. ha risposto 1 febbraio 11 alle 18:48 Jase Come uno della tesi master39s citato posso citare il mio lavoro e gli autori dicono: quotIf chiunque raggiunge effettivamente risultati proficui non vi è alcun incentivo per condividere, in quanto sarebbe negare la loro advantage. quot Anche se i nostri risultati potrebbero dare sostegno alla ipotesi di mercato si doesn39t esclude l'esistenza di sistemi che funzionano. Potrebbe essere come teoria della probabilità: quotIt è ipotizzato che le innovazioni nel campo della teoria della probabilità è accaduto diverse volte, ma mai condiviso. Questo potrebbe essere dovuto alla sua applicazione pratica in gambling. quot Poi di nuovo, forse questo è tutto moderno l'alchimia. ndash Andr233 Christoffer Andersen 30 Apr 13 ad 10:01 Il mio consiglio per voi: Ci sono diversi rami della macchina LearningArtificial Intelligence (MLAI) là fuori: www-formal. stanford. edujmcwhatisainode2.html ho provato solo la programmazione genetica e alcune reti neurali, e personalmente ritengo che l'apprendimento dall'esperienza ramo sembra avere le maggiori potenzialità. GPGA e reti neurali sembrano essere le metodologie più comunemente esplorati ai fini delle previsioni del mercato azionario, ma se si fa un po 'di data mining su Prevedere Wall Street. si potrebbe essere in grado di fare qualche analisi sentimento troppo. Passa un po 'di tempo conoscere le varie tecniche MLAI, trovare alcuni dati di mercato e cercare di implementare alcuni di questi algoritmi. Ognuno avrà i suoi punti di forza e di debolezza, ma si può essere in grado di combinare le previsioni di ogni algoritmo in una previsione composito (simile a quello che i vincitori del Premio NetFlix fatto). Alcune risorse: Ecco alcune risorse che si potrebbe desiderare di esaminare: le chiacchiere: Il consenso generale tra i commercianti è che l'intelligenza artificiale è una scienza voodoo, non puoi rendere un computer predire i prezzi delle azioni e sei sicuro di perdere i vostri soldi se si tenta facendolo. Tuttavia, le stesse persone vi diranno che praticamente l'unico modo per fare soldi sul mercato azionario è quello di costruire e migliorare la propria strategia di trading e seguire da vicino (che non è in realtà una cattiva idea). L'idea di algoritmi di intelligenza artificiale, non è quello di costruire chip e fargli commercio per voi, ma per automatizzare il processo di creazione di strategie. Il suo un processo molto noioso e in nessun modo è facile :). Minimizzare overfitting: Come weve sentito prima, una questione fondamentale con algoritmi di intelligenza artificiale è sovradattamento (bias aka datamining): dato un insieme di dati, l'algoritmo AI può trovare un modello che è particolarmente rilevante per il training set. ma non può essere rilevante nel set di test. Ci sono diversi modi per ridurre al minimo sovradattamento: utilizzare un set di validazione. doesnt dare un feedback per l'algoritmo, ma consente di rilevare quando il vostro algoritmo è potenzialmente cominciando a OVERFIT (cioè si può smettere di formazione se sei overfitting troppo). Utilizzare machine learning on-line. elimina in gran parte la necessità di back-testing ed è molto applicabile per gli algoritmi che tentano di fare previsioni di mercato. Learning Ensemble. vi offre un modo per prendere più algoritmi di apprendimento automatico e combinare le loro previsioni. Il presupposto è che i vari algoritmi possono avere sovradattamento i dati in una certa zona, ma la corretta combinazione di loro previsioni avrà una migliore capacità predittiva. Due aspetti dell'apprendimento statistico sono utili per la negoziazione 1. In primo luogo quelli menzionati in precedenza: alcuni metodi statistici incentrati a lavorare sul set di dati in tempo reale. Ciò significa che si sa che si sta osservando solo un campione di dati e si desidera estrapolare. È in tal modo a che fare con in campioni e fuori dei problemi di esempio, overfitting e così via. Da questo punto di vista, data-mining è più focalizzato sul set di dati morti (per esempio, si può vedere quasi tutti i dati, si dispone di un campione in unico problema) di apprendimento statistico. Perché apprendimento statistico è di lavorare su set di dati dal vivo, la matematica applicata che si occupano di loro hanno dovuto concentrarsi su un problema due scale: a sinistra X ampamp Ftheta (Xn, xi) ampamp L (pi (Xn), n) terminare a destra. dove X è il (multidimensionale) spazio degli stati per lo studio (si dispone in esso le variabili esplicative e quelli per prevedere), F contiene le dinamiche di X che hanno bisogno di alcuni parametri theta. La casualità di X viene dal XI innovazione, che è i. i.d. L'obiettivo di apprendimento statistico è quello di costruire una metodologia di L-esimo come input un PI di osservazione parziale di X e regolare progressivamente uno hattheta stima di theta, in modo che possiamo sapere tutto quello che serve a X. Se si pensa di usare l'apprendimento statistico per trovare i parametri di una regressione lineare. siamo in grado di modellare lo spazio degli stati in questo modo: underbrace YX estremità destra) ha lasciato iniziare un amplificatore b amp 1 1 amp 0 amp 0 estremità destra cdot underbrace x 1 fine epsilon destra) che consente quindi di osservare (y, x) n in qualsiasi n qui theta (a, b). Quindi è necessario trovare un modo per costruire progressivamente uno stimatore di theta utilizzando le nostre osservazioni. Perché non una discesa pendenza sulla distanza L2 tra la Y e la regressione: C (cappello una, cappello b) n sum (YK - (cappello a, xk cappello b)) 2 Qui gamma è un sistema di ponderazione. Di solito un bel modo per costruire uno stimatore è quello di scrivere correttamente i criteri per ridurre al minimo e attuare una discesa del gradiente che produrrà il regime di apprendimento L. Tornando al nostro problema generica originale. abbiamo bisogno di qualche matematica applicata a sapere quando paio di sistemi dinamici di (X, hattheta) convergono, e abbiamo bisogno di sapere come costruire la stima schemi L che convergono verso il theta originale. Per darvi indicazioni su tali risultati matematici: Ora possiamo tornare al secondo aspetto dell'apprendimento statistico che è molto interessante per tradersstrategists quant: 2. I risultati utilizzati per dimostrare l'efficacia dei metodi di apprendimento statistici possono essere utilizzati per dimostrare l'efficienza della algoritmi di negoziazione. Per vedere che è sufficiente rileggere il sistema dinamico accoppiato che permette di scrivere apprendimento statistico: sinistra M ampamp Frho (Mn, xi) ampamp L (pi (Mn), n) terminare a destra. Ora M sono variabili di mercato, rho è sotteso PnL, L è una strategia di trading. Basta sostituire minimizzando un criterio massimizzando PNL. Si veda ad esempio ottimale scissione degli ordini attraverso pool di liquidità: un approccio algoritmo stochatic da: Gilles Pags, Sophie Laruelle, Charles-Albert Lehalle. in questo articolo, gli autori mostrano che utilizzare questo approccio per dividere in maniera ottimale un ordine tra le varie dark pool contemporaneamente imparare la capacità delle piscine per fornire liquidità e utilizzare i risultati per il commercio. Gli strumenti di apprendimento statistici possono essere utilizzati per costruire strategie di trading iterativi (la maggior parte di loro sono iterativo) e dimostrare la loro efficienza. La risposta breve e brutale è: voi non. In primo luogo, perché ML e statistiche non è qualcosa che si può comandare bene in uno o due anni. Il mio orizzonte temporale consigliato di imparare qualcosa di non banale è di 10 anni. Non ML una ricetta per fare soldi, ma solo un altro mezzo per osservare la realtà. In secondo luogo, perché ogni buon statistica sa che la comprensione dei dati e il dominio del problema è 80 del lavoro. Ecco perché avete statistici incentrati sull'analisi dei dati Fisica, sulla genomica, sul Sabermetrica ecc per la cronaca, Jerome Friedman, co-autore di ESL citato sopra, è un fisico e detiene ancora una posizione di cortesia a SLAC. Quindi, lo studio Statistica e delle Finanze per alcuni anni. Essere pazientare. Seguire la propria strada. Situazione potrebbe essere diversa. rispose 9 febbraio 11 alle 04:41 Sono assolutamente d'accordo. Solo perché si sa apprendimento e statistiche macchina, non implica che si sa come applicarla a finanziare. ndash Dr. Mike 10 agosto 11 alle 20:25 anche una cosa importante da ricordare è che si won39t essere negoziazione contro le persone, si sarà in negoziazione nei confronti di altri algoritmi di intelligenza artificiale che stanno guardando i tuoi scambi si accumulano in, e sono furiosamente calcolare le probabilità che il collettiva yous sarebbe spaventata da un declino fabbricati e prendendo che la perdita minore nella creazione di un spikedip e ingannare tutti quei AI39s in arresto, e poi a rotazione il tuffo indietro in esso e cavalcare l'onda, guadagnando le perdite. Il mercato azionario è un gioco a somma zero, trattarla come entrare in un incontro di boxe pro, se si aren39t un veterano 20 anni, you39re andando a perdere ndash Eric Leschinski 13 febbraio 16 a 1:56 One domanda di base è la previsione difficoltà finanziarie. Prendi un gruppo di dati con alcune aziende che sono inadempienti, e altri che havent, con una varietà di informazioni finanziarie e rapporti. Utilizzare un metodo di apprendimento automatico, come SVM per vedere se è possibile prevedere che le aziende di default e quali no. Utilizzare che SVM in futuro per brevi aziende predefiniti alta probabilità e lunghe aziende di default a bassa probabilità, con il ricavato delle vendite allo scoperto. C'è un detto centesimi quotPicking di fronte rollersquot vapore. You39re fare l'equivalente di vendere un out-of-the-money messo. In questo caso, you39ll fare piccoli profitti per anni, quindi ottenere totalmente ripulito quando il mercato si scioglie ogni 10 anni o giù di lì. Vi è anche una strategia equivalente che acquista out-of-the-money mette: perdono i soldi per anni, poi fare una strage quando il mercato si scioglie. Vedere Talab39s The Black Swan. ndash Contango 5 giugno 11 alle 22:20 Ricordate che le aziende internazionali hanno speso centinaia di miliardi di dollari e di ore di lavoro sulle migliori e più brillanti menti artificiali di intelligenza nel corso degli ultimi 40 anni. I39ve parlato con alcune delle torri della mente responsabile per le alfa oltre a Cittadella e Goldman Sachs, e l'arroganza dai principianti a pensare di poter mettere insieme un algoritmo che andrà in punta di piedi con loro, e vincere, è quasi altrettanto stupido come un bambino che ti dice he39s intenzione di saltare sulla luna. Buona fortuna ragazzo, e guardare fuori per i marziani spazio. Per non dire nuovi campioni can39t essere fatte, ma le probabilità sono contro di voi. ndash Eric Leschinski 13 febbraio 16 alle 2:00 Una possibilità da esplorare è quella di utilizzare lo strumento di apprendimento automatico supporto vettore sulla piattaforma Metatrader 5. In primo luogo, se non sei familiarità con essa, Metatrader 5 è una piattaforma sviluppata per gli utenti di implementare trading algoritmico nei mercati CFD (Im non sicuro se la piattaforma può essere esteso ad azioni e altri mercati) forex e. Viene in genere utilizzato per strategie basate analisi tecnica (cioè utilizzando indicatori basati su dati storici) ed è utilizzato da persone che cercano di automatizzare il loro commercio. Il Support Vector Machine strumento di apprendimento è stato sviluppato da una delle comunità di utenti per consentire support vector machines da applicare a indicatori tecnici e consigliano sui commerci. Una versione demo gratuita del tool può essere scaricato qui se si vuole approfondire. A quanto mi risulta, lo strumento utilizza dati sui prezzi storici per valutare se ipotetici mestieri del passato, avrebbero avuto successo. Ci vuole allora questo dati con i valori storici da un certo numero di indicatori personalizzabili (MACD, oscillatori, ecc), e la utilizza per formare una macchina di supporto vettore. Poi si utilizza la macchina vettore supporto qualificato per segnalare futuri commerci buysell. Un desciption migliore può essere trovato al collegamento. Ho giocato intorno con esso un po 'con alcuni risultati molto interessanti, ma come per tutte le strategie di trading algoritmico vi consiglio test backforward solido, mette sul mercato dal vivo. risposto 10 dicembre 12 alle 11:59 Ci dispiace, ma nonostante sia usato come un esempio popolare di apprendimento automatico, nessuno ha mai raggiunto una previsione del mercato azionario. Non funziona per diversi motivi (controllo random walk da Fama e un po 'di altri, il processo decisionale fallacia razionale, presupposti errati.), Ma il più interessante è che se avrebbe funzionato, qualcuno sarebbe in grado di diventare follemente ricchi in pochi mesi, fondamentalmente possedere tutto il mondo. Dato che questo non sta accadendo (e si può essere sicuri tutta la banca hanno provato), abbiamo una buona prova, che semplicemente non funziona. Inoltre: Come pensi che si otterrà ciò che decine di migliaia di professionisti non sono riusciti a, utilizzando gli stessi metodi che hanno, oltre a risorse limitate e solo le versioni di base dei loro metodi risposta 4 giugno 15 a 7:47 Solo una parte per quanto riguarda il quotmost compellingquot ragione: le strategie hanno limiti di capacità, ossia i livelli oltre i quali l'impatto di mercato sia superiore alla alpha disponibile, anche supponendo che un capitale illimitato. I39m non sicuro di cosa si intende per un predictionquot mercato quotstock (futures su indici ETF39s), ma certamente ci sono un sacco di persone che fanno previsioni a breve termine, e beneficiando di loro, ogni giorno nei mercati. ndash afekz 23 15 novembre alle 13:19 mi associo molto di ciò che Shane ha scritto. Oltre a leggere ESL, vorrei suggerire uno studio ancora più fondamentale delle statistiche prima. Oltre a ciò, i problemi che ho descritto in a un'altra domanda su questo scambio sono molto importanti. In particolare, il problema della polarizzazione datamining è un serio ostacolo a qualsiasi capitolo strategy. This base di apprendimento automatico è stato originariamente pubblicato come: Allen, D. E. Singh, A. Powell, R. (2011). Machine Learning e posizioni corte in magazzino strategie di trading. In G. N. Gregoriou (Eds.). Manuale di vendite allo scoperto (pp. 467-478). Località: Elsevier. Gli investitori possono trarre profitto da entrambi i movimenti al rialzo o al ribasso dei prezzi delle attività a seconda che essi siano lunghe o short. To realizzare guadagni immediati sulla loro posizione di cui hanno bisogno per essere in grado di prevedere la direzione di breve termine prezzo futuro movements. The previsione della direzione di una variazione di prezzo è un problema di classificazione. metodi statistici di consueto, come ad esempio la regressione logistica lineare e analisi discriminante, sono applicati frequentemente per thisproblem. Lo sviluppo di metodi più flessibili, come il supporto vecto classificazione rmachine, offre operatori potenzialmente migliori e le soluzioni più potenti. Questo capitolo si applica support vector macchine (SVM) per prevedere la direzione delle variazioni dei prezzi per un piccolo insieme di azioni DowJones Industrial Average e li mette alla prova contro le previsioni ottenute Questo documento non è attualmente disponibile here. Chapter 32. Machine Learning e posizioni corte in magazzino Strategie di Trading di Greg N. Gregoriou Gli investitori possono trarre profitto da entrambi i movimenti al rialzo o al ribasso dei prezzi delle attività a seconda che essi siano lunghe o corte. Per ottenere guadagni immediati sulla loro posizione hanno bisogno di essere in grado di prevedere la direzione dei futuri movimenti di prezzo a breve termine. La previsione della direzione di un cambiamento di prezzo è un problema di classificazione. Con Safari, si impara il modo in cui si impara meglio. Ottenere un accesso illimitato ai video, formazione online dal vivo, percorsi didattici, libri, tutorial interattivi e altro ancora. Nessuna carta di credito richiesta Copyright 2017 copia di Safari Books Online. Chapter 32. Machine Learning e posizioni corte in Stock Trading Strategies David E. Allen Robert J. Powell Abhay Singh K. Disponibile online il 29 agosto 2011. Editore Sommario qualsiasi strategia di investimento richiede una qualche forma di valutazione delle attività, che è, la determinazione del prezzo o del valore fondamentale, e la previsione dei movimenti di prezzo probabile futuro utilizzando indicatori finanziari, tecnici o fondamentali. La decisione di adottare una posizione lunga o corta in una risorsa richiede una vista sui suoi movimenti futuri dei prezzi immediati. previsione finanziaria comporta un enorme esercizio di elaborazione dei dati, che può essere rumoroso, non stazionari, e non strutturati in natura, per i quali vengono applicati spesso consueti metodi statistici, come la regressione logistica lineare e analisi discriminante. Lo sviluppo di metodi più flessibili, come ad esempio la classificazione macchina Support Vector, offre operatori potenzialmente migliori e le soluzioni più potenti. Questo capitolo si applica support vector macchine (SVM) per prevedere la direzione delle variazioni dei prezzi per un piccolo insieme di Dow Jones Industrial Average scorte e li mette alla prova contro le previsioni ottenuti dall'analisi di regressione logistica. SVM è un algoritmo di apprendimento automatico, che si caratterizza per le sue particolari funzioni decisionali e capacità di applicare trasformazioni lineari e non lineari utilizzando diverse funzioni del kernel. I risultati mostrano che SVM migliora semplice regressione logistica e fornisce maggiore precisione nel predire le variazioni di prezzo. Come SVM è stabilito sulla minimizzazione del rischio strutturale, è più resistente alle overfitting rispetto ad altri metodi di apprendimento utilizzati per la minimizzazione del rischio empirico e può funzionare meglio. Svolge bene anche in confronto ad altri metodi di previsione di uso comune come ARIMA e reti neurali artificiali. Book-to-market rapporto Dividend yield iperpiano investimento ritorna regressione logistica funzione base radiale rapporto prezzo-utili macchine Sharpe ratio support vector Traded fattore di volume Figura 32.1. Figura 32.2. Tabella 32.3. Figura 32.3. Figura 32.4. Figura 32.5. Copyright 2012 Elsevier Inc. Tutti i diritti riservati.
No comments:
Post a Comment