Maschinen Lern Und Short Positionen In Stock Trading Strategien

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 Roadblock für jede maschinell lernende Strategie. Dieses Kapitel wurde ursprünglich veröffentlicht als: Allen, D. E. Singh, A. Powell, R. (2011). Maschinelles Lernen und Short-Positionen in Stock Trading-Strategien. In G. N. Gregoriou (Hrsg.). Handbook of Short Selling (pp. 467-478). Ort: Elsevier. Die Anleger können von den Aufwärts - oder Abwärtsbewegungen der Vermögenspreise profitieren, je nachdem, ob sie lang oder kurz sind. Um unmittelbare Gewinne auf ihre Position zu erzielen, müssen sie in der Lage sein, die Richtung der kurzfristigen zukünftigen Kursbewegungen vorherzusagen. Die Vorhersage der Richtung Einer Preisänderung ist ein Klassifizierungsproblem. Übliche statistische Methoden, wie lineare logistische Regression und Diskriminanzanalyse, werden häufig auf dieses Problem angewendet. Die Entwicklung flexiblerer Methoden, wie z. B. die Unterstützung der vecto rmachine classification, bietet Praktikern potenziell bessere und leistungsfähigere Lösungen. In diesem Kapitel werden Unterstützungsvektormaschinen (SVM) angewendet, um die Richtung der Preisänderungen für einen kleinen Satz von DowJones Industrial Average Beständen vorherzusagen und sie gegen die erzielten Prognosen zu testen. Dieses Dokument ist derzeit nicht verfügbar. Kapitel 32. Maschinelles Lernen und Kurzpositionen auf Lager Handelsstrategien von Greg N. Gregoriou Anleger profitieren von Aufwärts - oder Abwärtsbewegungen der Vermögenspreise je nachdem, ob sie lang oder kurz sind. Um sofortige Gewinne auf ihre Position zu erzielen, müssen sie in der Lage sein, die Richtung der kurzfristigen zukünftigen Kursbewegungen vorherzusagen. Die Vorhersage der Richtung einer Preisänderung ist ein Klassifizierungsproblem. Mit Safari lernen Sie, wie Sie am besten lernen. Holen Sie sich unbegrenzten Zugang zu Videos, Live-Online-Training, Lernpfade, Bücher, interaktive Tutorials und vieles mehr. Keine Kreditkarte erforderlich Copyright Kopie 2017 Safari Bücher Online. Kapitel 32. Maschinelles Lernen und Short-Positionen auf Lager Handelsstrategien David E. Allen Robert J. Powell Abhay K. Singh Online verfügbar 29. August 2011. Publisher Summary Jede Investmentstrategie erfordert eine Form von Asset-Evaluierung, dh die Bestimmung des Preis - oder Grundwertes und die Vorhersage der voraussichtlichen zukünftigen Kursbewegungen unter Verwendung von finanziellen, technischen oder grundlegenden Indikatoren. Die Entscheidung, eine Long - oder Short-Position in einem Vermögenswert zu verabschieden, erfordert einen Blick auf die unmittelbaren künftigen Kursbewegungen. Die finanzielle Prognose beinhaltet eine riesige Datenverarbeitungsübung, die in der Natur verrauscht, nichtstationär und unstrukturiert sein kann, für die übliche statistische Methoden wie lineare logistische Regression und Diskriminanzanalyse häufig angewendet werden. Die Entwicklung von flexibleren Methoden, wie z. B. Unterstützung der Vektor-Maschinen-Klassifizierung, bietet Praktikern potenziell bessere und leistungsfähigere Lösungen. In diesem Kapitel werden Unterstützungsvektormaschinen (SVM) verwendet, um die Richtung der Preisänderungen für einen kleinen Satz von Dow Jones Industrial Average Aktien vorhersagen und sie gegen die Vorhersagen aus der logistischen Regressionsanalyse zu testen. SVM ist ein maschineller Lernalgorithmus, der durch seine besonderen Entscheidungsfunktionen und die Fähigkeit, lineare und nichtlineare Transformationen mit unterschiedlichen Kernfunktionen zu nutzen, charakterisiert ist. Die Ergebnisse zeigen, dass SVM auf einfache logistische Regression verbessert und mehr Genauigkeit bei der Vorhersage von Preisänderungen bietet. Da die SVM auf der strukturellen Risikominimierung beruht, ist sie widerstandsfähiger gegenüber Überlegungen als andere Lernmethoden, die für die empirische Risikominimierung verwendet werden und besser funktionieren können. Es funktioniert auch im Vergleich zu anderen häufig verwendeten Prognosemethoden wie ARIMA und künstliche Neuronale Netze. Book-to-Market-Verhältnis Dividendenrendite Hyperplane Investitionsrenditen Logistische Regression Preis-Gewinn-Verhältnis Radiale Basisfunktion Sharpe-Ratios Unterstützungsvektor-Maschinen Gehandeltes Volumenfaktor Abbildung 32.1. Abbildung 32.2. Tabelle 32.3. Abbildung 32.3. Abbildung 32.4. Abbildung 32.5. Copyright 2012 Elsevier Inc. Alle Rechte vorbehalten.