استراتژی تجارت الگوریتمی حرکت

داده های بزرگ کاملاً انقلابی در نحوه عملکرد بازار سهام در سراسر جهان و نحوه تصمیم گیری سرمایه گذاران در مورد سرمایه گذاری خود دارند. یادگیری ماشین-تمرین استفاده از الگوریتم های رایانه ای برای یافتن الگوهای در مقادیر گسترده داده ها-این امکان را برای رایانه ها فراهم می کند تا پیش بینی های دقیق و تصمیمات مانند انسان را هنگام تغذیه داده ها انجام دهند و معاملات را با سرعت و فرکانس سریع انجام دهند.

تجارت باستانی ، روند سهام را در زمان واقعی کنترل می کند و بهترین قیمت های ممکن را در بر می گیرد و به تحلیلگران این امکان را می دهد تا تصمیمات هوشمندانه بگیرند و خطاهای دستی را که به دلیل تأثیرات رفتاری و تعصبات بوجود می آیند ، کاهش دهند. در رابطه با داده های بزرگ ، تجارت الگوریتمی در نتیجه بینش های بسیار بهینه ای برای معامله گران برای به حداکثر رساندن بازده نمونه کارها خود در نتیجه می گیرد.

پیش بینی جهت بهتر قیمت سهام یک مرجع کلیدی برای استراتژی تجارت بهتر و تصمیم گیری توسط سرمایه گذاران عادی و کارشناسان مالی - جیم سیمونز است.

هدف، واقعگرایانه

قیمت بهتر پیش بینی قیمت سهام یک مرجع کلیدی برای استراتژی تجارت بهتر و تصمیم گیری توسط سرمایه گذاران عادی و کارشناسان مالی است. با توجه به حجم فزاینده ای از داده ها ، تجزیه و تحلیل دستی داده ها برای برخی از کارها مانند پیش بینی حرکت بازار سهام غیر عملی است اگر برای انسان غیرممکن باشد از این رو نیاز به اتوماسیون. با ارائه مقادیر زیادی از داده ها ، الگوریتم های یادگیری ماشین داده ها را کاوش کرده و مدلی را جستجو می کنند که به این هدف برسد.

هدف اصلی اجرای یک استراتژی تجارت الگوریتمی با استفاده از یادگیری ماشین است.

روش شناسی

ما مشکل تصمیم گیری در مورد تجارت سهام را به عنوان یک مشکل طبقه بندی با دو کلاس مختلف تدوین کردیم: خرید و فروش. هدف ما شناسایی کارآمدترین طبقه بندی بر اساس برخی از معیارها است. ما از برخی از شاخص های فنی حرکت و نوسانات با دوره زمانی 7 ، 14 و 28 روز به عنوان پیش بینی کننده استفاده کردیم. از آنجا که برخی از این شاخص ها ممکن است برای داده های ما بی ربط باشند. ما از تکنیک اهمیت متغیر جنگل تصادفی برای تشخیص پیش بینی کننده های ناچیز استفاده کردیم. در نتیجه ، ما این شاخص های مربوطه را به دست آوردیم: شاخص قدرت نسبی ، شاخص کانال کالا ، حرکت (برای دوره زمانی = 7) ، ٪ R ، نوسان ساز نهایی ، میزان تغییر. این شاخص ها سپس استاندارد می شوند تا به عنوان ورودی در مدلهای مختلف تغذیه شوند.

طبق معمول یادگیری ماشین می تواند به دو مرحله تقسیم شود. مرحله اول زمانی است که مدل آموزش داده می شود ، و یک مرحله دوم ، که در آن سیستم داده ها را مطابق با شاخص های فنی آموزش داده شده در مرحله یک طبقه بندی می کند. نتیجه تجزیه و تحلیل روند پیش بینی شده شاخص بازار است که می تواند برای تعیین برخی از قوانین معاملات استفاده شود:

• اگر روند روز بعد صعود کند ، تصمیم خرید است

• اگر تصمیم خرید از قبل وجود دارد ، پس نگه دارید

• اگر روند روز بعد پایین بیاید ، تصمیم فروش است

• اگر تصمیم فروش از قبل وجود دارد ، پس نگه دارید

با توجه به نتیجه به دست آمده با این قوانین ، بازگشت استراتژی محاسبه شده است.

مجموعه داده

ما داده های تاریخی روزانه را از مالی یاهو کشیدیم. ما 4 سهام (jindalstel. ns ، jswsteel. ns ، hindalco. ns و tatasteel. ns) را در بخش متالورژی انتخاب کردیم - شاخص فلزی nifty (^cnxmetal) از بورس ملی Nifty هند. دوره زمانی از 01/01/2015 تا 01/01/2020 است. مجموعه داده از 6 متغیر تشکیل شده است: تاریخ ، قیمت افتتاح روز ، بالاترین قیمت روز ، کمترین قیمت روز ، قیمت بسته شدن روز ، حجم معامله شده. ما از 80 ٪ از این داده ها به عنوان مجموعه آموزش و 20 ٪ به عنوان مجموعه آزمایش استفاده کردیم.

ساخت و ساز

ما با ساخت یک مجموعه داده که شامل پیش بینی کننده هایی است که برای پیش بینی ها و متغیر خروجی استفاده می شود ، شروع می کنیم. مجموعه داده ما با استفاده از داده های خام متشکل از یک سری قیمت 5 ساله برای چهار سهام مختلف ساخته شده است. سهام و داده های فهرست فردی شامل تاریخ ، باز ، بالا ، پایین ، نزدیک و حجم است. با استفاده از این داده ها ، شاخص های خود را بر اساس شاخص های مختلف فنی محاسبه کردیم ، یعنی میانگین حرکت نمایی ، نوسان ساز تصادفی ٪ K و ٪ D ، شاخص قدرت نسبی (RSI) ، میزان تغییر (ROC) ، حرکت (MOM).

پیوند به مجموعه داده مورد استفاده:

Kartikayladdha/BDT

با ایجاد یک حساب کاربری در GitHub در توسعه Kartikayladdha/BDT مشارکت کنید.

شاخص های فنی

شاخص های فنی مختلفی برای نتایج بهتر و ایجاد ویژگی های قوی در این استراتژی گنجانده شده است.

میانگین های متحرک به طور گسترده در تجزیه و تحلیل فنی مورد استفاده قرار می گیرند ، شاخه ای از سرمایه گذاری که به دنبال درک و سودآوری از الگوهای حرکت قیمت اوراق بهادار و شاخص ها است. به طور کلی ، تحلیلگران فنی از میانگین های متحرک استفاده می کنند تا تشخیص دهند که آیا تغییر در حرکت برای یک امنیت رخ می دهد ، مانند اینکه یک حرکت ناگهانی رو به پایین در قیمت امنیت وجود دارد. در موارد دیگر ، آنها از میانگین های متحرک برای تأیید سوء ظن خود استفاده می کنند که ممکن است تغییر در حال انجام باشد. به عنوان مثال ، اگر قیمت سهم یک شرکت بالاتر از میانگین حرکت 200 روزه خود باشد ، ممکن است به عنوان یک سیگنال صعودی در نظر گرفته شود.

2. شاخص قدرت نسبی

شاخص قدرت نسبی (RSI) یک شاخص شتابدار است که در تجزیه و تحلیل فنی مورد استفاده قرار می گیرد که میزان تغییرات قیمت اخیر را برای ارزیابی شرایط بیش از حد یا بیش از حد در قیمت سهام یا دارایی دیگر اندازه گیری می کند. RSI به عنوان یک نوسان ساز نمایش داده می شود (یک نمودار خط که بین دو افراط حرکت می کند) و می تواند یک خواندن از 0 تا 100 داشته باشد. تفسیر سنتی و استفاده از RSI این است که مقادیر 70 یا بالاتر نشان می دهد که یک امنیت بیش از حد به دست می آید یا بیش از حد ارزیابی می شودو ممکن است برای معکوس روند یا بازپرداخت اصلاحی در قیمت اولیه باشد. خواندن RSI از 30 یا پایین نشانگر یک وضعیت بیش از حد یا کم ارزش است.

3. نوسان ساز تصادفی

یک نوسان ساز تصادفی یک شاخص حرکت است که قیمت بسته شدن یک امنیت خاص را با طیف وسیعی از قیمت های خود در طی یک دوره زمانی خاص مقایسه می کند. حساسیت نوسان ساز به حرکات بازار با تنظیم آن دوره زمانی یا با گرفتن میانگین متحرک نتیجه قابل کاهش است. از آن برای تولید سیگنال های تجارت بیش از حد و بیش از حد استفاده می شود ، با استفاده از محدوده محدود 0-100 مقادیر.

نوسان ساز تصادفی محدود است ، به این معنی که همیشه بین 0 تا 100 است. این امر آن را به یک شاخص مفید از شرایط بیش از حد و بیش از حد تبدیل می کند. به طور سنتی ، خوانش های بیش از 80 در محدوده بیش از حد در نظر گرفته می شود ، و خوانش های زیر 20 سال در نظر گرفته می شود.

نمودار نوسان ساز تصادفی به طور کلی از دو خط تشکیل شده است: یکی منعکس کننده مقدار واقعی نوسان ساز برای هر جلسه ، و دیگری بازتاب میانگین حرکت ساده سه روزه آن است. از آنجا که تصور می شود قیمت از حرکت پیروی می کند ، تقاطع این دو خط سیگنالی در نظر گرفته می شود که ممکن است یک معکوس در کارها باشد ، زیرا این نشان دهنده تغییر بزرگ در حرکت از روز امروز است.

4. قدرت قیمت حرکت

حرکت سرعت یا سرعت تغییر قیمت در سهام ، امنیت یا ابزار قابل معامله است. حرکت نشان می دهد نرخ تغییر در حرکت قیمت در طی یک دوره زمانی برای کمک به سرمایه گذاران در تعیین قدرت یک روند. سهام هایی که تمایل به حرکت با قدرت حرکت دارند ، سهام حرکت نامیده می شوند. حرکت توسط سرمایه گذاران برای تجارت سهام در صعود با افزایش طولانی (یا خرید سهام) و کوتاه رفتن (یا فروش سهام) در یک روند نزولی استفاده می شود. به عبارت دیگر ، سهام می تواند به نمایش بگذارد ، به این معنی که قیمت در حال افزایش است ، یا حرکت نزولی که در آن قیمت به طور پیوسته در حال سقوط است.

انتخاب ویژگی

انتخاب ویژگی فرآیند انتخاب زیر مجموعه ای از ویژگی هایی است که بیشتر برای ساخت مدل مرتبط هستند که در ایجاد یک مدل پیش بینی دقیق کمک می کند. طیف گسترده ای از الگوریتم های انتخاب ویژگی وجود دارد ، و اینها عمدتاً در یکی از سه دسته قرار می گیرند: روش فیلتر - با اختصاص یک امتیاز به آنها با استفاده از برخی از اقدامات آماری ، ویژگی ها را انتخاب می کند. روش بسته بندی - زیر مجموعه های متفاوتی از ویژگی ها را ارزیابی می کند و بهترین زیر مجموعه را تعیین می کند. روش تعبیه شده - این روش مشخص می کند که کدام یک از ویژگی ها در حالی که مدل در حال آموزش است ، بهترین دقت را نشان می دهد.

در مدل ما از روش فیلتر با استفاده از عملکرد تصادفی. forest. immantance استفاده خواهیم کرد. عملکرد تصادفی. forest. Immance اهمیت هر ویژگی در طبقه بندی نتیجه ، یعنی متغیر کلاس را ارزیابی می کند. این تابع یک قاب داده حاوی نام هر ویژگی و مقدار اهمیت را بر اساس میانگین کاهش دقت برمی گرداند.

الگوریتم های یادگیری ماشین

ما از مدل های زیر و یک گروه از این مدل ها استفاده کردیم.

K-Nearest همسایه یکی از ساده ترین الگوریتم های یادگیری ماشین است که بر اساس تکنیک یادگیری نظارت شده است. الگوریتم K-NN شباهت بین پرونده/داده های جدید و موارد موجود را فرض می کند و پرونده جدید را در گروهی قرار می دهد که بیشتر شبیه به دسته های موجود است.

2. درخت تصمیم گیری

درخت تصمیم گیری-این یک طبقه بندی کننده ساختار یافته درخت است ، جایی که گره های داخلی ویژگی های یک مجموعه داده را نشان می دهند ، شاخه ها قوانین تصمیم گیری را نشان می دهند و هر گره برگ نتیجه را نشان می دهد. در یک درخت تصمیم ، دو گره وجود دارد که گره تصمیم و گره برگ هستند. از گره های تصمیم گیری برای تصمیم گیری و داشتن چندین شاخه استفاده می شود ، در حالی که گره های برگ خروجی این تصمیمات هستند و هیچ شاخه دیگری ندارند.

3. Bayes Laïve Gaussian

فرض بر این است که مقادیر مداوم مرتبط با هر ویژگی با توجه به توزیع گاوسی توزیع می شود.

4. دستگاه بردار پشتیبانی

هدف از الگوریتم SVM ایجاد بهترین خط یا مرز تصمیم گیری است که می تواند فضای n بعدی را در کلاس ها جدا کند تا بتوانیم به راحتی نقطه داده جدید را در آینده قرار دهیم. این بهترین مرز تصمیم گیری به عنوان هایپرپلن نامیده می شود.

5. جنگل تصادفی

جنگل تصادفی یک الگوریتم یادگیری تحت نظارت است."جنگل" که در آن ساخته شده است ، یک گروه از درختان تصمیم گیری است که معمولاً با روش "کیسه زدن" آموزش دیده است. ایده کلی روش کیسه زدن این است که ترکیبی از مدل های یادگیری نتیجه کلی را افزایش می دهد. به عبارت ساده: جنگل تصادفی درختان تصمیم گیری های مختلفی را ایجاد می کند و آنها را ادغام می کند تا یک پیش بینی دقیق تر و پایدار را بدست آورید. یکی دیگر از کیفیت عالی الگوریتم جنگلی تصادفی این است که اندازه گیری اهمیت نسبی هر ویژگی در پیش بینی بسیار آسان است.< Span> Bayes ساده لوح گاوسی ، مقادیر مداوم مرتبط با هر ویژگی فرض می شود که مطابق با توزیع گاوسی توزیع می شود.