Как мы внедряли машинное обучение в трейдинг опыт Richardson GMP

Влияет ли знание методов анализа данных на уровень заработной платы? Работает ли система оценки кредитоспособности клиентов банка? 99% данных содержат «шум», поэтому выводы на их основе не верны, а только вероятны. На машинное обучение в трейдинге этом курсе вы научитесь строить корректные выводы, оценивать параметры, проверять гипотезы и устанавливать причинно-следственные связи. Данная постановка является обобщением классических задач аппроксимации функций.

Знания, полученные в этой области, смогли выявить новый технологический тренд в алгоритмической торговле. Финансовые аналитики уже перестали быть такими востребованными — новыми королями Уолл-Стрит становятся программисты и математики. Первые попытки систематизации начались около 100 лет назад. Технический анализ — стартовая модель, которая привела инвесторов первой половины 20-го века к системному трейдингу.

Три метода машинного обучения в трейдинге

Событие BookSnapshot похоже на событие BookUpdate, но делает полный снимок всего биржевого стакана. Последний может быть очень большим, поэтому обычно существенно более эффективным является использование события BookSnapshot, но иногда бывает полезна полная фиксация текущего состояния. В правой части окна показывается история недавних торгов. Для каждой сделки указывается размер, цена и отметка времени. Академическое сообщество Deep Learning в основном находится в стороне от финансовых рынков. В силу ли того, что у финансовой индустрии не лучшая репутация, что решаемые проблемы не кажутся слишком интересными для исследований, или же просто из-за того, что биржевые данные трудно и дорого получать.

Обработка всех этих относительно больших данных — не самая простая задача, если начинать с нуля. И даже если трейдер знает все необходимые вводные, все равно остается часть задач, решение которых лучше разделять в команде. Этот тренд в области исследований начался около 50-х, 60-х годов 20-го века. Инвестиционные решения основывались на финансовом анализе и первых статистических моделях, а крутейшими ребятами на Уолл-Стрит были CFA — дипломированные финансовые аналитики. Самые востребованные области исследований системного трейдинга.

Опубликованные торговые стратегии часто не работают в реальной жизни

Различных точек данных с фондовой биржи в Нью-Йорке с первых минут открытия торгов. Применяется для трейдинга в результате взвешенных решений, не использую интуицию и фактор случайности. Это позволяет увеличить статистическую значимость благодаря последовательному применению рыночных обоснований и математики.

Пока еще без использования компьютеров, которых тогда еще не было. Широко известен пример компании Spread Networks, которая построила прямую линию оптоволоконной связи между Чикагской товарной биржей и центром обработки данных биржи NASDAQ в Нью-Джерси. Это было нужно, чтобы получать данные на доли секунд раньше остальных участников рынка.

Многопользовательская игра множества алгоритмических агентов

Многие из современных стандартных алгоритмов, таких как DQN или A3C, используют для исследований очень простой подход, в основном добавляя к политике случайный шум. Такой наивный случайный подход к исследованию данных почти никогда не наткнется на хорошие пары st–at. Вместо того, чтобы «вручную» программировать правила политики агента, наш агент может самостоятельно создавать правила своей политики. Нам не нужно указывать правила и пороговые значения в духе «покупать, когда вы на более, чем 75% уверены, что рынок будет двигаться вверх». Подобные правила политики агента в менее жесткой и более разнообразной форме будут найдены им в результате оптимизации метрики.

Небольшой цикл статей про машинное обучение опубликован на сайте inovancetech.com, здесь я представляю их перевод. Одной из проблем является моральный риск, культивируемый центральным банком при непосредственной поддержке финансовых рынков в течение последних восьми лет. Многие трейдеры и инвесторы теперь считают, что медвежий рынок невозможен, потому что центральный банк будет там, чтобы перераспределять их убытки на всех остальных, поэтому они могут сохранять свою прибыль. В результате большинство участников рынка не готовы к следующему существенному изменению рыночного режима и могут столкнуться с разрушительными потерями. Речь пойдет о применении пакетов Xgboost, Sklearn в задачах высокочастотного трейдинга для прогнозирования изменения цены и/или состояния срочного рынка.

Оптимизации портфеля с помощью Python и PyPortfolioOpt

Например, вы можете скачать цены на конец дня для более 3000 американских компаний или экономические данные из Федерального резерва. Наконец, финансовые рынки имеют короткие циклы отклика, поэтому вы сможете быстро перестроить прогноз под новые данные. Машинное обучение становится одной из самых многообещающих областей в алгоритмической торговле за последние два года, но имеет репутацию слишком сложного математического подхода. В действительности это не столь трудно в практическом применении. Для того, чтобы модель могла быть использована в повседневной трейдерской практике, ее необходимо обучить, оптимизировать и проверить на тестовых данных. Используя связь предикторов и результирующего признака, количественный трейдер подбирает тип модели, наиболее точное соотношение между ошибкой расчетов и предсказательной силой модели.

• Обработка всех этих относительно больших данных — не самая простая задача, если начинать с нуля.
• Первые попытки систематизации начались около 100 лет назад.
• Ликвидность — способность продать ценные бумаги быстро и без существенных потерь.
• Используя их, вы действуете на свой страх и риск и сами несете ответственность за результаты.
• Мало кто способен игнорировать присутствие искусственного интеллекта и машинного обучения в современном мире, тем более если вы работаете с финансовой математикой.

Важной особенностью при этом является способность обучаемой системы к обобщению, то есть к адекватному отклику на данные, выходящие за пределы имеющейся обучающей выборки. Для измерения точности ответов вводится оценочный функционал качества. Ликвидность — способность продать ценные бумаги быстро и без существенных потерь.