Aprendizado de máquina apresenta muitas vantagens únicas e atraentes para os comerciantes que procuram uma vantagem no mercado. Apenas no último ano vimos uma enorme quantidade de recursos dos fundos de hedge do mundo top, como Bridgewater Associates, dedicado a explorar estas técnicas.
Enquanto estiver usando a aprendizagem de máquina ou inteligência artificial parece incrivelmente complexa e difícil de implementar, ainda existem maneiras de alavancar suas capacidades sem precisar de um PhD em matemática ou ciência.
Neste post, nós vamos passar por 3 maneiras diferentes que você pode usar técnicas de aprendizado de máquina para melhorar a sua própria negociação.
Indicador Seleção
Uma das decisões mais importantes é decidir sobre quais os indicadores a utilizar para o comércio. Se você é um profissional técnico ou fundamental, ou você acabou de usar a ação do preço para o comércio, o seu sucesso vai ser em grande parte dependente dos indicadores que você usa e como você interpretá-los.
Felizmente, existem muitos métodos diferentes para a seleção de seus indicadores e isso é conhecido como "a seleção de recursos" no mundo do aprendizado de máquina.
Usando uma árvore de decisão para selecionar seu Indicators
As árvores de decisão são algoritmos muito versáteis que têm a vantagem de ser facilmente interpretável. Dado um grande conjunto de dados de indicadores e o movimento do preço do ativo, uma árvore de decisão vai encontrar os indicadores, e valores de indicador, que melhor dividir os dados entre os aumentos de preços e reduções de preços. Indicadores mais perto do topo da árvore são vistos como melhores preditores do que as mais próximas da parte inferior da árvore, e na sequência de um determinado ramo lhe permitirá encontrar facilmente as interdependências e as relações entre os indicadores.
A árvore de decisão também vai lhe dar um conjunto de regras que você pode usar para negociar com base nesses indicadores, mas você deve ter certeza de podar corretamente a árvore e teste para overfitting.
A árvore de decisão é um poderoso, ferramenta visual que pode ajudar a decidir quais combinações de indicadores para o comércio e para o que valoriza a negociá-los. Você pode encontrar um tutorial sobre como construir uma estratégia com uma árvore de decisão aqui ou para um guia mais geral, em R aqui é um bom recurso.
Otimização
Uma vez que você tem a base para sua estratégia, o passo seguinte é a optimização, ou escolher os parâmetros corretos para maximizar suas chances de sucesso. Muitas estratégias têm uma ampla variedade de parâmetros, tais como definições de indicadores, as condições de entrada e de saída, parar a perda e tomar níveis de lucro, e dimensionamento de posição, que fazem "força bruta" métodos de tentar todas as combinações único extremamente difícil e demorado, se em tudo mesmo possível.
Resolvendo esses tipos de problemas é outra área em que a aprendizagem de máquina se destaca.
Otimizando a Estratégia Usando Algoritmos Genéticos
Algoritmos genéticos imitar o processo de seleção natural através da criação de um conjunto único de estratégias de "filho" que contém uma mistura dos melhores "pai" estratégias, com a chance de mutação aleatória.
O processo começa com a codificação de sua estratégia em uma matriz. Por exemplo, poderia ler como algo como:
Indicador 1 Período | Indicador 2 Período | Comprar Condição | Vender Condição | Risco:Rácio de Recompensa |
Onde um 50 – 200 período móvel cruz média, com um 50 pip para 100 rácio pip risco-recompensa seria:
50 – período de Média Móvel | 100 – período de Média Móvel | Indicador 1 cruza acima Indicator 2 | Indicador 1 cruza abaixo Indicator 2 | 50:100
|
É, então, gerar uma grande população de estratégias com variações aleatórias destes parâmetros. Estas estratégias têm todos diferentes combinações de movimento períodos médios, condições de entrada e de saída, índices e risco-recompensa.
Próxima, você testaria essa população, executando cada estratégia ao longo de um conjunto de teste e selecionar as melhores estratégias com base em uma métrica de sua escolha desempenho.
Finalmente, você combina aleatoriamente as características dos principais estratégias, com uma pequena chance de "mutação" alguns dos parâmetros, para criar uma nova geração de estratégias de "filho". Em seguida, repita o processo de avaliação e, mais uma vez acasalar as estratégias de alto desempenho a partir desta nova geração. Isto leva a um cenário de sobrevivência de mais apto, onde apenas os melhores estratégias de "sobrevivência" para passar ao longo de seus genes para a próxima geração
Repita esse processo um grande número de vezes ou até a determinados critérios de desempenho é atingido e você é deixado com uma estratégia muito robusta construída a partir de gerações dos melhores estratégias desempenho!
Você tem que ter certeza de que você selecione uma métrica de desempenho adequada (como o retorno ajustado ao risco) e sempre testar a estratégia final sobre os dados que não foi usado para construir a estratégia para garantir que você não está overfitting a um conjunto de dados em particular.
Este é um método muito eficiente e robusto, que tem sido bem sucedida em uma ampla variedade de aplicações, incluindo o mundo do comércio. Você pode encontrar uma descrição mais detalhada aqui e um tutorial sobre como implementá-lo em R aqui.
Vivo Negociação
Um dos aspectos mais atraentes de aprendizado de máquina está a ter um algoritmo que é capaz de aprender e se adaptar às mudanças do mercado. Contudo, isso cria uma estratégia de "caixa preta" que, se você não entender completamente como os algoritmos de trabalhar e exaustivamente testado it yourself, é muito difícil confiar em uma conta real. Sem saber quando ou por que uma estratégia é entrar em um comércio pode ser uma proposição assustador.
Contudo, existem maneiras de obter os benefícios de uma inteligente, abordagem algorítmica, mantendo a transparência e compreensão em sua estratégia.
Associação de Aprendizagem Rule
Associação regra de aprendizagem é o processo de derivação de um conjunto de clara, regras compreensíveis a partir dos padrões descobertos através de um algoritmo de aprendizado de máquina.
Algoritmos, como o algoritmo Apriori, procurar um conjunto de dados de indicadores, valores dos indicadores, e o movimento do preço resultante para produzir um conjunto de condições; basicamente declarações "Então se-", que levam aos resultados de desempenho mais alto. Contudo, ainda é difícil saber exatamente onde essas regras são provenientes de, o algoritmo Apriori necessita de uma grande número de parâmetros a serem ajustados e este processo não se presta bem a mudanças nas condições de mercado.
Com Os Auto ajuda, pegamos o processo um passo adiante e permitir que você veja os padrões encontrados por um conjunto de algoritmos de aprendizado de máquina, a partir do qual você pode criar suas próprias regras de negociação. Estas regras são, então, fácil de implementar e adaptado às novas condições de mercado, todos, sem necessidade de qualquer programação ou experiência matemática. Você é capaz de obter os benefícios do uso de algoritmos de aprendizado de máquina para o comércio, mantendo total transparência, uma compreensão de sua estratégia, e incluindo a sua própria experiência de domínio em sua negociação.
Usando aprendizado de máquina e inteligência artificial para encontrar uma vantagem no mercado não devem ser propriedade exclusiva de apenas as maiores instituições financeiras. Como esta tecnologia se torna mais acessível e essas técnicas mais comuns, você também pode usar a aprendizagem de máquina para melhorar sua negociação.
De Slaff
CEO / Co-fundador