рекомендации

суббота, 15 февраля 2020 г.

Искусственный интелект и машинное обучение в трейдинге


Искусственный интеллект является академической областью знаний, которая изучает, как создавать компьютеры и компьютерные программы, способные к интеллектуальному поведению. Согласно определению Википедии «Искусственный интеллект - это интеллект машин, где интеллектуальный агент (система) воспринимает окружающую среду и предпринимает действия, которые максимизируют его шансы на успех.

Понятие машинного обучения

Машинное обучение - это подмножество ИИ, предназначенное для классификации и поиска закономерностей и экстраполяции его на новые данные. Мы видим много приложений для машинного обучения.
Netflix использует алгоритм машинного обучения, чтобы выбрать лучшие фильмы, которые будут вам рекомендованы. Торговый портал Amazon использует технику машинного обучения, чтобы рекомендовать товары на основе недавнего поиска и других узнаваемых паттернов.

Машинное обучение в трейдинге

В этой статье мы задаем вопрос: «Можно ли использовать методы машинного обучения в торговле акциями?» Ответ: «Да»! На самом деле, существуют хедж-фонды, основанные исключительно на AI, а именно Rebellion Research и KFL Capital. Машинное обучение логично и преодолевает человеческие ограничения. Это важно в трейдинге, где эмоции могут привести к провалам, когда дело доходит до принятия решений. Машинное обучение подразделяется на обучение с учителем и обучение без учителя. Обучение без учителя - это способность находить закономерности в потоке данные без маркировки данных. Примером этого типа является самоорганизующаяся карта (SOM). Ограничением этого типа является то, что параметры, по которым должны быть классифицированы данные, не указаны. При обучении с учителем указываются метки обучающих данных. В качестве примера можно привести Support Vector Machines (SVM).

Машины опорных векторов (SVM)

SVM анализирует данные и распознает закономерности. Первоначально предложенный Boser, Guyon и Vapik в 1992 году, SVM приобретал все большую популярность и в настоящее время является одним из лучших алгоритмов для ряда задач классификации, от текста до геномных данных.

В качестве примера применения SVM к торговле мы рассмотрим стратегию пересечения скользящих средних. В этой стратегии есть две скользящие средние, которые обозначаются SMA (короткая скользящая средняя) и LMA (длинная скользящая средняя). Если SMA пересекает LMA снизу, это сигнал на покупку, а если SMA пересекает LMA сверху, это сигнал на продажу. Для этого примера рассматриваются данные Nifty (NSE) за шесть лет. Если цена в текущий день выше, чем в предыдущий день, присваивается категория с названием +1. Аналогично, если цена в текущий день ниже, чем в предыдущий день, присваивается категория с названием -1. Категория 0 присваивается, если изменений цены между днями нет.

Прогнозы делаются на основе кластеризации данных. Большие количества точек данных находятся в зоне +1, и очень мало точек данных в зоне -1. Наблюдается общее распределение данных, и прогнозы можно улучшить, расширив диапазон от +1 и -1 до +5 и -5. Заменитель расширения диапазона - нейронные сети. Пакеты доступны в R, и вы можете создавать нейронные сети сами.

Заключение

Суть в том, чтобы покупать дешево и продавать дорого. Это достигается с помощью методов машинного обучения, которые обнаруживают закономерности в данных и делают прогнозы. Построение модели является важной частью торговых стратегий. На основании прошлых данных и их кластеризации делаются прогнозы на будущее. Есть много  других моделей: модель Маркова, дерево решений, случайный лес и многие другие.

Комментариев нет:

Отправка комментария