Aprendizaje De Máquinas Y Posiciones Cortas En Estrategias De Negociación De Valores

Este capítulo fue publicado originalmente como: Allen, D. E. Singh, A. Powell, R. (2011). Aprendizaje de máquinas y posiciones cortas en estrategias de negociación de acciones. En G. N. Gregoriou (eds.). Manual de ventas cortas (pp. 467-478). Ubicación: Elsevier. Resumen Los inversores pueden beneficiarse de los movimientos ascendentes o descendentes de los precios de los activos en función de si son largos o cortos. Para lograr ganancias inmediatas en su posición deben ser capaces de predecir la dirección de los movimientos de precios futuros a corto plazo. La dirección de un cambio de precio es un problema de clasificación. Métodos estadísticos habituales, como la regresión logística lineal y el análisis discriminante, se aplican con frecuencia a este problema. El desarrollo de métodos más flexibles, como la clasificación de vecto rmachine de soporte, ofrece a los profesionales potencialmente mejores y más poderosas soluciones. Este capítulo aplica máquinas de vector de soporte (SVM) para predecir la dirección de los cambios de precio para un pequeño conjunto de DowJones Industrial promedio de las existencias y las pruebas contra las predicciones obtenidas. Este documento no está disponible aquí. Capítulo 32xA0x2013xA0Machine aprendizaje y posiciones cortas en las estrategias de comercio de valores Resumen del editor Cualquier estrategia de inversión requiere alguna forma de evaluación del activo, es decir, determinación del precio o valor fundamental, y la predicción de posibles movimientos futuros de precios usando indicadores financieros, técnicos o fundamentales. La decisión de adoptar una posición larga o corta en un activo requiere una visión de sus movimientos de precios futuros inmediatos. El pronóstico financiero implica un enorme proceso de procesamiento de datos, que puede ser ruidoso, no estacionario y no estructurado, para lo cual se aplican frecuentemente métodos estadísticos habituales, como la regresión logística lineal y el análisis discriminante. El desarrollo de métodos más flexibles, como la clasificación de la máquina de vectores de soporte, ofrece a los profesionales soluciones potencialmente mejores y más potentes. Este capítulo aplica máquinas de vector de soporte (SVM) para predecir la dirección de los cambios de precios para un pequeño conjunto de valores Dow Jones Industrial Average y los pone a prueba con las predicciones obtenidas del análisis de regresión logística. SVM es un algoritmo de aprendizaje de máquina, que se caracteriza por sus funciones de decisión particulares y la capacidad de aplicar transformaciones lineales y no lineales usando diferentes funciones del kernel. Los resultados muestran que la SVM mejora la regresión logística simple y proporciona una mayor precisión en la predicción de los cambios de precios. Como SVM se establece en la minimización del riesgo estructural, es más resistente a overfitting que otros métodos de aprendizaje utilizados para minimizar el riesgo empírico y puede tener un mejor desempeño. También se desempeña bien en comparación con otros métodos de pronóstico comúnmente utilizados, tales como ARIMA y Redes Neuronales Artificiales. Autor Palabras clave Relación libro a mercado Rendimiento de dividendos Hiperplano Rentabilidad de las inversiones Regresión logística Relación precio-ganancia Función de base radial Relaciones de Sharpe Máquinas de vector de soporte Factor de volumen negociado Copia de Copyright 2012 Elsevier Inc. Todos los derechos reservados. Las cookies son utilizadas por este sitio. Para obtener más información, visite la página de cookies. Copyright 2016 Elsevier B. V. o sus licenciantes o contribuyentes. ScienceDirect es una marca registrada de Elsevier B. V. 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 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 aplicarlas 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. Pase algo de tiempo aprendiendo acerca de 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, sino 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 un 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: izquierda M ampamp Frho (Mn, xi) ampamp L (pi (Mn), n) final 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 eres un veterano de 20 años, you39re va a perder ndash Eric Leschinski 13 de febrero a la 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 empresas 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 arrogancia 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 del sesgo de datamining es un serio obstáculo para cualquier estrategia basada en el aprendizaje de máquinas.