Intelligente Handelssysteme: Künstliche Intelligenz an die Finanzmärkte anwenden Beschreibung Über den Autor Ondrej Martinsky ist spezialisiert auf Mathematik und Informatik, intelligente und Entscheidungsunterstützungssysteme. Während seines Aufenthaltes an der Technischen Universität Brünn hat er an mehreren Forschungsprojekten in diesen Bereichen gearbeitet. Er arbeitet derzeit als unabhängiger Auftragnehmer für eine große Investmentbank in London und veröffentlicht sein Blog quantandfinancial. Ondrej ist auch Autor mehrerer wissenschaftlicher Arbeiten, die auf internationalen Konferenzen präsentiert wurden. Ondrej studiert auch Wirtschaftswissenschaften, Finanzmärkte und Wertpapierbörsen, insbesondere technische Analyse der Marktpreise in Verbindung mit dem kurzfristigen Handel von Finanzderivaten. Neben dem konventionellen Handel interessiert er sich auch für den wissenschaftlichen Ansatz und fragt sich nicht nur, wie sich die Märkte bewegen, sondern auch, warum sie sich bewegen. In den letzten Jahren hat er untersucht, wie fortschrittliche Berechnungsmethoden auf den Finanzmärkten angewendet werden können. In seinem Buch, quotIntelligent Trading Systemsquot, bietet er die Ergebnisse dieser Forschung und eine einzigartige Vernetzung von Wissen aus den Bereichen Informatik und Finanzmärkte. Produktbeschreibung Dieses Buch befasst sich mit der Frage der problematischen Marktpreisvorhersage im Kontext des von der Psychologie der Massen betroffenen Menschenverhaltens. Sie hebt den Gegensatz zwischen einem Phänomen der Massenpsychologie und der effizienten Markthypothese hervor, die im Wesentlichen auf einer gemeinsamen Wirtschaftstheorie basiert. Die Grundannahme ist, dass, wenn es ein Modell der Interaktion zwischen Massen und Agenten an Märkten gibt, gibt es auch Mittel für die Vorhersage des gesamten Marktverhaltens, obwohl dennoch das Verhalten eines jeden Agenten nicht vorhersehbar ist. Aus praktischer Sicht beschreibt dieses Buch technische Analysemethoden, die verwendet werden, um Preisbewegungen vorherzusagen, und erörtert einen Soft Computing Ansatz, der in einer Zusammensetzung automatisierter Handelssysteme verwendet wird. Dieses Buch bringt alternative, Soft Computing Computer-Modelle auf Handelsstrategien und innovativ kombiniert zwei verschiedene Bereiche der Wissenschaft - künstliche Intelligenz und technische Analyse. Einer der wichtigsten Vorteile dieses Buches ist eine Demonstration, dass der Soft-Computing-Ansatz in Kombination mit den quotquoten sozialen Sozialwissenschaften zuverlässigere Ergebnisse liefert als die herkömmlichen mathematischen Modelle. Dieses Buch ist für alle interessiert, die Handel, Finanzmärkte und Sicherheit Austausch, sowie für diejenigen, die theoretische oder praktische Kenntnisse aus den Gebieten der künstlichen Intelligenz und Soft Computing haben, und wollen wissen, wie diese Themen können auf den Finanzmärkten angewendet werden. Über diesen ArtikelIntelligent Algorithmic Trading Systems Algorithmic Handel ist der Einsatz von Computer-Algorithmen automatisch Entscheidungen zu treffen, Bestellungen zu machen, und verwalten Sie diese Aufträge nach der Einreichung. Algorithmische Handelssysteme werden am besten mit einer einfachen Konzeptarchitektur verstanden, die aus drei Komponenten besteht, die verschiedene Aspekte des algorithmischen Handelssystems behandeln, nämlich den Datenhandler, den Strategiehandler und den Trade Execution Handler. Diese Komponenten werden mit der oben erwähnten Definition des algorithmischen Handels eineindeutig abgebildet. In diesem Artikel erweitern wir diese Architektur zu beschreiben, wie man über die Konstruktion intelligenter algorithmischen Handelssysteme gehen könnte. Conceptual Algorithmic Trading System Was bedeutet es für ein System intelligenter zu sein Im Rahmen des algorithmischen Handels werden wir die Intelligenz messen, inwieweit das System sowohl selbstadaptierend als auch selbstbewusst ist. Aber bevor wir das erreichen, wollen wir die drei Komponenten in der Konzeptarchitektur des algorithmischen Handelssystems erarbeiten. Data Component Algorithmic Handelssysteme können strukturierte Daten, unstrukturierte Daten oder beides verwenden. Die Daten sind strukturiert, wenn sie nach einer bestimmten vorgegebenen Struktur organisiert sind. Beispiele hierfür sind Tabellenkalkulationen, CSV-Dateien, JSON-Dateien, XML, Datenbanken und Datenstrukturen. Marktbezogene Daten wie Tagespreise, Tagesendpreise und Handelsvolumen liegen in der Regel in strukturierter Form vor. Wirtschafts - und Unternehmensdaten sind auch in strukturierter Form verfügbar. Zwei gute Quellen für strukturierte Finanzdaten sind Quandl und Morningstar. Die Daten sind unstrukturiert, wenn sie nicht nach vorher festgelegten Strukturen organisiert sind. Beispiele sind Nachrichten, soziale Medien, Videos und Audio. Diese Art von Daten ist inhärent komplexer zu verarbeiten und erfordert oft Datenanalyse und Data-Mining-Techniken, um es zu analysieren. Mainstream-Nutzung von Nachrichten und Daten aus sozialen Netzwerken wie Twitter und Facebook im Handel hat dazu geführt, dass mehr leistungsfähige Werkzeuge, die in der Lage, sinnvoll für unstrukturierte Daten sind. Viele dieser Werkzeuge nutzen künstliche Intelligenz und insbesondere neuronale Netze. Modellkomponente Ein Modell ist die Darstellung der Außenwelt, wie es vom Algorithmischen Handelssystem gesehen wird. Finanzmodelle stellen üblicherweise dar, wie das algorithmische Handelssystem glaubt, dass die Märkte funktionieren. Das ultimative Ziel jedes Modells ist es, Schlußfolgerungen über die Welt oder in diesem Fall die Märkte zu machen. Das Wichtigste, was hier zu erinnern ist das Zitat von George E. P Box alle Modelle sind im Wesentlichen falsch. Aber einige sind nützlich. Modelle können mit einer Reihe von unterschiedlichen Methoden und Techniken konstruiert werden, aber im Grunde sind sie alle im Wesentlichen eine Sache zu tun: Verringerung eines komplexen Systems in eine traktierbare und quantifizierbare Reihe von Regeln, die das Verhalten dieses Systems unter verschiedenen Szenarien zu beschreiben. Einige Ansätze schließen mathematische Modelle, symbolische und Fuzzy-Logiksysteme, Entscheidungsbäume, Induktionsregelsätze und neuronale Netzwerke ein, sind aber nicht darauf beschränkt. Mathematische Modelle Der Einsatz mathematischer Modelle zur Beschreibung des Verhaltens von Märkten wird als quantitative Finanzen bezeichnet. Die meisten quantitativen Finanzmodelle arbeiten von den inhärenten Annahmen ab, dass sich die Marktpreise (und Renditen) nach einem stochastischen Prozess im Laufe der Zeit entwickeln, also Märkte zufällig sind. Dies ist eine sehr nützliche Annahme, die im Mittelpunkt fast aller Derivat-Preismodelle und einiger anderer Sicherheitsbewertungsmodelle steht. Im Wesentlichen die meisten quantitativen Modelle argumentieren, dass die Renditen einer bestimmten Sicherheit von einem oder mehreren zufälligen Marktrisikofaktoren getrieben werden. Der Grad, in dem die Renditen von diesen Risikofaktoren betroffen sind, wird als Sensitivität bezeichnet. Zum Beispiel kann eine gut diversifizierte Portfolios Renditen durch die Bewegung der kurzfristigen Zinssätze, verschiedene Wechselkurse und die Renditen in der gesamten Börse getrieben werden. Diese Faktoren können historisch gemessen und verwendet werden, um ein Modell zu kalibrieren, das simuliert, was diese Risikofaktoren tun könnten, und durch Erweiterung, was die Rendite auf dem Portfolio sein könnte. Weitere Informationen finden Sie unter Random Walks Down Wall Street. Monte Carlo Simulierte Preispfade für zugrunde liegende Assets Symbolische und Fuzzy-Logikmodelle Die symbolische Logik ist eine Form der Argumentation, die im Wesentlichen die Auswertung von Prädikaten (logische Aussagen, die aus logischen Operatoren wie AND, OR und XOR aufgebaut sind) auf true oder false beinhaltet. Die Fuzzy-Logik entspannt die binäre Wahr - oder Falsch-Einschränkung und ermöglicht es jedem gegebenen Prädikat, zu dem Satz von wahren oder falschen Prädikaten in verschiedenen Graden zu gehören. Dies ist in Form von Set-Membership-Funktionen definiert. Im Rahmen der Finanzmärkte können die Inputs in diese Systeme Indikatoren enthalten, von denen erwartet wird, dass sie mit den Renditen einer bestimmten Sicherheit korrelieren. Diese Indikatoren können quantitativ, technisch, grundlegend oder anderweitig sein. Beispielsweise könnte ein Fuzzy-Logik-System aus historischen Daten schließen, dass, wenn der fünftägige exponentiell gewichtete gleitende Durchschnitt größer oder gleich dem zehn Tage exponentiell gewichteten gleitenden Durchschnitt ist, dann eine Wahrscheinlichkeit von fünfundsechzig Prozent besteht, dass der Bestand im Preis steigt In den nächsten fünf Tagen. Ein Data-Mining-Ansatz zur Identifizierung dieser Regeln aus einem bestimmten Datensatz heißt Regel Induktion. Dies ist der Induktion eines Entscheidungsbaumes sehr ähnlich, außer dass die Ergebnisse oft menschlicher lesbar sind. Entscheidungsbaummodelle Entscheidungsbäume ähneln Induktionsregeln, außer dass die Regeln Strukturen in Form eines (meist binären) Baums sind. In der Informatik ist ein binärer Baum eine Baumdatenstruktur, in der jeder Knoten höchstens zwei Kinder hat, die als das linke Kind und das rechte Kind bezeichnet werden. In diesem Fall stellt jeder Knoten eine Entscheidungsregel (oder Entscheidungsgrenze) dar, und jeder Kindknoten ist entweder eine andere Entscheidungsgrenze oder ein Endknoten, der eine Ausgabe anzeigt. Es gibt zwei Arten von Entscheidungsbäumen: Klassifikationsbäume und Regressionsbäume. Klassifikationsbäume enthalten Klassen in ihren Ausgaben (z. B. kaufen, halten oder verkaufen), während Regressionsbäume Ergebniswerte für eine bestimmte Variable (z. B. -2,5, 0, 2,5 usw.) enthalten. Die Art der zum Trainieren des Entscheidungsbaums verwendeten Daten bestimmt, welche Art von Entscheidungsbaum erzeugt wird. Zur Erzeugung von Entscheidungsbäumen verwendete Algorithmen umfassen C4.5 und genetische Programmierung. Wie bei der Regelinduktion können die Eingaben in ein Entscheidungsbaummodell Mengen für einen gegebenen Satz fundamentaler, technischer oder statistischer Faktoren enthalten, von denen angenommen wird, dass sie die Renditen von Wertpapieren treiben. Neuronale Netzwerkmodelle Neuronale Netze sind fast sicher die beliebtesten Maschinellen Lernmodell für algorithmische Händler. Neuronale Netze bestehen aus Schichten von miteinander verbundenen Knoten zwischen Ein - und Ausgängen. Einzelne Knoten werden Perzeptronen genannt und ähneln einer multiplen linearen Regression, mit der Ausnahme, dass sie in eine so genannte Aktivierungsfunktion einfließen, die nichtlinear sein kann oder nicht. In nicht rekurrierenden neuronalen Netzwerken werden Perzeptronen in Schichten und Schichten miteinander verbunden. Es gibt drei Arten von Ebenen, die Eingabeschicht, die ausgeblendete Schicht (en) und die Ausgabeschicht. Die Eingabeschicht würde die normalisierten Eingaben erhalten, die die erwarteten Faktoren für die Rückkehr der Sicherheit darstellen würden, und die Ausgabeschicht könnte entweder Kauf-, Halte-, Verkaufsklassifizierungen oder realwertige wahrscheinliche Ergebnisse wie binned Renditen enthalten. Versteckte Ebenen passen die Gewichtungen an diesen Eingängen im Wesentlichen an, bis der Fehler des neuronalen Netzwerks (wie es in einem Backtest durchgeführt wird) minimiert wird. Eine Interpretation davon ist, dass die verborgenen Schichten markante Merkmale in den Daten extrahieren, die prädiktive Leistung in Bezug auf die Ausgänge haben. Für eine ausführlichere Erläuterung der neuronalen Netze siehe diesen Artikel. Zusätzlich zu diesen Modellen gibt es eine Reihe weiterer Entscheidungsmodelle, die im Rahmen des algorithmischen Handels (und der Märkte im Allgemeinen) genutzt werden können, um Prognosen hinsichtlich der Richtung der Sicherheitspreise zu machen oder für quantitative Leser Vorhersagen bezüglich der Wahrscheinlichkeit einer Bewegung in einem Wertpapierpreis. Die Wahl des Modells wirkt sich direkt auf die Performance des algorithmischen Handelssystems aus. Es wurde gezeigt, dass die Verwendung mehrerer Modelle (Ensembles) die Vorhersagegenauigkeit verbessert, aber die Komplexität der Implementierung erhöht. Das Modell ist das Gehirn des algorithmischen Handelssystems. Um das algorithmische Handelssystem intelligenter zu machen, sollte das System Daten über alle historischen Fehler speichern und diese internen Modelle entsprechend diesen Änderungen anpassen. In gewissem Sinne würde dies Selbstbewusstsein (von Fehlern) und Selbstadaption (kontinuierliche Modellkalibrierung) darstellen. Das heißt, dies ist sicherlich kein Terminator Execution Component Die Execution-Komponente ist verantwortlich für das Durchführen der Trades, die das Modell identifiziert. Diese Komponente muss die funktionalen und nicht-funktionalen Anforderungen von Algorithmic Trading-Systemen erfüllen. Zum Beispiel müssen die Geschwindigkeit der Ausführung, die Häufigkeit, mit der die Geschäfte abgeschlossen werden, die Periode, für die Trades gehalten werden, und das Verfahren, mit dem Handelsaufträge an die Börse geleitet werden, ausreichend sein. Jede Implementierung des algorithmischen Handelssystems sollte in der Lage sein, diese Anforderungen zu erfüllen. In diesem Artikel schlage ich eine offene Architektur für algorithmische Handelssysteme vor, die meiner Meinung nach viele der Anforderungen erfüllt. Monitor Component Künstliche Intelligenz lernt mit objektiven Funktionen. Zielfunktionen sind gewöhnlich mathematische Funktionen, die die Leistung des algorithmischen Handelssystems quantifizieren. Im Rahmen der Finanzierung umfassen die Maßnahmen der risikoadjustierten Rendite das Treynor-Verhältnis, das Sharpe-Verhältnis und das Sortino-Verhältnis. Die Modellkomponente im algorithmischen Handelssystem wird gebeten, eine oder mehrere dieser Größen zu maximieren. Die Herausforderung besteht darin, dass Märkte dynamisch sind. Mit anderen Worten, die Modelle, Logik oder neuronale Netze, die vor arbeitete, kann aufhören, im Laufe der Zeit zu arbeiten. Um dies zu bekämpfen, sollte das algorithmische Handelssystem die Modelle mit Informationen über die Modelle selbst trainieren. Diese Art von Selbstbewusstheit erlaubt es den Modellen, sich an veränderte Umgebungen anzupassen. Ich denke an diese Selbstanpassung als eine Form kontinuierlicher Modellkalibrierung zur Bekämpfung von Marktregimierungsänderungen. Fazit Algorithmic Trading hat sich sehr populär in den letzten zehn Jahren. Es ist jetzt für die Mehrheit der Trades, die durch den Austausch weltweit gestellt werden und ist auf den Erfolg von einigen der weltweit am besten durchführen Hedgefonds, vor allem die von Renaissance Technologies. Das gesagt worden ist, gibt es noch sehr viel Verwirrung und misnomers betreffend, was algorithmischer Handel ist und wie es Leute in der realen Welt beeinflußt. In gewisser Weise kann das gleiche für Künstliche Intelligenz gesagt werden. Allzu oft fokussiert sich die Forschung auf diese Themen ausschließlich auf die Leistung und wir vergessen, dass es ebenso wichtig ist, dass Forscher und Praktiker stärkere und konsequentere konzeptionelle und theoretische Modelle entwickeln, auf denen wir das Feld in den kommenden Jahren weiter ausbauen können. Ob wir es mögen oder nicht, Algorithmen formen unsere moderne Welt und unsere Abhängigkeit von ihnen gibt uns die moralische Verpflichtung, kontinuierlich versuchen, sie zu verstehen und zu verbessern. Ich lasse Sie mit einem Video mit dem Titel How Algorithmen Form unserer Welt von Kevin Slavin. Wie Algorithmen unsere Welt gestalten
Comments
Post a Comment