เครื่อง เรียนรู้ด้วย ตัวเลือก การซื้อขาย

โพสต์นี้จะแสดงรายละเอียดสิ่งที่ฉันได้ทำประมาณ 500k จากการซื้อขายความถี่สูง 2009-2010 เนื่องจากฉันได้ซื้อขายอย่างสมบูรณ์อย่างอิสระและไม่ใช้งานโปรแกรมของฉันฉันยินดีที่จะบอกการค้าของฉันทั้งหมดเป็นส่วนใหญ่ในสัญญา Russel 2000 และ DAX futures กุญแจสู่ความสำเร็จของผมเชื่อว่าไม่ใช่ในสมการทางการเงินที่มีความซับซ้อน แต่ในการออกแบบขั้นตอนโดยรวมซึ่งผูกติดกันหลายองค์ประกอบที่เรียบง่ายและใช้เครื่องการเรียนรู้เพื่อเพิ่มประสิทธิภาพสูงสุดสำหรับการทำกำไรคุณไม่จำเป็นต้องรู้คำศัพท์ที่ซับซ้อนใด ๆ ที่นี่เพราะเมื่อ ฉันติดตั้งโปรแกรมของฉันมันขึ้นอยู่กับสัญชาตญาณแอนดรูแอนดรูเครื่องการเรียนที่น่าตื่นตาตื่นใจเครื่องที่น่าตื่นตาตื่นใจยังไม่สามารถใช้ได้ - btw ถ้าคุณคลิกที่ลิงค์ที่คุณจะถูกนำไป CourseTalk โครงการปัจจุบันของฉันเว็บไซต์ทบทวนสำหรับ MOOCs. First ฉันเพียงแค่ต้องการ แสดงให้เห็นว่าความสำเร็จของฉันไม่ได้เป็นเพียงแค่ผลจากโชคโปรแกรมของฉันทำธุรกิจการค้า 1000-4000 ต่อวันครึ่งยาวครึ่งสั้นและไม่เคยได้รับในตำแหน่งมากกว่าสัญญาไม่กี่ครั้ง T เขาหมายถึงโชคสุ่มจากการค้าใด ๆ โดยเฉพาะอย่างยิ่งออกโดยเฉลี่ยอย่างรวดเร็วผลคือฉันไม่เคยสูญเสียมากกว่า 2000 ในหนึ่งวันและไม่เคยมีการสูญเสียเดือน แก้ไขตัวเลขเหล่านี้หลังจากชำระเงินค่าคอมมิชชั่นและแผนภูมิที่นี่เพื่อให้คุณทราบถึงรูปแบบรายวันหมายเหตุนี่ไม่รวม 7 เดือนที่ผ่านมาเนื่องจาก - เนื่องจากตัวเลขหยุดทำงาน - ฉันสูญเสียแรงจูงใจในการป้อนประวัติการซื้อขาย การตั้งค่าโปรแกรมการซื้อขายอัตโนมัติของฉันฉัน d มีประสบการณ์ 2 ปีในฐานะผู้ประกอบการค้าประเวณีด้วยตนเองนี่คือปีพ. ศ. 2544 นับเป็นวันเริ่มต้นของการซื้อขายหลักทรัพย์ทางอิเล็กทรอนิกส์และมีโอกาสที่จะสร้างรายได้ที่ดีให้กับ scalpers เพื่ออธิบายสิ่งที่ฉันทำ เป็นที่คล้ายกับการเล่นเกมการพนันวิดีโอเกมกับขอบที่คาดว่าจะประสบความสำเร็จหมายถึงการได้อย่างรวดเร็วถูกลงโทษทางวินัยและมีความสามารถในการจดจำรูปแบบที่ง่ายใช้งานง่ายฉันสามารถทำรอบ 250k จ่ายเงินกู้นักเรียนของฉันและมีเงินเหลือ Win. Over ห้าปีถัดไปผมจะเปิดตัวสอง startups ยกขึ้นทักษะการเขียนโปรแกรมบางอย่างไปพร้อมกันมัน wouldn t จะจนถึงปลายปี 2008 ที่ฉันจะได้รับกลับเข้ามาในการซื้อขายกับเงินทำงานต่ำจากการขายของการเริ่มต้นครั้งแรกของฉัน, การซื้อขายเสนอความหวังของเงินสดรวดเร็วบางอย่างในขณะที่ฉันคิดย้ายต่อไปของฉันในปี 2008 ผมเองวันซื้อขายฟิวเจอร์สโดยใช้ซอฟต์แวร์ที่เรียกว่า T4 ฉันต้องการที่จะต้องการบางส่วนที่กำหนดเองรายการปุ่มลัดดังนั้นหลังจากการค้นพบ T4 มี API ฉันเอาความท้าทาย ของการเรียนรู้ C ภาษาการเขียนโปรแกรมที่จำเป็นในการใช้ API และไปข้างหน้าและสร้างตัวเองบางองหลังจากที่เท้าของฉันเปียกกับ API ฉันเร็ว ๆ นี้มีแรงบันดาลใจที่ใหญ่กว่าฉันต้องการที่จะสอนคอมพิวเตอร์เพื่อการค้าสำหรับฉัน API ให้ทั้งกระแสของ ข้อมูลตลาดและวิธีง่ายๆในการส่งคำสั่งซื้อไปแลกเปลี่ยน - ทั้งหมดที่ฉันต้องทำคือการสร้างตรรกะที่อยู่ตรงกลางด้านล่างเป็นภาพหน้าจอของหน้าต่างการซื้อขาย T4 สิ่งที่เจ๋งคือเมื่อฉันได้รับโปรแกรมของฉันทำงานฉันสามารถ ดูการค้าเครื่องคอมพิวเตอร์ในอินเตอร์เฟซเดียวกันนี้แน่นอนดูคำสั่งซื้อจริง popping เข้าและออกด้วยตัวเองด้วยเงินจริงของฉันคือการออกแบบที่น่าตื่นเต้นและน่ากลัวของ algorithm. From ของฉันเริ่มแรกเป้าหมายของฉันคือการติดตั้งระบบดังกล่าวที่ฉันอาจจะมีเหตุผล ร่วม ฉันต้องการสร้างรายได้ก่อนที่จะทำการค้าขายสดเพื่อบรรลุเป้าหมายนี้ฉันจำเป็นต้องสร้างกรอบการจำลองการซื้อขายที่จะเป็นไปได้อย่างถูกต้องที่สุดจำลองการซื้อขายสดในขณะที่การซื้อขายในโหมดสดต้องมีการประมวลผลการปรับปรุงตลาดในสตรีมผ่านทาง API โหมดการจำลอง การปรับปรุงตลาดการอ่านที่จำเป็นจากไฟล์ข้อมูลในการเก็บข้อมูลนี้ฉันจะติดตั้งโปรแกรมเวอร์ชันแรกของฉันเพื่อเชื่อมต่อกับ API และบันทึกการปรับปรุงตลาดด้วย timestamps ฉันใช้ข้อมูลการตลาดล่าสุดในการฝึกและทดสอบระบบของฉันเป็นเวลา 4 สัปดาห์ ด้วยกรอบพื้นฐานในสถานที่ที่ฉันยังคงมีงานของการหาวิธีการทำระบบการซื้อขายผลกำไรตามที่ปรากฎอัลกอริทึมของฉันจะแบ่งออกเป็นสองส่วนที่แตกต่างกันซึ่งฉันจะสำรวจในทางกลับกันการเคลื่อนไหวของราคาและการทำกำไร trades. Predicting การเคลื่อนไหวของราคาอาจเป็นส่วนประกอบที่ชัดเจนของระบบการค้าใด ๆ คือความสามารถในการทำนายที่ราคาจะย้ายและฉันก็ไม่มีข้อยกเว้นที่ฉันกำหนดไว้ในปัจจุบัน ราคาเป็นค่าเฉลี่ยของการเสนอราคาภายในและข้อเสนอภายในและฉันจะกำหนดเป้าหมายในการทำนายราคาที่จะอยู่ใน 10 วินาทีถัดไปอัลกอริทึมของฉันจะต้องมากับช่วงเวลาที่คาดเดานี้โดยตลอดช่วงวันซื้อขายการเพิ่มประสิทธิภาพ ตัวชี้วัดแต่ละตัวบ่งชี้ว่ามีความสามารถในการทำนายการเคลื่อนไหวของราคาในระยะสั้นตัวชี้วัดแต่ละตัวบ่งชี้จำนวนที่เป็นบวกหรือลบตัวบ่งชี้มีประโยชน์ถ้าบ่อยกว่าตัวเลขเชิงบวกที่ไม่สอดคล้องกับตลาดที่เพิ่มขึ้น และตัวเลขเชิงลบสอดคล้องกับตลาดจะลงระบบของฉันอนุญาตให้ฉันได้อย่างรวดเร็วกำหนดเท่าใดความสามารถในการทำนายตัวบ่งชี้ใด ๆ ได้ดังนั้นฉันสามารถทดลองกับตัวชี้วัดที่แตกต่างกันเพื่อดูสิ่งที่ทำงานหลายตัวชี้วัดมีตัวแปรในสูตร ที่ผลิตพวกเขาและฉันก็สามารถที่จะหาค่าที่ดีที่สุดสำหรับตัวแปรเหล่านั้นโดยการทำเคียงข้างเคียงของผลลัพธ์ที่ประสบความสำเร็จกับค่าที่แตกต่างกันใน dicators ที่มีประโยชน์มากที่สุดคือทั้งหมดที่ค่อนข้างง่ายและอยู่บนพื้นฐานของเหตุการณ์ล่าสุดในตลาดที่ฉันได้รับการซื้อขายเช่นเดียวกับตลาดของตราสารที่มีความสัมพันธ์การคาดการณ์การคาดการณ์ราคาที่แม่นยำมีตัวชี้วัดที่คาดการณ์เพียงการเคลื่อนไหวราคาขึ้นหรือลงไม่เพียงพอ ฉันจำเป็นต้องทราบว่าการเคลื่อนไหวของราคาถูกทำนายตามค่าที่เป็นไปได้ของแต่ละตัวบ่งชี้ที่ฉันต้องการสูตรที่จะแปลงค่าตัวบ่งชี้ไปเป็นการคาดการณ์ราคาเพื่อให้บรรลุเป้าหมายนี้ฉันได้ติดตามการเปลี่ยนแปลงราคาที่คาดการณ์ไว้ในถัง 50 รายการขึ้นอยู่กับช่วงที่ ค่าตัวบ่งชี้ลดลงในการคาดการณ์ที่ไม่ซ้ำกันนี้สำหรับแต่ละส่วนที่ฉันสามารถกราฟใน Excel ได้เนื่องจากคุณสามารถดูการเปลี่ยนแปลงราคาที่คาดว่าจะเพิ่มขึ้นเมื่อค่าตัวบ่งชี้เพิ่มขึ้นตามกราฟเช่นนี้ฉันสามารถสร้างสูตรได้ ให้พอดีกับเส้นโค้งในการเริ่มต้นนี้ฉันได้ปรับเส้นโค้งนี้ด้วยตนเอง แต่ฉันเร็ว ๆ นี้เขียนขึ้นบางรหัสโดยอัตโนมัติกระบวนการนี้โปรดทราบว่าไม่ทั้งหมด curves บ่งชี้ได้เหมือนกัน hape นอกจากนี้ทราบว่าถังถูกกระจายลอการิทึมเพื่อกระจายจุดข้อมูลออกอย่างเท่าเทียมกันสุดท้ายทราบว่าค่าตัวบ่งชี้ค่าลบและการคาดการณ์ราคาลดลงสอดคล้องกันของพวกเขาถูกพลิกและบวกกับค่าบวกขั้นตอนวิธีของฉันรักษาขึ้นและลงเหมือนตัวบ่งชี้เดียวกันสำหรับเดียว การคาดการณ์สิ่งสำคัญที่ต้องพิจารณาคือตัวบ่งชี้แต่ละตัวไม่ได้เป็นอิสระอย่างสิ้นเชิงฉันไม่สามารถเพิ่มการคาดการณ์ทั้งหมดที่ตัวบ่งชี้แต่ละตัวทำขึ้นได้เองกุญแจสำคัญคือการหาค่าพยากรณ์เพิ่มเติมที่ตัวบ่งชี้แต่ละตัวมีมากกว่าที่คาดการณ์ไว้ wasn t ยากที่จะใช้ แต่ก็หมายความว่าถ้าฉันเป็นเส้นโค้งตัวชี้วัดที่เหมาะสมหลายในเวลาเดียวกันฉันต้องระวังการเปลี่ยนแปลงหนึ่งจะมีผลต่อการคาดการณ์ของ another. In เพื่อเส้นโค้งพอดีตัวบ่งชี้ทั้งหมดในเวลาเดียวกันฉัน ตั้งค่าเพิ่มประสิทธิภาพเพื่อก้าวไปข้างหน้าเพียง 30 วิธีในการทำนายเส้นโค้งใหม่ด้วยการข้ามแต่ละครั้งด้วยการกระโดด 30 ครั้งนี้ที่ฉันพบ ว่าเส้นโค้งการคาดการณ์จะมีเสถียรภาพภายในไม่กี่นาทีด้วยตัวบ่งชี้แต่ละตอนนี้ให้เราทำนายราคาของฉันเพิ่มเติมฉันสามารถเพิ่มพวกเขาขึ้นเพื่อสร้างการคาดการณ์เดียวของตลาดที่จะอยู่ใน 10 วินาทีทำไมคาดการณ์ราคาไม่เพียงพอ คุณอาจคิดว่าด้วยขอบนี้ในตลาดฉันเป็นสีทอง แต่คุณต้องจำไว้ว่าตลาดประกอบด้วยการเสนอราคาและข้อเสนอพิเศษไม่ใช่แค่ราคาตลาดเท่านั้นความสำเร็จในการซื้อขายด้วยความถี่สูงจะลดราคาลง มันไม่ง่ายที่ปัจจัยดังต่อไปนี้ทำให้การสร้างระบบที่ทำกำไรได้ยากกับการค้าแต่ละครั้งที่ฉันต้องจ่ายค่าคอมมิชชั่นให้ทั้งนายหน้าซื้อขายหลักทรัพย์ของฉันและการแลกเปลี่ยนความแตกต่างระหว่างการกระจายการเสนอราคาสูงสุดและเสนอต่ำสุดหมายความว่าถ้าฉันเป็นเพียงแค่ซื้อและ ขายสุ่มฉัน d จะสูญเสียตันของเงินส่วนใหญ่ของปริมาณการตลาดเป็นบอทอื่น ๆ ที่จะดำเนินการค้ากับฉันหากพวกเขาคิดว่าพวกเขามีขอบทางสถิติบางข้อเสนอแนะไม่ได้รับประกันว่าฉันสามารถซื้อได้โดย เวลาสั่งซื้อของฉันได้แลกเปลี่ยนเป็นไปได้มากว่าข้อเสนอที่จะได้รับการยกเลิกเป็นผู้เล่นในตลาดขนาดเล็กมีวิธีที่ฉันสามารถแข่งขันกับความเร็ว alone. Building จำลองการซื้อขายเต็มดังนั้นฉันมีกรอบที่อนุญาตให้ฉัน แต่ฉันต้องไปไกลกว่านี้ - ฉันต้องการกรอบที่จะช่วยให้ฉัน backtest และเพิ่มประสิทธิภาพระบบการซื้อขายเต็มหนึ่งที่ฉันถูกส่งคำสั่งซื้อและรับในตำแหน่งในกรณีนี้ฉัน d จะเพิ่มประสิทธิภาพสำหรับ PL รวมและ บางส่วนเฉลี่ยต่อการค้า PL นี้จะยุ่งยากและในบางวิธีเป็นไปไม่ได้ที่จะตรงรุ่น แต่ฉันได้ดีที่สุดเท่าที่ฉันได้นี่คือบางส่วนของปัญหาที่ฉันต้องจัดการกับเมื่อคำสั่งถูกส่งไปยังตลาดในการจำลอง ฉันต้องสร้างแบบจำลองเวลาล่าช้าความจริงที่ว่าระบบของฉันเห็นข้อเสนอพิเศษไม่ได้หมายความว่าจะสามารถซื้อได้ทันทีระบบจะส่งคำสั่งซื้อรอประมาณ 20 มิลลิวินาทีต่อจากนั้นเฉพาะในกรณีที่ข้อเสนอพิเศษยังมีอยู่ถือว่าเป็นข้อเสนอพิเศษ ดำเนินการค้า นี้ไม่แน่นอนเพราะเวลาล่าช้าจริงไม่สอดคล้องกันและไม่รายงานเมื่อฉันวางเสนอราคาหรือข้อเสนอผมต้องดูกระแสการค้าดำเนินการโดย API และใช้ที่จะวัดเมื่อคำสั่งของฉันจะมีการดำเนินการกับการทำเช่นนี้ฉันขวา มีการติดตามตำแหน่งของฉันในคิว It sa แรกในระบบแรกออกอีกครั้งฉัน couldn t ทำอย่างนี้ได้อย่างสมบูรณ์ แต่ฉันทำ approximation. To ดีที่สุดเพื่อปรับแต่งการดำเนินการสั่งซื้อของฉันสิ่งที่ฉันไม่ได้ใช้แฟ้มบันทึกของฉันจาก การซื้อขายผ่านทาง API และเปรียบเทียบกับล็อกไฟล์ที่ผลิตโดยการซื้อขายจำลองจากช่วงเวลาเดียวกันที่แน่นอนฉันสามารถจำลองของฉันไปยังจุดที่ถูกต้องสวยและสำหรับชิ้นส่วนที่เป็นไปไม่ได้ที่จะจำลองว่าฉันทำแน่ใจ อย่างน้อยผลการผลิตที่มีความคล้ายคลึงกันทางสถิติในตัวชี้วัดที่ฉันคิดว่ามีความสำคัญการทำกำไร trades. With แบบจำลองการสั่งซื้อในสถานที่ที่ฉันตอนนี้สามารถส่งคำสั่งซื้อในโหมดการจำลองและดู PL จำลอง แต่วิธีการจะเอ็ม ระบบ Y ทราบเวลาและสถานที่ที่จะซื้อและขายการคาดการณ์การเคลื่อนไหวของราคาเป็นจุดเริ่มต้น แต่ไม่ใช่เรื่องทั้งหมดสิ่งที่ฉันทำคือการสร้างระบบการให้คะแนนสำหรับแต่ละระดับราคา 5 ระดับในการเสนอราคาและการเสนอราคาซึ่งรวมถึงระดับหนึ่งด้านบนด้านใน การเสนอราคาสำหรับคำสั่งซื้อและระดับต่ำกว่าข้อเสนอพิเศษภายในสำหรับคำสั่งขายหากคะแนนที่ระดับราคาหนึ่ง ๆ สูงกว่าเกณฑ์ที่กำหนดซึ่งหมายความว่าระบบของฉันควรมีข้อเสนอในการเสนอราคาที่ใช้งานอยู่ที่นั่นซึ่งอยู่ต่ำกว่าเกณฑ์แล้วคำสั่งซื้อที่ใช้งานอยู่ ควรจะยกเลิกตามนี้ไม่ได้ผิดปกติที่ระบบของฉันจะแฟลชเสนอราคาในตลาดแล้วยกเลิกทันทีแม้ว่าฉันพยายามลดนี้เป็นที่น่ารำคาญเป็น heck ให้ทุกคนมองหน้าจอด้วยสายตามนุษย์ - รวมทั้ง me. The คะแนนราคาถูกคำนวณจากปัจจัยต่อไปนี้การคาดการณ์การย้ายราคาที่เราได้กล่าวถึงก่อนหน้านี้ระดับราคาที่อยู่ในระดับคำถามระดับราคาภายในหมายถึงการคาดการณ์การย้ายฐานการผลิตที่สูงขึ้นจำนวนที่ต้องทำในด้านหน้าของฉัน ลำดับในคิวไม่ดีขึ้นจำนวนสัญญาที่อยู่เบื้องหลังการสั่งซื้อของฉันในคิวเพิ่มเติมได้ดีกว่าปัจจัยเหล่านี้โดยเฉพาะที่ทำหน้าที่ในการระบุสถานที่ที่ปลอดภัยในการเสนอราคาการคาดการณ์การย้ายราคาเพียงอย่างเดียวไม่เพียงพอเพราะไม่ได้บัญชีสำหรับข้อเท็จจริงที่ว่า เมื่อวางประมูลฉันไม่ได้กรอกข้อมูลโดยอัตโนมัติ - ฉันแค่เติมเต็มถ้ามีคนขายให้ฉันที่นั่นความจริงก็คือความเป็นจริงเพียงอย่างเดียวของคนที่ขายให้ฉันในราคาที่แน่นอนก็เปลี่ยนอัตราสถิติของการค้าได้ตัวแปรที่ใช้ในขั้นตอนนี้ ทั้งหมดได้รับการเพิ่มประสิทธิภาพนี้ทำในลักษณะเดียวกับฉันปรับตัวแปรในตัวบ่งชี้การเคลื่อนไหวของราคายกเว้นในกรณีนี้ผมเพิ่มประสิทธิภาพสำหรับบรรทัดล่าง L L. What สิ่งที่โปรแกรมของฉันละเลยเมื่อการซื้อขายเป็นมนุษย์เรามักจะมีอารมณ์ที่มีประสิทธิภาพและ อคติที่อาจนำไปสู่การตัดสินใจที่ดีกว่าน้อยที่สุดเห็นได้ชัดว่าฉันไม่ต้องการจัดองค์ประกอบอคติเหล่านี้ต่อไปนี้เป็นปัจจัยบางประการที่ทำให้ระบบของฉันละเลยราคาที่ถูกป้อนเข้าในสำนักงานการค้า ที่จะได้ยินการสนทนาเกี่ยวกับราคาที่มีคนยาวหรือสั้นเช่นถ้าที่จะมีผลต่อการตัดสินใจในอนาคตของพวกเขาในขณะที่มีความถูกต้องบางส่วนเป็นส่วนหนึ่งของกลยุทธ์การลดความเสี่ยงจริงๆมันไม่มีผลต่อหลักสูตรในอนาคตของเหตุการณ์ในตลาดดังนั้นฉัน โปรแกรมจะไม่สนใจข้อมูลนี้อย่างสิ้นเชิงแนวคิดนี้เหมือนกับแนวคิดการละเลยค่าใช้จ่ายที่เกิดจากการลุกลามไประยะสั้นและออกจากตำแหน่งที่ยาวนานโดยปกติแล้วผู้ค้าจะมีเกณฑ์ที่แตกต่างกันซึ่งจะกำหนดว่าจะขายตำแหน่งที่ยาวเมื่อเทียบกับตำแหน่งที่จะไปสั้น ๆ อย่างไรก็ตามจากมุมมองของอัลกอริทึม ไม่มีเหตุผลที่จะสร้างความแตกต่างหากอัลกอริธึมของฉันคาดว่าการขายย้ายลงจะเป็นความคิดที่ดีไม่ว่าจะเป็นในระยะยาวสั้นหรือแบนกลยุทธ์การเสแสร้งขึ้น - นี่คือกลยุทธ์ทั่วไปที่ผู้ค้าจะซื้อหุ้นเพิ่มขึ้นในเหตุการณ์ ที่มีการค้าเดิมไปกับพวกเขาซึ่งส่งผลให้ราคาซื้อเฉลี่ยของคุณต่ำกว่าและมันหมายถึงเมื่อหรือถ้าหุ้นหันไปรอบ ๆ คุณจะได้รับการตั้งค่าให้มอนของคุณ ey กลับในเวลาไม่นานในความคิดของฉันนี้เป็นจริงกลยุทธ์ที่น่ากลัวจนกว่าคุณจะ Warren Buffet คุณหลอกให้คิดว่าคุณกำลังทำดีเพราะส่วนใหญ่ของธุรกิจการค้าของคุณจะเป็นผู้ชนะปัญหาคือเมื่อคุณสูญเสียคุณสูญเสียใหญ่ผลอื่น ๆ คือมัน ทำให้ยากที่จะตัดสินถ้าคุณมีขอบในตลาดหรือเพิ่งจะโชคดีความสามารถในการตรวจสอบและยืนยันว่าโปรแกรมของฉันได้ในความเป็นจริงมีขอบเป็นเป้าหมายสำคัญเนื่องจากอัลกอริทึมของฉันได้ตัดสินใจแบบเดียวกันโดยไม่คำนึงถึงตำแหน่ง มันเข้าสู่การค้าหรือถ้ามันเป็นเวลานานหรือสั้นมันก็นั่งเป็นครั้งคราวและใช้เวลาการค้าที่สูญเสียบางส่วนใหญ่นอกเหนือไปจากการค้าที่ชนะมากบาง แต่คุณไม่ควรคิดว่ามีการจัดการความเสี่ยงใด ๆ ในการจัดการความเสี่ยงที่ฉันบังคับใช้สูงสุด ขนาดของตำแหน่ง 2 ครั้งต่อครั้งบางครั้งก็พุ่งขึ้นในวันที่มีปริมาณมากฉันยังมีขีด จำกัด การสูญเสียรายวันสูงสุดเพื่อป้องกันมิให้เกิดสภาวะตลาดที่ไม่คาดคิดหรือข้อผิดพลาดในซอฟต์แวร์ของฉันขีด จำกัด เหล่านี้ถูกบังคับใช้ในโค้ดของฉัน ฉันยังอยู่ในแบ็กเอนด์ผ่านโบรกเกอร์ของฉันเมื่อมันเกิดขึ้นฉันไม่เคยพบปัญหาใด ๆ ที่สำคัญวิ่งขั้นตอนเริ่มต้นจากช่วงเวลาที่ฉันเริ่มทำงานในโปรแกรมของฉันมันเอาฉันประมาณ 6 เดือนก่อนที่ฉันได้ไปจุดของการทำกำไรและเริ่มทำงาน อาศัยอยู่แม้ว่าจะเป็นธรรมจำนวนมากเวลาคือการเรียนรู้ภาษาเขียนโปรแกรมใหม่ขณะที่ฉันทำงานเพื่อปรับปรุงโปรแกรมที่ฉันเห็นผลกำไรที่เพิ่มขึ้นสำหรับแต่ละสี่เดือนต่อไปสัปดาห์ที่ผ่านมาฉันจะฝึกระบบของฉันขึ้นอยู่กับก่อนหน้านี้ 4 สัปดาห์คุ้มค่าของ ข้อมูลที่ฉันพบนี้หลงสมดุลระหว่างการจับแนวโน้มพฤติกรรมการตลาดล่าสุดและการประกันอัลกอริทึมของฉันมีข้อมูลเพียงพอที่จะสร้างรูปแบบที่มีความหมายขณะที่การฝึกอบรมเริ่มใช้เวลามากขึ้นผมแยกออกเพื่อที่จะสามารถดำเนินการโดย 8 เครื่องเสมือนใช้ amazon EC2 ผลจากนั้นได้ถูกรวมเข้าด้วยกันในเครื่องของฉันจุดเริ่มต้นของการซื้อขายคือเดือนตุลาคมปี 2009 เมื่อทำเกือบ 100k หลังจากนี้ฉันยังคงใช้จ่ายต่อไปอีก 4 เดือน rying เพื่อปรับปรุงโปรแกรมของฉันแม้จะมีกำไรลดลงในแต่ละเดือนโชคร้ายโดยจุดนี้ฉันเดาฉัน d ใช้ความคิดที่ดีที่สุดของฉันเพราะไม่มีอะไรที่ฉันพยายามดูเหมือนจะช่วย much. With แห้วไม่สามารถทำให้การปรับปรุงและไม่ได้มีความรู้สึกของการเจริญเติบโตฉัน เริ่มคิดถึงทิศทางใหม่ฉันส่งอีเมล 6 บริษัท เทรดดิ้งความถี่สูงต่างๆเพื่อดูว่าพวกเขาสนใจในการจัดซื้อซอฟต์แวร์ของฉันหรือไม่และจ้างฉันไปทำงานให้กับพวกเขาไม่มีใครตอบว่าฉันมีแนวคิดเริ่มต้นใหม่ ๆ ที่ฉันต้องการจะทำเพื่อไม่ให้ฉันติดตาม UPDATE - ฉันโพสต์นี้ใน Hacker ข่าวและได้รับความสนใจมากฉันแค่อยากจะบอกว่าฉันไม่สนับสนุนใครพยายามที่จะทำอะไรเช่นนี้เองตอนนี้คุณจะต้องมีทีมงานของคนฉลาดจริงๆกับช่วงของประสบการณ์ มีความหวังในการแข่งขันแม้ในขณะที่ผมทำเช่นนี้ผมเชื่อว่ามันหายากมากสำหรับบุคคลที่จะประสบความสำเร็จแม้ว่าผมเคยได้ยินจากคนอื่น ๆ มีความคิดเห็นที่ด้านบนของหน้าเว็บที่กล่าวถึงการจัดการ sta tistics และหมายถึงฉันเป็นนักลงทุนรายย่อยที่ quants จะเก่งเลือกปิดนี้เป็นความคิดเห็นที่โชคร้ายค่อนข้างที่จะไม่เพียง แต่ในความเป็นจริงการตั้งค่าที่นอกเหนือมีความเห็นที่น่าสนใจบางส่วน UPDATE 2 - ฉันได้โพสต์คำถามที่พบบ่อยติดตามที่ตอบ คำถามทั่วไปที่ฉันได้รับจากผู้ค้าเกี่ยวกับโพสต์นี้คำศัพท์สถิติ arbitrage stat-arb ครอบคลุมกลยุทธ์การลงทุนที่หลากหลายซึ่งโดยทั่วไปมีจุดมุ่งหมายเพื่อใช้ประโยชน์จากความสมดุลทางสถิติความสัมพันธ์ระหว่างสองหรือมากกว่าหลักทรัพย์หลักทั่วไปคือความแตกต่างใด ๆ จากสมดุล เป็นผลชั่วคราวและเดิมพันที่ควรจะวางในกระบวนการย้อนกลับไปสมดุลของมันข้อควรระวังที่สำคัญของ stat-arb คู่กลยุทธ์การซื้อขายประเภทคือว่าเป็นความแตกต่างจากสมดุลเติบโตขึ้นการค้าจะกลายเป็นที่น่าพอใจมากขึ้น แต่ที่จุด divergence บาง จะเติบโตขนาดใหญ่ที่หนึ่งจะต้องยอมรับว่าความสัมพันธ์สมดุลไม่ได้อยู่ในรูปแบบที่ถูกทำลายธรรมชาติเป็นที่พึงปรารถนา เพื่อประเมินอำนาจของเครื่องมือทางสถิติที่ใช้ในการกำหนดความสัมพันธ์เหล่านี้และเพื่อตรวจสอบระยะเวลาของการสังเกตความสมดุลใด ๆ จากตัวอย่างโพสต์นี้จะตรวจสอบประสิทธิภาพของการทดสอบทางสถิติที่เกี่ยวกับการซื้อขายคู่สำหรับการทดสอบสถิติต่อไปนี้ ADF, BVR , HURST, PP, PGFF, JO-T และ JO-E หลักทั่วไปคือสำหรับสองหุ้นและรูปแบบนิ่งและตามนิยามหมายถึงการย้อนกลับคู่ถ้าสมการต่อไปนี้ถือถ้าเป็นระหว่างและจากนั้นและเป็น co - รวมเป็นค่าสัมประสิทธิ์ของการพลิกกลับค่าเฉลี่ยการทดสอบทางสถิติจะต้องทำเพื่อตรวจสอบว่านี่เรียกว่าการทดสอบรากของหน่วยถ้าชุดประกอบด้วยหน่วยรากไม่เหมาะสำหรับการซื้อขายคู่มีหลายหน่วยทดสอบรากทำงานอยู่ การทดสอบที่แตกต่างกันเกี่ยวกับกระบวนการตกค้างหนึ่งอาจถูกล่อลวงเพื่อประเมินรูปแบบที่เหลือ AR 1 และตรวจสอบสำหรับการใช้วิธีการถดถอยเชิงเส้นแบบเดิมโดยการคำนวณอัตราส่วนมาตรฐานอย่างไรก็ตามปรากฏว่า Dicky และ Fuller 1979 ระบุว่า t-ratio ไม่เป็นไปตามการแจกแจง t ดังนั้นจึงจำเป็นต้องมีการทดสอบความสำคัญที่ไม่เป็นมาตรฐานซึ่งเรียกว่าการทดสอบรากของหน่วย (unit root tests) เช่นเดียวกับทุกรุ่นมีการปิดการใช้งานเมื่อกำหนดขนาดหน้าต่างการฝึกอบรมหน้าต่างและรุ่นยาวเกินไปอาจไม่เกี่ยวข้อง ข้อมูลและปรับตัวให้เข้ากับเหตุการณ์ล่าสุดได้ไม่นานหน้าต่างสั้นเกินไปและแบบจำลองตอบสนองต่อเหตุการณ์ล่าสุดเท่านั้นและลืมเกี่ยวกับเหตุการณ์ที่ผ่านมาได้อย่างรวดเร็วการตัดการค้านี้เป็นปัญหาในการทดสอบการรวมระบบร่วมกันซึ่งแสดงให้เห็นใน Clegg, M January 2014 ความคงอยู่ของ cointegration ในการซื้อขายคู่ที่สำหรับขนาดหน้าต่างคงที่อำนาจของการทดสอบรากหน่วยส่วนใหญ่ลดลงตามที่มีแนวโน้มที่จะ 1 จากด้านล่างสำหรับ 250 จุดข้อมูลที่มีการระดมความร่วมมือของการทดสอบการตรวจสอบเฉพาะการรวมร่วมน้อยกว่า 25 ของ time. Intuitively นี้ทำให้รู้สึกช้าลงกระบวนการคือการย้อนกลับจุดข้อมูลเพิ่มเติมจะต้องดู reversion มันค่อนข้างไม่พึงปรารถนาที่อำนาจของการทดสอบรากหน่วยแตกต่างกันไปขึ้นอยู่กับคุณสมบัติของ t เขาอยู่ภายใต้กระบวนการ แต่ไม่จำเป็นสำหรับการซื้อขายคู่ที่ประสบความสำเร็จที่ทุกคู่ร่วมถูกระบุว่าเป็นเช่นคุณสมบัติพลังงานที่แตกต่างกันของการทดสอบรากหน่วยเป็นส่วนใหญ่ไม่เกี่ยวข้องสิ่งที่เป็นที่น่าสนใจมากขึ้นคืออัตราการบวกเท็จเพื่อให้คู่ระบุว่าเป็นค่าเฉลี่ย การย้อนกลับเมื่อไม่ได้ผลและผลที่ได้คือสร้างชุดเวลาร่วมที่ 1000 และมีการกระจายอย่างสม่ำเสมอในชุดและในชุดตาม Clegg มีความคล้ายคลึงกับประเภทของคู่สต็อคที่พบในความเป็นจริงทำซ้ำสำหรับ ความยาวของช่วงเวลาต่างๆและทดสอบเพื่อดูจำนวนชุดเวลาที่ได้รับการจำแนกอย่างถูกต้องว่าเป็นการรวมศูนย์คืนค่าร่วมโดยใช้การทดสอบต่างๆสำหรับ pValues ​​ที่แตกต่างกันในการทดสอบส่วนใหญ่ PP และ PGFF ทำได้ดีกว่าวิธีอื่น ๆ เมื่อกระบวนการนี้กลับมีผลตอบแทนน้อยกว่า 0 85 การทดสอบ PP, PGFF, JO-E และ JO-T ระบุได้อย่างถูกต้องว่ากระบวนการเป็น co-integrated หมายถึงการย้อนกลับมากกว่า 75 ครั้งที่ pValue 0 01 สำหรับบางส่วนของ weake r ย้อนกลับคู่ที่มีมากกว่า 0 95 ประสิทธิภาพของการทดสอบทางสถิติเป็นที่น่าเศร้ากับเพียง 250 จุดข้อมูลมันเป็นมูลค่าแบริ่งในใจว่า 250 จุดข้อมูลเป็น approximatlythe จำนวนวันทำการในปีและอาจจะบ่งบอกถึงเท่าใด ข้อมูลทางประวัติศาสตร์เป็นสิ่งที่จำเป็นในกลยุทธ์การซื้อขายคู่การทดสอบแบบเท็จเชิงบวกตามขั้นตอนเดียวกันที่กำหนดไว้สำหรับการทดสอบความถูกต้อง แต่เลือกในเซ็ทเพื่อสร้างชุดข้อมูลเวลาที่ไม่ได้รวมร่วมกันดูเปอร์เซ็นต์ของเส้นทางที่ได้รับการรายงานเท็จว่าเป็น co - รวมหมายคืนฉันไม่เคยเห็นแผนภูมินี้ในหนังสือข้อความและรู้สึกประหลาดใจที่ผลทั้ง HURST และ BVR รายงานบวกเท็จมากขึ้นเช่นการเพิ่มขึ้นกระบวนการ explodes มีแนวโน้มที่จะทดสอบเพื่อแสดงเท็จบวกขอบคุณ การทดสอบอื่น ๆ ทำงานในแบบที่สมเหตุสมผลโดยมีข้อผิดพลาดน้อยส่วนนี้เป็นส่วนหนึ่งของการสอนเกี่ยวกับการใช้ขั้นตอนวิธี NEAT อธิบายถึงวิธีการที่ genomes ถูกข้ามไปอย่างมีนัยสำคัญ tion และวิธีการที่กลุ่มพันธุกรรมกลุ่ม speciation เป็นชนิดสามารถใช้เพื่อปกป้องจีโนมอ่อนแอกับข้อมูล topological ใหม่จากการกำจัดก่อนเวลาอันควรจากสระว่ายน้ำของยีนก่อนที่พื้นที่น้ำหนักของพวกเขาสามารถ optimised ส่วนแรกของการกวดวิชานี้สามารถพบได้ที่นี่ประวัติความเป็นมายีนผ่าน จำนวนนวัตกรรมหมายเลข 1 แสดงการกลายพันธุ์สองแบบการกลายพันธุ์ที่เชื่อมโยงกันและการกลายพันธุ์โหนดซึ่งเพิ่มยีนใหม่ลงในจีโนมแต่ละครั้งที่มีการสร้างยีนใหม่ผ่านนวัตกรรมโทโพโลยัจำนวนนวัตกรรมระดับโลกจะเพิ่มขึ้นและกำหนดให้กับยีนดังกล่าวหมายเลขนวัตกรรมระดับโลกคือ การตรวจสอบแหล่งกำเนิดทางประวัติศาสตร์ของยีนแต่ละตัวถ้าสองยีนมีหมายเลขนวัตกรรมเดียวกันพวกเขาต้องเป็นตัวแทนของโทโพโลยีเดียวกันแม้ว่าน้ำหนักจะแตกต่างกันการใช้งานนี้เกิดขึ้นระหว่างการทำยีนไขว้การคัดแยกยีน (Genome Crossover Mating) การใช้จีโนมครอสโอเวอร์จะใช้เวลาสอง และ B และสร้างจีโนมใหม่ช่วยให้เรียกเด็กเอายีนที่แข็งแกร่งที่สุดจาก A และ B คัดลอกโครงสร้าง topological ใด ๆ ures ไปตลอดทางระหว่างยีนครอสโอเวอร์จากทั้งสอง genomes เรียงรายขึ้นโดยใช้หมายเลขนวัตกรรมของพวกเขาสำหรับหมายเลขนวัตกรรมแต่ละยีนจากพ่อแม่ที่พอดีที่สุดจะถูกเลือกและแทรกเข้าไปในจีโนมเด็กถ้าทั้งสอง genomes แม่มีสมรรถภาพเดียวกันแล้วยีนเป็น สุ่มเลือกจากแม่อย่างใดอย่างหนึ่งด้วยความเป็นไปได้เท่ากันถ้าจำนวนนวัตกรรมที่มีอยู่เฉพาะในผู้ปกครองคนหนึ่งแล้วสิ่งนี้เรียกว่ายีนไม่สลายหรือเกินและแสดงถึงนวัตกรรม topological ก็ยังแทรกลงในเด็กภาพด้านล่างแสดงให้เห็นถึงกระบวนการครอสโอเวอร์สำหรับ สอง genomes ของการออกกำลังกายเดียวกันการคำนวณจะใช้จีโนมทั้งหมดในสระจีโนมที่กำหนดและพยายามที่จะแยกพวกเขาออกเป็นกลุ่มที่แตกต่างกันที่รู้จักกันเป็นสายพันธุ์จีโนมในแต่ละชนิดจะมีลักษณะคล้ายคลึงกันวิธีการวัดความคล้ายคลึงกันระหว่างสอง genomes เป็นสิ่งจำเป็น, ถ้าสอง genomes คล้ายกันพวกเขามาจากสายพันธุ์เดียวกันมาตรการธรรมชาติที่จะใช้จะเป็นจำนวนเงินที่ถ่วงน้ำหนักของจำนวนของยีนที่เกินออกแทน representi ความแตกต่าง topological และความแตกต่างในน้ำหนักระหว่างการจับคู่ยีนถ้าผลรวมถัวเฉลี่ยต่ำกว่าเกณฑ์บางอย่างแล้วจีโนมเป็นของชนิดเดียวกันข้อดีของการแยก genomes เป็นชนิดคือว่าในระหว่างขั้นตอนการวิวัฒนาการทางพันธุกรรมที่ genomes ที่มีการออกกำลังกายต่ำจะถูกคัดออก ลบออกทั้งหมดจากสระว่ายน้ำจีโนมมากกว่าที่จะมีการต่อสู้ของจีโนมแต่ละครั้งสำหรับสถานที่ที่มีต่อจีโนมอื่น ๆ ทั้งหมดในสระว่ายน้ำจีโนมทั้งหมดที่เราสามารถทำให้มันต่อสู้กับมันสถานที่กับจีโนมของสายพันธุ์เดียวกันวิธีการนี้สายพันธุ์ที่รูปแบบจากนวัตกรรมใหม่ topological ที่ไม่อาจมีการออกกำลังกายที่สูง แต่เนื่องจากไม่ได้มีน้ำหนักของมันจะดีที่สุดจะอยู่รอดการคัดเลือกขั้นตอนของกระบวนการทั้งหมดสร้างสระว่ายน้ำจีโนมที่มี n สุ่ม genomes. Take จีโนมแต่ละและนำไปใช้กับการจำลองปัญหาและคำนวณการออกกำลังกายของจีโนม แต่ละจีโนมจะเป็นสายพันธุ์ในแต่ละชนิดคัดลอกจีโนมที่ถอดจีโนมที่อ่อนแอออกไปแต่ละสายพันธุ์จะสุ่มเลือกจีโนมในสายพันธุ์ให้เป็นอย่างใดอย่างหนึ่ง ครอสโอเวอร์หรือ mutate ทำซ้ำทั้งหมดข้างต้น navigation. I I am ไม่แน่ใจว่าถ้าคำถามนี้พอดีใน here. I เพิ่งเริ่มอ่านและเรียนรู้เกี่ยวกับการเรียนรู้เครื่องสามารถคนโยนแสงบางส่วนไปยังวิธีการไปเกี่ยวกับเรื่องนี้หรือมากกว่า ทุกคนสามารถแบ่งปันประสบการณ์ของพวกเขาและตัวชี้ไม่กี่ขั้นพื้นฐานเกี่ยวกับวิธีการไปเกี่ยวกับเรื่องนี้หรือ atleast เริ่มใช้มันเพื่อดูผลบางอย่างจากชุดข้อมูลวิธีการที่มีความทะเยอทะยานไม่ sound. Also นี้จะพูดถึงเกี่ยวกับขั้นตอนวิธีมาตรฐานที่ควรจะพยายามหรือมองไปที่ขณะที่ทำเช่นนี้ 1 กุมภาพันธ์ที่ 18 กุมภาพันธ์ 35.There ดูเหมือนจะเข้าใจผิดพื้นฐานที่มีคนสามารถมาพร้อมและเรียนรู้การเรียนรู้เครื่องบางหรืออัลกอริทึม AI ตั้งพวกเขาเป็นกล่องสีดำตีไปและนั่งในขณะที่พวกเขาเกษียณคำแนะนำของฉัน ให้คุณเรียนรู้สถิติและการเรียนรู้ด้วยเครื่องครั้งแรกจากนั้นจึงกังวลเกี่ยวกับวิธีนำไปใช้กับปัญหาที่กำหนดไม่มีอาหารมื้อเที่ยงฟรีที่นี่การวิเคราะห์ข้อมูลเป็นงานที่ยากอ่านองค์ประกอบของการเรียนรู้ทางสถิติ pdf สามารถใช้ได้ฟรีบนเว็บไซต์และไม่ ไม่เริ่มพยายาม สร้างโมเดลจนกว่าคุณจะเข้าใจอย่างน้อย 8 บทแรกเมื่อคุณเข้าใจสถิติและการเรียนรู้ด้วยเครื่องแล้วคุณจำเป็นต้องเรียนรู้วิธีทดสอบ backtest และสร้างรูปแบบการซื้อขายการบัญชีสำหรับค่าใช้จ่ายในการทำธุรกรรม ฯลฯ ซึ่งเป็นพื้นที่อื่น ๆ ทั้งหมด คุณมีการจัดการทั้งการวิเคราะห์และการเงินแล้วมันจะค่อนข้างชัดเจนวิธีการใช้มันจุดทั้งหมดของอัลกอริทึมเหล่านี้กำลังพยายามที่จะหาวิธีเพื่อให้พอดีกับรูปแบบข้อมูลและก่อให้เกิดอคติต่ำและความแปรปรวนในการทำนายเช่นที่ การฝึกอบรมและข้อผิดพลาดการทำนายการทดสอบจะต่ำและคล้ายกันต่อไปนี้เป็นตัวอย่างของระบบการซื้อขายโดยใช้เครื่องเวกเตอร์สนับสนุนใน R แต่เพียงแค่ทราบว่าคุณจะทำด้วยตัวเองก่อความเสียหายอย่างมากหากคุณไม่ได้ใช้เวลาในการทำความเข้าใจ พื้นฐานก่อนที่จะพยายามที่จะใช้สิ่งที่ลึกลับเพียงเพื่อเพิ่มการปรับปรุงความบันเทิงฉันเพิ่งมาในวิทยานิพนธ์ปริญญาโทนี้กรอบการค้านวนิยายขั้นตอนวิธีการใช้วิวัฒนาการและการเรียนรู้เครื่องจักรสำหรับการเพิ่มประสิทธิภาพการลงทุน 2012 หลังจากที่เกือบ 200 หน้าพวกเขาได้ข้อสรุปขั้นพื้นฐานระบบการซื้อขายไม่สามารถทำกำไรได้ดีกว่าเกณฑ์มาตรฐานเมื่อใช้ค่าใช้จ่ายในการทำธุรกรรมไม่จำเป็นต้องพูด แต่อย่างใดไม่ได้หมายความว่า ไม่สามารถที่จะทำฉัน haven t ใช้เวลาตรวจสอบวิธีการของพวกเขาเพื่อดูความถูกต้องของวิธีการใด ๆ แต่แน่นอนให้หลักฐานเพิ่มเติมบางอย่างในความโปรดปรานของทฤษฎีบทอาหารกลางวันฟรี no ตอบ 1 กุมภาพันธ์ที่ 18 18 Jase เป็นหนึ่งใน ผู้เขียนวิทยานิพนธ์ปริญญาโทที่กล่าวถึงฉันสามารถพูดการทำงานของตัวเองและพูดว่าถ้าใครจริงประสบความสำเร็จผลกำไรที่มีแรงจูงใจที่จะแบ่งปันพวกเขาไม่เป็นมันจะลบล้างความได้เปรียบของพวกเขาแม้ว่าผลของเราอาจให้ยืมสนับสนุนสมมติฐานตลาดมัน doesn t ดักคอ การดำรงอยู่ของระบบที่ทำงานมันอาจจะเป็นเช่นทฤษฎีความน่าจะเป็นสันนิษฐานว่านวัตกรรมในสาขาทฤษฎีความน่าจะเกิดขึ้นหลายครั้ง แต่ไม่เคยใช้ร่วมกันนี้อาจเกิดจาก การประยุกต์ใช้ในทางปฏิบัติในการเล่นการพนันแล้วอีกครั้งบางทีนี่อาจเป็นความเท็จสมัยใหม่ทั้งหมด Andr Christoffer Andersen 30 เม. ย. 30 ที่ 10 01. คำแนะนำสำหรับคุณมีหลายเครื่องเรียนรู้ปัญญาประดิษฐ์ ML สาขา AI ออก there. I มีเพียงพยายามเขียนโปรแกรมทางพันธุกรรมและบางเครือข่ายประสาท และฉันเองคิดว่าการเรียนรู้จากสาขาประสบการณ์น่าจะมี GP GP และ nets ประสาทที่มีศักยภาพมากที่สุดดูเหมือนจะเป็นวิธีการสำรวจที่ใช้บ่อยที่สุดเพื่อวัตถุประสงค์ในการคาดการณ์ตลาดหุ้น แต่ถ้าคุณทำเหมืองข้อมูลบางส่วนใน Predict Wall Street คุณ อาจใช้เวลาในการเรียนรู้เกี่ยวกับเทคนิค ML AI ต่างๆค้นหาข้อมูลบางส่วนของตลาดและลองใช้อัลกอริทึมบางส่วนเหล่านี้แต่ละตัวจะมีจุดแข็งและจุดอ่อน แต่คุณอาจจะสามารถรวม การคาดการณ์ของแต่ละอัลกอริทึมเป็นคำทำนายเชิงซ้อนคล้ายกับสิ่งที่ผู้ชนะของรางวัล NetFlix ได้ทำบ้างทรัพยากรบางส่วนต่อไปนี้คือแหล่งข้อมูลบางอย่างที่คุณอาจต้องการยกตัวอย่างเช่น k ในการพูดคุยกันทั่วไปในหมู่ผู้ค้าคือปัญญาประดิษฐ์เป็นวิทยาศาสตร์วูดูคุณสามารถทำคอมพิวเตอร์ทำนายราคาหุ้นและคุณแน่ใจว่าจะหลวมเงินของคุณหากคุณลองทำมันกระนั้นคนเดียวกันจะบอกคุณว่า เพียงเกี่ยวกับวิธีเดียวที่จะทำให้เงินในตลาดหุ้นคือการสร้างและปรับปรุงกลยุทธ์การค้าของคุณเองและปฏิบัติตามอย่างใกล้ชิดซึ่งไม่ได้เป็นความคิดที่ไม่ดีความคิดของขั้นตอน AI ไม่ได้ที่จะสร้างชิปและปล่อยให้เขาค้าสำหรับคุณ แต่โดยอัตโนมัติกระบวนการของการสร้างกลยุทธ์ It sa กระบวนการที่น่าเบื่อมากและโดยไม่ได้หมายความว่ามันง่ายลดลง Overfitting ที่เราเคยได้ยินมาก่อนปัญหาพื้นฐานที่มีขั้นตอน AI เป็น overfitting อคติ datamining aka กำหนดชุดข้อมูลขั้นตอนวิธี AI ของคุณ อาจพบรูปแบบที่เกี่ยวข้องโดยเฉพาะอย่างยิ่งกับชุดฝึกอบรม แต่อาจไม่เกี่ยวข้องในชุดทดสอบมีหลายวิธีในการลด overfitting. Use การตรวจสอบการตั้งค่าไม่ t ให้ข้อเสนอแนะไปยังอัลกอริทึม แต่ allo เป็นคุณเพื่อตรวจสอบเมื่ออัลกอริทึมของคุณอาจเริ่มต้นที่จะ overfit เช่นคุณสามารถหยุดการฝึกอบรมถ้าคุณอีกครั้ง overfitting มากเกินไปใช้เครื่องออนไลน์การเรียนรู้ส่วนใหญ่จะช่วยลดความจำเป็นในการทดสอบกลับและเป็นมากใช้สำหรับขั้นตอนวิธีที่พยายามที่จะทำให้การคาดการณ์ของตลาด สมมติฐานที่ว่าอัลกอริทึมต่างๆอาจมีข้อมูลในบางพื้นที่ แต่การรวมกันที่ถูกต้องของการคาดการณ์ของพวกเขาจะมีอำนาจในการทำนายที่ดีขึ้นสองด้านของสถิติ learning มีประโยชน์สำหรับการซื้อขาย 1 คนแรกที่กล่าวถึงก่อนหน้านี้บางวิธีทางสถิติที่เน้นการทำงานบน datasets สดมันหมายความว่าคุณรู้ว่าคุณกำลังสังเกตเฉพาะตัวอย่างของข้อมูลและคุณต้องการคาดการณ์คุณจึงต้องจัดการกับในตัวอย่างและออก ตัวอย่างปัญหา overfitting และอื่น ๆ จากมุมมองนี้การทำเหมืองข้อมูลจะมุ่งเน้นไปที่ datasets ที่ตายแล้วเช่นคุณสามารถดูเกือบทุกข้อมูล คุณมีตัวอย่างในปัญหาเดียวกับการเรียนรู้ทางสถิติเนื่องจากการเรียนรู้ทางสถิติเป็นเรื่องเกี่ยวกับการทำงานกับชุดข้อมูลที่ใช้งานจริงคณิตศาสตร์ที่ประยุกต์ใช้กับพวกเขาจึงต้องมุ่งเน้นไปที่ปัญหาสองเรื่อง ด้านซ้าย XF theta Xn, xi L pi Xn, n end right โดยที่ X คือพื้นที่ว่างระหว่างรัฐเพื่อการศึกษาที่คุณมีอยู่ในตัวแปรอธิบายของคุณและตัวแปรที่คาดการณ์ F มีพลวัตของ X ซึ่งต้องใช้ค่าพารามิเตอร์บางประการ theta การสุ่มตัวอย่างของ X comes from the innovation xi , which is ii d. The goal of statistical learning is to build a methodology L ith as inputs a partial observation pi of X and progressively adjust an estimate hat theta of theta , so that we will know all that is needed on X. If you think about using statistical learning to find the parameters of a linear regression we can model the state space like this underbrace yx end right left begin ab 1 1 0 0 end right cdot underbrace x 1 epsilon end right which thus allows to observe y, xn at any n here theta a, b.Then you need to find a way to progressively build an estimator of theta using our observations Why not a gradient descent on the L2 distance between y and the regression C hat a, hat bn sum yk - hat a , xk h at b 2.Here gamma is a weighting scheme. Usually a nice way to build an estimator is to write properly the criteria to minimize and implement a gradient descent that will produce the learning scheme L. Going back to our original generic problem we need some applied maths to know when couple dynamical systems in X, hat theta converge, and we need to know how to build estimating schemes L that converge towards the original theta. To give you pointers on such mathematical results. Now we can go back to the second aspect of statistical learning that is very interesting for quant traders strategists.2 The results used to prove the efficiency of statistical learning methods can be used to prove the efficiency of trading algorithms To see that it is enough to read again the coupled dynamical system that allows to write statistical learning left M F rho Mn, xi L pi Mn , n end right. Now M are market variables, rho is underlying PnL, L is a trading strategy Just replace minimizing a criteria by max imizing the PnL. See for instance Optimal split of orders across liquidity pools a stochatic algorithm approach by Gilles Pags, Sophie Laruelle, Charles-Albert Lehalle in this paper, authors show who to use this approach to optimally split an order across different dark pools simultaneously learning the capability of the pools to provide liquidity and using the results to trade. The statistical learning tools can be used to build iterative trading strategies most of them are iterative and prove their efficiency. The short and brutal answer is you don t First, because ML and Statistics is not something you can command well in one or two years My recommended time horizon to learn anything non-trivial is 10 years ML not a recipe to make money, but just another means to observe reality Second, because any good statistician knows that understanding the data and the problem domain is 80 of the work That s why you have statisticians focusing on Physics data analysis, on genomics, on sabermetrics etc For the record, Jerome Friedman, co-author of ESL quoted above, is a physicist and still holds a courtesy position at SLAC. So, study Statistics and Finance for a few years Be patient Go your own way. Mileage may vary. answered Feb 9 11 at 4 41.I totally agree Just because you know machine learning and statistics, it does not imply that you know how to apply it to finance Dr Mike Aug 10 11 at 20 25.Also an important thing to remember is you won t be trading against people, you will be trading against other artificial intelligence algorithms who are watching your trades pile in, and are furiously calculating the odds that the collective yous would be spooked out by a manufactured decline and taking that minor loss in creating a spike dip and fool all those AI s into stopping out, and then rolling the dip back into it and ride the wave, earning your losses The stock market is a zero sum game, treat it like entering a pro boxing match, if you aren t a 20 year veteran, you re going to lo se Eric Leschinski Feb 13 16 at 1 56.One basic application is predicting financial distress. Get a bunch of data with some companies that have defaulted, and others that haven t, with a variety of financial information and ratios. Use a machine learning method such as SVM to see if you can predict which companies will default and which will not. Use that SVM in the future to short high-probability default companies and long low-probability default companies, with the proceeds of the short sales. There is a saying Picking pennies up in front of steam rollers You re doing the equivalent of selling an out-of-the-money put In this case, you ll make tiny profits for years, then get totally cleaned out when the market melts down every 10 years or so There is also an equivalent strategy that buys out-of-the-money puts they lose money for years, then make a killing when the market melts down See Talab s The Black Swan Contango Jun 5 11 at 22 20.Remember that international companies have spent hund reds of billions of dollars and man hours on the very best and brightest artificial intelligence minds over the last 40 years I ve spoken to some of the towers of mind responsible for the alphas over at Citadel and Goldman Sachs, and the hubris from novices to think they can put together an algorithm that will go toe to toe with them, and win, is almost as silly as a child telling you he s going to jump to the moon Good luck kid, and watch out for the space martians Not to say new champions can t be made, but the odds are against you Eric Leschinski Feb 13 16 at 2 00.One possibility worth exploring is to use the support vector machine learning tool on the Metatrader 5 platform Firstly, if you re not familiar with it, Metatrader 5 is a platform developed for users to implement algorithmic trading in forex and CFD markets I m not sure if the platform can be extended to stocks and other markets It is typically used for technical analysis based strategies i e using indicators based on hist orical data and is used by people looking to automate their trading. The Support Vector Machine Learning Tool has been developed by one of the community of users to allow support vector machines to be applied to technical indicators and advise on trades A free demo version of the tool can be downloaded here if you want to investigate further. As I understand it, the tool uses historical price data to assess whether hypothetical trades in the past would have been successful It then takes this data along with the historical values from a number of customisable indicators MACD, oscillators etc , and uses this to train a support vector machine Then it uses the trained support vector machine to signal future buy sell trades A better desciption can be found at the link. I have played around with it a little with some very interesting results, but as with all algorithmic trading strategies I recommend solid back forward testing before taking it to the live market. answered Dec 10 12 at 11 59.Sorr y, but despite being used as a popular example in machine learning, no one has ever achieved a stock market prediction. It does not work for several reasons check random walk by Fama and quite a bit of others, rational decision making fallacy, wrong assumptions , but the most compelling one is that if it would work, someone would be able to become insanely rich within months, basically owning all the world As this is not happening and you can be sure all the bank have tried it , we have good evidence, that it just does not work. Besides How do you think you will achieve what tens of thousands of professionals have failed to, by using the same methods they have, plus limited resources and only basic versions of their methods. answered Jun 4 15 at 7 47.Just an aside regarding your most compelling reason strategies have capacity limits, i e levels beyond which your market impact would exceed the available alpha, even assuming you had unlimited capital I m not sure what you mean by a stock ma rket prediction index futures ETF s , but certainly there are plenty of people making short-term predictions, and benefitting from them, every day in markets afekz Nov 23 15 at 13 19.I echo much of what Shane wrote In addition to reading ESL, I would suggest an even more fundamental study of statistics first Beyond that, the problems I outlined in in another question on this exchange are highly relevant In particular, the problem of datamining bias is a serious roadblock to any machine-learning based strategy.