Kone Oppiminen In Trading Strategioiden

Ensinnäkin keskityitte keräämään mahdollisimman paljon tietoja ja laittamalla yhteen suuren taulukkomuodon Tämä olisi historiallista hintatietoa Ehkä lisää tätä sanomalehtiartikkeleilla, blogiviesteillä, sekuntamuodoista, jotka muuttuvat sanajärjestysvektoreiksi jne. Käyttäen luonnollista kielten käsittelyä techiques You sitten kouluttaa valvottu algoritmi ostaa myydä päätös Sopivat algoritmit ovat logistinen regressio nopein ja satunnainen metsät tarkin tavallisesti on olemassa muita, kuten tukivektori koneet, tehostettu päätös puut, 3-kerroksinen hermoverkot, mutta nämä don t tarjoavat hyvää tarkkuutta kuten satunnaisia ​​metsiä ja usein hitaampia tai yhtä nopeita kuin logistinen regressio Mielestäni paras valinta olisi yksinkertaisesti logistinen regressio ja paras toteutus on vowpal wabbit - erittäin nopea, pystyy käsittelemään valtavia määriä tietoja - 1 teratavua tunnissa yhdellä koneella, vielä nopeammin klusterissa - ja avoimen lähdekoodin avulla. Sen avulla voit myös selvästi nähdä, mitkä indikaattorit taulukon sarakkeet ovat ennakoivia. Y ou voi myös lisätä sanomalehtien artikkeleita jne. suoraan tekstinä tähän käyttämällä hajautustavoitetta Tämä on myös toteutettu vowpal wabbit samoin, ja niin voit käsitellä hyvin suuria vapaamuotoisia tekstin artikkeleita yhdellä rivillä samoin. siihen pisteeseen, että et enää pysty keräämään enemmän tietolähteitä, on aika siirtyä ominaisuuden suunnitteluvaiheeseen. Teit jo jotain tästä, kun teit nlp-kamaa, mutta käytitte vakiotekniikkaa - eli ei keksinyt keksiä omia menetelmiä . Tässä vaiheessa on kaksi vaihtoehtoa - manuaalinen ja automaattinen. Tällä hetkellä ihmiset tällä hetkellä keksivät omat ominaisuutensa. Tämä on se, mitä elinkeinonharjoittajat käyttävät suurimman osan ajastaan ​​- ns. Strategiat tai säännöt. Nämä testataan tietoja vastaan ​​- kutsutaan takaisinkytkentäksi . Toinen uudempi automaatiomenetelmä on myös äskettäin tullut saataville - valvomaton syvä oppiminen. Ennenaikaista oppimista on ollut olemassa, mutta se oli matala lajike eikä toiminut käytännössä. Deep learning neural networks using autoen kooderit on uusi menetelmä, joka on keksitty vain 6 vuotta sitten, joka toimii todella hyvin Tämä artikkeli on osoitus siitä. Esim. heittää paljon tietokoneita ongelmaan, se on mahdollista muodostaa automaattisesti strategioita Mitä suurempi neuraalinen verkko, sitä paremmin se - mutta tästä syystä tarvitaan enemmän tietokoneita. Tämä mielestäni on kuitenkin edullisempaa kuin yrittää palkata paljon luovaa analyyttistä kovaa työtä.17 9k Näkymät View Upvotes ei ole lisääntymiselle. Olen itse alussa tekemässä automaattisen kaupankäynnin järjestelmä, vastaus kysymykseesi on, miten haluat tehdä rahaa, haluatko daytrade tai ostaa ja pitää ajan mittaan, mitkä ovat sinun metrics tulee harkitsemaan hyvä kaupallinen investointi Sinun täytyy tietää markkinoilla olet menossa palvelemaan, omassa tapauksessa osakemarkkinoilla Jos aiot tehdä oppimisen algo kuljetusreittejä sinun pitäisi tietää muut muuttujat mukana kuorma-autojen kanssa mitä mahdollisia vitsauksia aiot ajaa i Voit saada kaikki vastaukset maailmassa, mutta ellet ole erittäin fiksu kooderi, joka voi ottaa lähes infinate muuttujia ja kuvailla niiden merkitys ja suhteessa toisiinsa. DATA on myös huomioon, kuinka monta kantoja aiot seurata Millaisia ​​tietoja tarvitset Nämä syötteet tulevat tuhansille kuukausille potentiaalisesti. Kun olet mennyt alaspäin viimeisen vuoden kuluttua, se on iso työpaikka ja este tuloa varten. Sinun täytyy saada tieto ja suunnitella strategiasi. 2k Näkymät Upvotes Not For Reproduction. Tad Slaff opiskeli Colorado Springsin yliopistossa. Tämä on yksinkertainen yksinkertainen askel-askeleelta oppaasta käyttämään konekielisen algoritmin kaupankäyntiä Se on peruskuvaus ja sen pitäisi antaa sinulle tarvittavat tiedot oma.5k Näkymät Näkymät Ennustukset Ei kopiointia varten. En ole varma, jos tämä kysymys sopii tänne. Olen äskettäin alkanut, lukenut ja oppinut koneoppimisesta. Voiko joku heittää valoa siihen, miten mennä siihen vai pikemminkin kenenkään voi jakaa heidän ex kokemus ja muutamia perusohjeita siitä, miten mennä sen tai atleast alkaa soveltaa sitä nähdä joitakin tuloksia datasarja Kuinka kunnianhimoinen tämä sound. Also, mainita standardi algoritmeja, jotka pitäisi kokeilla tai tarkastella, kun tämä doing. asked 1. helmikuuta 11 at 18 35.There tuntuu olevan perusta epätosi, että joku voi tulla pitkin ja oppia koneen oppimisen tai AI algoritmeja, aseta ne mustana laatikko, lyödä mennä ja istua, kun he eläkkeelle. Mi neuvoja you. Learn tilastoja ja konekielistä oppimista ensin, huolehdi siitä, miten niitä voidaan soveltaa tietylle ongelmalle. Tässä ei ole ilmaista lounasta. Tietojen analysointi on kovaa työtä. Lue Tilastollisen oppimisen elementit pdf on saatavilla ilmaiseksi verkkosivustolla, eikä aloita yrittää rakenna mallia, kunnes ymmärrät vähintään kahdeksan ensimmäistä lukua. Kun ymmärrät tilastoja ja koneoppimista, sinun on opittava selvittämään ja rakentamaan kauppamalli, joka kattaa transaktiokustannukset jne., joka on koko muu alue. olet ha Näiden algoritmien koko piste pyrkii löytämään tavan sovittaa mallin tietoihin ja tuottaa alhaista ennaltaehkäisyä ja varianssia ennakoinnissa, ts. koulutus ja testi-ennustusvirhe ovat vähäiset ja samankaltaiset Tässä on esimerkki kaupankäyntijärjestelmästä, joka käyttää tukivektoria koneessa R, mutta pidä mielessä, että teet itsellesi valtavan huonoa palvelua, jos et halua viettää aikaa ymmärtää perusasiat ennen kuin yrittää soveltaa jotain esoteerista. Vain lisätä viihdyttävää päivitystä Äskettäin törmäsin tämän maisterin väitöskirjan Uusi algoritminen Trading Framework soveltaminen Evolution ja koneen oppiminen Portfolio Optimization 2012 Se on laaja katsaus eri koneen oppimisen lähestymistapoja verrattuna verrattuna buy-ja - hold lähes 200 sivun jälkeen, he saavuttavat peruspäätelmän. Kaupankäyntijärjestelmä ei pystynyt parantamaan vertailuarvoa transaktiokustannusten käyttämisen yhteydessä. että sitä ei voi tehdä, en ole käyttänyt aikaa tarkastelemalla menetelmiä näkemään lähestymistavan pätevyyttä, mutta se antaa varmasti lisää todisteita ilmaisen lounaaseoksen hyväksi. Vastaus 1. helmikuuta 11 18 48. Jase Yksi mainituista diplomityön tekijöistä voin lainata omia töitäni ja sanoa, että jos joku todella saavuttaa kannattavia tuloksia, ei ole kannustinta jakaa niitä, koska se heikentäisi heidän etunsa. Vaikka tulokset voisivat tukea markkinoiden hypoteesia, ei estä olemassaolevien järjestelmien olemassaoloa Se voisi olla kuin todennäköisyysteoria Oletetaan, että todennäköisyysteorian alalla on tapahtunut läpimurtoja useita kertoja, mutta sitä ei koskaan jaettu Tämä voi johtua sen käytännön soveltamisesta rahapeleissä Jälleen kerran, ehkä tämä on kaikki modernit alkemia Andr Christoffer Andersen 30. huhtikuuta 13 klo 10 01.Olen neuvoa sinulle On olemassa useita Machine Learning älykkyyttä ML AI sivuliikkeitä siellä. Olen vain yrittänyt geneettistä ohjelmointia ja jotkut hermoverkot, ja olen henkilökohtaisesti sitä mieltä, että oppiminen kokemus haara näyttää olevan eniten potentiaalisia GP GA ja hermoverkot näyttävät olevan yleisimmin tutkitut menetelmät varten osakemarkkinoiden ennusteita, mutta jos teet jotain tiedonlouhinta ennustaa Wall Street voit myös tehdä joitain sentimentaalianalyysejä. Laske jonkin aikaa oppia eri ML AI - tekniikoista, etsi markkinointitietoja ja yritä toteuttaa joitakin näistä algoritmeista Jokaisella on vahvuudet ja heikkoudet, mutta voit ehkä yhdistää kunkin algoritmin ennusteet yhdistelmäennusteeseen, joka on samanlainen kuin NetFlix-palkinnon voittajat. Useita resursseja Tässä on joitain resursseja, joita haluat ehkä tarkastella. Juttelu Yleinen yhteisymmärrys kauppiaiden välillä on, että Artificial Intelligence on voodoo tiede, et voi tehdä tietokoneen ennustavan osakekursseja ja varmasti menettää rahat, jos yrität tehdä sitä. Sama henkilö kuitenkin kertoo, että juuri noin ainoa tapa tehdä rahaa osakemarkkinoilla on rakentaa ja parantaa oman kaupankäynnin strategiaa ja seurata sitä tarkasti, mikä ei ole oikeastaan ​​huono idea. AI-algoritmeja ei ole rakentaa Chip ja anna hänen kaupankäynnin sinulle, mutta automatisoida strategioiden luominen Se on hyvin tylsiä prosessia eikä missään tapauksessa ole helppoa. Minimisointi Overfitting Kuten aiemmin kuulimme, AI-algoritmien perustavanlaatuinen ongelma on overfitting aka dataminingin bias, koska tietolähde, AI-algoritmi saattaa löytää kuvio, joka on erityisen tärkeä harjoitusjoukolle, mutta se ei ehkä ole relevantti testisarjassa. On monia tapoja minimoida overfitting. Use validation asettaa se doesn t antaa palautetta algoritmille, mutta sen avulla voit havaita, milloin algoritmi voi mahdollisesti alkaa ylittyä, eli voit lopettaa harjoittelun, jos olet liikaa overfitting. Use online kone oppiminen se suurelta osin poistaa tarvetta back-testaus ja se on hyvin sovellettavissa algoritmeja, jotka yrittävät mak e-markkinoiden ennusteita. Ensemble Learning tarjoaa tapaa ottaa useita koneen oppimisalgoritmeja ja yhdistää niiden ennustukset Oletuksena on, että erilaiset algoritmit saattavat jäädä datan päälle joillakin alueilla, mutta niiden ennusteiden oikea yhdistelmällä on paremmat ennakointitehot. tilastollisen oppimisen näkökohdat ovat hyödyllisiä kaupankäynnissä.1 Ensiksi mainittiin joitain tilastollisia menetelmiä, joissa keskityttiin käsittelemään live-aineistoja. Se tarkoittaa, että tiedät, että olet tarkkaillut vain tietojoukon ja haluat ekstrapoloida. Sinun on siis käsiteltävä näytteessä ja näyteasiakirjoista, ylitäytöstä jne. Tästä näkökulmasta datakaivostoiminta keskittyy enemmän kuolleisiin tietueisiin eli näet lähes kaikki tiedot, sinulla on vain näyteongelma kuin tilastollista oppimista. Koska tilastollinen oppiminen koskee työskentelyä live dataset, soveltava matematiikka, jotka käsittelevät niitä oli keskityttävä kahteen asteikko ongelma. vasen XF theta Xn, xiL pi Xn, n päätä oikealle, missä X on monitieteellinen tilatila, jossa tutkitaan, että siinä on selittävät muuttujat ja ennustettavat, F sisältää X: n dynamiikan, joka tarvitsee joitain parametreja theta. X: n satunnaisuus on peräisin innovaatiosta xi, joka on ii d. Tilastollisen oppimisen tavoite on rakentaa L ith - menetelmä, joka panostaa osittaiseen havaintoon pi X: stä ja asteittain säätää theta-estimaatin hattuja, jotta voimme tietää kaiken tarvittavan X: ssä. Jos ajattelet tilastollisen oppimisen käyttämistä lineaarisen regressio-parametrien löytämiseksi, voimme mallintaa tämän tilan alaisen tilan tilaa. yx loppu oikealle vasemmalle alk. ab 1 1 0 0 loppu oikea cdot alleviivaus x 1 epsilon pällispää, mikä sallii näin tarkkailla y, xn missä tahansa n tässä theta a, b. Then sinun täytyy löytää tapa kehittää progressiivisesti theta estimaatti käyttämällä havaintoja Miksi ei gradientin laskeutumista L2: n etäisyydellä y: n ja regressiomallin välillä C hattu a, hattu sum yk - hattu a, xk h b. 2. Tässä gamma on painotusmenetelmä. Yleensä hyvä tapa rakentaa estimaattori on kirjoittaa asianmukaisesti kriteerit, jotta minimoidaan ja toteutetaan gradientin aleneminen, joka tuottaa oppimisjärjes - telmän L. Kun palaamme alkuperäiseen geneeriseen ongelmaan, tarvitsemme jonkin verran sovellettu matematiikka tietää, milloin pari dynaamisia järjestelmiä X: ssä, hat theta konvergoituvat, ja meidän on tiedettävä, kuinka rakentaa L: n arviointimenetelmiä, jotka lähestyvät alkuperäistä theta. Jotta saatte viitteitä tällaisista matemaattisista tuloksista. Nyt voimme palata toiseen tilastollisen oppimisen näkökulma, joka on erittäin mielenkiintoinen kvanttisten kauppiaiden strategioille.2 Tilastollisten oppimismenetelmien tehokkuuden osoittamiseen käytettäviä tuloksia voidaan käyttää kaupallisten algoritmien tehokkuuden osoittamiseen. Nähdäksesi, että riittää lukemaan uudelleen kytketty dynaaminen järjestelmä, joka sallii kirjoittaa tilastollisen oppimisen vasemmalle MF rho Mn, xi L pi Mn, n loppu oikealle. Muuta M ovat markkinoiden muuttujia, rho on taustalla oleva PnL, L on kaupankäynnin strategia Korvaa vain kriteerien minimointi max implising PnL. See Esimerkiksi Optimaalinen jakaa tilauksia kautta likviditeettiä altaat stochatic algoritmia lähestymistapa Gilles Pags, Sophie Laruelle, Charles-Albert Lehalle tässä artikkelissa, kirjoittajat osoittavat, kuka käyttää tätä lähestymistapaa jakaa tilauksen optimaalisesti eri pimeässä altaat samanaikaisesti osaamisten kyky oppia tarjoamaan likviditeettiä ja tulosten hyödyntämistä kaupankäyntiin. Tilastollisia oppimisvälineitä voidaan käyttää rakentamaan iteratiivisia kaupankäynnin strategioita, useimmat niistä ovat toistuvia ja osoittamaan niiden tehokkuutta. Lyhyt ja julma vastaus on, että et ensin. ML ja tilastot eivät ole jotain, mitä voit hallita hyvin yhdestä tai kahdesta vuodesta. Minun suositeltavaa aikatauluni oppia jotain ei-triviaalia on 10 vuotta. ML ei ole resepti rahan saamiseen vaan vain toinen tapa tarkkailla todellisuutta. Toiseksi, koska mikä tahansa hyvä tilastotieteilijä tietää että tietojen ja ongelmalähetysten ymmärtäminen on 80 työtä. Siksi sinulla on tilastotieteilijät, jotka keskittyvät fysiikan dataanalyysiin, genomiikkaan, sabermetriikkaan jne. Tiedoksi, edellä mainittu ESL: n yhteistyön tekijä Jerome Friedman on fyysikko ja hänellä on edelleen kohteliaisuus SLAC: ssa. Sano tilastoja ja rahoitusta muutaman vuoden ajan Ole kärsivällinen Mene omalle tietäsi. Mittarilomake voi vaihdella. julkaistu Feb 9 11 at 4 41. Olen täysin samaa mieltä Koska vain tiedät koneiden oppimisen ja tilastojen, se ei tarkoita sitä, että tiedät, kuinka voit käyttää sitä rahoittamaan tohtori Mike 10 elokuu 11 klo 20 25. Myös tärkeä asia on, että olet voittanut t kaupankäyntiä ihmisiä vastaan, kaupankäyntiä vastaan ​​muita keinotekoisia älykkyyttä algoritmeja, jotka valvovat kaupankäyntivarastoasi, ja laskevat raivoissaan kertoimet, joiden mukaan kollektiivinen vahinko olisi haastava valmistetun laskun ja ottaa pienen tappion muodostettaessa piikki dip ja hölmö kaikki ne AI s pysähtyä ulos ja sitten rullata dip takaisin siihen ja ratsastaa aalto, ansaita tappioita Osakemarkkinoilla on nolla summa peli, kohtelevat sitä kuin kirjoittaa pro nyrkkeily ottelu, jos olet 20 vuotias veteraani, olet menossa lo se Eric Leschinski 13 helmikuu 16 klo 1 56. Yksi perus sovellus on ennustaa taloudellinen ahdistus. Hanki joukko tietoja joidenkin yritysten, jotka ovat laiminlyöneet, ja toiset, jotka ovat turvassa t, erilaisia ​​taloudellisia tietoja ja suhteita. Käytä koneen oppimisen menetelmä kuten SVM nähdäksesi, voitko ennustaa, mitkä yritykset ovat oletusarvoisia ja mitkä eivät. Käytä sitä SVM tulevaisuudessa lyhytaikaisiin todennäköisyyteen perustuviin yhtiöihin ja pitkään matalan todennäköisyyden omaaviin yrityksiin lyhyen myynnin tuotolla. sanoo Kerääminen penniä edessä höyryrullat Olet tekemässä vastaavan myydä out-of-the-rahaa laittaa Tässä tapauksessa voit tehdä pieniä voittoja vuosia, sitten saada täysin puhdistaa, kun markkinat sulavat alas joka kymmenen vuotta tai niin on olemassa myös vastaava strategia, joka ostaa rahat pois rahoista, että he menettävät rahaa vuosia, sitten tekevät tappaa, kun markkinat sulavat pois Katso Talab s Black Swan Contango 5. kesäkuuta 11 22 22. Muista, että kansainvälinen yritykset ovat käyttäneet hundia punaisia ​​miljardeja dollareita ja miehetuntia parhaimmillaan ja kirkkaimmilla tekoälyn älyllisyydellä viimeisten 40 vuoden aikana olen puhunut joidenkin tornien mielestä, jotka ovat vastuussa alfa-asemasta Citadeliin ja Goldman Sachsiin, ja hölynpölyä aloittelijoista ajattelemaan he voivat koota yhteen algoritmin, joka menee varpaisiin toe heidän kanssaan ja voittaa, on melkein yhtä tyhmä kuin lapsi kertoo hän on menossa hypätä kuuhun Onnea lapsi, ja varoa avaruus martialaiset Ei sanoa uutta mestarien voi tehdä, mutta kertoimet ovat sinua vastaan ​​Eric Leschinski 13. helmikuuta klo 16 00. Yksi mahdollisuus tutustua kannattavuuteen on käyttää tukivektorin koneen oppimistyökalua Metatrader 5 - alustalla Ensin, jos et tunne sitä, Metatrader 5 on foorumi, joka on kehitetty käyttäjille toteuttamaan algoritmista kaupankäyntiä forex - ja CFD-markkinoilla. En ole varma, voidaanko alustaa laajentaa varastoihin ja muihin markkinoihin. Tätä käytetään tyypillisesti teknisiin analyysiin perustuviin strategioihin, orical data ja niitä käyttävät ihmiset, jotka haluavat automatisoida kaupankäyntiään. Tukivektorin koneen oppimistyökalu on kehittänyt yksi käyttäjäyhteisöstä, jotta tukivektorien koneita voidaan soveltaa teknisiin indikaattoreihin ja neuvotella kaupoista. Ilmainen demoversio työkalu voidaan ladata täältä, jos haluat tutkia edelleen. Koska ymmärrän sen, työkalu käyttää historiallisia hintatietoja arvioidakseen, olisiko aiemmin hypoteettinen kaupankäynti onnistunut. Se ottaa sitten nämä tiedot sekä historialliset arvot useista muokattavista indikaattoreita MACD, oskillaattoreita jne., ja käyttää sitä junan tukivektori-koneeseen. Sitten se käyttää koulutettua tukivektori-koneen, joka ilmoittaa tulevaisuudessa ostamaan myyntitoimintoja. Linkin avulla löytyy parempi käsitys. mielenkiintoisia tuloksia, mutta kuten kaikkien algoritmisten kaupankäyntistrategioiden kanssa, suosittelen selkeää eteenpäin suuntautunutta testausta ennen sen ottamista eläville markkinoille. vastattu 10.12. klo 11 59. y, mutta huolimatta siitä, että sitä käytetään suosittuna esimerkkinä konekielisessä oppimisessa, kukaan ei ole koskaan saavuttanut osakemarkkinoiden ennustusta. Se ei toimi useista syistä Fama ja satunnaisesti kävivät satunnaisesti, rationaalinen päätöksenteko väärin, väärät oletukset , mutta kaikkein vakuuttavinta on se, että jos se toimisi, joku voisi tulla hämillään runsaasti kuukausien kuluessa ja periaatteessa omistaa koko maailman. Koska näin ei tapahdu ja voit olla varma, että kaikki pankit ovat yrittäneet sitä, meillä on hyviä todisteita , että se vain ei toimi. Lisäksi miten luulet, että saavutat, mitä kymmeniätuhansia ammattilaisia ​​ei ole onnistunut, käyttämällä samoja menetelmiä kuin heillä on, sekä rajoitetut resurssit ja vain niiden version perusversiot. 47 47. Vain syrjäytyneitä syystrategiojasi ovat kapasiteettirajoitukset, ts. Tasot, joiden yli markkinoiden vaikutus ylittäisi käytettävissä olevan alfa-arvon, vaikka olisitteko sinulla rajoittamatonta pääomaa, en ole varma siitä, mitä tarkoitat varastossa rket ennakointiindeksin futuurit ETF: t, mutta varmasti on paljon ihmisiä, jotka tekevät lyhyen aikavälin ennusteita ja hyötyvät niistä joka päivä markkinoilla afekz 23. marraskuuta klo 13 19. I echo paljon siitä, mitä Shane kirjoitti Lisäksi lukeminen ESL, Ehdotan vielä perusteellisempaa tilastotietoa ennen kaikkea siitä, että ongelmat, joita esittelin toisessa kysymyksessä tästä vaihtoehdosta, ovat erittäin tärkeitä. Erityisesti dataminingin esijännitysongelma on vakava este kaikille koneiden oppimiseen perustuville strategioille. Tämä viesti kerron yksityiskohtaisesti, mitä tein noin 500 k: n suurtaajuuskaupasta vuodesta 2009 vuoteen 2010 Koska olin kaupankäynnin täysin itsenäisesti ja en enää aio ohjelmoida, olen onnellinen kertoa kaikille Minun kaupankäynti oli enimmäkseen Russel 2000: ssa ja DAX: n futuurisopimuksissa. Uskon, että menestykseni ei ollut hienostuneessa taloudellisessa yhtälössä, vaan yleisessä algoritmisuunnitelmassa, joka sitoi monia yksinkertaisia ​​komponentteja ja käytti koneoppimista optimoimaan korkeimman prof kyvykkyys Sinun ei tarvitse tuntea mitään hienostuneita termejä täällä, koska kun setup minun ohjelma oli kaikki perustuu intuition Andrew Ng hämmästyttävä kone oppimisen kurssi ei ollut vielä saatavilla - jos klikkaat linkkiä, sinun tulee ottaa minun nykyinen projekti CourseTalk , MOOC: n tarkistuspaikka. Ensinnäkin haluan vain osoittaa, että menestys ei ollut pelkästään onnettomuus. Ohjelma teki 1000-4000 kaupasta päivässä puoli vuotta, puoli lyhyttä eikä koskaan tullut useampaan kuin muutamaan sopimukseen aika Tämä tarkoitti, että satunnaisotous jostakin tietyltä kaupasta keskimäärin melko nopeasti Tuloksena olin, etten koskaan menettänyt yli 2000 yhden päivän aikana eikä koskaan ollut menettänyt kuukautta. EDIT Nämä luvut ovat maksamien palkkioiden jälkeen. Ja tässä on kaavio, joka antaa sinulle tunteen päivittäisestä vaihtelusta Huomaa tämä sulkee pois viimeiset 7 kuukautta, koska - kun luvut pysähtyi menossa - menetin motiivini päästä niihin. My trading background. Prior automaattisen kaupankäyntiohjelman perustaminen Minulla oli 2 vuoden työkokemus manuaalisena päivittäiskauppana Tämä tapahtui jo vuonna 2001 - se oli sähköisen kaupankäynnin alkuaikoina ja oli olemassa mahdollisuuksia scalperin tekemään hyvää rahaa Voin vain kuvailla, mitä olin tekemässä kuten samankaltainen videopelipelien pelaaminen oletetun reunan kanssa Menestys oli nopea, kurinalaista ja hyvää intuitiivista kuvantunnistuskykyä pystyin tekemään noin 250 k, maksoi opintolainoja ja rahaa jäljellä Win. Over seuraavien viiden vuoden aikana ottaisin käyttöön kaksi startupia, ottain vastaan ​​joitakin ohjelmointitaitoja matkan varrella. Se ei ollut vasta vuoden 2008 loppupuolella, jotta saisin takaisin kaupankäynnin. Kun rahat ovat vähäiset myyntiin ensimmäisestä käynnistyksestäni, kaupankäynti tarjosi toiveita jonkin verran nopeasti käteistä, kun tajusin minun seuraava move. In 2008 olin käsin päivän kaupankäynnin futuurit käyttäen ohjelmistoa kutsutaan T4 olen d haluavat joitakin räätälöityjä tilauksen pikanäppäimiä, joten sen jälkeen kun havaittiin T4 oli API, otin haasteen oppimisesta C ohjelmointikieli, jota tarvitaan API: n käyttämiseen ja mennyt eteenpäin ja rakensin itselleni muutamia pikanäppäimiä. Sen jälkeen, kun minulle tuli jalkani märkä API: n kanssa, minulla oli pian isoja toiveita, halusin opettaa tietokoneen kauppaan minulle. API tarjosi sekä virran markkinoiden tiedot ja helppo tapa lähettää tilauksia vaihtoon - kaikki, mitä minun piti tehdä oli luoda logiikka keskelle. Below on kuvakaappaus T4-kaupankäynnin ikkunasta Mikä oli hienoa, että kun sain ohjelman, työskentelin pystyin katsella tietokonekauppaa tällä täsmälleen samalla käyttöliittymällä Tarkkailemalla todellisia tilauksia pukeutumaan sisään ja ulos itselleni oikeilla rahoillani oli sekä jännittävää että pelottavaa. Algoritmin suunnittelu. Alusta lähtien minun tavoitteena oli asentaa sellainen järjestelmä, että voisin olla kohtuudella co nfident i d ansaita rahaa ennen kuin koskaan tehdä mitään live kaupoista Tämän saavuttamiseksi minun tarvitsi rakentaa kaupankäynnin simulointi puitteet, jotka - niin tarkasti kuin mahdollista - simuloida live trading. While kaupankäynnin live-tilassa tarvitaan jalostusmarkkinapäivityksiä virrataan API, simulointi tila vaaditaan lukemista markkinoiden päivityksiä datatiedostosta Näiden tietojen keräämiseksi asetan ohjelman ensimmäisen version, jotta voin vain muodostaa yhteyden API: ään ja tallentaa markkinapäivityksiä aikaleimatilanteilla. Päätin käyttämään viimeisimpien markkinointitietojen neljän viikon ajan kouluttamaan ja testaamaan järjestelmääni. Perustavan kehyksen avulla minulla oli vielä tehtävänä selvittää, miten tehdä kannattava kaupankäyntijärjestelmä. Kuten käy ilmi, algoritmijani hajoaa kahteen erilliseen osaan, joita tutkitaan vuorollaan. Hintakehitys ja tuottavuus Kaupankäynti. Hintakehitys. Ilmeinen osa kaupankäyntijärjestelmästä voi ennustaa, missä hinnat liikkuvat. Minusta ei ollut poikkeus. hinta sisäisen hintatarjouksen ja sisäisen tarjouksen keskiarvona ja asetin tavoitteeksi ennustaa, missä hinta olisi seuraavien 10 sekunnin aikana. Oma algoritmi tarvitsee tämän ennusteen hetken hetken koko kaupankäyntipäivän. indikaattorit. Olen luonut kourallisen indikaattoreita, joilla on ollut mielekäs kyky ennustaa lyhyen aikavälin hintamuutoksia. Jokainen indikaattori tuotti joko positiivisen tai negatiivisen määrän. Indikaattori oli hyödyllinen, jos useammin kuin positiivinen luku vastasi markkinoiden nousua ja negatiivinen luku vastasi markkinoiden menoa alas. My järjestelmä antoi minulle nopeasti määrittää, kuinka paljon ennustavaa kykyä millä tahansa indikaattorilla oli, joten pystyin kokeilemaan monia erilaisia ​​indikaattoreita nähdäksesi mikä toimi Monet indikaattoreista olivat muuttujia kaavoissa jotka tuottivat niitä ja pystyin löytämään optimaaliset arvot näille muuttujille tekemällä rinnakkain vertailut tuloksista, joiden arvot vaihtelevat. jotka olivat kaikkein hyödyllisimpiä, olivat kaikki suhteellisen yksinkertaisia ​​ja perustuivat viimeaikaisiin tapahtumiin markkinoilla, jotka olin kaupankäynnin kohteena, sekä korrelaattoreiden markkinoiden kanssa. Tarkka hintavaihteluennusteet. Indikaattoreita, jotka yksinkertaisesti ennustivat ylös - tai alaspäin suuntautuvan hinnan liikkeen, Minun tarvitsi tietää tarkalleen, kuinka paljon hintaindikaattori ennusti kunkin indikaattorin jokaisen mahdollisen arvon perusteella kaavan, joka muuntaa indikaattoriarvon hinnan ennusteeksi. Tämän saavuttamiseksi seurasin ennustettua hintamuutosta 50: ssä kauhassa, jotka riippuivat alueesta, joka indikaattorin arvo laski Tämä tuotti ainutlaatuiset ennusteet jokaiselle ämpärille, jonka pystyin sitten kuvaamaan Excelissä Kun näet, että odotettu hinnankorotus nousee indikaattorin arvon kasvaessa. Tämän kaavion perusteella pystyn tekemään kaavan sovittaa käyrä Alussa tein tämän käyrän sopivan käsin, mutta pian kirjoitin jonkin koodin prosessin automatisoimiseksi. Huomaa, että kaikilla indikaattorikäyillä ei ollut samoja pape Huomaa myös, että kauhat jakautuivat logaritmisesti jakamaan tiedot tasaisesti Lopuksi huomaa, että negatiiviset indikaattorit ja niiden vastaavat alennusennusteet käännetään ja yhdistetään positiivisten arvojen kanssa. Oma algoritmi kohtelee ylös ja alas täsmälleen samebining indikaattorit yhdelle ennusteen. On tärkeä asia harkita, että jokainen indikaattori ei ollut täysin itsenäinen en voinut vain yksinkertaisesti lisätä kaikki ennusteet, että kukin indikaattori tehty erikseen Avain oli selvittää, että ylimääräinen ennustava arvo, että jokainen indikaattori oli yli mitä oli jo ennustettu Tämä wasn t vaikea toteuttaa, mutta se merkitsi sitä, että jos olisin kaarre sopiva useita indikaattoreita samaan aikaan minun piti olla varovainen muuttaminen yksi vaikuttaisi ennusteet toinen. Jotta käyrä sopivat kaikki indikaattorit samaan aikaan I asenna optimoija askelen 30 suuntaan kohti uutta ennustekäyrää jokaisella läpäisyllä. Tämän 30 hypyn avulla löysin että ennustuskäyrät vakiintuisivat muutamassa kuljussa. Jokainen indikaattori nyt antaa meille sen ylimääräisen hinnan ennusteen, voisin vain lisätä ne yhteen tuottamaan yhden ennusteen siitä, missä markkinat olisivat 10 sekunnissa. Miksi ennustavat hinnat eivät riitä. Saatat ajatella, että tällä reuna markkinoilla olin kultainen Mutta sinun täytyy pitää mielessä, että markkinat koostuvat tarjouksista ja tarjoaa - se ei ole vain yksi markkinahinta Menestys korkean taajuuden kaupankäynnin tulee alas saada hyviä hintoja ja se ei ole kovin helppoa. Seuraavat tekijät tekevät kannattavan järjestelmän luomisesta vaikeaksi. Jokaisessa kaupassa minun piti maksaa palkkioita sekä minun välittäjälle että pörssiin. Eroero korkeimman tarjouksen ja alimman tarjouksen välillä tarkoitti, että jos olisin yksinkertaisesti ostaa ja myydä satunnaisesti menettää tonnia rahaa. Suurin osa markkinoiden määrästä oli muita robotteja, jotka tekisivät vain kaupan kanssani, jos he luulivat, että heillä oli joitakin tilastollisia etuja. Tarjouksen tekeminen ei takaa, että voisin ostaa sen. kun minun ostotilaukseni saatiin vaihtoon, oli hyvin mahdollista, että tämä tarjous olisi peruutettu. Pienellä markkinatoimijalla ei ollut mitään keinoa kilpailla nopeudella yksinään. Rakentaen täydellisen kaupankäynnin simulaation. Joten minulla oli kehys, joka antoi minulle mahdollisuuden indikaattoreiden korjaamiseksi ja optimoimiseksi Minun piti mennä pidemmälle - tarvitsin kehyksen, jonka avulla voin testata ja optimoida täydellisen kaupankäyntijärjestelmän, jossa lähetin tilauksia ja saavuin paikalle. Tässä tapauksessa optimoiten PL - jossain määrin keskimäärin PL kohti kaupankäyntiä. Tämä olisi hankalampaa ja joillakin tavoin mahdotonta mallintaa tarkasti, mutta tein parhaiten kuin voisin. Tässä on muutamia asioita, joista minulla oli tehtävä. Kun tilaus lähetettiin markkinoille simuloinnissa Minun piti muokata viiveaikaa. Se, että järjestelmäni näki tarjouksen, ei tarkoittanut sitä, että se voisi ostaa sen heti. Järjestelmä lähettää tilauksen, odottaa noin 20 millisekuntia ja sitten vain, jos tarjous oli vielä olemassa, sitä pidettiin toteutettu kauppa Tämä oli epätäsmällistä, koska todellinen viiveaika oli epäjohdonmukainen ja ilmoittamaton. Kun asetin tarjouksia tai tarjouksia, piti tarkastella API: n tarjoamaa kaupan toteutusvirtaa ja käyttää niitä arvioimaan, kun tilaukseni olisi toteutunut. jouduttiin seuraamaan tilaukseni asemaa jonossa. Se sai ensiksi ensimmäisestä järjestelmästä Jälleen, en voinut tehdä tätä täydellisesti, mutta tein parhaan lähentämisen. Ohjelmaan tilaustyössimulointiani, mitä tein, otin lokitiedostot elää kaupankäynnin kautta API ja vertailla niitä lokitiedostoja tuotettujen simuloidun kaupankäynnin täsmälleen samasta ajanjaksosta pystyin saamaan simulointi siihen pisteeseen, että se oli melko tarkka ja osia, jotka olivat mahdottomia mallintaa, olen varma, että ainakin tuottaa tuloksia, jotka olivat tilastollisesti samanlaisia ​​metrics mielestäni oli tärkeää. Making kannattavaa trades. With tilaus simulointi malli paikalla voisin nyt lähettää tilauksia simulointi tilassa ja nähdä simuloitu PL Mutta miten se voisi y-järjestelmä tietää, milloin ja missä ostaa ja myydä. Hintamuutosten ennusteet olivat lähtökohtana, mutta ei koko tarina. Mitä minä tein oli luoda pisteytysjärjestelmä jokaiselle 5 hintatasolle tarjouksessa ja tarjouksessa. Nämä sisälsivät yhden tason sisäpuolella ostotilauksen hintatarjous ja yksi taso myyntitoimeksiannon sisäisen tarjouksen alapuolelle. Jos pisteet jokaisella hintatasolla olivat tietyn kynnysarvon yläpuolella, mikä merkitsisi sitä, että järjestelmälläni olisi oltava aktiivinen hintatarjous siellä - kynnysarvon alapuolella sitten kaikki aktiiviset tilaukset pitäisi peruuttaa Tämän perusteella ei ollut harvinaista, että järjestelmäni uhkaisi tarjouksen markkinoilla ja heti peruuttaa sen Vaikka olen yrittänyt minimoida tämän, koska se on ärsyttävää kuin heck ketään katsomassa ruudulla ihmisen silmät - myös minua. hintatason pistemäärät laskettiin seuraavien tekijöiden perusteella. Hintamuutosennuste, josta keskustelimme aiemmin. Kyseessä oleva hintataso Sisäiset tasot edellyttivät suurempia hinnanmuutosten ennusteita. order in the queue Vähemmän oli parempi. Tilausjäljellä olevien tilausten määrä jonossa More oli parempi. Näiden tekijöiden avulla hintatarjouksen turvalliset paikat tunnistettaisiin. Hintojen siirtoennuste ei ollut yksinään riittävä, koska se ei ottanut huomioon sitä, että kun asetan tarjouksen, minua ei täytetty automaattisesti - täyttyi vain, jos joku myi minulle siellä Todellisuudessa oli, että pelkkä tosiasiat, jotka myyvät minulle tietyn hinnan, muuttivat kaupan tilastollisia kertoimia. Tässä vaiheessa käytetyt muuttujat olivat kaikki optimoinnin kohteena. Tämä tapahtui täsmälleen samalla tavalla kuin optimoitiin muuttujia hinnanmuutosindikaattoreissa, paitsi tässä tapauksessa optimoin loppuliville P L. Mitkä ohjelmani jätettiin huomiotta. Kun ihmiskauppa on meillä usein voimakkaita tunteita ja puolueet, jotka voivat johtaa vähemmän kuin optimaaliset päätökset Selvästi en halunnut kodifioida näitä ennakkoluuloja Seuraavassa on joitain tekijöitä, joita järjestelmääni ei huomioida. Hinta, joka asemalle tuli - Kaupan toimistossa se on melko yleinen kuulla keskustelua hinnasta, jolla joku on pitkä tai lyhyt, jos se vaikuttaisi tulevaan päätöksentekoon Vaikka tällä on joitakin pätevyyttä osana riskien vähentämisstrategiaa, sillä ei todellakaan ole mitään vaikutusta markkinoiden tuleviin tapahtumiin. ohjelma on täysin jättänyt huomiotta nämä tiedot It's sama käsite kuin unohdetaan sunk costs. Going lyhyt vs poistuminen pitkä asema - tyypillisesti elinkeinonharjoittaja olisi eri kriteerit, jotka määräävät, missä myydä pitkä asema vs. minne mennä lyhyt kuitenkin minun algoritmien näkökulmasta oli ei syytä tehdä eroa Jos algoritmini odotettiin alaspäin suuntautuvan myynnin myynti oli hyvä asia riippumatta siitä, oliko se pitkä, lyhyt tai tasainen. Strategian kaksinkertaistaminen - Tämä on yhteinen strategia, jossa kauppiaat ostavat lisää varastoa tapahtumassa että alkuperäinen kauppa menee vastaisiin. Tämä johtaa siihen, että keskimääräinen ostohinta on pienempi ja se tarkoittaa, milloin tai jos varastossa kääntyy sinua ll asetetaan tekemään mon ey takaisin vähän aikaa Mielestäni tämä on todella kammottava strategia, ellet ole Warren Buffet Olet vilpittömästi ajatellut, että teet hyvin, koska suurin osa kaupoistasi on voittajia Ongelmana on, että menetät menettämäsi suuresti Toinen vaikutus on se tekee vaikeaksi arvioida, onko sinulla todellakin markkinoiden reuna vai vain saada onnea. Se, että voin seurata ja vahvistaa, että ohjelmallani todella oli reuna, oli tärkeä tavoite. Koska algoritmi teki päätöksiä samalla tavalla riippumatta siitä, missä se tuli kauppaan tai jos se oli tällä hetkellä pitkä tai lyhyt, se satutti satunnaisesti ja ottaa joitakin suuria menetyksiä kaupankäynnin lisäksi joitakin suuria voitto kauppoja Mutta sinun ei pitäisi mielestäni ei ollut mitään riskienhallintaa. Jotta hallita riskiä olen pakotettu enimmäismäärä paikan koko 2 sopimusta kerrallaan, satunnaisesti törmäsi suuria määriä päiviä minulla oli myös suurin päivittäinen tappion raja suojata vastaan ​​odottamattomia markkinaolosuhteita tai vika minun ohjelmistolla Nämä rajoitukset pannaan täytäntöön minun code bu t myös välittäjänä kautta minun välittäjä Koska se tapahtui, en koskaan nähnyt mitään merkittäviä ongelmia. Running algoritmi. Siitä hetkestä, kun aloin työskennellä minun ohjelma otti minulle noin 6 kuukautta ennen sain sen kannattavuuden kohta ja alkoi käynnissä se elää Vaikka kohtuullisen paljon aikaa oppilas oli uusi ohjelmointikieli Kun työskentelin ohjelmiston parantamiseksi, näen parempia voittoja kullekin seuraavalle neljäksi kuukaudeksi. Joka viikko voisin uudistaa järjestelmääni edellisen 4 viikon arvosta tulokset löysin tämän saavutti oikean tasapainon vallasta viimeaikaisen markkinakäyttäytymisen trendit ja vakuuttaa oma algoritmi oli tarpeeksi tietoa, jotta voidaan luoda mielekkäitä kuvioita Kun koulutus alkoi yhä enemmän aikaa jakaa sen niin, että se voitaisiin suorittaa 8 virtuaalikoneiden käyttäen amazon EC2 Tulokset yhdistettiin sitten paikalliselle koneelleni. Kaupan huippupiste oli lokakuussa 2009, kun tein lähes 100k. Tämän jälkeen jatkoin seuraavien neljän kuukauden aikana rumin, jotta voisin parantaa ohjelmani vähentyneestä voitosta huolimatta kuukausittain Valitettavasti tässä vaiheessa luulen, että toteutin kaikki parhaat ideani, koska minulla ei ollut vaikutusta alkoi ajatella uutta suuntausta lähetin 6 eri korkean taajuuden kaupankäynnin yrityksiä nähdä, jos he d olla kiinnostunut hankkimaan ohjelmiston ja palkata minut työskentelemään heille Kukaan ei vastannut minulla oli joitakin uusia käynnistysideoita halusin työskennellä, joten en koskaan seurannut. UPDATE - Lähetin tämän Hacker Newsin kohdalle ja se on saanut paljon huomiota Haluan vain sanoa, etten kannata joku yrittää tehdä jotain tällaista itseään Nyt tarvitset joukkue todella älykkäitä ihmisiä, joilla on erilaisia ​​kokemuksia minulla on toivoa kilpailla Vaikka tekisinkin tämän, uskon, että oli hyvin harvinaista, että ihmiset voisivat saavuttaa menestystä, vaikka olin kuullut muista. Sivun yläosassa on kommentti, jossa mainitaan manipuloitu sta tistics ja viittaa minulle vähittäiskaupan sijoittajana, että kvantteja olisi iloisesti poimia Tämä on melko valitettava kommentti, joka ei yksinkertaisesti perustu todellisuuteen Asetus, että syrjään on joitakin mielenkiintoisia kommentteja. UPDATE 2 - Olen lähetetty seuranta FAQ, joka vastaa joitain yleisiä kysymyksiä, jotka olen saanut kauppiailta tästä postista.