Maskin learning handelsstrategier

Det är svårt att göra förutsägelser, särskilt om framtiden, sade basebolllegenden Yogi Berra. Men det hindrar inte folk från att försöka, särskilt inom finansmarknaderna, där maskininlärningshandelsalgoritmer utvecklas och lanseras av hedgefonder, med sikte på att hitta praktiska tillämpningar av den stora teorin som finns för artificiell intelligens. Kanske, inte överraskande, många av dem i framkant håller avancerade grader i matematik eller datavetenskap. Att ha en doktorand är inte obligatorisk, men det är helt klart en fördel. Spencer Greenberg. medgrundare, upprorforskning När jag lärde mig om maskininlärning såg det mig att det kunde vara användbart i finansiella applikationer, säger Spencer Greenberg, medgrundare av Rebellion Research, en New York-baserad hedgefonds. Greenberg jobbar för närvarande med doktorsexamen vid New York Universitys Courant Institute of Mathematical Sciences. När vi försöker tjäna pengar på aktiemarknaden har vi inte helt bildade begrepp om huruvida vi ska köpa och sälja, värde, momentum, relativ värde etc., säger Greenberg. Kanske kan maskininlärning extrahera investeringsstilar på ett automatiserat sätt, och en algoritm kan skapas för att lära sig den processen. Jag blev fascinerad av det. Rebellion Research använder ett maskininlärningsbaserat system för att göra förutsägelser om aktiebolagens och andra tillgångsklassers resultat. Den grundläggande förutsättningen är att maskiner kan programmeras av Google för att genomföra webbsökningar eller Amazon och Netflix att rekommendera filmer och böcker, så det finns ingen anledning till att de inte skulle kunna utbildas för att fatta investeringsbeslut. En anledning till att människor är skeptiska till att använda artificiell intelligens för att investera är att de tänker investera som något som är för svårt för en människa att lösa, och därför är det för svårt att programmera, 8221 sa Greenberg. 8220 Det finns många teorier om hur marknaden fungerar. Vårt tillvägagångssätt är att ha maskininlärningsalgoritmer analysera investeringar på ett automatiserat sätt. Kunskapsområdet i området expanderar med ett snabbt klipp. I årtionden har maskinbaserade artificiella intelligensstekniker varit kärnelementen i algoritmisk handel och beräkningsfinansiering i allmänhet, säger Vadim Mazalov, forsknings - och utvecklingsspecialist hos handelssystemleverantören Cyborg Trading Systems och en doktorand inom datavetenskap som specialiserat sig på maskininlärning vid Western University i London, Ontario. Maskininlärning Den omfattande kunskapskunskapen innehåller redan en mängd olika modeller som kan tillämpas på olika nivåer och vågar från högfrekvent till systematisk handel. Under de senaste fem åren har vi sett enorma framsteg inom automatiserad handelsteknik, säger Alfred Eskandar, verkställande direktör för handelssystemleverantören Portware. Avancerade front-end-lösningar har infört massiva effektiviteter, minskad operativ risk och givna handlare oöverträffad tillgång till global likviditet. Den nuvarande generationen av exekveringshanteringssystem har emellertid tagit handel och arbetsflödesautomatisering så långt det går. Ansvaret för handel övergripande livscykelanalysande marknadsvillkor, val av rätt strategi för en viss order, övervakning av genomförandeprocessen och eventuella ändringar som faller till faller till mänskliga handlare. Under de närmaste åren skulle vi se företag som använder teknik som hjälper handelsmän att automatiskt välja och genomföra den optimala algoritmiska strategin, så att de kan öka kapaciteten och förbättra den övergripande handelsprestandan, säger Eskandar. Men så mycket som näringsidkare vill vara i rätt algoritm vid rätt tidpunkt, vill de inte heller vara i fel algoritm vid fel tidpunkt. Några av marknaderna som nyligen gjorts av missteg visar hur viktigt det är att hantera handelsrisken, sade Eskandar. Denna framväxande teknik gör det möjligt för företag att dynamiskt hantera sina algoritmer och säkerställa säker drift av handelsdiskar i alla marknadsförutsättningar. Tillkomsten av maskinbaserade handelsalgoritmer beror på en liten del på förmågan att analysera dataöverföringar i realtid med hjälp av avancerad hårdvara och mjukvara. Det handlar om att leta efter mönster i data, säger Tucker Balch, professor i datavetenskap vid Georgia Institute of Technology, och grundare av Lucena Research, ett artificiell intelligensbaserat investeringsteknikföretag. När det gäller finansiering söker du efter relationer mellan data om ett företag och dess framtida pris. Det är vad Lucena gör, och vad jag gör med min forskning på Georgia Tech. Matematiska modeller Lucena tillhandahåller kvantitativ analys och statistisk maskininlärningsteknik till hedgefonder, rikedomar och avancerade enskilda investerare. Dess molnbaserade teknik för artificiell intelligens beslutsstöd gör det möjligt för kortfristiga investerare och handlare att hitta marknadsmöjligheter och minska risken i sin portfölj med hjälp av teknisk och grundläggande kvantitativ mönstermatchning. Systemet får så mycket historiska data, inklusive grundläggande data och tekniska indikatorer, som möjligt, och syftar till att hitta relationer mellan den historiska data och framtida priser, säger Balch. Det förhållandet är en modell, något som relaterar en viss mätbar mängd av ett eget kapital till ett framtida pris, sa han. Lucenas maskininlärningsbaserade prognostiseringsalgoritm förutspår fem, 10 och 20 handelsdagers avkastning över alla täckta aktier. Vi använder inte statiska modeller, vår prognoser revideras dagligen för att automatiskt anpassa sig till förändrade marknadsförhållanden, säger Balch. Prognosen kan användas för att identifiera kortsiktiga långa eller korta möjligheter. Lucasas yttersta mål, säger han, är att ge medvetenheten om maktanalysen av maskininlärningsmönstret och att revolutionera den underjordiska investeringen professionella gemenskapen genom att tillhandahålla verktyg och teknik som normalt inte är tillgängliga för företag av deras storlek. (Besökt 801 gånger, 11 besök idag) Maskininlärning för handelskurs Denna kurs introducerar studenterna till de verkliga världens utmaningar för att implementera maskinbaserade handelsstrategier, inklusive de algoritmiska stegen från informationsinsamling till marknadsordningar. Fokus ligger på hur man applicerar probabilistiska maskininlärningsmetoder till handelsbeslut. Vi betraktar statistiska tillvägagångssätt som linjär regression, Q-Learning, KNN och regressions träd och hur man applicerar dem på aktuella aktiehandel situationer. Kursen består av tre minikurser: En uppsättning kursnoteringar och exempelkod finns här: 1 Videoinnehåll Videoinnehållet för denna kurs finns gratis på Udacity. Viktig anteckning Denna kurs rammar upp i svårigheter mot slutet. Projekten i kursens sista 13 är utmanande. Var redo. Instruktörsinformation Tucker Balch, Ph. D. Professor Interactive Computing på Georgia Tech CS 7646 Kurs Designer CS 7646 Instruktör: Vår 2016, Fall 2016 David Byrd Forskare, Interactive Media Technology Center vid Georgia Tech CS 7646 Instruktör: Sommar 2016 CS 7646 Huvud TA: Vår 2016, Fall 2016 Kursplaner och schema för specifika terminer Handböcker, programvaruförstärkare Övriga resurser Vi kommer att använda följande läroböcker: För Mini-kurs 1: Python for Finance av Yves Hilpisch amazon (tillval) För Mini-kurs 2: Vilka hedgefonder verkar verkligen av Romero och Balch-amazon ( krävs) För Mini-kurs 3: Maskinlärning av Tom Mitchell (tillval) Köp den till 218.00 på: amazon Köp en paperback-version för 61.78. VIKTIGA VARNINGAR: 1) De skickar endast till USA 2) Det tar 3 veckor att skriva ut boken. Om du beställer från utanför USA accepterar de tyst pengarna, men skickar aldrig boken: billigare version på McGoww Hill Köp en internationell version av Paperback för 19.10. Jag är inte säker på att företaget är tillförlitligt: ​​Internationell FörkunskaperCo-krav Alla typer av studenter är välkomna. Maskininlärningsämnena kan granskas för CS-studenter, medan finansieringsdelarna kommer att granskas för finansstudenter. Men även om du har erfarenhet av dessa ämnen kommer du att upptäcka att vi anser dem på ett annat sätt än vad du kanske sett tidigare, särskilt med sikte på genomförande för handel. Om du svarar på nej på följande frågor kan det vara till nytta att uppdatera din kunskap om förutsättningsmaterialet innan du tar CS 7646: Har du en fungerande kunskap om grundläggande statistik, inklusive sannolikhetsfördelningar (som vanligt och enhetligt), beräkning och skillnader mellan medelvärde, median och läge Förstår du skillnaden mellan geometriska medelvärden och aritmetiska medelvärden Har du starka programmeringsfärdigheter Ta med denna quiz compinvesti-prog-quiz om du vill hjälpa till att bestämma styrkan i dina programmeringsförmåga. Är du behörig med Unix-kommandoraden Vem den här kursen är till: Kursen är avsedd för personer med stark programvaruprocessing och inledande kunskap om investeringspraxis. En primär förutsättning är ett intresse och spänning på aktiemarknaden. Användning av programvara: För att slutföra programmeringsuppgifterna behöver du en utvecklingsmiljö som du är bekväm med. Vi använder Unix, men du kan också arbeta med Windows och Mac OS-miljöer. Du måste ladda ner och installera en uppsättning Python-moduler till din dator (inklusive NumPy, SciPy och Pandas). OMSCS: Vi använder Udacity för föreläsningsvideor. Logga in här med ditt GT-konto: GT-Udacity Login (instruktionsvideo) Anm. Logga IN INTE med ditt personliga Utacity-konto, om du har en. Gå till kursen på Udacity (eller navigera genom Mina kurser): utacitycourseviewerc-ud501 Om du har problem med att få tillgång till Utacity-innehåll, snälla dela ditt problem via e-post med gtech-supportudacity Vi använder T-Square för ALLA inlägg: T-Square välj lämplig kursplats) Vi kommer att använda Piazza för interaktion och diskussion: Fall 2016 Piazza forum A: 90.0 och över B: 80.0 och över C: 70.0 och över D: 60.0 och över F: under 60.0 Studenter som tar kursen PassFail måste tjäna på minst en 75 att passera. Kursen får inte tas som revision. Se terminplan för uppdragsvikt. Minimala tekniska krav Browser och anslutningshastighet: En uppdaterad version av Chrome eller Firefox rekommenderas starkt. Vi stöder också Internet Explorer 9 och skrivbordsversionerna av Internet Explorer 10 och senare (inte tunnelbanaversionerna). 2 Mbps rekommenderas med en hastighet på minst 0,768 Mbps. Hårdvara: En dator med minst 4 GB RAM och CPU-hastighet på minst 2,5 GHz. För kodutveckling och testning kommer dessa tre konfigurationer att fungera. PC: Windows XP eller senare med de senaste uppdateringarna installerade Mac: OS X 10.6 eller senare med de senaste uppdateringarna installerade Linux: Alla nya distributioner som har de stödda webbläsarna installerade För online-testtagning (proctortrack) du behöver en av: PC: Windows XP eller senare med de senaste uppdateringarna installerade Mac: OS X 10.6 eller senare med de senaste uppdateringarna installerade Linux stöds INTE. Kontortid För att vara bestämd. Plagiat I de flesta fall förväntar jag mig att all inlämnad kod kommer att skrivas av dig. Jag kommer att presentera några bibliotek i klassen som du får använda (som pandaer och numpy). Annars ska all källkod, bilder och uppskrivningar du tillhandahållit ha skapats av dig ensamma. Klasspolicy för PassFail-studenter: Din totala betyg måste vara 75 eller högre för att få godkänt betyg. Officiell kommunikation är via e-post: Vi använder piazza för diskussioner, men det är inte en officiell kommunikationskanal. Alla officiella meddelanden till dig kommer att skickas via t-kvadrat till din officiella GT-e-postadress. På samma sätt bör du meddela viktiga saker till oss via e-post också. Studentansvar: Var medveten om de tidsfrister som anges i schemat. Läs din GT-e-post varje dag. Börja arbeta med projekt även om de inte är öppna på t-kvadrat. Betygstävlingsperiod: Efter att ett projektbetyg släppts har du 7 dagar för att tävla om betyget. Efter den tiden kommer projekten inte att omvärderas. Du måste ha en mycket specifik fråga med ett övertygande argument om varför din betyg är felaktig. Exempel tvingande argument: TA tog 10 poäng bort eftersom jag saknade ett diagram, men diagrammet är synligt på sidan 5. Exempel inte ett övertygande argument: Jag tror att jag borde ha fått fler poäng, tack sålunda mitt projekt. Betygstävlingsprocess: Skicka din TA om situationen inom 7 dagar efter det att kvaliteterna släppts. Senpolicy: Uppdrag beräknas klockan 11:55 Eastern Time på uppdragets förfallodatum. Vi använder inte andra tidszoner eller GMT. Gå inte för tiden på din maskin eller vid någon annan gång du har konfigurerat t-kvadrat. Uppdrag inlämnade efter kl. 11:55 ET anses vara sent. Uppdrag kan vändas upp till en dag sen med en 10 straff. Uppdrag som är mer än 24 timmar sena accepteras inte. Det finns ingen grace period för uppdrag redan en hel dag sent. Examinationsplanering: Examinationen kommer att hållas på specifika dagar vid specifika tider. Om det finns en nödsituation eller ett annat problem som kräver att du ändrar datumet för en tentamen, måste du godkänna den av studenten. Du kan ansöka om det här: deanofstudents. gatech. edu (under Resources - gt Class Absences) Varje projekt för denna kurs har sin egen sida på denna wiki. Den beskrivningen innehåller en lista över specifika leveranser och vanligtvis en rubrik. Var noga med att dubbelkontrollera din inlämning mot dem så att du inte saknar något. Många av projekten kommer att revideras något. Medan de håller på att ses över, kommer de att ha en utkast till anteckning på wikien. När en gång gjordes med några ändringar kommer vi att ta bort formuläret för utkast och öppna inlägg på t-square. Vi kräver att din kod körs ordentligt på en av de servrar vi har satt upp på GT. För att hjälpa dig med detta och för att hjälpa dig att testa din kod för varje uppdrag har vi utrustad dessa servrar med en serverprocess som kör din kod mot en uppsättning testfall. Testservern brukar springa för varje projekt en vecka före förfallodagen. Om ett problem uppkommer med din inlämnade kod kommer vi inte att överväga att omvärdera den om den inte har testats enligt beskrivningen ovan. När du är nöjd med din kod, skicka in EXACT samma arbetskod via t-square. Det är en bra idé att skicka in en version av din arbetskod tidigt (före deadline) om något problem uppstår med din internetanslutning eller t-kvadrat. Om du skickar in din kod flera gånger (helt bra) är det mycket viktigt att du först tar bort de filer som finns där och skickar sedan in din nya kod. Om du inte vet graderingsprogrammet vilka filer du ska använda. Den senaste tidstämpeln på någon del av ditt inlägg kommer att användas som inlämningsdatum för hela ditt projekt. Skicka därför inte in något efter tidsfristen, eller det kommer att betraktas som sent. Efter inlämningsdatumet kommer vi att testa din kod på en av våra servrar som är konfigurerade identiskt med de som är tillgängliga för ditt test. NavigationsmenyJag är inte så säker på om den här frågan passar in här. Jag har nyligen börjat, läst och läst om maskininlärning. Kan någon kasta lite ljus på hur man går till det eller snarare kan någon dela sin erfarenhet och få grundläggande tips om hur man går till det eller att börja använda det för att se några resultat från dataset Hur ambitiöst låter det här också nämna om standardalgoritmer som ska prövas eller ses medan du gör det här. frågade 1 feb 11 kl 18:35 Det verkar vara en grundläggande felaktighet att någon kan komma med och lära sig några maskininlärning eller AI-algoritmer, sätta upp dem som en svart låda, slog gå och luta sig tillbaka medan de går i pension. Mitt råd till dig: Lär dig statistik och maskininlärning först och oroa dig för hur du applicerar dem på ett visst problem. Det finns ingen gratis lunch här. Dataanalys är hårt arbete. Läs Elements of Statistical Learning (pdf är tillgänglig gratis på webbplatsen), och börja inte försöka bygga en modell tills du förstår åtminstone de första 8 kapitlen. När du förstår statistiken och maskininlärningen behöver du lära dig att backtest och bygga en handelsmodell, redovisa transaktionskostnader etc. som är ett helt annat område. Efter att du har tagit hand om både analys och ekonomi, blir det lite uppenbart hur man ansöker det. Hela punkten i dessa algoritmer försöker hitta ett sätt att passa en modell till data och producera låg bias och varians i prediktionen (dvs att tränings - och testförutsägningsfelet blir lågt och liknande). Här är ett exempel på ett handelssystem med hjälp av en stödvektormaskin i R. Men bara kom ihåg att du kommer att göra dig själv en stor dårservice om du inte spenderar tid för att förstå grunderna innan du försöker applicera något esoteriskt. Bara för att lägga till en underhållande uppdatering: Jag har nyligen kommit överens om denna magisteruppsats: En novel algoritmisk handelsram för tillämpning av evolution och maskinlärning för portföljoptimering (2012). Det är en omfattande översyn av olika metoder för maskininlärning jämfört med köp och håll. Efter nästan 200 sidor når de grundläggande slutsatsen: Inget handelssystem kunde överträffa referensvärdet vid användning av transaktionskostnader. Det betyder naturligtvis inte att det inte går att göra (jag har inte tillbringat någon gång genom att granska deras metoder för att se huruvida tillvägagångssättet är giltigt), men det ger visserligen vissa bevis till förmån för den kostnadsfria lunchteorem. svarat 1 feb 11 kl 18:48 Jase Som en av författarna till den ovannämnda masterns avhandling kan jag citera mitt eget arbete och säga: "Om någon faktiskt uppnår lönsamma resultat finns det inget incitament att dela dem, eftersom det skulle negera deras fördel. Även om våra resultat kan ge stöd till marknadshypotesen, utesluter det inte att det finns system som fungerar. Det kan vara som sannolikhetsteori: Det är spekulerat att genombrott inom sannolikhetsteorin har hänt flera gånger, men aldrig delat. Detta kan bero på dess praktiska tillämpning i gambling. quot Då är kanske det här allt modern alchemi. ndash Andr233 Christoffer Andersen Apr 30 13 på 10:01 Mitt råd till dig: Det finns flera grenar i maskinlärande artificiell intelligens (MLAI) där: www-formal. stanford. edujmcwhatisainode2.html Jag har bara försökt genetisk programmering och några neurala nätverk, och Jag tycker personligen att lärande från erfarenhetsgren verkar ha den största potentialen. GPGA och neurala nät verkar vara de vanligaste undersökta metoderna för aktiemarknadsutsikter, men om du gör viss data mining på Predict Wall Street. du kanske kan göra några känslighetsanalyser också. Tillbringa lite tid att lära dig om de olika MLAI-teknikerna, hitta lite marknadsdata och försök att implementera några av dessa algoritmer. Var och en kommer att ha sina styrkor och svagheter, men du kanske kan kombinera prognoserna för varje algoritm till en kompositprediktion (som liknar vad vinnarna av NetFlix-priset gjorde). Några resurser: Här är några resurser som du kanske vill undersöka: Chatter: Den allmänna konsensusen bland handlare är att Artificial Intelligence är en voodoo-vetenskap, du kan inte få en dator att förutse aktiekurser och du är säker på att förlora dina pengar om du försöker gör det. Likväl kommer samma personer att berätta att nästan det enda sättet att tjäna pengar på aktiemarknaden är att bygga och förbättra din egen handelsstrategi och följ den noga (vilket inte är en dålig idé). Idén om AI-algoritmer är inte att bygga Chip och låta honom handla för dig, men att automatisera processen att skapa strategier. Det är en väldigt tråkig process och det är inte lätt :). Minimera överfitting: Som vi tidigare hört, är en grundläggande fråga med AI-algoritmer överfitting (aka datamining bias): Med en uppsättning data kan din AI-algoritm hitta ett mönster som är särskilt relevant för träningsuppsättningen. men det kan inte vara relevant i testuppsättningen. Det finns flera sätt att minimera överfitting: Använd en valideringsuppsättning. Det ger inte feedback till algoritmen, men det låter dig upptäcka när din algoritm potentiellt börjar överföras (det vill säga att du kan sluta träna om du är överfitting för mycket). Använd online maskininlärning. det eliminerar i stor utsträckning behovet av backtestning och det är mycket användbart för algoritmer som försöker göra marknadsutsikter. Ensemble Learning. ger dig ett sätt att ta flera maskininlärningsalgoritmer och kombinera sina förutsägelser. Antagandet är att olika algoritmer kan ha överskridit data i något område, men den korrekta kombinationen av sina förutsägelser kommer att ha bättre förutsägbar effekt. Två aspekter av statistisk inlärning är användbara för handel 1. Först de som nämnts tidigare: några statistiska metoder inriktade på att arbeta med levande dataset. Det betyder att du vet att du bara observerar ett urval av data och du vill extrapolera. Du måste således ta itu med i prov och ur provproblem, övermontering och så vidare. Från denna synpunkt är data-mining mer inriktad på döda dataset (dvs du kan se nästan alla data, du har ett problem i provet) än statistisk inlärning. Eftersom statistisk inlärning handlar om att arbeta med levande dataset, måste de tillämpade matematikerna som handlar om dem fokusera på ett tvåskaligt problem: vänster X ampamp Ftheta (Xn, xi) ampamp L (pi (Xn), n) ända till höger. där X är det (multidimensionella) tillståndsutrymmet att studera (du har i de förklarande variablerna och de som ska förutsäga), F innehåller dynamiken i X som behöver vissa parametrar theta. Slumpmässigheten av X kommer från innovation xi, vilket är i. i.d. Målet med statistisk inlärning är att bygga en metod L ith som inputs en partiell observation pi av X och gradvis justera en estimation hattheta av theta, så att vi kommer att veta allt som behövs på X. Om du funderar på att använda statistisk lärande för att hitta Parametrarna för en linjär regression. vi kan modellera tillståndsutrymmet så här: underbrace yx ända till höger) vänster starta en amp amp b amp 1 1 amp 0 amp 0 sluta rätt cdot underbrace x 1 epsilon slutet till höger) vilket gör det möjligt att observera (y, x) n vid vilken n som helst här theta (a, b). Då behöver du hitta ett sätt att gradvis bygga en estimator av theta med hjälp av våra observationer. Varför inte en gradientstigning på L2-avståndet mellan y och regressionen: C (hat a, hatt b) n summa (yk - (hat a, xk hat b)) 2 Här är gamma ett viktningsschema. Vanligtvis är ett bra sätt att bygga en uppskattare att skriva korrekt kriterierna för att minimera och genomföra en gradient nedstigning som kommer att producera inlärningssystemet L. Gå tillbaka till vårt ursprungliga generiska problem. Vi behöver lite matematik att veta när par dynamiska system i (X, hattheta) konvergerar, och vi behöver veta hur man bygger upp estimeringsscheman L som konvergerar mot den ursprungliga theta. För att ge dig pointers på sådana matematiska resultat: Nu kan vi gå tillbaka till den andra aspekten av statistisk inlärning som är mycket intressant för quant tradersstrategists: 2. Resultaten som visat sig vara effektiv för statistiska inlärningsmetoder kan användas för att bevisa effektiviteten hos handelsalgoritmer. För att se att det är tillräckligt att läsa igen det kopplade dynamiska systemet som tillåter att skriva statistisk inlärning: vänster M ampamp Frho (Mn, xi) ampamp L (pi (Mn), n) sluta höger. Nu är M marknadsvariabler, Rho ligger under PnL, L är en handelsstrategi. Bara ersätta minimering av ett kriterium genom att maximera PnL. Se till exempel Optimal delning av order över likviditetspooler: en stokatisk algoritmansats av: Gilles Pags, Sophie Laruelle, Charles-Albert Lehalle. i detta papper visar författare vem att använda detta tillvägagångssätt för att optimera uppdelningen av en order över olika mörka pooler samtidigt som man lär sig poolernas förmåga att tillhandahålla likviditet och använda resultaten för att handla. De statistiska inlärningsverktygen kan användas för att bygga iterativa handelsstrategier (de flesta av dem är iterativa) och bevisa deras effektivitet. Det korta och brutala svaret är: det gör du inte. För det första, eftersom ML och statistik inte är något du kan kommunicera bra om ett eller två år. Min rekommenderade tidshorisont för att lära sig något som är mindre trivialt är 10 år. ML inte ett recept att tjäna pengar, men bara ett annat sätt att observera verkligheten. För det andra, för att någon bra statistiker vet att förstå data och problemdomänen är 80 av arbetet. Därför har du statistiker som fokuserar på fysikdataanalys, genomik, sabermetri etc. För rekordet är Jerome Friedman, medförfattare till ESL citerad ovan, fysiker och har fortfarande en artig position hos SLAC. Så studera Statistik och Finans för några år. Ha tålamod. Gå din egen väg. Mätarställning kan variera. svarade 9 feb 11 kl 4:41 Jag håller helt med om. Bara för att du känner till maskininlärning och statistik innebär det inte att du vet hur du ska ansöka om finansiering. ndash Dr Mike Aug 10 11 at 20:25 En viktig sak att komma ihåg är att du inte kommer att handla mot människor, du kommer att handla mot andra artificiella intelligensalgoritmer som tittar på dina affärer ihop och är rasande beräkna oddsen att kollektiv yous skulle bli spökad av en tillverkad nedgång och ta den mindre förlusten med att skapa en spikedip och lura alla dessa AI39s för att stoppa ut och sedan rulla dipet in i det och rida vågan och tjäna dina förluster. Aktiemarknaden är ett nollbelopp spel, behandla det som att gå in i en pro boxning match, om du är en 20 årig veteran, kommer du att förlora ndash Eric Leschinski 13 feb 16 kl 1:56 En grundläggande ansökan förutsätter ekonomisk nöd. Få ett gäng data med några företag som har defaulted, och andra som inte har, med en mängd finansiella uppgifter och förhållanden. Använd en maskininlärningsmetod som SVM för att se om du kan förutsäga vilka företag som ska standard och vilka som inte kommer att göra. Använd den SVM i framtiden till korta sannolikhet för standardföretag och långa sannolikhetsbolag med låga sannolikheter, med intäkterna från den korta försäljningen. Det finns ett ordstäde med att pricka pennies upp framför ångrullsquot. Du gör likvärdigt med att sälja en out-of-the-money-uppsättning. I det här fallet gör du små vinster i flera år, då blir du helt städad när marknaden smälter ner vart tionde år eller så. Det finns också en likvärdig strategi som köper out-of-the-money sätter: de förlorar pengar i åratal och gör då en död när marknaden smälter ner. Se Talabs Svarta Svanen. ndash Contango 5 jun 11 kl 22:20 Kom ihåg att internationella företag har spenderat hundratals miljarder dollar och manstimmar på de allra bästa och ljusaste artificiella intelligenserna under de senaste 40 åren. Jag har talat med några av tornets torn som ansvarar för alfabetet över hos Citadel och Goldman Sachs, och hubrisen från nybörjare att tro att de kan sätta ihop en algoritm som kommer att tåla med dem och vinna, är nästan lika dum som ett barn säger att han kommer att hoppa till månen. Lycka till barn och se upp för rymdmartierna. För att inte säga nya mästare kan man inte göra, men oddsen är emot dig. ndash Eric Leschinski 13 februari 16 kl 2:00 En möjlighet att utforska är att använda verktyget för stödvektorns maskinverktyg på Metatrader 5-plattformen. För det första, om du inte är bekant med det, är Metatrader 5 en plattform utvecklad för användare att genomföra algoritmisk handel på valutamarknader och CFD-marknader (jag är inte säker på om plattformen kan utökas till aktier och andra marknader). Det används vanligtvis för tekniskt analysbaserade strategier (dvs användande av indikatorer baserade på historiska data) och används av personer som vill automatisera sin handel. Supportvektorns maskinverktyg har utvecklats av en av användarnas användare för att tillåta stödvektormaskiner att appliceras på tekniska indikatorer och ge råd om handel. En gratis demoversion av verktyget kan hämtas här om du vill undersöka ytterligare. Som jag förstår, använder verktyget historiska prisdata för att bedöma huruvida hypotetiska affärer i det förflutna skulle ha varit framgångsrika. Det tar sedan dessa data tillsammans med de historiska värdena från ett antal anpassningsbara indikatorer (MACD, oscillatorer etc) och använder detta för att träna en stödvektormaskin. Sedan använder den den utbildade supportvektormaskinen för att signalera framtida buysell-affärer. En bättre beskrivning finns på länken. Jag har spelat lite med det här med några mycket intressanta resultat, men som med alla algoritmiska handelsstrategier rekommenderar jag solid framåtriktad testning innan jag tar den till levande marknaden. svarade 10 dec 12 kl. 11:59 Tyvärr, men trots att det har använts som ett populärt exempel på maskininlärning har ingen någonsin uppnått en aktiemarknadsprediktion. Det fungerar inte av flera anledningar (kontrollera slumpmässig promenad av Fama och en hel del andra, rationell beslutsfattande felaktighet, felaktiga antaganden.) Men det mest övertygande är att om det skulle fungera skulle någon kunna bli vansinnigt rik inom några månader, i grund och botten äger hela världen. Eftersom detta inte händer (och du kan vara säker på att hela banken har försökt det) har vi bra bevis för att det bara inte fungerar. Förutom: Hur tror du att du kommer att uppnå vad tiotusentals yrkesverksamma har misslyckats med, med hjälp av samma metoder som de har, plus begränsade resurser och bara grundläggande versioner av deras metoder svarade 4 juni 15 kl 07:47 Bara en sida om din kvotens mest komplicerade skäl: strategier har kapacitetsgränser, dvs. nivåer utöver vilka din marknadsimpå skulle överstiga den tillgängliga alfasen, även om du antar att du hade obegränsad kapital. Jag är inte säker på vad du menar med en kvotemarknadsprescriptionquot (index futures ETF39s), men det finns säkert många människor som gör kortsiktiga förutsägelser och dra nytta av dem, varje dag på marknader. ndash afekz 23 nov 15 kl 13:19 Jag echo mycket av vad Shane skrev. Förutom att läsa ESL, skulle jag föreslå en ännu mer grundläggande studie av statistiken först. Utöver det är problemen som jag beskrivit i en annan fråga om denna utbyte mycket relevanta. I synnerhet är problemet med datamining bias ett allvarligt vägspärr för varje maskinbaserad strategi. Yes - många kvanthandelsföretag använder maskininlärningstekniker på dataflöden för automatiserade affärer. Dessa handelsföretag handlar vanligtvis på mycket svaga korrelationer som upptäcks på grund av forskning från en kvantitativ analytiker (ibland känd som en kvant), som är övertygad om korrelationens giltighet. Medan dessa korrelationer är svaga kan omfattningen av dessa kvanthandelskunder göra varje enskild av dessa strategier värda hundratusentals miljoner, eller mer. Det finns dock bara plats för det snabbaste företaget att göra handeln för att dra nytta av denna korrelation. Således optimerar kvantföretag sina strategier för snabbhet. Med låg latens kan de slå någon annan till rätt handel, eftersom bara de snabbaste spelarna kommer att få vinsten. Eftersom deras strategier är optimerade för snabbhet och tillförlitlighet, är de maskininlärningstekniker de brukar vanligtvis mycket enkla. På grund av denna hänsynslösa konkurrens om lönsamma affärer är kvantföretag otroligt hemlighetsfulla och skyddande av deras immateriella rättigheter. Vilka företag gör det här Några exempel på högt ansedda företag som gör detta är Two Sigma Investments. D. E. Shaw (företag). Renaissance Technologies (hedgefond). och Hudson River Trading. Dessa företag är konsekvent framgångsrika i dessa automatiserade handelsstrategier, vilket genererar mycket hög avkastning för sina kunder själva. Följaktligen erbjuder de några av de högsta kompensationspaketen som finns tillgängliga på marknaden (mestadels via bonusar) till individer med färdigheten att identifiera och genomföra på dessa lönsamma affärer. Vad är ett exempel på en strategi Om du vill se bevis på att detta händer - en Huffington Post bloggare hittade bevis på Berkshire Hathaway dela värden ökar när Anne Hathaway nämns i nyheterna .1 Detta är troligt ett exempel på något program från ett handelsföretag som kör automatiserade affärer när de upptäcker (positiva) anmärkningar av Hathaway i nyheten. Medan detta specifika exempel är humoristiskt eftersom det är ett falskt positivt, är det ett bra exempel på ett program som kör automatiserade affärer på en kontinuerlig dataöverföring. Teknikerna här inbegriper sannolikt datainsamling (de behöver läsa pressmeddelanden över ett brett spektrum av källor, enhetsdetektering (de måste räkna ut när Hathaway nämns) och sentimentanalys (de behöver ta reda på om artikeln är positiv eller negativt). Om algoritmen kan reagera på en positiv nyhetsartikel snabbare än någon annan på marknaden kan de göra vinsten som är höjden (eller minskningen) i pris. Kan jag göra det själv självklart inte. har detta framgångsrikt spenderat många år till att förbättra sina datakällor, infrastruktur, talang, riskhantering, överensstämmelse, kapitalökning och alla andra praktiska nödvändigheter för att bygga upp en lönsam handelstransaktion. Speciellt vid de extremt snabba latenser som dessa kvantföretag upptäcka och exekvera på signaler, är det nästan omöjligt för en individ (eller en grupp av individer) att göra detta på egen hand utan att avsätta resurser för att bygga ett företag kring detta. Detta är en extr konkurrensutsatt marknad, från vilken du inte verkligen hittar för mycket hjälp om var du ska börja (det är därför grundarna till dessa kvantfonder tenderar att ha lärt sig att vara en del av en annan kvantfond). 55.9k Visningar mitten View Upvotes middot Inte för reproduktion Heres länk till några artiklar för tillämpning av ML på forexmarknader. På samma sätt kan man använda ML för att förutsäga aktiekurserna. Maskininlärning och dess tillämpning på Forex Markets ARBETSMODELL Maskinlärning och dess tillämpning på Forex Markets Del 2 ARBETSMODELL Det som krävs är en god förståelse för processen att följa när man bygger en ML-modell för handel. Då kommer förståelsen för några av de populära ML-algoritmerna som används i handeln. Prediktiv modellering i R för algoritmisk handel En mer om Sentimentanalys i handel. Sentimentsanalys i handel med hjälp av R WORKING MODEL Hoppas det här hjälper 1.6k Visningar mitten Visa Upphöjda mitten Inte för reproduktion Victor Huang. Ex handlare, hedgefondschef. Du har inte bestämt tidsramen. HFT-killar använder huvudsakligen maskininlärning för att förutsäga aktiekurserna i en delad sekund. Längre än så faller framgångsnivån väsentligt. 12,1k Visningar mitten Visa Upphöjda mitten Inte för reproduktion Vilken är den bästa modellen för att förutsäga börskurspriser Hur tjänar du från Share marketMF och betalar tillbaka eftersom skatter är logiska Kan vi förutsäga matchresultat genom maskininlärning Var hittar jag en dataset för min gasprisförutsägelse i maskininlärningsexperiment Har avancerad sannolikhetsteori något värde för att förutsäga aktierörelser Teknisk analys har ofta kallats för att vara besläktad med astrologi. Skulle detta också gälla de kvantitativa metoderna för TA som maskininlärningstillämpningar Hur kan jag förutse att aktiekursen går upp eller ner Vad är förutsägelsen av aktiekursen på Eicher Motors under kommande år genom förhållningsanalys Vad tycker du om försöker att förutsäga aktiekurser genom att använda ARIMA-modellen