Inteligência Artificial, Algoritmo Genético e Software de Rede Neural para Negociação, Previsão, Previsão, Classificação e Otimização NeuroShell Trader reg Construa potentes sistemas de negociação de mercado e previsões de redes neurais sem necessidade de codificação ou programação. Software de negociação para criar sistemas de negociação usando regras de análise técnica, redes neurais Ou híbridos de ambos. Otimize e teste sistemas de negociação com otimização de algoritmo genético walk-forward e avaliação de dados fora da amostra. Crie sistemas de negociação em MINUTOS, não horas ou dias. Identifique estratégias que se desintegrem na negociação ANTES de trocar os movimentos de preços de previsão com redes neurais. Envie trocas para sua corretora com negociação AUTOMATIZADA. Saiba mais sobre o NeuroShell Trader. Voto Melhor Software de Inteligência Artificial nos últimos 13 anos em uma linha Sistemas de Negociação de Aprendizagem de Máquinas O SPDR SampP 500 ETF (SPY) é um dos produtos ETF amplamente comercializados no mercado, com cerca de 200 bilhões de ativos e volume de negócios médio de pouco menos de 200 milhões de ações diariamente . Portanto, a probabilidade de ser capaz de desenvolver um sistema de negociação com dinheiro usando informações publicamente disponíveis pode parecer desproporcional. Então, para nos dar uma chance de luta, vamos nos concentrar em uma tentativa de prever o movimento durante a noite no SPY, usando dados da sessão do dia anterior8217s. Além dos preços openhighlow e fechados da sessão do dia anterior, selecionamos uma série de outras variáveis plausíveis para construir o vetor de características que vamos usar em nosso modelo de aprendizado de máquina: o volume diário O dia anterior do dia8217 de fechamento O 200 Média móvel de 50 dias e 10 dias do preço de fechamento Os preços altos e baixos de 252 dias da série SPY Vamos tentar construir um modelo que prevê o retorno durante a noite no ETF, ou seja, O (t1) - C (t) C (t) Neste exercício, usamos dados diários desde o início da série SPY até o final de 2017 para construir o modelo, o que, em seguida, testaremos dados fora da amostra a partir de janeiro de 2017 - Ago de 2017. Em um contexto de alta freqüência, uma quantidade considerável de tempo seria gasto avaliando, limpando e normalizando os dados. Aqui enfrentamos muito menos problemas desse tipo. Normalmente, seria padronizado os dados de entrada para igualar a influência de variáveis que podem ser medidas em escalas de ordens de grandeza diferentes. Mas neste exemplo, todas as variáveis de entrada, com exceção do volume, são medidas na mesma escala e, portanto, a padronização é indiscutivelmente desnecessária. Primeiro, os dados na amostra são carregados e usados para criar um conjunto de regras de treinamento que mapeiam o vetor de características para a variável de interesse, o retorno durante a noite: Em Mathematica 10, Wolfram apresentou um conjunto de algoritmos de aprendizado de máquina que incluem regressão, vizinho mais próximo , Redes neurais e florestas aleatórias, juntamente com a funcionalidade para avaliar e selecionar a melhor técnica de aprendizado de máquinas. Essas instalações tornam muito direto criar um modelo de classificação ou de previsão usando algoritmos de aprendizado de máquina, como este exemplo de reconhecimento de escrita: criamos um modelo preditivo no conjunto de trem SPY, permitindo que a Mathematica escolha o melhor algoritmo de aprendizagem de máquina: há uma série de Opções para a função Predict que podem ser usadas para controlar a seleção de características, tipo de algoritmo, tipo de desempenho e objetivo, em vez de simplesmente aceitar os padrões, como fizemos aqui: Tendo construído nosso modelo de aprendizado de máquina, nós carregamos o out-of - Amostra de dados de janeiro de 2017 a agosto de 2017 e crie um conjunto de testes: Nós, em seguida, criamos um objeto PredictionMeasurement, usando o modelo do vizinho mais próximo. Que pode ser usado para uma análise mais aprofundada: não há muita dispersão nas previsões do modelo, que têm valor positivo. Uma técnica comum nesses casos é subtrair a média de cada uma das previsões (e também podemos padronizá-las dividindo-se pelo desvio padrão). O diagrama de dispersão dos retornos diários atualizados vs. previsões no SPY agora se parece com isso: existem ainda uma óbvia falta de dispersão nos valores de previsão, em comparação com os retornos overnight atuais, que podemos corrigir por padronização. Em qualquer caso, parece haver uma pequena relação não-linear entre valores previstos e reais, o que evidencia alguma esperança de que o modelo ainda possa ser útil. De Previsão para Negociação Existem vários métodos de implantação de um modelo de previsão no contexto da criação de um sistema comercial. A rota mais simples, que vamos levar aqui, é aplicar um portão de limite e converter as previsões filtradas diretamente em um sinal de negociação. Mas outras abordagens são possíveis, por exemplo: Combinando as previsões de modelos múltiplos para criar um conjunto de previsão Usando as previsões como insumos para um modelo de programação genética Alimentando as previsões na camada de entrada de um modelo de rede neural projetado especificamente para gerar sinais comerciais, Do que as previsões Neste exemplo, criaremos um modelo de negociação aplicando um filtro simples às previsões, escolhendo apenas os valores que excederão um limite especificado. Este é um truque padrão usado para isolar o sinal no modelo do ruído de fundo. Aceitaremos apenas os sinais positivos que excederão o nível do limiar, criando um sistema de negociação único. Ou seja, ignoramos as previsões que se situam abaixo do nível de limiar. Nós compramos SPY no fechamento quando a previsão excede o limite e saia de qualquer posição longa no dia seguinte8217s aberto. Esta estratégia produz os seguintes resultados pró-forma: Conclusão O sistema possui características bastante atraentes, incluindo uma taxa de ganhos superior a 66 e uma CAGR de mais de 10 para o período fora da amostra. Obviamente, esta é uma ilustração muito básica: gostaríamos de ter em conta as comissões de negociação, e o deslizamento incorrido na entrada e saída de posições nos períodos pós e pré-mercado, o que impactará negativamente o desempenho, é claro. Por outro lado, mal começamos a coçar a superfície em termos de variáveis que poderiam ser consideradas para inclusão no vetor de características e que podem aumentar o poder explicativo do modelo. Em outras palavras, na realidade, este é apenas o início de um longo e árduo processo de pesquisa. No entanto, este exemplo simples deve ser suficiente para dar ao leitor um gostinho do que envolvem a construção de um modelo de negociação preditivo usando algoritmos de aprendizado de máquina.
No comments:
Post a Comment