Machine Learning In Trading Strategien

Wie man Machine Learning in Ihrem Trading Machine Lernen bietet viele einzigartige und überzeugende Vorteile für Händler auf der Suche nach einem Vorteil auf dem Markt. Gerade im letzten Jahr haben wir eine riesige Menge von Ressourcen aus der Welt Top-Hedge-Fonds gesehen, wie Bridgewater Associates, widmet sich der Erforschung dieser Techniken. Während maschinelles Lernen oder künstliche Intelligenz scheint unglaublich komplex und schwierig zu implementieren, gibt es noch Möglichkeiten, ihre Fähigkeiten ohne PhD in Mathematik oder Wissenschaft nutzen. In diesem Beitrag, gut durchlaufen 3 verschiedene Möglichkeiten, die Sie Techniken aus Maschine lernen können, um Ihre eigenen Handel zu verbessern. Indikatorauswahl Eine der wichtigsten Entscheidungen entscheidet, welche Indikatoren für den Handel verwendet werden sollen. Egal, ob Sie ein technischer oder fundamentaler Trader sind oder ob Sie nur Preisaktionen zum Handel verwenden, Ihr Erfolg wird weitgehend von den Indikatoren abhängen, die Sie verwenden und wie Sie sie interpretieren. Zum Glück gibt es viele verschiedene Methoden für die Auswahl Ihrer Indikatoren und dies ist bekannt als Feature-Auswahl in der Maschine lernende Welt. Verwenden eines Entscheidungsbaums, um Ihre Indikatoren auszuwählen Entscheidungsbäume sind sehr vielseitige Algorithmen, die den Vorteil haben, dass sie leicht interpretierbar sind. Angesichts eines großen Datensatzes von Indikatoren und der Kursbewegung des Vermögenswertes findet ein Entscheidungsbaum die Indikatoren und Indikatorwerte, die die Daten zwischen Preiserhöhungen und Preisrückgängen am besten teilen. Indikatoren näher an der Spitze des Baumes werden als bessere Prädiktoren als diejenigen näher an der Unterseite des Baumes gesehen, und nach einem bestimmten Zweig können Sie leicht zu finden Interdependenzen und Beziehungen zwischen den Indikatoren. Der Entscheidungsbaum wird Ihnen auch eine Reihe von Regeln, die Sie verwenden können, um auf der Grundlage dieser Indikatoren handeln, aber Sie müssen sicher sein, ordnungsgemäß beschneiden den Baum und Test für Overfitting. Der Entscheidungsbaum ist ein leistungsfähiges, visuelles Werkzeug, das Ihnen helfen kann, zu entscheiden, welche Kombinationen von Indikatoren zum Handel und zu welchen Werten sie handeln. Hier finden Sie ein Tutorial zum Erstellen einer Strategie mit einem Entscheidungsbaum hier oder für eine allgemeinere Anleitung, in R hier ist eine gute Ressource. Optimierung Sobald Sie die Grundlage für Ihre Strategie haben, ist der nächste Schritt die Optimierung oder die Auswahl der richtigen Parameterwerte, um Ihre Chance auf Erfolg zu maximieren. Viele Strategien haben eine Vielzahl von Parametern wie Indikatoreinstellungen, Ein - und Ausstiegsbedingungen, Stop-Loss - und Take-Profit-Ebenen sowie die Positionsbestimmung, die Brute-Force-Methoden zum Ausprobieren jeder einzelnen Kombination extrem schwierig und zeitraubend machen Möglich. Die Lösung dieser Art von Problemen ist ein weiterer Bereich, wo Maschinenlernen zeichnet sich aus. Optimierung einer Strategie mit genetischen Algorithmen Genetische Algorithmen imitieren den Prozess der natürlichen Selektion durch die Schaffung einer einzigartigen Reihe von Kinder-Strategien, die eine Mischung aus den besten Elternstrategien, mit einer Chance auf zufällige Mutation enthält. Der Prozess beginnt mit der Codierung Ihrer Strategie in ein Array. Zum Beispiel könnte es so etwas wie: Indicator 1 Periode Sie würden dann eine große Population von Strategien mit zufälligen Variationen dieser Parameter zu generieren. Diese Strategien haben alle unterschiedliche Kombinationen von gleitenden Durchschnittsperioden, Eintritts - und Austrittsbedingungen und Risiko-Gewinn-Verhältnissen. Als nächstes würden Sie diese Population testen, indem Sie jede Strategie über einen Testsatz ausführen und die Top-Strategien basierend auf einer Leistungsmetrik Ihrer Wahl auswählen. Schließlich kombinieren Sie die Merkmale der Top-Strategien zufällig, mit einer kleinen Chance, einige der Parameter zu mutieren, um eine neue Generation von Kinderstrategien zu schaffen. Sie wiederholen dann das Auswertungsverfahren und paaren sich erneut an die besten Strategien dieser neuen Generation. Dies führt zu einem Überleben der fittest Szenario, wo nur die Top-Strategien überleben, um ihre Gene an die nächste Generation weitergeben Wiederholen Sie diesen Prozess eine große Anzahl von Malen oder bis ein bestimmtes Leistungskriterium erreicht ist und Sie mit einer sehr robusten Strategie aus geblieben sind Generationen der besten Strategien Sie müssen sicherstellen, dass Sie eine geeignete Performance-Metrik (wie risikoadjustierte Rendite) und immer testen Sie die endgültige Strategie über Daten, die nicht verwendet wurde, um die Strategie zu bauen, um sicherzustellen, dass Sie arent Überbeanspruchung zu einer Bestimmten Datensatz. Dies ist eine sehr leistungsstarke und robuste Methode, die in einer Vielzahl von Anwendungen, einschließlich der Welt des Handels erfolgreich war. Eine ausführlichere Beschreibung finden Sie hier und ein Tutorial zur Implementierung in R hier. Live Trading Eines der attraktiveren Aspekte des maschinellen Lernens ist ein Algorithmus, der in der Lage ist zu lernen und sich an veränderte Marktbedingungen anzupassen. Allerdings schafft dies eine Blackbox-Strategie, die, wenn Sie nicht vollständig verstehen, wie die Algorithmen arbeiten und gründlich getestet es selbst, ist sehr schwer auf ein Live-Konto vertrauen. Nicht zu wissen, wann oder warum eine Strategie in einen Handel eintritt, kann ein beängstigender Vorschlag sein. Allerdings gibt es Möglichkeiten, um die Vorteile eines intelligenten, algorithmischen Ansatz, während immer noch die Wahrung der Transparenz und Verständnis in Ihrer Strategie. Association Rule Learning Association Rule Learning ist der Prozess der Ableitung einer Reihe klarer, verständlicher Regeln aus den Mustern, die durch einen maschinellen Lernalgorithmus aufgedeckt werden. Algorithmen, wie der Apriori-Algorithmus, suchen einen Datensatz aus Indikatoren, Indikatorwerten und der daraus resultierenden Preisbewegung, um einen Satz von Bedingungen zu generieren, wenn es sich um Aussagen handelt, die zu den leistungsstärksten Ergebnissen führen. Allerdings ist es immer noch schwierig, genau zu wissen, wo diese Regeln herkommen, erfordert der Apriori-Algorithmus eine ziemlich große Anzahl von Parametern abgestimmt und dieser Prozess eignet sich nicht gut für sich verändernde Marktbedingungen. Mit TRAIDE. Nahmen wir den Prozess einen Schritt weiter und ermöglichen es Ihnen, die Muster, die von einem Ensemble von maschinellen Lernalgorithmen gefunden wurden, zu sehen, aus denen Sie Ihre eigenen Handelsregeln erstellen können. Diese Regeln sind dann einfach zu implementieren und an sich ändernde Marktbedingungen anzupassen, ganz ohne irgendeine Programmierung oder mathematische Erfahrung zu erfordern. Sie sind in der Lage, die Vorteile der Verwendung von maschinellen Lernalgorithmen für den Handel zu erhalten, während immer noch vollständige Transparenz, ein Verständnis für Ihre Strategie und einschließlich Ihrer eigenen Domain-Know-how in Ihrem Handel. Mit maschinellem Lernen und künstlicher Intelligenz, um einen Vorteil auf dem Markt zu finden, muss nicht ausschließlich von nur den größten Finanzinstituten besessen werden. Da diese Technologie wird mehr zugänglich und diese Techniken häufiger, können Sie auch maschinelles Lernen, um Ihre trading. Yes verbessern. Ein guter Weg, um herauszufinden, welche quant Fonds mit maschinellem Lernen ist, um zu sehen, welche Werte und sind Teil der Maschine Lerngemeinschaft. Ein gutes Beispiel dafür ist, welche quantischen Mittel Sponsoren der NIPS sind (eine der führenden ML-Konferenzen). Dieses Jahr (2013) sind diese Fonds: Sieht aus wie eine Reihe von Unternehmen entdeckt NIPS in diesem Jahr. Statistisches Maschinelles Lernen wird durch quantitative Mittel in Forschungspositionen im Zusammenhang mit Design und Entwicklung von Handelsstrategien wie: CTA, Trendfolgen, Mustererkennung, Mittlere Reversion, Momentum für lineare Produkte wie Futures amp Spot FX verwendet. Statistisches Arbitrage, Paare, Korrelation: Vorhersage und Optimierung. Cross Asset Intraday und Extra-Day (Kovarianz-und Preisprognose Strategien) mit kurzen Haltedauer. Niedrige Latenz - und passive Marktstrategien basierend auf der Analyse zentraler Orderbücher. Hohe Auftragslage. Bank verwenden es für die Analyse und Klassifizierung der Order-Flow, um zu identifizieren toxischen Klienten etc. Ich habe festgestellt, dass Hedgefunds und Prop-Gruppen wie Menschen Leasing mit einem nicht-trivialen Verständnis der folgenden Themen. D. h. studiert in der Tiefe mit einem guten Verständnis der Kompromisse und warum sollten Sie einen Algorithmus oder Technik über einen anderen verwenden. Statistische Theorie (maximale Wahrscheinlichkeit, Bayes, minimax, parametrische versus nichtparametrische Methoden, Bayessche versus nichtbayesische Ansätze, Klassifizierung, Regression, Dichteabschätzung) Parametrische Methoden (Lineare Regression, Modellselektion, Generalisierte Linearmodelle, Gemischte Modelle, Klassifikation (linear, logistisch , Strukturelle Vorhersage, Hidden-Markov-Modelle) Nichtparametrische Methoden (Nichtparametrische Regression und Dichteabschätzung, Nichtparametrische Klassifikation, Boosting, Clustering und Dimensionsreduktion, PCA, Mehrfachmethoden, Hauptkurven, Spektrale Methoden, Das Bootstrap und Subsampling , Nichtparametrische Bayes) Spärlichkeit (Grundlagen und Lasso Revisited, Sparsity, Konsistenz, Persistenz, Gierige Algorithmen für spärliche lineare Regression, Sparsity in nonparametric Regression, Sparsity in graphischen Modellen, komprimierte Sensoren) Kernelmethoden (Mercel kernels , Reproduktionskernel Hilbert-Räume, Beziehung zu nichtparametrischen Statistiken, Kernel-Klassifikation, Kernel-PCA, Kernel-Tests der Unabhängigkeit) Fähigkeit zu verstehen, was die Daten bedeuten und die Art des Problems und wie die Gültigkeit des Ergebnisses zu testen. Erleben Sie Validierungsstrategien gegen falsche Korrelationen oder lehren Sie den Algo selbst zu validieren. Die Möglichkeit, umfangreiche Backtests und Simulationen zu erstellen, um Strategien für Datensätze zu testen und effizient zu bearbeiten. Die Fähigkeit, einen Algorithmus oder eine Strategie effizient in Python, R, C oder Java zu implementieren und zwischen den Sprachen zu wechseln, um das beste Werkzeug für den Job nutzen zu können. 1.8k Ansichten middot Ansicht Upvotes middot Nicht für Fortpflanzung Tony Zhang. Capital Markets Specialist ML wird in fast jeder Facette in diesen Tagen im Handel verwendet, und wahrscheinlich ist der Großteil der Arbeit auf der Buy-Side erfolgt. Ich denke it039s nützlich, um darauf hinzuweisen, dass ML sehr breit ist, wie George hat darauf hingewiesen und it039s Verwendung ist weit verbreitet. Allerdings denke ich, Ihre Frage ist, ob ML verwendet wird, zu entscheiden, was zu kaufen und zu verkaufen, und ich würde sagen, dass wahrscheinlich ist selten und hat begrenztes Kapital an sie gebunden. Jedoch in diesem Sinne würde ich riskieren, eine Vermutung, dass ein großer Teil der Quantalgo basiert Buy-Side-Strategien haben irgendeine Form von ML in irgendeinem Punkt des Entscheidungsprozesses verwendet oder wurde verwendet, um die algo039s, die den Handel zu entwickeln. Sprünge und Grenzen werden in ML in diesen Tagen mit nicht notwendigerweise Handelsentscheidungen getroffen, aber das Finden von Mustern in Daten, die 10-20 verschiedene Dimensionen haben können, die schließlich zu Handelsentscheidungen führen. Wir verwenden es, um Unkraut durch und analysieren crowd-sourced Analystenschätzungen auf EPS und Umsatz 039s. Thomson Starmine versucht, diese Art von Arbeit zu tun, aber mit nur begrenzten Mengen von Analysten (die in IBES), aber wenn Sie in die Öffentlichkeit gehen, müssen Sie eine Menge Ausräumen aber mit einem viel größeren Datensatz zu tun, und das ist Wenn ML wirklich ins Leben kommt wird viel mächtiger. 9.7k Ansichten Middot Ansicht upvotes Middot Not for Reproduction Ist es möglich, ein Trading-Algorithmus auf eine bankhedge Fonds zu veräußern als Handelsstrategie maschinelles Lernen in Hedge-Fonds wirklich arbeiten Will Zerodha meine erfolgreiche algorithmischen Handelsstrategien auf ihre Plattform zu stehlen und verkaufen sie an Hedge Fonds Wie funktioniert algorithmischer Handel in Hedgefonds und Investmentbanken Wo ist es besser, Hedgefonds (basierend nur auf algorithmischem Handel), Großbritannien oder USA zu starten. Was ist ein Bär und Hausse Wie lange Hedge-Fonds-Trades halten Welche Hedge-Fonds quantsengineers mit Fähigkeiten in der Statistik und des maschinellen Lernens Gibt es intradayintraweek Handel mit Futures Hedge-Fonds mit Sitz in Singapur stellen ein Versuch, ein Hedge-Fonds zu finden, um nach dem Studium zu bewerben. Welche Art von Computer tun Hedge-Fonds-Handelsalgorithmen laufen auf Wie viel Spielraum absichern können Mittel verwenden, wenn die Aktien Aktien den Handel zu kaufen Futures Do Hedge funds039 und banks039 proprietäre Hochfrequenzhandel softwarealgorithms abholen und Basis Trades um Informationen über Jim Cramer039s Mad Money Show dargestellt kann Geld Kann durch den Handel von Aktien, Rohstoffen oder Hedge-Fonds mit nur gesunden Menschenverstand gemacht werden Was Hedgefonds verwenden Linux Ich habe einen Master in Finanzen, sondern I039d gerne mehr über Handel und Hedge-Fonds wissen (wie die Analyse zu machen, welche Software zu verwenden, wie Sie Investieren und handeln). Wie kann ich lernen Was Manager denken Hedge-Fonds von Penny Stocks (Timothy Sykes039 Verfahren oder auf andere Weise) als Vehikel Handel zu lernen Wie verwende Hedge-Fonds Maschine learningQuant Handels Mit Machine Learning Finanzmärkte sind wankelmütig Tiere, die äußerst schwierig zu navigieren für Der durchschnittliche Investor. Dieser Kurs stellt Ihnen das maschinelle Lernen vor, ein Studienfach, das Computer in die Lage versetzt, lernen zu lernen, ohne explizit programmiert zu werden, während Sie lernen, wie man diese Techniken auf den quantitativen Handel anwendet. Mit Python-Bibliotheken, youll entdecken, wie man anspruchsvolle Finanzmodelle, die besser informieren Ihre Investitionen Entscheidungen zu bauen. Idealerweise wird dieses selbst zurück zu kaufen und dann 247 einige Access-64 Vorträge 11 Stunden Inhalt einen Crash-Kurs in der quantitativen Handel von Aktien-Indizes an Dynamik zu investieren Backtesting Entdecken maschinelles Lernen Prinzipien wie Entscheidungsbäume, ensemble Lernen, zufällige Wälder mehr Richten Sie ein Get historische Preisdatenbank in MySQL mit Python lernen Python-Bibliotheken wie Pandas, Scikit-Learn, Code XGBoost Hyperopt Access-Quelle jederzeit als fortlaufenden Ressource Loonycorn von vier individualsJanani Ravi, Vitthal Srinivasan, Swetha Kolalapudi und Navdeep Singhwho besteht ihre Tech-Begutachtungen geschliffen an Google und Flipkart. Das Team glaubt, dass es die Instruktion komplizierter Tech-Konzepte in lustige, praktische, engagierende Kurse destilliert hat, und freut sich, seinen Inhalt mit eifrigen Studenten zu teilen.