Forex Predicción De Tendencia Diaria Utilizando Técnicas De Aprendizaje Automático

No estoy muy seguro, si esta pregunta encaja aquí. Recientemente he empezado a leer y aprender acerca del aprendizaje automático. ¿Puede alguien arrojar algo de luz sobre cómo ir sobre él o más bien cualquier persona puede compartir su experiencia y algunos consejos básicos sobre cómo hacerlo o al menos empezar a aplicarlo para ver algunos resultados de los conjuntos de datos ¿Qué tan ambicioso es este sonido También, Algoritmos estándar que deben ser probados o mirados al hacer esto. Parece ser una falacia básica que alguien puede venir y aprender algunos algoritmos de aprendizaje automático o AI, configurarlos como una caja negra, ir a ir, y sentarse mientras se retiran. Mi consejo para usted: Aprenda las estadísticas y el aprendizaje automático primero, y luego se preocupe acerca de cómo aplicarlos a un problema dado. No hay almuerzo gratis aquí. El análisis de datos es un trabajo duro. Lea Los Elementos del Aprendizaje Estadístico (el pdf está disponible gratuitamente en el sitio web), y no empiece a intentar construir un modelo hasta que entienda por lo menos los primeros 8 capítulos. Una vez que usted entiende las estadísticas y el aprendizaje de la máquina, entonces usted necesita aprender a backtest y construir un modelo comercial, la contabilidad de los costos de transacción, etc, que es un área entera. Después de que usted tiene una manija en el análisis y las finanzas, entonces será algo obvio cómo aplicarlo. El punto entero de estos algoritmos está tratando de encontrar una manera de ajustar un modelo a los datos y producir un sesgo y una varianza bajos en la predicción (es decir, que el error de predicción de entrenamiento y prueba será bajo y similar). Aquí está un ejemplo de un sistema comercial usando una máquina del vector de la ayuda en R. pero apenas tenga presente que usted hará usted mismo un flaco servicio si usted no pasa el tiempo de entender los fundamentos antes de intentar aplicar algo esotérico. Sólo para añadir una actualización entretenida: Recientemente me encontré con esta tesis de maestros: Un nuevo marco de comercio algorítmico Aplicación de la evolución y aprendizaje de la máquina para la optimización de la cartera (2012). Es una revisión extensa de diferentes enfoques de aprendizaje de máquina en comparación con buy-and-hold. Después de casi 200 páginas, llegan a la conclusión básica: Ningún sistema comercial fue capaz de superar el benchmark al usar los costos de transacción. Huelga decir que esto no significa que no pueda hacerse (no he pasado el tiempo revisando sus métodos para ver la validez del enfoque), pero ciertamente proporciona más evidencia a favor del teorema del almuerzo libre. Como uno de los autores de la mencionada tesis de maestro puedo citar mi propio trabajo y decir: "Si alguien realmente logra resultados rentables no hay incentivo para compartirlos, ya que negaría su ventaja." Aunque nuestros resultados podrían apoyar la hipótesis del mercado, no excluye la existencia de sistemas que funcionen. Podría ser como la teoría de la probabilidad: se especula que los avances en el campo de la teoría de las probabilidades han ocurrido varias veces, pero nunca compartidas. Esto podría deberse a su aplicación práctica en el juego. Por otra parte, tal vez esto es todo alquimia moderna. Ndash Andr233 Christoffer Andersen Mi Consejo a Usted: Hay varias ramas de la Aprendizaje de la Máquina / Inteligencia Artificial (ML / AI) por ahí: www-formal. stanford. edu/jmc/whatisai/node2.html Tengo Sólo intentó la programación genética y algunas redes neuronales, y personalmente creo que la rama de aprendizaje de la experiencia parece tener el mayor potencial. GP / GA y las redes neuronales parecen ser las metodologías más comúnmente exploradas con el propósito de las predicciones del mercado de valores, pero si usted hace un poco de minería de datos en Predict Wall Street. Usted puede ser capaz de hacer algunos análisis de sentimiento también. Dedique algún tiempo a aprender sobre las diferentes técnicas de ML / AI, encuentre algunos datos de mercado e intente implementar algunos de esos algoritmos. Cada uno tendrá sus fortalezas y debilidades, pero puede ser capaz de combinar las predicciones de cada algoritmo en una predicción compuesta (similar a lo que hicieron los ganadores del Premio NetFlix). Algunos de los recursos: Aquí hay algunos recursos que usted puede ser que desee mirar: El Chatter: El consenso general entre los comerciantes es que la Inteligencia Artificial es una ciencia del vudú, usted no puede hacer una computadora predecir los precios comunes y youre seguro perder su dinero si usted intenta haciéndolo. Sin embargo, la misma gente le dirá que casi la única manera de ganar dinero en el mercado de valores es construir y mejorar su propia estrategia comercial y seguirlo de cerca (que en realidad no es una mala idea). La idea de los algoritmos AI no es construir el chip y dejar que el comercio para usted, pero para automatizar el proceso de creación de estrategias. Es un proceso muy tedioso y de ninguna manera es fácil :). Cómo minimizamos la sobreejecución: Como hemos oído antes, un problema fundamental con los algoritmos AI es excesivo (también conocido como sesgo de datamining): dado un conjunto de datos, su algoritmo AI puede encontrar un patrón que es particularmente relevante para el conjunto de entrenamiento. Pero puede no ser relevante en el conjunto de prueba. Hay varias maneras de minimizar la sobreequipación: Use un conjunto de validación. No da retroalimentación al algoritmo, pero le permite detectar cuando su algoritmo está potencialmente comenzando a overfit (es decir, usted puede dejar de entrenar si youre overfitting demasiado). Utilice el aprendizaje en línea de la máquina. En gran medida elimina la necesidad de back-testing y es muy aplicable para los algoritmos que intentan hacer predicciones del mercado. Ensemble Learning. Le proporciona una manera de tomar múltiples algoritmos de aprendizaje de la máquina y combinar sus predicciones. La suposición es que los varios algoritmos pueden haber overfit los datos en una cierta área, pero la combinación correcta de sus predicciones tendrá una energía predictive mejor. Dos aspectos del aprendizaje estadístico son útiles para el comercio 1. Primero los mencionados anteriormente: algunos métodos estadísticos se centraron en trabajar en conjuntos de datos vivos. Significa que usted sabe que está observando sólo una muestra de datos y que desea extrapolar. Por lo tanto, tiene que tratar en la muestra y fuera de los problemas de la muestra, overfitting y así sucesivamente. Desde este punto de vista, la minería de datos se centra más en datasets muertos (es decir, se puede ver casi todos los datos, usted tiene un problema en la muestra sólo) que el aprendizaje estadístico. Debido a que el aprendizaje estadístico se trata de trabajar en conjunto de datos en vivo, las matemáticas aplicadas que se ocupan de ellos tenían que centrarse en un problema de dos escalas: a la derecha. Donde X es el espacio de estado (multidimensional) para estudiar (tienes en él tus variables explicativas y las que predecir), F contiene la dinámica de X que necesita algunos parámetros theta. La aleatoriedad de X viene de la innovación xi, que es i. i.d. El objetivo del aprendizaje estadístico es construir una metodología L ith como entradas una observación parcial pi de X y ajustar progresivamente una estimación hattheta de theta, para que sepamos todo lo que se necesita en X. Si se piensa en utilizar el aprendizaje estadístico para encontrar Los parámetros de una regresión lineal. Podemos modelar el espacio de estado como este: underbrace yx end right) left begin a amp b amp 1 1 amp 0 amp 0 end right cdot underbrace x 1 epsilon end right) lo que permite observar (y, x) n en cualquier n Aquí theta (a, b). Entonces usted necesita encontrar una manera de construir progresivamente un estimador de theta usando nuestras observaciones. ¿Por qué no un descenso de gradiente en la distancia L2 entre yy la regresión: C (sombrero a, sombrero b) n suma (yk - (sombrero a, xk sombrero b)) 2 Aquí gamma es un esquema de ponderación. Por lo general, una buena manera de construir un estimador es escribir correctamente los criterios para minimizar e implementar un descenso gradiente que producirá el esquema de aprendizaje L. Volviendo a nuestro problema genérico original. Necesitamos algunas matemáticas aplicadas para saber cuándo convergen los sistemas dinámicos de pareja en (X, hattheta), y necesitamos saber cómo construir esquemas de estimación L que converjan hacia la teta original. Para darle indicaciones sobre tales resultados matemáticos: Ahora podemos volver al segundo aspecto del aprendizaje estadístico que es muy interesante para los comerciantes / estrategas: 2. Los resultados usados ​​para demostrar la eficiencia de los métodos de aprendizaje estadístico pueden usarse para probar la Eficiencia de los algoritmos de negociación. Para ver que basta con leer de nuevo el sistema dinámico acoplado que permite escribir el aprendizaje estadístico: left M ampamp Frho (Mn, xi) ampamp L (pi (Mn), n) fin a la derecha. Ahora M son variables de mercado, rho es PnL subyacente, L es una estrategia de negociación. Simplemente reemplace minimizando un criterio maximizando el PnL. Véase, por ejemplo, la división óptima de órdenes entre agrupaciones de liquidez: un enfoque de algoritmo estocático por: Gilles Pags, Sophie Laruelle, Charles-Albert Lehalle. En este documento, los autores muestran a quién utilizar este enfoque para dividir de forma óptima una orden a través de diferentes piscinas oscuras simultáneamente aprender la capacidad de las piscinas para proporcionar liquidez y utilizar los resultados para el comercio. Las herramientas de aprendizaje estadístico pueden usarse para construir estrategias de negociación iterativas (la mayoría de ellas son iterativas) y probar su eficiencia. La respuesta corta y brutal es: usted no. En primer lugar, porque ML y las estadísticas no es algo que usted puede ordenar bien en uno o dos años. Mi horizonte de tiempo recomendado para aprender nada no trivial es de 10 años. ML no es una receta para ganar dinero, sino sólo otro medio para observar la realidad. En segundo lugar, porque cualquier buen estadístico sabe que la comprensión de los datos y el dominio del problema es 80 del trabajo. Es por eso que usted tiene estadísticos enfocados en el análisis de datos de Física, en genómica, en sabermetría, etc. Para el registro, Jerome Friedman, co-autor de ESL citado anteriormente, es un físico y todavía tiene una posición de cortesía en SLAC. Por lo tanto, el estudio Estadísticas y Finanzas durante unos años. Se paciente. Ve por tu propio camino. El kilometraje puede variar. Respondió Feb 9 11 at 4:41 Estoy totalmente de acuerdo. Sólo porque conoce el aprendizaje de máquinas y las estadísticas, no implica que usted sabe cómo aplicarlo a la financiación. Ndash Dr. Mike Aug 10 11 at 20:25 También una cosa importante a recordar es que won39t ser el comercio contra la gente, usted estará negociando contra otros algoritmos de inteligencia artificial que están viendo sus oficios pila en, y están calculando furiosamente las probabilidades de que el Colectivo yous sería asustado por un declive fabricado y teniendo que la menor pérdida en la creación de un pico / inmersión y engañar a todos los AI39s en parar, y luego rodar la inmersión de nuevo en ella y montar la ola, ganando sus pérdidas. El mercado de valores es un juego de suma cero, tratarlo como entrar en un partido de boxeo profesional, si no es un veterano de 20 años, you39re va a perder ndash Eric Leschinski Feb 13 at 1:56 Una aplicación básica es la predicción de dificultades financieras. Obtener un montón de datos con algunas empresas que han incumplido, y otros que no tienen, con una variedad de información financiera y ratios. Utilice un método de aprendizaje automático como SVM para ver si puede predecir qué compañías predeterminarán y cuáles no. Utilice ese SVM en el futuro a corto empresas de alto riesgo probabilístico y largo probabilidades de baja probabilidad de las empresas, con los ingresos de las ventas a corto. Hay un decir quotPicking centavos para arriba delante de rollersquot del vapor. Usted está haciendo el equivalente de vender un put out-of-the-money. En este caso, you39ll hacer pequeñas ganancias durante años, a continuación, obtener totalmente limpiado cuando el mercado se derrite cada 10 años o menos. Hay también una estrategia equivalente que compra el dinero-pone: pierden el dinero por años, después hacen una matanza cuando el mercado se derrite. Vea el Cisne Negro de Talab39s. Ndash Contango Jun 5 11 at 22:20 Recuerde que las compañías internacionales han gastado cientos de miles de millones de dólares y horas hombre en las mejores y más brillantes inteligencia artificial inteligencia en los últimos 40 años. He hablado con algunas de las torres de la mente responsables de los alfas más de Citadel y Goldman Sachs, y la hubris de los novatos a pensar que pueden armar un algoritmo que va a toe to toe con ellos, y ganar, es casi tan tonto como Un niño que le dice que él va a saltar a la luna. Niño de buena suerte, y cuidado con el espacio marcianos. Por no decir nuevos campeones no se puede hacer, pero las probabilidades están en contra de usted. Ndash Eric Leschinski Feb 13 at 2:00 Una posibilidad que vale la pena explorar es utilizar la herramienta de aprendizaje de la máquina vectorial de soporte en la plataforma Metatrader 5. En primer lugar, si usted no está familiarizado con él, Metatrader 5 es una plataforma desarrollada para los usuarios para implementar el comercio algorítmico en los mercados de divisas y CFD (Im no estoy seguro si la plataforma se puede extender a las poblaciones y otros mercados). Normalmente se utiliza para estrategias basadas en análisis técnico (es decir, utilizando indicadores basados ​​en datos históricos) y es utilizado por personas que buscan automatizar su negociación. La Herramienta de Aprendizaje de la Máquina Vector de Soporte ha sido desarrollada por una comunidad de usuarios para permitir que las máquinas vectoriales de apoyo se apliquen a indicadores técnicos y asesoren sobre operaciones. Una versión de demostración gratuita de la herramienta se puede descargar aquí si desea investigar más. Según lo entiendo, la herramienta utiliza datos de precios históricos para evaluar si las operaciones hipotéticas en el pasado hubieran tenido éxito. A continuación, toma estos datos junto con los valores históricos de una serie de indicadores personalizables (MACD, osciladores, etc), y utiliza esto para formar una máquina de vector de apoyo. Entonces utiliza la máquina entrenada del vector de la ayuda para señalar las operaciones futuras de la compra / de la venta. Una mejor descripción se puede encontrar en el enlace. He jugado con un poco con algunos resultados muy interesantes, pero como con todas las estrategias de negociación algorítmica, recomiendo sólidas / delanteras pruebas antes de llevarlo al mercado en vivo. Respondió Dec 10 12 at 11:59 Lo sentimos, pero a pesar de ser utilizado como un ejemplo popular en el aprendizaje de la máquina, nadie ha logrado una predicción del mercado de valores. No funciona por varias razones (compruebe el paseo al azar de Fama y un montón de otros, falla racional de toma de decisiones, suposiciones erróneas), pero lo más convincente es que si funcionara, alguien podría volverse insanamente rico En cuestión de meses, básicamente poseer todo el mundo. Como esto no está sucediendo (y usted puede estar seguro de que todos los bancos lo han intentado), tenemos una buena evidencia, que simplemente no funciona. Además: ¿Cómo crees que vas a lograr lo que decenas de miles de profesionales han fallado, mediante el uso de los mismos métodos que tienen, además de recursos limitados y sólo las versiones básicas de sus métodos respondidos La razón más importante: las estrategias tienen límites de capacidad, es decir, niveles más allá de los cuales su impacto en el mercado excedería al alfa disponible, incluso suponiendo que tuviera un capital ilimitado. No estoy seguro de lo que quieres decir con una predicción del mercado de los quotales (futuros de índices ETF39s), pero ciertamente hay un montón de gente haciendo predicciones a corto plazo, y beneficiándose de ellos, todos los días en los mercados. Ndash afekz Nov 23 15 at 13:19 Yo hago eco de lo que Shane escribió. Además de leer ESL, sugeriría un estudio aún más fundamental de estadísticas primero. Más allá de eso, los problemas que he esbozado en otra pregunta sobre este intercambio son muy relevantes. En particular, el problema de los sesgos de datamining es un obstáculo serio para cualquier máquina basada en la estrategia de aprendizaje. Aprendizaje de la máquina con algoTraderJo Se unió a diciembre de 2014 Estado: Miembro 383 Puestos Hola colegas comerciantes, estoy empezando este hilo con la esperanza de compartir con ustedes algunos de mis desarrollos En el campo del aprendizaje automático. Aunque no comparto con usted los sistemas exactos o las implementaciones de codificación (no esperes conseguir nada para quotplug-and-playquot y hacerse rico de este hilo) compartiré con usted ideas, resultados de mi experimento y posiblemente otros aspectos de mi trabajo. Estoy comenzando este hilo con la esperanza de que podremos compartir ideas y ayudarnos mutuamente a mejorar nuestras implementaciones. Comenzaré con algunas estrategias de aprendizaje simples de la máquina y entonces entraré en materia más compleja como pasa el tiempo. Espero que disfrutes de la carrera Junio ​​de 2014 Status: Member 383 Posts Quiero comenzar diciendo algunas cosas básicas. Lo siento si la estructura de mis puestos deja mucho que desear, no tengo ningún foro de la experiencia de publicación, pero espero obtener algo con el tiempo. En el aprendizaje de la máquina lo que queremos hacer es simplemente generar una predicción que sea útil para nuestro comercio. Para hacer esta predicción generamos un modelo estadístico usando un conjunto de ejemplos (salidas conocidas y algunas entradas que las cosas tienen poder predictivo para predecir esas salidas) entonces hacemos una predicción de una salida desconocida (nuestros datos recientes) usando el modelo que creamos con Los ejemplos. Para resumir es un proceso quotsimplequot en el que hacemos lo siguiente: Seleccione lo que queremos predecir (este será nuestro objetivo) Seleccionar algunas variables de entrada que creemos que pueden predecir nuestros objetivos Crear un conjunto de ejemplos con datos anteriores Con nuestras entradas y nuestros objetivos Cree un modelo usando estos ejemplos. Un modelo es simplemente un mecanismo matemático que relaciona las entradas / objetivos Hacer una predicción de la meta utilizando las últimas entradas conocidas Comercio usando esta información Quiero decir desde el principio que es muy importante evitar hacer lo que muchos documentos académicos sobre el aprendizaje automático Do, que consiste en intentar construir un modelo con arreglos muy grandes de ejemplos y luego tratar de hacer una predicción a largo plazo en un conjunto de quotout de muestra. Construir un modelo con 10 años de datos y luego probarlo en los dos últimos es no-sentido, sujeto a muchos tipos de sesgos estadísticos que discutiremos más adelante. En general, verá que los modelos de aprendizaje de máquina que construyo son entrenados en cada barra (o cada vez que necesito tomar una decisión) usando una ventana móvil de datos para la construcción de ejemplos (sólo ejemplos recientes se consideran relevantes). Sin duda, este enfoque no es ajeno a algunos tipos de sesgos estadísticos, pero quitar el quotelefante en la sala cuando se utiliza el amplio en la muestra de la muestra de la mayoría de los trabajos académicos (que, sin sorpresa, a menudo conduce a enfoques que no son Realmente útil para el comercio). Hay principalmente tres cosas que preocuparse cuando se construye un modelo de aprendizaje de máquina: ¿Qué predecir (qué objetivo) ¿Qué predecir con (qué insumos) Cómo relacionar el destino y las entradas (qué modelo) La mayoría de lo que voy a estar mencionando En este hilo se centrará en responder a estas preguntas, con ejemplos reales. Si desea escribir cualquier pregunta que pueda tener y voy a tratar de darle una respuesta o simplemente le permiten saber si voy a contestar que más adelante. Se unió a diciembre de 2014 Estado: Miembro 383 Mensajes Vamos a trabajar ahora. Un verdadero ejemplo práctico utilizando el aprendizaje automático. Supongamos que queremos construir un modelo muy simple usando un conjunto muy simple de entradas / objetivos. Para este experimento estas son las respuestas a las preguntas: ¿Qué predecir (qué objetivo) - gt La dirección del día siguiente (alcista o bajista) ¿Qué predecir con (qué entradas) - gt La dirección de los 2 días anteriores Cómo Para relacionar el objetivo y las entradas (qué modelo) - gt Un clasificador de mapas lineales Este modelo intentará predecir la direccionalidad de la siguiente barra diaria. Para construir nuestro modelo tomamos los últimos 200 ejemplos (una dirección de días como objetivo y las instrucciones de dos días anteriores como entradas) y entrenamos un clasificador lineal. Lo hacemos al comienzo de cada bar diario. Si tenemos un ejemplo en el que dos días alcistas conducen a un día bajista los insumos serían 1,1 y el objetivo sería 0 (0bearish, 1bullish), utilizamos 200 de estos ejemplos para entrenar el modelo en cada barra. Esperamos poder construir una relación donde la dirección de dos días produce cierta probabilidad por encima del azar para predecir correctamente la dirección de los días. Utilizamos un stoploss igual a 50 del período promedio de 20 días True Range en cada comercio. Una simulación de esta técnica de 1988 a 2014 sobre el EUR / USD (datos anteriores a 1999 es DEM / USD) muestra que el modelo no tiene una generación estable de beneficios. De hecho, este modelo sigue una caminata al azar negativamente sesgada, lo que hace que pierda dinero en función de la propagación (3 pips en mi sim). Observemos el desempeño aparentemente prestimista que tenemos en 1993-1995 y en 2003-2005, donde aparentemente podríamos predecir con éxito la direccionalidad de los próximos días usando un modelo lineal simple y los resultados direccionales de los dos días anteriores. Este ejemplo muestra varias cosas importantes. Por ejemplo, que a través de plazos cortos (que podría ser un par de años) puede ser fácilmente engañado por la aleatoriedad --- usted puede pensar que tiene algo que funciona que realmente no. Recuerde que el modelo se reconstruye en cada barra, utilizando los últimos 200 ejemplos de entrada / destino. ¿Qué otras cosas crees que puedes aprender de este ejemplo? Publica tus pensamientos. Por lo que predijo que los compradores o vendedores de paso pulg Hmm, pero lo que exactamente tiene que ver con el precio subiendo o bajando 100 pips Precio puede reaccionar de diversas maneras - que sólo podría tanque durante algún tiempo (mientras todas las órdenes de límite se llenan) Y luego seguir avanzando. También puede recorrer 5, 10, 50 o incluso 99 pips. En todos estos casos, usted estaba un poco bien acerca de los compradores o vendedores entrando, pero usted debe entender que este análisis no tiene mucho que ver con su comercio va de 90pip a 100pip. Sí, tienes razón Esta es una gran parte de la razón por la que estamos recibiendo malos resultados al usar el algoritmo de mapeo lineal. Porque nuestra rentabilidad está mal relacionada con nuestra predicción. Predecir que los días son alcistas / bajistas es de uso limitado si no sabe cuánto precio se moverá. Tal vez sus predicciones son correctas sólo en los días que le dan 10 pips y obtendrá todos los días que tienen 100 pip direccionalidad totalmente equivocado. ¿Qué consideraría un mejor objetivo para un método de aprendizaje automático? Sí, tiene razón Esta es una gran parte de la razón por la que estamos obteniendo malos resultados al usar el algoritmo de mapeo lineal. Porque nuestra rentabilidad está mal relacionada con nuestra predicción. Predecir que los días son alcistas / bajistas es de uso limitado si no sabe cuánto precio se moverá. Tal vez sus predicciones son correctas sólo en los días que le dan 10 pips y obtendrá todos los días que tienen 100 pip direccionalidad totalmente equivocado. ¿Qué consideraría un mejor objetivo para un método de aprendizaje de la máquina Vamos a decir si usted tiene 100 pip TP y SL, me gustaría predecir lo que viene primero: TP o SL Ejemplo: TP vino primero 1 SL vino primero 0 (o -1, 1) Métodos de aprendizaje de la máquina han sido utilizados con éxito por varios individuos y grupos internos institucionales, pero la mayoría de los individuos públicos, como usted, NO aprenderán de los ESPECÍFICOS Metodologías que han generado rendimientos y resultados lucrativos. Cuando se trata de dinero enorme, y este es el caso cuando se trata de los mercados financieros, nadie va a compartir públicamente su ventaja derivada de la aplicación de sus métodos exitosos a la negociación. Por lo tanto, no es probable que oiga de, ni vea, estudios detallados e informes de tales éxitos. 2) La mayoría de los investigadores académicos que publican artículos que intentan aplicar algoritmos de procesamiento informático a los mercados comerciales simplemente NO entienden la dinámica subyacente de los comportamientos de precios de mercado, por lo que se intentan e investigan aplicaciones ingenuas de metodologías, Generados con frecuencia. Para ser eficaz en el desarrollo de métodos de negociación exitosos requiere una comprensión bastante profunda de los comportamientos dinámicos subyacentes generales de lo que hace que los mercados marca. En particular. 3) Los mercados (acciones, futuros, divisas, opciones, etc.) generan datos que forman (estadísticamente) NO ESTACIONARIOS, series temporales de números sobre CUALQUIER periodo de tiempo que se desee examinar, predecir y comercializar. La predicción (que es muy precisa) es esencialmente imposible, pero en mayor o menor grado, la previsibilidad (menos precisa, pero más probabilística) es aplicable a los datos de series temporales del mercado, con la excepción de lo que se llaman shocks de eventos, 9/11, octubre de 1987, accidentes de flash, y tipos similares de eventos. (Desde el punto de vista de la gestión de riesgos, cualquier estrategia / sistema comercial bueno y eficaz DEBE prever estos hechos para proteger el capital comercial y prevenir desastres financieros) 4) Desde una perspectiva de ingeniería (e informática), un sistema de comercio puede ser Como una TRANSFORMACIÓN matemática / lógica combinada que utiliza datos de mercado de series temporales debidamente condicionados como entrada y luego intenta convertir funcionalmente esta entrada en una serie de tiempo de salida de captación de capital que aumenta de forma monotónica. Antes de intentar diseñar EFECTIVAMENTE tal transformación, DEBE tener una comprensión relativamente decente de las características Y el carácter de los datos de entrada de la serie de tiempo a los cuales la transformación debe ser aplicada. La mayoría de los investigadores no tienen una adecuada, ni realista, dinámica de mercado ENTENDIMIENTO. Por lo tanto, sus MODELOS de mercado son inadecuados y esta es otra razón por la que rara vez se ve la información pública de métodos exitosos de aprendizaje de máquina como se aplica a la negociación de los mercados. 5) Por último, aquí, pero no finalmente, los patrones DO recurren con frecuencia a datos de series de tiempo orientados al mercado que PUEDEN ser explotados al diseñar una transformación como la mencionada en el párrafo anterior. El patrón, en este contexto, no significa necesariamente una formación visual de la carta de valores solamente. Puede estar compuesto de varias características que a menudo se incrustan en los datos de series de tiempo. Estos patrones y características pueden sin duda, y EFFECTIVAMENTE, discernirse mediante métodos de aprendizaje automático. Por lo tanto, para resumir, con el espíritu de la orientación manual, el verdadero truco para la aplicación de métodos de aprendizaje de máquina, o cualquier otro método para el caso, para extraer con éxito el capital de los mercados financieros es llegar a ser bien versado en cómo - (Por lo general las series de precios, pero no exclusivamente) es creado por la dinámica de cómo los participantes del mercado se comportan y actúan sobre el mercado de los vehículos comerciales de interés. La admonición usual se aplica: "Aplicar y usar las herramientas adecuadas para resolver el problema / desafío presentado". Esto requiere una comprensión adecuada de los diversos elementos del problema en cuestión. Y, si desea emplear un enfoque de aprendizaje automático para ganar dinero utilizando los mercados financieros, o simplemente investigar esto como una interesante búsqueda académica, probablemente va a tener que hacer la investigación usted mismo, o hacerlo en colaboración con otros ( S) que tienen un propósito similar. Espero que mis pensamientos aquí sean de alguna ayuda en dar alguna dirección para su búsqueda. Que se divierta y disfrute. (-gt) En mi opinión, las técnicas de IA obtendrán éxito en este dominio mediante la adición de más variables de entrada que afecta el rendimiento del mercado. Si nos fijamos en los resultados teóricos de diversos trabajos de investigación, pocas o muy pocas variables de entrada se han utilizado amplificador puede fallar en los resultados reales del mercado. Pero puedo decir, las técnicas de AI (híbrido) se adaptarán a la predicción del mercado de valores. Si se utiliza la caja de Edgeworth, entonces el conjunto de los equilibrios walrasianos y los precios apropiados p (p1, p2) (dos bienes) calculados sobre la base de las funciones de utilidad de la demanda, la curva del contrato y la dotación inicial podrían ser un pronóstico significativo del equilibrio del mercado. Las funciones de utilidad de la demanda podrían tomarse como descripción analítica de las preferencias de los consumidores (convexas). ¿Por qué no, pero requiere un enorme volumen de datos para estudiar el comportamiento de línea de tiempo de la población. ANN se puede utilizar, Ill argumentar que el viaje de predecir los precios de las acciones con precisión comienza con una definición de todo el espacio de características. Por una definición de espacio de característica todo incluido, me refiero a tener una lista de atributos que miden un gran número de los factores que entran en juego en la determinación de precios de las acciones, especialmente aquellos atributos que son de naturaleza psicológica o política. Pero, ¿cómo definimos o cuantificamos estos malos permisos que se abren para la discusión. Si podemos lograr esto, entonces tener ML modelos para resolver esta tarea puede ser sólo un tiro de piedra. Sí tu puedes. Estoy haciendo mi doctorado en eso en este momento. Muchas cosas que usted necesita para mirar antes de comenzar su investigación. La selección del modelo en sí, el ranking actual y la situación del mercado de valores, el tipo y la calidad de los datos que va a utilizar, los procedimientos internos que va a utilizar mientras se emplea la prueba (por ejemplo, el modelo de aprendizaje paso, ) También si necesita evaluar la precisión del modelo intente compararlo con tres grupos, uno con modelos clásicos, otro con modelos avanzados y el último con modelos híbridos. No olvides el término DATA MINING. Ve y busca un libro completo que puedas leer. Trate de tener lo básico antes de empezar y recuerde que este campo de investigación es muy interesante y youre definitivamente ser capaz de encontrar al menos una solución para los debates actuales y para el juego de la volatilidad difícil en los mercados de valores internacionales. Creo que las redes neuronales artificiales son más adecuadas para su meta Otra idea: si se ejecuta una casa comercial y creo que otras casas comerciales utiliza algoritmos para recoger acciones, entonces debo tratar de adivinar cuáles son los algoritmos. Parámetros. Etc, pero la otra casa de comercio puede pensar exactamente lo mismo. Así aumenta la imprevisibilidad. Si has leído la Fundación de libros de ciencia ficción (Isaac Asimov), él lo expresa mejor que yo, con respecto a la psicohistoria (ciencia para predecir la evolución social). Para permitir que la ciencia prediga estadísticamente el comportamiento de la sociedad, nadie más que los pronosticadores pueden conocer la ciencia, porque si las personas conocen la ciencia, pueden reaccionar de una manera diferente, por lo que el número de variables explota y no se puede predecir más Sí, hay muchas técnicas de aprendizaje de la máquina que se están utilizando para la predicción del precio de las acciones. Por ejemplo, ANN, Algoritmos genéticos, etc aquí es una breve encuesta de diferentes técnicas. Espero que te ayude. Muhammad Sharif middot COMSATS Instituto de Tecnología de la Información Wah Cantt, Pakistán Sí, hay muchos Algorthms / Técnicas de Redes Neuronales / Aprendizaje de Máquinas para la predicción, pero el problema es la muestra exacta de datos para la formación / aprendizaje y también requieren la formación / Período de nuevo con la última muestra de datos, thats por qué el éxito necesario no se logra así para. Pegah Hafiz middot Universidad de Shiraz de Ciencias Médicas Creo que los métodos ML funcionan, pero no pueden lograr una buena precisión para la clasificación en el caso del mercado de valores. Creo que es útil mirar más de cerca lo que los modelos de aprendizaje automático hacen, es decir. las matemáticas. Por ejemplo: en el análisis del mercado de valores, se supone que el gráfico (típicamente) 2-D de los precios de las acciones es una función de algunas variables de interés. A continuación, puede decidir utilizar redes neuronales para modelar esa función desconocida. Heres que atrapan: las redes neuronales sólo pueden modelar funciones continuas. Pero sus datos bursátiles son discretos (las líneas que conectan los puntos son artísticas), no hay nada que diga que los datos siguen una función continua. Y si el mercado de valores sigue una función discontinua, entonces las redes neurales nunca le dará una respuesta perfecta. Sin embargo, pueden darle una respuesta que funcione bien, pero sólo por un período de tiempo indeterminable. Pero que no es adecuado para el comercio a largo plazo. There multiple typical patterns of change that can be learned and recognized and so a certain amount of prediction can be done. But there are major events which are not forecast ahead of time by a typical pattern and those will not be predicted. there is a large number of publications, ML and regression methods used attempting to do such a task, but most of them are either over-fitted or do not take into consideration the unlimited number of factors that affects the stock market, most of these are unpredictable, i think in ideal world those techniques may work, but using them in such a rapid changing world is almost impossible, as some researcher consider such a problem as a quotrandom walkquot this means the change in the stock market value for a specific firm is random, it is difficult to model random behaviors. for example what happened to stock market after 9/11 could any one predict the 9/11 most of those methods work on regression made on the history of the stock value, however this history is one factor in addition to unlimited factors which cannot be modeled, those include and not limited to: 1- hype about a company and new product 2- world events, oil prices, 3- political events 4- economical events 5- national events 6- Exchange rate 7- inflation 8- interest rate 9- internal development 10- external development of a competitive product 11- insiders, 12- internal events, such as the death of the owner, the risgnation of an important CEO 13- etc. each of the previous major factors includes unlimited number of examples, how can we model all these alternatives if we cant actually count them Oh, forgot an important factor: the buyers and sellers of stocks who normally play/trade with the dreams of the firms owners and workers, in addition to dirty games that are played every day to sell more/less stock to affect the prices. 1) Machine-learning methods HAVE been successfully used by various individuals and institutional in-house groups, but most public individuals, such as yourself, will NOT learn of THE SPECIFIC methodologies that have yielded lucrative returns and results. When huge money is involved, and this IS the case when dealing with the financial markets, NO ONE is going to publicly share their edge derived from applying THEIR successful methods to trading. hence, youre not likely to hear of, nor see, detailed studies and reports of such successes. 2) MOST academic researchers who publish papers attempting to apply computer-processing algorithms to trading markets simply do NOT truly UNDERSTAND the underlying dynamics of market price behaviors, so naive applications of methodologies are attempted and researched, with the result that less than stellar outcomes are generated frequently. To be effective in developing successful trading methods requires a rather deep understanding of general underlying dynamic behaviors of what makes the markets tick. En particular. 3) Markets (stocks, futures, forex, options, etc) generate data that form (statistically) NON-STATIONARY, time-series of numbers over ANY period of time window that one may want to examine, forecast upon, and trade. Prediction (which is highly precise) is essentially impossible, but to a greater or lesser degree, forecastability (less precise, but more probabilistic) IS applicable to market time-series data, with the exception of what are called event shocks, such as USAs 9/11, October of 1987, flash crashes, and similar types of events. (From a risk-management standpoint, any good and effective trading strategy/system MUST make provision for such occurrences in order to protect trading capital and prevent financial disaster) 4) From an engineering (and computer science) perspective, a trading system can be thought of as a combined mathematical/logical TRANSFORM that uses appropriately-conditioned time-series market data as input and then attempts to functionally convert this input into a monotonically-increasing capital-capture output time-series. Before attempting to EFFECTIVELY design such a transform, one MUST have a relatively decent understanding of the characteristics AND character of the time-series input data to which the transform is to be applied. MOST researchers dont have an adequate, NOR realistic, market-dynamics UNDERSTANDING. hence, their market MODELS are inadequate and THIS is another reason why you rarely see public information of successful machine-learning methods as applied to trading the markets. 5) Lastly here, but not finally, patterns DO frequently recur in market-oriented time-series data that CAN be exploited when designing a transform such as mentioned in the previous paragraph. Pattern, in this context, does not necessarily mean a visual stock-chart formation only. it can be comprised of various features that are often-times embedded in the time-series data. These patterns and features can certainly, and EFFECTIVELY, be discerned by means of machine-learning methods. So, to summarize, in the spirit of hand-waving guidance, the real trick to applying machine-learning methods, or ANY other methods for that matter, to successfully extract capital from the financial markets is to become well-versed in HOW time-series data (typically price series, but not exclusively) is created by the dynamics of how market-participants behave and act upon the market trading-vehicles of interest. The usual admonition applies: quotApply and Use the proper tools to solve the problem/challenge presentedquot. THIS requires a PROPER understanding of the various elements of the problem at hand. AND, if YOU want to employ a machine-learning approach to SUCCESSFULLY make money using the financial markets, or just research this as an interesting academic pursuit, youre probably going to have to do the research yourself, OR do it in collaboration with other(s) who have a similar purpose. I hope my thoughts here may be of some assistance in giving some direction for your quest. Have fun and ENJOY. (-gt) Got a question you need answered quickly