Maschinen Lern Trading Strategien

Es ist schwierig, 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. (Besuchte 801 mal, 11 Besuche heute) Maschinelles Lernen für den Trading-Kurs Dieser Kurs stellt die Schülerinnen und Schüler vor die Herausforderungen der Umsetzung von maschinellen Lern-basierten Handelsstrategien, einschließlich der algorithmischen Schritte von der Informationsbeschaffung bis hin zu Marktaufträgen. Im Fokus steht die Anwendung von probabilistischen maschinellen Lernansätzen auf Handelsentscheidungen. Wir betrachten statistische Ansätze wie lineare Regression, Q-Learning, KNN und Regressionsbäume und wie man sie auf aktuelle Aktienhandelssituationen anwendet. Dieser Kurs besteht aus drei Mini-Kursen: Ein Satz von Kursnotizen und Beispielcode finden Sie hier: 1 Video Inhalt Der Videoinhalt für diesen Kurs steht bei Udacity kostenlos zur Verfügung. Wichtiger Hinweis Dieser Kurs fährt bis zum Ende in Schwierigkeiten auf. Die Projekte in der letzten 13 des Kurses sind herausfordernd. Sei vorbereitet. Ausbilderinformation Tucker Balch, Ph. D. Professor, Interactive Computing bei Georgia Tech CS 7646 Kursleiter CS 7646 Lehrer: Frühjahr 2016, Herbst 2016 David Byrd Wissenschaftler, Interaktives Medientechnologiezentrum bei Georgia Tech CS 7646 Ausbilder: Sommer 2016 CS 7646 Leiter TA: Frühjahr 2016, Herbst 2016 Syllabi und Zeitplan für spezifische Semester Lehrbücher, Software amp Weitere Ressourcen Wir verwenden folgende Lehrbücher: Für Mini-Kurs 1: Python für Finanzen von Yves Hilpisch amazon (optional) Für Mini-Kurs 2: Was Hedge Funds wirklich von Romero und Balch amazon ( Erforderlich) Für Mini-Kurs 3: Maschinelles Lernen von Tom Mitchell (optional) Kaufen Sie es für 218.00 bei: amazon Kaufen Sie eine Taschenbuch-Version für 61.78. WICHTIGE WARNHINWEISE: 1) Sie versenden nur in die USA 2) Es dauert 3 Wochen, um das Buch zu drucken. Wenn Sie von außerhalb der USA bestellen, werden sie ruhig Ihr Geld akzeptieren, aber niemals das Buch versenden: weniger teure Version bei mcgraw hill Kaufen Sie eine Taschenbuch-internationale Version für 19.10. Ich bin mir nicht sicher über die Zuverlässigkeit dieses Unternehmens: internationale VoraussetzungenKo-Requisiten Alle Arten von Studenten sind willkommen Die Maschinenthemen Themen können für CS-Studenten überprüft werden, während Finanz-Teile werden für Finanz-Studenten zu überprüfen. Allerdings, auch wenn Sie Erfahrung in diesen Themen haben, werden Sie feststellen, dass wir sie in einer anderen Weise betrachten, als Sie vorher gesehen haben könnten, insbesondere mit Blick auf die Umsetzung für den Handel. Wenn Sie auf die folgenden Fragen nicht antworten, kann es sinnvoll sein, Ihr Wissen über das voraussichtliche Material vor der Einnahme von CS 7646 zu aktualisieren: Haben Sie Kenntnisse über grundlegende Statistiken, einschließlich Wahrscheinlichkeitsverteilungen (wie normal und einheitlich), Berechnung und Unterschiede zwischen Mittelwert, Median und Modus Verstehen Sie den Unterschied zwischen geometrischem Mittel und arithmetischem Mittel Haben Sie starke Programmierkenntnisse Nehmen Sie dieses Quiz compinvesti-prog-Quiz, wenn Sie Hilfe benötigen, um die Stärke Ihrer Programmierkenntnisse zu bestimmen. Sind Sie kompetent mit der Unix-Kommandozeile Wer dieser Kurs ist: Der Kurs richtet sich an Personen mit starker Software-Programmiererfahrung und Einführungsniveau der Investitionspraxis. Eine primäre Voraussetzung ist ein Interesse und eine Aufregung über die Börse. Software gut nutzen: Um die Programmieraufgaben abzuschließen, benötigen Sie eine Entwicklungsumgebung, mit der Sie sich wohl fühlen. Wir verwenden Unix, aber Sie können auch mit Windows - und Mac OS-Umgebungen arbeiten. Sie müssen einen Satz von Python-Modulen auf Ihren Computer herunterladen (einschließlich NumPy, SciPy und Pandas). OMSCS: Wir verwenden Udacity für Vortragsvideos. Melden Sie sich hier mit Ihrem GT-Konto an: GT-Udacity Login (Anweisungsvideo) Hinweis. NICHT mit deinem persönlichen Udacity-Konto anmelden, falls du einen hast. Gehen Sie auf den Kurs auf Udacity (oder navigieren Sie durch meine Kurse): udacitycourseviewerc-ud501 Wenn Sie Schwierigkeiten haben, auf Udacity-Inhalte zuzugreifen, teilen Sie bitte Ihr Problem per E-Mail mit gtech-supportudacity Wir verwenden T-Square für ALLE Einreichungen: T-Square ( Wählen Sie den Piazza für Interaktion und Diskussion: Herbst 2016 Piazza Forum A: 90.0 und höher B: 80.0 und höher C: 70.0 und höher D: 60.0 und höher F: unter 60.0 Studierende, die den Kurs nehmen Passfail muss verdienen Am wenigsten 75 zu passieren Der Kurs darf nicht als Audit durchgeführt werden. Siehe Semesterplan für Zuordnungsgewichte. Minimale technische Voraussetzungen Browser - und Verbindungsgeschwindigkeit: Eine aktuelle Version von Chrome oder Firefox wird dringend empfohlen. Wir unterstützen auch Internet Explorer 9 und die Desktop-Versionen von Internet Explorer 10 und höher (nicht die Metro-Versionen). 2 Mbps empfohlen mindestens 0,768 Mbps Download-Geschwindigkeit. Hardware: Ein Computer mit mindestens 4 GB RAM und CPU-Geschwindigkeit von mindestens 2,5 GHz. Für die Code-Entwicklung und das Testen werden diese drei Konfigurationen PC: Windows XP oder höher mit den neuesten Updates installiert Mac: OS X 10.6 oder höher mit den neuesten Updates installiert Linux: Jede aktuelle Verteilung, die die unterstützten Browser installiert hat Für Online-Testaufnahme (Proctortrack) Sie benötigen einen von: PC: Windows XP oder höher mit den neuesten Updates installiert Mac: OS X 10.6 oder höher mit den neuesten Updates installiert Linux wird NICHT unterstützt. Öffnungszeiten Plagiat In den meisten Fällen erwarte ich, dass alle eingereichten Code von Ihnen geschrieben werden. Ich werde einige Bibliotheken in der Klasse vorstellen, die du benutzen darf (wie Pandas und Numpy). Andernfalls sollten alle Quellcode, Bilder und Zuschreibungen, die Sie anbieten, von Ihnen allein erstellt worden sein. Klassenrichtlinien Für Passfail-Studenten: Ihre Gesamtnote muss 75 oder höher sein, um eine vorübergehende Note zu erhalten. Offizielle Kommunikation ist per E-Mail: Wir benutzen Piazza für Diskussionen, aber es ist kein offizieller Kommunikationskanal. Alle offiziellen Mitteilungen an Sie werden per T-Quadrat an Ihre offizielle GT-E-Mail-Adresse geschickt. Ebenso sollten Sie uns auch per E-Mail wichtige Artikel mitteilen. Studentische Verantwortlichkeiten: Achten Sie auf die Fristen, die nach dem Zeitplan veröffentlicht wurden. Lesen Sie Ihre GT E-Mail jeden Tag. Starten Sie die Arbeit an Projekten, auch wenn sie nicht auf dem T-Quadrat offen sind. Grade Contest Periode: Nachdem ein Projekt Grade veröffentlicht ist, haben Sie 7 Tage, um die Note zu bestreiten. Danach werden die Projekte nicht neu bewertet. Sie müssen ein ganz spezifisches Problem mit einem überzeugenden Argument haben, warum Ihre Klasse nicht korrekt ist. Beispiel zwingendes Argument: Die TA hat 10 Punkte ausgeschaltet, weil ich ein Diagramm vermisst habe, aber das Diagramm ist auf Seite 5 zu sehen. Beispiel nicht zwingendes Argument: Ich glaube, ich hätte mehr Punkte bekommen sollen, bitte schalte mein Projekt ein. Grade Contest-Prozess: E-Mail Ihre TA über die Situation innerhalb von 7 Tagen nach der Veröffentlichung freigegeben. Späte Politik: Zuweisungen sind um 11:55 Uhr Eastern Time auf der Abtretungsdatum fällig. Wir verwenden keine anderen Zeitzonen oder GMT. Gehen Sie nicht durch die Zeit auf Ihrer Maschine oder durch die Zeit auf irgendeine Weise, die Sie t-Quadrat konfiguriert haben. Zuweisungen nach 11:55 PM ET werden als spät betrachtet. Zuweisungen können bis zu einem Tag verspätet mit einer 10 Strafe gedreht werden. Zuweisungen, die mehr als 24 Stunden verspätet sind, werden nicht akzeptiert. Es gibt keine Gnadenfrist für Aufträge bereits einen ganzen Tag zu spät. Prüfungstermine: Prüfungen werden zu bestimmten Tagen zu bestimmten Zeiten abgehalten. Wenn es einen Notfall oder andere Frage, die Änderung der Datum einer Prüfung für Sie erfordert, müssen Sie es von der Dekan der Studenten genehmigt haben. Sie können das hier beantragen: deanofstudents. gatech. edu (unter Resources - gt Class Absences) Jedes Projekt für diesen Kurs hat eine eigene Seite in diesem Wiki. Diese Beschreibung enthält eine Liste der spezifischen Ergebnisse und in der Regel eine Rubrik. Achten Sie darauf, überprüfen Sie Ihre Einreichung gegen diejenigen, so dass Sie nichts verpassen. Viele der Projekte werden etwas überarbeitet. Während sie unter Revision sind, werden sie eine ENTWURF-Anmerkung auf dem Wiki haben. Sobald Sie mit irgendwelchen Revisionen fertig waren, werden wir die ENTWURF-Anmerkung entfernen und die Einreichungen auf t-Quadrat öffnen. Wir verlangen, dass Ihr Code ordnungsgemäß auf einem der Server läuft, den wir bei GT eingerichtet haben. Um Ihnen dabei behilflich zu sein und Ihnen weiter zu helfen, Ihren Code für jede Aufgabe zu testen, haben wir diese Server mit einem Server-Prozess ausgestattet, der Ihren Code gegen eine Reihe von Testfällen ausführt. Der Test-Server wird in der Regel für jedes Projekt eine Woche vor dem Fälligkeitsdatum laufen. Wenn ein Problem mit Ihrem eingereichten Code auftaucht, werden wir es nicht berücksichtigen, wenn es nicht wie oben beschrieben getestet wurde. Sobald Sie mit Ihrem Code zufrieden sind, senden Sie den EXACT gleichen Arbeitscode über t-square. Es ist eine gute Idee, eine Version Ihres Arbeitscodes frühzeitig vor der Frist einzureichen, falls ein Problem mit Ihrer Internetverbindung oder dem T-Quadrat auftritt. Wenn Sie Ihren Code mehrfach einreichen (ganz gut), ist es sehr wichtig, dass Sie zuerst die Dateien löschen, die dort sind, dann senden Sie Ihren neuen Code. Wenn Sie nicht unsere Sortier-Software nicht wissen, welche Dateien zu verwenden. Der späteste Zeitstempel auf irgendeinem Teil Ihrer Einreichung wird als Zeitpunkt der Einreichung für Ihr ganzes Projekt verwendet. Dementsprechend nicht mehr nach der Frist einreichen, oder es wird als spät betrachtet. Nach dem Einsendeschluss testen wir Ihren Code auf einem unserer Server, der identisch zu den für Ihren Test verfügbaren konfiguriert ist. Navigationsmenü 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. Ja - viele Quellhandelsunternehmen nutzen maschinelle Lerntechniken für Datenfeeds für automatisierte Trades. Diese Handelsfirmen handeln in der Regel auf sehr schwachen Korrelationen, die aufgrund der Forschung von einem quantitativen Analytiker (manchmal auch als Quantität bekannt) aufgedeckt werden, der von der Gültigkeit der Korrelation überzeugt ist. Während diese Korrelationen schwach sind, kann die Skala, in der diese Quellhandelsunternehmen tätig sind, jede dieser individuellen Strategien im Wert von Hunderttausenden, Millionen oder sogar mehr machen. Allerdings gibt es nur Platz für die schnellste Firma, um den Handel zu machen, um diese Korrelation zu nutzen. So optimieren Quantfirmen ihre Strategien für Geschwindigkeit. Mit der geringen Latenz können sie jeden anderen zum richtigen Handel schlagen, da nur die schnellsten Spieler den Profit bekommen werden. Da ihre Strategien für Geschwindigkeit und Zuverlässigkeit optimiert sind, sind die maschinellen Lerntechniken, die sie verwenden, meist sehr einfach. Darüber hinaus, wegen dieser rücksichtslosen Wettbewerb für profitable Trades, sind Quantfirmen unglaublich geheimnisvoll und schützen ihr geistiges Eigentum. Was Unternehmen tun dies Einige Beispiele für hoch-seriöse Firmen, die dies tun, gehören zwei Sigma Investments. D. E. Shaw (Firma). Renaissance Technologies (Hedgefonds). Und Hudson River Trading. Diese Unternehmen sind in diesen automatisierten Handelsstrategien konsequent erfolgreich und generieren für ihre Kunden sehr hohe Renditen. Infolgedessen bieten sie einige der höchsten Entschädigungspakete an, die auf dem Markt (meist über Prämien) an Personen mit dem Skill-Set zur Identifizierung und Ausführung auf diesen gewinnbringenden Geschäften zur Verfügung stehen. Was ist ein Beispiel für eine Strategie Wenn Sie Beweise dafür sehen wollen - ein Huffington Post Blogger gefunden Beweise von Berkshire Hathaway Aktienwerte steigen, wenn Anne Hathaway in News erwähnt wird .1 Dies ist wahrscheinlich ein Beispiel für einige Programm von einem Handelsunternehmen läuft Automatisierte Trades, wann immer sie (positive) Erwähnungen von Hathaway in den Nachrichten erkennen. Während dieses spezifische Beispiel ist humorvoll, da es ein falsch positiv ist, ist es ein großartiges Beispiel für ein Programm, das automatisierte Trades auf einem kontinuierlich laufenden Daten-Feed. Die Techniken hierbei beinhalten wahrscheinlich Datenaufnahme (sie müssen Pressemitteilungen über eine Vielzahl von Quellen lesen, Entity Detection (sie müssen herausfinden, wann Hathaway erwähnt wird) und Sentiment-Analyse (sie müssen herausfinden, ob der Artikel positiv ist oder Negativ) Wenn der Algorithmus auf einen positiven Nachrichtenartikel schneller reagieren kann als jeder andere auf dem Markt, können sie den Gewinn machen, der der Sprung (oder Abnahme) im Preis ist. Kann ich das selbst machen Wahrscheinlich nicht Nutzen sie seit Jahren ihre Datenquellen, Infrastruktur, Talent, Risikomanagement, Compliance, Kapitalbeschaffung und all die anderen praktischen Notwendigkeiten, um einen gewinnbringenden Handelsbetrieb aufzubauen, vor allem bei den extrem schnellen Latenzen, bei denen diese Quantfirmen Entdecken und ausführen auf Signale, seine fast unmöglich für jede einzelne (oder Gruppe von Einzelpersonen), dies zu tun, auf eigene Faust, ohne Ressourcen für den Aufbau eines Unternehmens um diese. Dies ist ein äußerst wettbewerbsintensiver Markt, von dem Sie nicht wirklich zu viel Hilfe finden Wo sie anfangen sollen (weshalb die Gründer dieser Mengenfonds dazu neigen, ein Teil eines anderen Quellfonds zu sein). 55.9k Aufrufe middot View Upvotes middot Nicht für die Reproduktion Heres Link von paar Artikel für die Anwendung von ML in Forex-Märkte. Ebenso kann man ML zur Vorhersage der Aktienkurse verwenden. Maschinelles Lernen und seine Anwendung in Forex-Märkten ARBEITSMODELL Maschinelles Lernen und seine Anwendung in Forex-Märkten Teil 2 ARBEITSMODELL Was erforderlich ist, ist ein gutes Verständnis des Prozesses zu folgen beim Aufbau eines ML-Modells für den Handel. Dann kommt das Verständnis von einigen der beliebten ML-Algorithmen, die im Handel verwendet werden. Prädiktive Modellierung in R für algorithmischen Handel Eine weitere auf Sentiment-Analyse im Handel. Sentiment-Analyse im Handel mit R WORKING MODELL Hoffe, das hilft 1.6k Aufrufe middot View Upvotes middot Nicht für die Reproduktion Victor Huang. Ex-Trader, Hedgefondsmanager. Du hast den Zeitrahmen definiert. HFT-Jungs beschäftigen sich im Wesentlichen mit dem maschinellen Lernen, um die Aktienkurse in einer Sekunde zu prognostizieren. Länger als die Erfolgsquote sinkt deutlich. 12.1k Aufrufe middot View Upvotes middot Nicht für die Reproduktion Welches ist das beste Modell, um die Börsenpreise vorherzusagen Wie verdienen Sie von Share MarketMF und zahlen es zurück als Steuern ist logisch Können wir Vorhersage Match Ergebnisse durch maschinelles Lernen Wo kann ich einen Datensatz für meine finden Gaspreisvorhersage im maschinellen Lernversuch Hat die fortgeschrittene Wahrscheinlichkeitstheorie einen Wert für die Vorhersage von Lagerbewegungen. Die technische Analyse wurde oft als astrologie verwandt betrachtet. Würde das auch für die quantitativen Methoden von TA gelten, wie zB maschinelle Lernanwendungen Wie kann ich vorhersagen, dass der Preis der Aktien nach oben oder unten gehen wird. Was ist die Vorhersage des Aktienkurses von Eicher Motors in den kommenden Jahren durch die Verhältnisanalyse Was denkst du über Versuchen, Aktienkurse mit ARIMA-Modell vorherzusagen