Kirjoitettu 238w ago Vladimir Novakovski aloitti Quoran koneoppimisryhmän, 2012-2014, ensimmäisen kerran. Keskitymme keräämään mahdollisimman paljon tietoa ja laatimaan yhden suuren taulukkomuodon. Tämä olisi historiallista hintatietoa. Ehkä tämä lisää sanomalehtiartikkeleita, blogiviestit, sec hakemukset muuttunut sananlaskennan vektoreiksi jne. käyttäen luonnollista kielten käsittelyä techiques Sinä sitten kouluttaisit valvotun algoritmin ostopäätökseen Sopivat algoritmit ovat logistinen regressio nopein ja satunnainen metsät tarkimmat tavallisesti On olemassa muita, kuten tukivektori koneita, tehostettu päätöksentekopuita, 3-kerroksisia hermoverkkoja, mutta ne eivät tarjoa yhtä hyvää tarkkuutta kuin satunnaiset metsät ja ovat usein hitaampia tai yhtä nopeita kuin logistinen regressio. Mielestäni paras valinta olisi yksinkertaisesti logistinen regressio ja paras toteutus on vowpal wabbit - erittäin nopea, pystyy käsittelemään valtavia määriä tietoja - 1 teratavua tunnissa yhdellä koneella, nopeammin edelleen klusterissa - ja auki niin urce Tämän avulla voit myös selkeästi nähdä, mitkä indikaattorit sarakkeet taulukossa ovat ennustavia. Voit myös lisätä sanomalehtiartikkeleita jne. suoraan tekstinä tähän käyttämällä hajautustavoitetta Tämä on myös toteutettu vowpal wabbit samoin, joten voit käsitellä hyvin suuret vapaamuotoiset tekstiartikkelit yhdellä rivillä samoin. On suoritettu edellä pisteeseen, jota et enää voi kerätä lisää tietolähteitä, on aika siirtyä ominaisuuden suunnitteluvaiheeseen Olet jo tehnyt jotain tästä, kun teit nlp mutta käytit vakiotekniikoita - ts. ei keksinyt keksiä omia menetelmiäsi. Tässä vaiheessa on kaksi vaihtoehtoa - manuaalinen ja automaattinen. Yleensä ihmiset tässä vaiheessa keksivät omat ominaisuutensa Tämä on mitä kauppiaat viettävät suurimman osan ajastaan - niin kutsuttuja strategioita tai sääntöjä. Näitä testataan vastaamaan dataa, jota kutsutaan backtestingiksi. Toinen uudempi automaatiomenetelmä on myös äskettäin tullut saataville - tarkkailematon syvä oppiminen. Ennenaikaista oppimista ei ollut, mutta se oli t hän matala lajike ja ei toimi hyvin käytännössä Deep Learning verkkoihin käyttäen autoencoders on uusi menetelmä keksiä vain 6 vuotta sitten, joka toimii todella hyvin Tämä artikkeli on osoitus siitä. Esimerkiksi heittää paljon tietokoneita ongelma, se mahdollista muodostaa strategioita automaattisesti Suurempi neuraalinen verkko, sitä paremmin se tekee - mutta tästä syystä tarvitaan enemmän tietokoneita Tämä on mielestäni kuitenkin parempi kuin yrittää palkata paljon luovaa analyyttistä kovaa työtä. 18k Näkymät View Upvotes Not Reproduction. I olen itse alussa tekemään automatisoidun kauppajärjestelmän, vastaus kysymykseesi on, miten haluat tehdä rahaa, haluatko daytrade tai ostaa ja pitää ajan mittaan, mitkä ovat sinun metrics tulee olemaan kun otetaan huomioon hyvä kaupallinen investointi Sinun täytyy tietää markkinat, joita aiot palvella, omassa tapauksessa osakemarkkinoilla Jos aiot tehdä oppimisliikettä kuljetusreittejä sinun pitäisi tietää poss hyviä muuttujia, jotka osallistuvat kuorma-autoon ja mitä mahdollisia vikoja, joihin aiot juosta. Voit saada kaikki vastaukset maailmassa, mutta ellet ole kovin älykäs kooderi, joka voi ottaa lähes infinatiomuuttujia ja kuvailla niiden merkitystä ja suhteita toisiinsa. Tiedot ovat myös harkinta, kuinka monta kantoa aiot seurata Millaisia tietoja tarvitset Nämä syötteet tulevat tuhansia kuukausia potentiaalisesti. After menossa tämän polun viimeisen vuoden, se on iso työpaikka ja este markkinoille Sinun on hankittava tietoa ja suunniteltava strategiasi. 2k Näkymät View Upvotes Not for Reproduction. Tad Slaff opiskeli yliopistossa Coloradon Boulderia. Tässä on yksinkertainen yksinkertainen askel-askeleelta opastus koneen oppimisen algoritmin käyttämisestä kaupan on peruskuva ja sen pitäisi antaa sinulle tarvittavat tiedot, jotta voit rakentaa omasi. 5k Näkymät View Upvotes Not for Reproduction. This viesti kertoo, mitä tein tehdä noin 500k alkaen korkean taajuuden kaupankäynnin vuodesta 2009-2010 Koska olin t rading täysin itsenäisesti ja en ole enää käynnissä minun ohjelma olen onnellinen kertoa kaiken Kaupankäynti oli enimmäkseen Russel 2000 ja DAX futuurit contracts. The avain minun menestykseen, uskon, ei ollut hienostunut taloudellinen yhtälö vaan pikemminkin yleinen algoritmi suunnittelu, joka yhdistää monia yksinkertaisia komponentteja ja käyttää koneiden oppimista optimoimaan maksimaalisen kannattavuuden saavuttamiseksi. Sinun ei tarvitse tuntea minkäänlaista hienostunutta terminologiaa täällä, koska kun asensin ohjelmani, se perustui kaikin puolin intuitioon. Andrew Ngin hämmästyttävä koneoppimista ei ollut vielä saatavilla - btw, jos klikkaat linkkiä, jota otatte meneillään olevaan Project MOOC: iin tutustumispaikkaan CourseTalkilla. Ensinnäkin haluan osoittaa, että menestys ei ollut pelkästään onnettomuus. Oma ohjelma teki 1000-4000 kaupasta päivässä puoli vuotta , puoli lyhyt ja koskaan päässyt asemaan enemmän kuin muutamia sopimuksia kerrallaan Tämä tarkoitti satunnaista onnea jostakin yksittäisestä kaupasta keskimäärin melko nopeasti Tuloksena olin koskaan menettänyt mor e 2000 päivässä ja ei ole koskaan menettänyt kuukautta. EDIT Nämä luvut ovat maksamien palkkioiden jälkeen. Ja tässä on kaavio, joka antaa sinulle tunteen päivittäisestä vaihtelusta Huomaa tämä sulkee pois viimeiset 7 kuukautta, koska - koska luvut pysähtyi nousemassa - menetin motiivini päästä niihin. My trading background. Prior automaattisen kaupankäyntiohjelman perustaminen Minulla oli 2 vuoden työkokemus manuaalisena päivittäiskauppana Tämä oli jo vuonna 2001 - se oli sähköisen kaupankäynnin alkuaikoina ja siellä oli mahdollisuuksia scalperin tekemään hyvää rahaa Voin vain kuvailla, mitä olin tekemässä kuten samankaltainen videopelipelin pelaaminen oletetun reunan kanssa. Menestys oli nopea, kurinalaista ja hyvä intuitiivinen kuvantunnistuskyky, jonka pystyin tekemään noin 250 k, maksoi opintolainoja ja rahaa jäänyt Win. Over seuraavien viiden vuoden aikana ottaisin käyttöön kaksi startupia, ottaisin vastaan joitakin ohjelmointitaitoja matkan varrella. Se ei ollut vasta vuoden 2008 loppupuolella, jotta saisin takaisin kaupankäynnin. Kun rahat olivat vähäiset myyntiin ensimmäisestä käynnistyksestäni, kaupankäynti tarjosi toiveita nopeasta käteisestä, kun tajusin seuraavaan siirtoon. Vuonna 2008 olin käsin päivän kaupankäynnin futuurit käyttäen ohjelmistoa kutsutaan T4 Olen d haluavat joitakin räätälöityjä tilauksen pikanäppäimiä, joten sen jälkeen, kun havaittiin T4 oli API, otin haasteen oppimisesta C ohjelmointikieli, jota tarvitaan API: n käyttämiseen ja mennyt eteenpäin ja rakensin itselleni muutamia pikanäppäimiä. Kun minulle tuli jalkani märkä API: n kanssa, minulla oli pian isompia toiveita, halusin opettaa tietokoneen kauppaan minulle API tarjosi sekä virran markkinoiden tiedot ja helppo tapa lähettää tilauksia vaihtoon - kaikki, mitä minun piti tehdä, oli luoda logiikka keskelle. Below on kuvakaappaus T4: n kaupankäynnin ikkunasta Mikä oli hienoa, kun sain ohjelmistani toimimaan pystyin katsella tietokonekauppaa tällä täsmälleen samalla käyttöliittymällä Tarkkailemalla todellisia tilauksia pukeutumalla sisään ja ulos itselleni oikeilla rahoillani oli sekä jännittävää että pelottavaa. Algoritmin suunnittelu. Alusta lähtien minun tavoitteena oli asentaa sellainen järjestelmä, että voisin olla kohtuudella co nfident i d tehdä rahaa ennen kuin koskaan tehdä mitään live kaupat Tämän saavuttamiseksi minun tarvitsi rakentaa kaupankäynnin simulointi puitteet, jotka - niin tarkasti kuin mahdollista - simuloida live trading. While kaupankäynnin live-tilassa tarvitaan jalostusmarkkinat päivitykset virrataan API, simulointi tila vaaditaan lukemista markkinoiden päivityksistä datatiedostosta Keräämään nämä tiedot Asennan ohjelmani ensimmäisen version yhteyden muodostamiseksi API-piiriin ja tallentamalla markkinoiden päivitykset aikaleimatilanteilla. Päätin käyttämään 4 viikkoa vanhempia markkinoita koskevia tietoja kouluttamaan ja testaamaan järjestelmääni. Keskellisellä peruskehyksellä minulla oli vielä tehtävänä selvittää, miten tehdä kannattava kaupankäyntijärjestelmä Koska se käy ilmi, että algoritmi murtautuvat kahteen erilliseen osaan, joita tutkitaan vuorollaan. Kaupat. Hintakehitys. Ilmeinen osa kaupankäyntijärjestelmästä voi ennustaa, missä hinnat muuttuvat. Minun ei ollut poikkeus. hinta sisäisen hintatarjouksen ja sisäisen tarjouksen keskiarvona ja asetin tavoitteeksi ennustaa, missä hinta olisi seuraavan 10 sekunnin aikana. Oma algoritmi tarvitsee tämän ennusteen hetken hetken koko kaupankäyntipäivän. indikaattorit. Olen luonut kourallisen indikaattoreita, joilla on ollut mielekäs kyky ennustaa lyhyen aikavälin hintamuutoksia. Jokainen indikaattori tuotti joko positiivisen tai negatiivisen määrän. Indikaattori oli hyödyllinen, jos useammin kuin positiivinen luku vastasi markkinoiden nousua ja negatiivinen luku vastasi markkinoiden menee alas. My järjestelmä antoi minulle nopeasti määrittää, kuinka paljon ennustavaa kykyä tahansa indikaattori oli niin pystyin kokeilemaan paljon erilaisia indikaattoreita nähdä, mitä toimi Monet indikaattorit olivat muuttujia kaavoja jotka tuottivat niitä ja pystyin löytämään optimaaliset arvot näille muuttujille tekemällä rinnakkain vertailut tuloksista, joilla on erilaisia arvoja. jotka olivat kaikkein hyödyllisimpiä, olivat kaikki suhteellisen yksinkertaisia ja perustuivat viimeaikaisiin tapahtumiin markkinoilla, joita olin kaupankäynnin kohteena sekä korrelaattoreiden markkinoiden kanssa. Tarkat hinnanmuutosennusteet. Suorituskyvyn ennustaminen, joka yksinkertaisesti ennusti ylös - tai alaspäin suuntautuvan hinnan liikkeen, ei riittänyt Minun tarvitsi tietää tarkalleen, kuinka paljon hintaindikaattoria ennustettiin jokaisen indikaattorin jokaisen mahdollisen arvon perusteella. Kaavaa tarvitaan, joka muuttaisi indikaattorin arvon hinnan ennusteeksi. Tämän saavuttamiseksi seurasin ennustettua hintamuutosta 50: ssä kauhassa, jotka riippuivat alueesta, joka indikaattorin arvo laski Tämä tuotti ainutlaatuiset ennusteet kullekin ämpärille, jonka sitten pystyin kuvaamaan Excelissä Kun näet, että odotettu hinnankorotus nousee indikaattorin arvon kasvaessa. Tämän kaavion perusteella pystyn tekemään kaavan sovittaa käyrä Alussa tein tämän käyrän sopivan käsin, mutta pian kirjoitin jonkin koodin prosessin automatisoimiseksi. Huomaa, että kaikilla indikaattorikäyillä ei ollut samoja pape Huomaa myös, että kauhat jakautuivat logaritmisesti jakamaan tiedot tasaisesti Lopuksi huomaa, että negatiiviset indikaattorivaihtoehdot ja niiden vastaavat alaspäin suuntautuvat hintaennusteet käännetään ja yhdistetään positiivisten arvojen kanssa. Oma algoritmi kohtelee ylös ja alas täsmälleen samebining indikaattorit yhdelle ennusteen. On tärkeä asia harkita, että jokainen indikaattori ei ollut täysin itsenäinen en voinut vain yksinkertaisesti lisätä kaikki ennusteet, että kukin indikaattori tehty erikseen Avain oli selvittää, että ylimääräinen ennakoiva arvo, että jokainen indikaattori oli yli mitä oli jo ennustettu Tämä ei ollut vaikea toteuttaa, mutta se merkitsi sitä, että jos olisin kaarre sopiva useita indikaattoreita samaan aikaan minun piti olla varovainen muuttaminen yksi vaikuttaisi ennusteet toinen. Jotta käyrä sopivat kaikki indikaattorit samaan aikaan I asenna optimoija asettamaan vain 30 suuntaan kohti uutta ennustuskäyrää kullekin läpikulkulle Tämän 30 hypyn kanssa, jonka löysin että ennustuskäyrät vakiintuisivat muutamassa kulmassa. Jokainen indikaattori nyt antaa meille sen ylimääräisen hinnan ennusteen, voisin yksinkertaisesti lisätä ne yhteen tuottamaan yhden ennusteen siitä, missä markkinat olisivat 10 sekunnissa. Miksi ennustavat hinnat eivät riitä. Saatat ajatella, että tällä reuna markkinoilla olin kultainen Mutta sinun täytyy pitää mielessä, että markkinat koostuvat tarjouksista ja tarjoaa - se ei ole vain yksi markkinahinta Menestys korkean taajuuden kaupankäynnin tulee alas saada hyviä hintoja ja se ei ole niin helppoa. Seuraavat tekijät tekevät kannattavan järjestelmän luomisesta vaikeaksi. Jokaisen kaupan vuoksi minun piti maksaa palkkioita sekä minun välittäjälle että pörssille. Ero korkeimman tarjouksen ja alimman tarjouksen välillä merkitsi, että jos olisin yksinkertaisesti ostaa ja myydä satunnaisesti menettää tonnia rahaa. Suurin osa markkinoiden määrästä oli muita robotteja, jotka tekisivät vain kauppaa kanssani, jos he luulivat, että heillä oli joitakin tilastollisia etuja. Tarjouksen tekeminen ei takaa, että voisin ostaa sen. kun minun ostotilaus saatiin vaihtoon, oli hyvin mahdollista, että tämä tarjous olisi peruutettu. Pienen markkinatoimijan ei ollut mahdollista kilpailla yksin nopeudella. Rakentamalla täyden kaupankäynnin simulaation. Joten minulla oli kehys, joka antoi minulle mahdollisuuden mittareita ja optimoida indikaattoreita Minun piti mennä pidemmälle. Tarvitsin kehyksen, jonka avulla voisin testata ja optimoida täydellisen kaupankäyntijärjestelmän, jossa lähetin tilauksia ja saavuin paikalle. Tällöin optimoin koko PL: lle ja jossain määrin keskimäärin PL kohti kaupankäyntiä. Tämä olisi vaikeampaa ja jollain tavalla mahdotonta mallintaa tarkasti, mutta tein parhaiten kuin voisin. Tässä on muutamia asioita, joista minulla oli tehtävä. Kun tilaus lähetettiin markkinoille simuloinnissa Minun piti muokata viiveaikaa. Se, että järjestelmäni näki tarjouksen, ei tarkoittanut sitä, että se voisi ostaa sen heti. Järjestelmä lähettää tilauksen, odottaa noin 20 millisekuntia ja sitten vain, jos tarjous oli vielä siellä, pidettiin sitä toteutettu kauppa Tämä oli epätäsmällistä, koska todellinen viiveaika oli epäjohdonmukainen ja ilmoittamaton. Kun asetin tarjouksia tai tarjouksia, minun piti tarkastella API: n tarjoamaa kaupan toteutusvirtaa ja käyttää niitä arvioimaan, kun tilaukseni olisi toteutettu. minun oli seurattava tilaukseni asemaa jonossa. Se on ensimmäinen ensimmäisessä järjestelmässä. Jälleen en voinut tehdä tätä täydellisesti, mutta tein parhaan lähentämisen. Tarkastellessani tilaustyössimulointiani, mitä tein, otin lokitiedostot elää kaupankäynnin kautta API ja vertailla niitä lokitiedostojen tuottamat simuloidun kaupankäynnin täsmälleen samasta ajanjaksosta pystyin saamaan minun simulointi siihen pisteeseen, että se oli melko tarkka ja osia, jotka olivat mahdottomia mallin täsmälleen olen varmistanut ainakin tuottaa tuloksia, jotka olivat tilastollisesti samanlaisia metrics mielestäni olivat tärkeitä. Making kannattavaa trades. With tilaus simulointi malli paikalla voisin nyt lähettää tilauksia simulointi-tilassa ja nähdä simuloitu PL Mutta kuinka m y-järjestelmä tietää, milloin ja missä ostaa ja myydä. Hintamuutosten ennusteet olivat lähtökohtana, mutta ei koko tarina. Mitä minä tein oli luoda pisteytysjärjestelmä jokaiselle 5 hintatasolle tarjouksessa ja tarjouksessa. Nämä sisälsivät yhden tason sisäpuolella ostotilauksen tarjous ja yksi taso myyntitoimeksiannon sisäisen tarjouksen alapuolelle. Jos pisteet jokaisella hintatasolla olivat tietyn kynnysarvon yläpuolella, mikä merkitsisi sitä, että järjestelmässäni olisi oltava voimassa oleva tarjouskilpailu - kynnysarvon alapuolella sitten kaikki aktiiviset tilaukset olisi peruutettava Tämän perusteella ei ollut harvinaista, että järjestelmäni houkuttelisi tarjouksen markkinoilla ja heti peruuttaa sen Vaikka olen yrittänyt minimoida tämän koska se on ärsyttävää kuin heck ketään katsomassa ruudulla ihmisen silmät - myös minua. hintatason tulokset laskettiin seuraavien tekijöiden perusteella. Hintakehitysennuste, josta keskustelimme aiemmin. Kyseessä oleva hintataso Sisäiset tasot edellyttivät suurempia hinnanmuutosharjoituksia. Sopimusten lukumäärä order in the queue Vähemmän oli parempi. Tilausjäljellä olevien tilausten määrä jonossa More oli parempi. Näiden tekijöiden avulla tunnistettaisiin turvallisia tarjouksen hintatarjouksia. Hintojen siirtoennuste ei yksin riitä, koska se ei ottanut huomioon sitä, että kun tarjoukseni asetettiin, minua ei täytetty automaattisesti - täyttyin vain, jos joku myi minulle totta. Todellisuus oli, että pelkkä tosiasiat, jotka myivät minulle tietyllä hinnalla, muuttivat kaupan tilastollisia kertoimia. Tässä vaiheessa käytetyt muuttujat kaikki ottivat optimoinnin. Tämä tapahtui täsmälleen samalla tavalla kuin optimoitiin muuttujia hinnanmuutosindikaattoreissa, paitsi tässä tapauksessa optimoin loppuliville P L. Mitkä ohjelmani jätettiin huomiotta. Kun ihmiskaupalla meillä on usein voimakkaita tunteita ja ennakoinnit, jotka voivat johtaa vähemmän kuin optimaaliset päätökset Selvästi en halunnut kodifioida näitä ennakkoluuloja Seuraavassa on joitain tekijöitä, joita järjestelmääni ei otettu huomioon. Hinta, joka asemasta tuli - Kaupan toimistossa se on melko yleinen kuulla keskustelua hinnasta, jolla joku on pitkä tai lyhyt, jos se vaikuttaisi tuleviin päätöksentekoprosessiin. Vaikka tällä on jonkin verran valppautta osana riskinvähentämisstrategiaa, sillä ei todellakaan ole merkitystä markkinoiden tulevien tapahtumien kannalta. ohjelma on täysin jättänyt huomiotta nämä tiedot It's sama käsite kuin unohdetaan uppoamiskustannukset. Koska lyhyt vs ulos kaukaa - tyypillisesti elinkeinonharjoittaja olisi erilaisia perusteita, jotka määräävät, missä myydä pitkä asema vs. missä mennä lyhyt kuitenkin omasta algoritmien näkökulmasta ei syytä tehdä eroa Jos algoritmini odotettiin alaspäin suuntautuvan myynnin myynti oli hyvä, riippumatta siitä, oliko se pitkä, lyhyt tai tasainen. Strategian kaksinkertaistaminen - Tämä on yhteinen strategia, jossa kauppiaat ostavat lisää varastoa tapahtumassa että siellä on alkuperäistä kauppaa vastaan. Tämä johtaa siihen, että keskimääräinen ostohinta on pienempi ja se tarkoittaa, milloin tai jos varastossa kääntyy sinua ll asetetaan tekemään mon ey back in no time Mielestäni tämä on todella kamala strategia, ellet pala Warren Buffet Sinä olet petkuttanut ajattelemaan, että teet hyvin, koska suurin osa kaupoistasi on voittajia Ongelma on, kun häviät menetät suuria Toinen vaikutus on se on vaikea arvioida, onko sinulla todellakin markkinoiden reuna vai vain onnea. Oli mahdollisuus seurata ja vahvistaa, että ohjelmallani todella oli reuna oli tärkeä tavoite. Koska algoritmi teki päätöksiä samalla tavalla riippumatta siitä, missä se tuli kaupankäynnin kohteeksi tai jos se oli pitkä tai lyhyt, se ajoi satunnaisesti ja otti joitakin suuria menetyksiä kaupankäynnin lisäksi joidenkin suurten voitto kauppoja Mutta sinun ei pitäisi mielestäni ei ollut mitään riskienhallintaa. aseman koko 2 sopimusta kerrallaan, joskus törmäsi suuria määriä päivää minulla oli myös suurin päivittäinen tappion raja suojata vastaan odottamattomia markkinaolosuhteita tai vika minun ohjelmistolla Nämä rajoitukset pannaan täytäntöön minun code bu t myös välittäjänä välittäjän kautta. Näin ei koskaan tapahtunut merkittäviä ongelmia. Algoritmin suorittaminen. Siitä hetkestä alkaen, kun aloin työskennellä ohjelmassani, se kesti noin 6 kuukautta ennen kuin saan sen kannattavuuteen ja aloitin sen suorittamisen elää Vaikka olenkin reilut huomattava aika oppimassa uutta ohjelmointikieltä Kun työskentelin ohjelmiston parantamiseksi, näin kasvanut voitot kullekin seuraavalle neljäksi kuukaudeksi. Joka viikko voisin uudistaa järjestelmääni edellisen 4 viikon arvosta tulokset löysin tämän saavutti oikean tasapainon vallasta viimeaikaisen markkinakäyttäytymisen trendit ja vakuuttaminen minun algoritmi oli tarpeeksi tietoa, jotta voidaan luoda mielekkäitä kuvioita Kun koulutus alkoi yhä enemmän aikaa jakaa sen niin, että se voitaisiin suorittaa 8 virtuaalikoneiden käyttäen amazon EC2 Tulokset yhdistettiin sitten paikallisella koneellani. Kaupankäynnin huippu oli lokakuussa 2009, kun tein lähes 100k. Tämän jälkeen jatkoin seuraavien neljän kuukauden aikana mistä olen yrittänyt toteuttaa parhaita ideoitani, koska mikään, mitä yritin, tuntui auttavan paljon. Koska turhautuminen ei ole voinut tehdä parannuksia ja olla kasvun tunne alkoi ajatella uutta suunnetta lähetin 6 eri korkean taajuuden kaupankäynnin yrityksille, jos he olisivat kiinnostuneita hankkimaan ohjelmistani ja antamaan minulle työtä heidän puolestaan Kukaan ei vastannut minulla oli joitain uusia aloitusideoita, jotka halusin työskennellä, joten en ole koskaan seurannut. UPDATE - Lähetin tämän Hacker Newsin kohdalle ja se on saanut paljon huomiota Haluan vain sanoa, etten kannata joku yrittää tehdä jotain tällaista itseään Nyt tarvitsisit joukon todella älykkäitä ihmisiä, joilla oli erilaisia kokemuksia minulla on toivoa kilpailla Vaikka tekisinkin tämän, uskon, että on hyvin harvinaista, että yksilöt pääsevät menestykseen, vaikka olin kuullut muista. Sivun yläosassa on kommentti, jossa mainitaan manipuloitu sta tistics ja viittaa minulle vähittäiskaupan sijoittajana, joka kvantteja nautittavasti poimia Tämä on melko valitettava kommentti, joka ei yksinkertaisesti perustu todellisuuteen Asetus, että syrjään on joitakin mielenkiintoisia kommentteja. UPDATE 2 - Olen lähetetty seuranta FAQ, joka vastaa joitain yleisiä kysymyksiä, jotka olen saanut kauppiailta tästä post. Machine Learning Trading Systems. SPDR SP 500 ETF SPY on yksi laajasti vaihdetuista ETF tuotteita markkinoilla, noin 200 miljardia asukasta ja keskimääräinen liikevaihto on vain alle 200 miljoonaa osaketta päivittäin todennäköisyys kehittää rahaa tarjoava kaupankäyntijärjestelmä, joka käyttää yleisesti saatavilla olevia tietoja, saattaa näyttää olevan ohutta-ei-mitään. Jotta voimme tarjota itsellemme taistelupotentiaalin, keskitymme yrittämään yön yli - liikkeen ennustaminen SPY: ssa käyttämällä tiedot edellisen päivän istunnosta. Edellisen päivän istuntojen avointen korkeiden ja alhaisten hintojen lisäksi olemme valinneet joukon muita uskottavia muuttujia, joiden avulla voimme rakentaa ominaisuusvektorin, jota aiomme käyttää koneen oppimismallissa. Päivittäinen volyymi. Edellisen päivän päätöskurssi. Päätöskurssien 200, 50 ja 10 päivän liukuva keskiarvo. SPY-sarjan 252 päivän korkeat ja alhaiset hinnat. pyrkii rakentamaan mallin, joka ennustaa ETF: n yön yli - tulon, eli O t 1 - C t C t. Tässä harjoituksessa käytämme päivittäisiä tietoja SPY-sarjan alusta vuoden 2014 loppuun mallin rakentamiseksi, jonka jälkeen testaamme näytön ulkopuolisista tiedoista, jotka kulkevat tammi-elokuuhun 2016 Korkean taajuuden yhteydessä käytettiin huomattavaa aikaa tietojen arvioimiseen, puhdistamiseen ja normalisointiin Tässä meillä on paljon vähemmän tällaisia ongelmia Tyypillisesti yksi standardisoi tulodatan tasoittamaan muuttujien vaikutusta, joita voidaan mitata hyvin erilaisilla suuruusluokilla. Mutta tässä esimerkissä kaikki tulomuuttujat, lukuun ottamatta tilavuutta, mitataan samassa mittakaavassa, joten standardointi on kiistatta tarpeetonta. Ensinnäkin näyte-tieto on loa ja käytettiin luomaan koulutusjoukko sääntöjä, jotka kartoittavat funktion vektorin kiinnostavaan muuttujaan yön yli. Mathematica 10 Wolfram esitteli joukon konenäköalgoritmeja, joihin kuuluu regressio, lähin naapuri, hermoverkot ja satunnaiset metsät yhdessä joiden avulla pystytään arvioimaan ja valitsemaan parhaiten menestyvän koneoppimisen tekniikka. Nämä tilat tekevät erittäin suoraviivaisen luodakseen luokitus - tai ennustemallin konekielisen algoritmien avulla, kuten tämän käsinkirjoituksen tunnistamisnäytteen. Luomme ennustavan mallin SPY-harjoituksissa, jolloin Mathematica voi valita paras koneen oppimisalgoritmi. Predict-toiminnolle on useita vaihtoehtoja, joita voidaan käyttää ominaisuusvalinnan, algoritmityypin, suorituskyvyn tyypin ja tavoitteen ohjaamiseen sen sijaan, että yksinkertaisesti hyväksytään oletusarvot, kuten olemme tehneet täällä. meidän konekielisen oppimismallimme, lataamme näyteaineiston tiedot tammikuusta 2015 elokuuhun 2016 ja luodaan testisarja. Me Seuraavaksi luodaan PredictionMeasurement - objekti käyttäen Lähin naapurin mallia, jota voidaan käyttää lisätarkasteluun. Mallioennusteissa ei ole paljon hajontajaksoa, joilla kaikilla on positiivinen arvo. Yleinen tekniikka tällaisissa tapauksissa on vähennettävä keskiarvo kustakin ennusteesta ja voimme myös standardisoida ne jakamalla keskihajonnalla. SPY: n todellisen ylenmääräytymisnopeuden tuotto hajotetaan nyt näyttää siltä, että ennustearvot ovat edelleen ilmeinen puute dispersiosta verrattuna todellisiin yön yli - ennustuksiin, joita me voisi korjata standardoinnin avulla Joka tapauksessa näyttää olevan pieni, epälineaarinen suhdeluku ennusteiden ja todellisten arvojen välillä, mikä toisaalta toivoo, että malli saattaa vielä osoittautua hyödylliseksi. Ennustaminen kaupankäyntiin. On olemassa erilaisia menetelmiä ennustemallin käyttöönottamiseksi kaupankäyntijärjestelmän luomisen yhteydessä Yksinkertaisin reitti, jota otamme tässä, on soveltaa kynnysporttia ja muuntaa suodatetut ennusteet suoraan kaupankäynnin signaaliin. Muitakin lähestymistapoja on mahdollista esimerkiksi esimerkiksi tuottaa ennusteita useista malleista ennustavan yhtyeen luomiseksi. Ennusteiden käyttäminen geneettisen ohjelmointimallin panoksina. Ennusteen tekeminen tietorakenteeseen, joka on suunniteltu nimenomaan tuottamaan kaupankäynnin signaaleja ennusteen sijaan. Tässä esimerkissä luodaan kaupankäyntimalli soveltamalla yksinkertaista suodatinta ennusteisiin, poimimalla vain ne arvot, jotka ylittävät määritellyn kynnysarvon. Tämä on vakiomalli, jota käytetään signaalin erottamiseen mallissa taustamelu Hyväksymme vain positiiviset signaalit, jotka ylittävät kynnysarvon ja luo pitkäaikaisen kaupankäyntijärjestelmän eli jätämme huomiotta ennusteet, jotka jäävät kynnysarvon alapuolelle. Osta SPY: n lähiaikoina, kun ennuste ylittää kynnysarvon ja lopettaa minkä tahansa pitkän asennon Seuraavana päivänä avautuu Tämä strategia tuottaa seuraavat proformaaliset tulokset. Järjestelmässä on varsin houkuttelevia ominaisuuksia, mukaan lukien voiton määrä yli 66-vuotiaista ja yli 10-vuotiaista CAGR-luokista. Tämä on hyvin peruskuva, josta haluaisimme ottaa huomioon kaupankäyntipalkkioita ja luottotappioita, jotka aiheutuvat postilähetysten saapumis - ja poistumispaikoista, Markkinat, jotka vaikuttavat negatiivisesti suorituskykyyn, tietenkin Toisaalta olemme alun perin alkaneet naarmuttaa pintaa sellaisten muuttujien osalta, joita voitaisiin harkita sisällyttämään piirrevektoriin ja jotka voivat lisätä mallin selittävää voimaa Toisin sanoen, tämä on tosiasiassa vain pitkä ja vaikea tutkimusprosessi. Tämä yksinkertainen esimerkki olisi kuitenkin tarpeeksi, jotta lukijalle saataisiin maistua ennakoivan kaupankäynnin mallin rakentamista koneen oppimisalgoritmeilla.
No comments:
Post a Comment