Rangka kerja untuk menguji strategi perdagangan algoritma


Dalam artikel ini, saya ingin berkongsi beberapa pembelajaran, pendekatan dan pandangan yang saya dapati relevan dalam semua projek ML saya sejak. Daripada terperinci teknikal, tumpuan saya di sini adalah mengenai pertimbangan umum di belakang pilihan pemodelan yang jarang dibincangkan dalam buku teks akademik klasik atau tutorial dalam talian mengenai teknik baru. Idea asas adalah untuk meletakkan harga pencemaran: pencemar ini dengan kos pengurangan marginal lebih rendah daripada harga pasaran semasa permit contohnya kerana keperluan penapis khusus mereka yang murah kemudian boleh menjual elaun pencemaran yang berlebihan mereka di pasaran untuk keuntungan, untuk menghadapi pencemaran kos pengurangan marginal yang lebih tinggi.

Rangka kerja untuk menguji strategi perdagangan algoritma strategi frekuensi tinggi, mungkin diperlukan untuk mendapatkan data tahap centang dan juga salinan sejarah data buku pesanan pertukaran perdagangan tertentu. Secara berasingan, pulangan sebenarnya memberikan kami maklumat yang terbatas tentang keberkesanan strategi. Semua isu lain yang dipertimbangkan, strategi frekuensi yang lebih tinggi memerlukan lebih banyak modal, lebih canggih dan lebih keras untuk dilaksanakan. Dalam contoh ini pasaran berada pada keseimbangan, jumlah beli saham hampir sama dengan jumlah jualan saham. Pada mulanya pada awal April saham dibeli. Satu kaveat untuk dipertimbangkan dengan ujian semula, dan kemudian menganalisis hasil anda, adalah perangkap pengoptimuman. Algoritma ini adalah murni. Pesanan dijana dengan cara berikut: Walaupun analisis ini boleh dilakukan setiap hari, mingguan atau bulanan. Penjagaan penting harus diberikan kepada reka bentuk dan pelaksanaan struktur pangkalan data untuk pelbagai instrumen kewangan.

Di sini, ujian yang digunakan dalam latihan model langkah 2 boleh menjadi set pengesahan untuk menyelaraskan parameter dasar. Algoritma genetik membolehkan anda meneroka ruang dasar, bermula dari generasi pertama yang mengatakan parameter dasar yang dipilih secara rawak, secara beransur-ansur menghapuskan 80 pemain yang paling buruk dan membuat 20 orang yang selamat menimbulkan 4 keturunan masing-masing.

Langkah penting ini disebut dagangan kertas dan merupakan ujian litmus penting untuk kesahihan pendekatan anda. Anda mungkin melihat di sini bahawa dalam data sejarah anda, anda sebenarnya menggunakan nilai yang tidak benar-benar tersedia pada masa yang diberikan, contohnya apabila mengira purata bergerak.


Apakah cakap ramalan anda? Tinjauan jangka panjang akan memerlukan faktor input tambahan seperti penerbitan pasaran, pandangan dasar, analisis sentimen mengenai wahyu twitter dan lain-lain. Jika anda berada dalam permainan jangka pendek atau bahkan perdagangan frekuensi tinggi berdasarkan isyarat pasaran tulen daripada data semak, anda mungkin ingin menyertakan purata panjang pelbagai panjang untuk menyediakan model anda dengan konteks sejarah dan trend, terutamanya jika algoritma pembelajaran anda tidak mempunyai sel memori yang jelas seperti Rangkaian Neural Berulang atau LSTM.

Dasar Perdagangan Tentukan dasar perdagangan anda: Dasar biasanya datang dengan beberapa parameter percuma yang perlu dioptimumkan seterusnya. Dalam konteks pembelajaran diselia yang dibincangkan di sini, ini adalah proses yang agak manual berdasarkan backtesting dan grid mencari beberapa kekurangan yang digariskan di bawah.

Jadi ini benar-benar satu kes penggunaan untuk melepaskan kekuatan Pembelajaran Mesin. Bagaimana untuk memanfaatkannya? Ini adalah aliran kerja tipikal untuk sistem perdagangan yang menggunakan pembelajaran diawasi: Data Dapatkan data di tempat. Skala data harus sekurang-kurangnya menjadi halus seperti skala yang anda ingin model dan akhirnya meramalkan.


Rangka Kerja Pembuatan Penguatkuasaan mengintegrasikan langkah 2 dan 3 di atas, memodelkan perdagangan sebagai interaksi seorang peniaga agen dengan pasaran alam sekitar, memerintahkan buku untuk mengoptimumkan ganjaran umpamanya pengembalian tindakannya. Smith, Ekonomi Alam Sekitar Oxford University Press memberikan pengenalan hebat kepada sejarah dan implikasi pendekatan pasaran terhadap dasar-dasar alam sekitar. Projek yang digariskan di atas telah dijalankan untuk dan dengan Abatement Capital LLC, sebuah syarikat pelaburan dan perdagangan proprietari yang memberi tumpuan kepada karbon dan komoditi alam sekitar yang lain, yang bersetuju dengan penerbitan ini dalam bentuk semasa.

Jauh daripada perniagaan yang dihadapi pelanggan, penggunaan yang luas dan aplikasi berkuasa Pembelajaran Mesin dalam Kewangan kurang dikenali. Sekitar tiga tahun yang lalu, saya terlibat dalam membangunkan Model Pembelajaran Mesin ML untuk ramalan harga dan perdagangan algoritma di pasaran Tenaga, khusus untuk pasaran Eropah Carbon emission certificates.

Oleh itu, harga elaun akan turun juga dalam tempoh tersebut. Rajah 2. Rajah 1: Korelasi Positif 30 Hari EUA dengan UK Gas secara mutlak dan dinormalisasi Model komprehensif perlu mencerminkan semua faktor ini. Walaupun kita dapat dengan mudah menganggap bahawa corak-corak yang dilihat dalam data pasaran sejarah yang berlimpah membawa ke masa kini dan akan terus ke masa depan ini sebenarnya adalah sine qua non, andaian yang tidak diperlukan untuk sebarang pemodelan analitik, jelaslah bahawa tetapan ini terlalu rumit untuk sebarang pendekatan yang cuba memodelkan pasaran berdasarkan kepercayaan generik, hubungan asas atau konsep ruang negara dari Econophysics.



Tanggungjawab untuk semua kandungan dan pandangan yang dinyatakan dalam artikel ini semata-mata dengan penulis. Penulis: Seorang saintis data yang ghairah, saya telah bekerja sebagai peneraju teknologi untuk pemula di seluruh dunia dan melaksanakan penyelesaian AI kehidupan sebenar untuk empat tahun yang lalu. Hubungi saya di simon projek yang mendalam.


Tetapi berapa banyak kontrak yang anda beli? Apakah ambang keyakinan yang anda gunakan? Berapa lama anda memegang kedudukan anda dalam menghadapi keadaan pasaran yang buruk? Parameter model ramalan dan dasar dioptimumkan secara bebas walaupun model dan dasar sebenarnya berinteraksi dengan teliti. Meneroka ruang parameter dasar dalam rangka kerja ini dilakukan melalui pengoptimuman berangka yang tidak cekap, bukan dengan pengoptimuman kecerunan yang kuat dari model Pembelajaran Mesin prediktif anda.

rangka kerja untuk menguji strategi perdagangan algoritma

Sebagai contoh, katakanlah harga gas asli setiap unit kalori jatuh di bawah harga minyak brent. Pengeluar dan utiliti kuasa akan beralih kepada bahan api yang kurang karbon ini, dengan itu menurunkan permintaan untuk elaun karbon.

rangka kerja untuk menguji strategi perdagangan algoritma

Walaupun anda mungkin mula dengan meletakkan pesanan anda secara manual, jangan memandang rendah kedua-dua usaha pentadbiran dan teknikal yang diperlukan untuk mengintegrasikan strategi anda dengan API pertukaran anda. Aliran kerja tipikal yang dibentangkan di sini mempunyai beberapa kekurangan yang teruk: Jadi ramalan model anda dari langkah 2 merujuk kepada harga teori tetapi mungkin tidak dengan harga yang anda akan meletakkan taruhan anda. Pendekatan pemodelan yang lebih terperinci perlu mengambil kira struktur sebenar dan dinamik buku pesanan.

Mengejar terlalu banyak metrik yang berbeza hanya akan menyebabkan kekeliruan. Dan ia sesuai dengan metrik yang anda boleh pertimbangkan untuk Dasar Perdagangan anda. Perhatikan prestasi model pada latihan dan set pengesahan. Memeriksa dengan teliti kes-kes di mana model yang salah akan membantu untuk mengenal pasti sebarang kecenderungan model yang berpotensi dan boleh dielakkan, lihat Rajah 4. Talian dasar ini sangat berbeza dengan aplikasi ML lain seperti objek atau pengenalan ucapan yang beroperasi dalam persekitaran tertutup di mana faktor-faktor yang mempengaruhi pemodelan sasaran boleh dengan jelas mengenal pasti saluran RGB piksel imej, frekuensi gelombang sampel bunyi.

Bersihkan data bagaimana anda mengganggu jurang? Latihan Model yang Diawasi Mengasingkan data anda menjadi set pelengkap untuk latihan, pengesahan untuk penalaan parameter, pemilihan ciri dan sebagainya. Ini sebenarnya lebih rumit daripada bunyi: Jika tidak, anda mungkin akan membuang usaha mensimulasikan parameter model pada set pengesahan hanya untuk mendapati ia kurang umum pada set ujian.

Keupayaan pengiraan anda mungkin menjadi faktor yang mengehadkan, terutamanya dalam konteks di mana model ML anda akan menentang algoritma yang berkod keras, cepat dan unik dari pencari pasaran atau pencari arbitraj. Menyebarkan pelayan awan khusus atau platform ML seperti H2O dan TensorFlow membolehkan anda menyebarkan pengiraan ke atas pelbagai pelayan.

Atau anda boleh menggunakan pencarian grid dalam ruang parameter multidimensi: metrik prestasi anda di sini adalah yang anda akhirnya bertujuan untuk mengoptimumkan strategi dagangan anda, contohnya PnL atau beberapa kuantiti yang diperoleh seperti Return on Investment, SharpeRatio pulangan setiap risiko turun naik, Nilai pada Risiko, beta dan lain-lain, lihat Rajah 5. Asumsi asas di sini adalah bahawa masa lalu baru-baru ini adalah tolok yang lebih baik untuk masa depan daripada masa lalu yang lebih jauh.

Dalam pasaran perdagangan pelepasan yang sempurna, harga keseimbangan permit akan menyelesaikan kos pengurangan marginal unit akhir pengurangan yang diperlukan untuk memenuhi sasaran pengurangan keseluruhan yang ditetapkan oleh topi pada pembekalan permit.