Machine Learning In Trading Strategien

Maschinelles Lernen für Trading-Kurs Dieser Kurs führt die Schüler in die realen Herausforderungen der Umsetzung von maschinenbasierten Trading-Strategien, einschließlich der algorithmischen Schritte von der Informationsbeschaffung bis hin zu Marktaufträgen. Im Vordergrund steht die Frage, wie probabilistische maschinelle Lernansätze auf Handelsentscheidungen angewendet werden können. Wir betrachten statistische Ansätze wie lineare Regression, Q-Learning, KNN und Regressionsbäume und wie man sie auf tatsächliche Börsenhandelssituationen anwendet. Dieser Kurs setzt sich aus drei Mini-Kursen zusammen: Wichtiger Hinweis Dieser Kurs wird in Schwierigkeiten bis zum Ende aufgerichtet. Die Projekte im letzten Drittel des Kurses sind herausfordernd. Sei vorbereitet. Ausbilderinformationen Tucker Balch, Ph. D. Professor, Interactive Computing bei Georgia Tech CS 7646 Kursleiter CS 7646 Instructor: Frühjahr 2016, Herbst 2016 David Byrd Wissenschaftlicher Mitarbeiter, Interaktives Medientechnologiezentrum bei Georgia Tech CS 7646 Instruktor: Sommer 2016 CS 7646 Leiter TA: Frühjahr 2016, Herbst 2016 Syllabi und (Optional) Für Mini-Kurs 2: Was Hedge-Fonds wirklich tun, von Romero und Balch amazon (optional) für Mini-Kurs 1: Python für Finanzen von Yves Hilpisch amazon (optional) Erforderlich) Für Mini-Kurs 3: Machine Learning von Tom Mitchell (optional) Kaufen Sie es für 218.00 an: amazon Kaufen Sie eine Taschenbuch-Version für 61.78. WICHTIGE WARNUNGEN: 1) Sie versenden nur zu den USA 2) Es dauert sie 3 Wochen, um das Buch zu drucken. Wenn Sie von außerhalb der US bestellen, nehmen sie leise Ihr Geld an, aber versenden nie das Buch: weniger kostspielige Version am mcgraw Hügel Kaufen Sie eine Taschenbuch internationale Version für 19.10. Ich bin mir nicht sicher über die Zuverlässigkeit dieses Unternehmens: internationale Voraussetzungen / Co-Requisiten Alle Arten von Studenten sind willkommen Die Machine Learning Themen könnten für CS-Studenten zu überprüfen, während Finanz-Teile werden für Finanz-Studenten zu überprüfen. Aber selbst wenn Sie Erfahrung in diesen Themen haben, werden Sie feststellen, dass wir sie auf eine andere Art und Weise betrachten, als Sie es zuvor gesehen haben, insbesondere im Hinblick auf die Implementierung für den Handel. Wenn Sie nein auf die folgenden Fragen antworten, kann es von Vorteil sein, Ihr Wissen über die Voraussetzungen zu verbessern, bevor Sie CS 7646 einnehmen: Haben Sie Kenntnisse der grundlegenden Statistiken, einschließlich Wahrscheinlichkeitsverteilungen (wie Normal - und Uniform), Berechnungen und Unterschiede zwischen Mittelwert, Median und Modus verstehen Sie den Unterschied zwischen geometrischem Mittel und arithmetischem Mittel Haben Sie starke Programmierkenntnisse Nehmen Sie dieses Quiz compinvesti-prog-quiz, wenn Sie Hilfe bei der Bestimmung der Stärke Ihrer Programmierkenntnisse möchten. Dieser Kurs richtet sich an: Der Kurs richtet sich an Personen mit starken Erfahrungen in der Software-Programmierung und an Einführungskurse im Bereich der Investitionspraxis. Grundvoraussetzung ist ein Interesse an der Börse. Software gut verwenden: Um die Programmierung Aufgaben zu vervollständigen müssen Sie eine Entwicklungsumgebung, die Sie bequem mit. Wir verwenden Unix, können aber auch mit Windows - und Mac OS-Umgebungen arbeiten. Sie müssen eine Reihe von Python-Modulen auf Ihrem Computer herunterladen (einschließlich NumPy, SciPy und Pandas). OMSCS: Wir verwenden Udacity für Vortragsvideos. Loggen Sie sich hier mit Ihrem GT-Account ein: GT-Udacity Login (Anweisungsvideo) Hinweis. Melden Sie sich NICHT mit Ihrem persönlichen Udacity-Konto an, falls Sie eines haben. Gehen Sie zu dem Kurs auf Udacity (oder navigieren Sie durch Meine Kurse): udacity / Kurs / viewer / c-ud501 Wenn Sie Probleme beim Zugriff auf Udacity-Inhalte haben, teilen Sie bitte Ihr Problem per E-Mail mit gtech-supportudacity Wir verwenden T-Square für ALL Vortrag: T-Square (Auswahl geeigneter Kurswebsite) Piazza für Interaktion und Diskussion: Fall 2016 Piazza Forum A: 90.0 und höher B: 80.0 und höher C: 70.0 und höher D: 60.0 und höher F: Muss der Kurs Pass / Fail mindestens 75 Pass bestanden haben. Der Kurs darf nicht als Audit verstanden werden. Siehe Semester-Lehrplan für Zuordnungsgewichte. Minimale technische Voraussetzungen Browser und Verbindungsgeschwindigkeit: Eine aktuelle Version von Chrome oder Firefox wird dringend empfohlen. Wir unterstützen auch Internet Explorer 9 und die Desktop-Versionen von Internet Explorer 10 und höher (nicht die Metro-Versionen). 2 MBit / s empfohlen bei mindestens 0,768 MBit / s Download-Geschwindigkeit. Hardware: Ein Computer mit mindestens 4 GB RAM und einer CPU-Geschwindigkeit von mindestens 2,5 GHz. Für die Entwicklung und das Testen von Code werden diese drei Konfigurationen ausgeführt: Windows XP oder höher mit den neuesten Updates Mac: OS X 10.6 oder höher mit den neuesten Updates installiert Linux: Jede aktuelle Distribution, die die unterstützten Browser installiert hat Für Online-Test (Proctortrack) Benötigen Sie eines von: PC: Windows XP oder höher mit den neuesten Updates installiert Mac: OS X 10.6 oder höher mit den neuesten Updates installiert Linux wird nicht unterstützt. Öffnungszeiten Zu bestimmen. Plagiat In den meisten Fällen erwarte ich, dass alle eingereichten Code von Ihnen geschrieben werden. Ich werde einige Bibliotheken in der Klasse vorstellen, die Sie verwenden dürfen (wie Pandas und numpy). Ansonsten sollten alle von Ihnen bereitgestellten Quellcodes, Bilder und Zuschreibungen von Ihnen erstellt worden sein. Klasse Richtlinien für Pass / Fail Studenten: Ihre Gesamtnote muss 75 oder höher sein, um eine bestandene Klasse zu bekommen. Offizielle Mitteilung per E-Mail: Wir verwenden Piazza für Diskussionen, aber es ist kein offizieller Kommunikationskanal. Alle amtlichen Mitteilungen zu Ihnen werden über t-Quadrat zu Ihrer offiziellen GT email address gesendet. Ebenso sollten Sie uns wichtige Informationen per E-Mail mitteilen. Studentische Verantwortung: Beachten Sie die Fristen, die auf dem Zeitplan bekannt gegeben werden. Lesen Sie Ihre GT-E-Mail jeden Tag. Starten Sie die Arbeit an Projekten, auch wenn sie nicht auf dem T-Square geöffnet sind. Grade Contest Zeitraum: Nachdem ein Projekt grade freigegeben wird, haben Sie 7 Tage, um die Note zu bestreiten. Danach werden Projekte nicht neu bewertet. Sie müssen ein sehr spezifisches Problem mit einem überzeugenden Argument, warum Ihre Klasse ist falsch. Beispiel überzeugendes Argument: Die TA nahm 10 Punkte weg, weil ich ein Diagramm fehlte, aber das Diagramm ist auf Seite 5 sichtbar. Beispiel nicht zwingendes Argument: Ich glaube, ich hätte mehr Punkte bekommen, bitte regrade mein Projekt. Grade Contest-Prozess: E-Mail Ihre TA über die Situation. Verspätete Versicherungsbedingungen: Die Abtretung erfolgt um 11:55 Uhr Eastern Time am Abrechnungsdatum. Aufgaben, die nach 23.55 Uhr eingehen, gelten als spät. Die Zuteilung kann bis zu einem Tag zu spät mit einer Strafe von 10 geschlagen werden. Aufträge, die länger als 24 Stunden Verspätung sind, werden nicht akzeptiert. Es gibt keine Nachfrist für Aufträge bereits einen ganzen Tag zu spät. Prüfungsplanung: Prüfungen werden an bestimmten Tagen zu bestimmten Zeiten statt. Wenn es einen Notfall oder eine andere Frage, die Änderung des Datums einer Prüfung für Sie erfordert, müssen Sie es vom Dekan der Studenten genehmigt haben. Sie können sich hier anmelden: deanofstudents. gatech. edu (unter Resources - gt Klasse Absenzen) Ich bin nicht ganz sicher, ob diese Frage hier passt. Ich habe vor kurzem angefangen, Lesen und Lernen über maschinelles Lernen. Kann jemand werfen etwas Licht auf, wie man über sie gehen oder vielmehr kann jeder ihre Erfahrungen und einige grundlegende Hinweise darüber, wie man über sie gehen oder atleast starten Anwendung, um einige Ergebnisse aus Datensätzen zu sehen Wie ehrgeizig klingt auch, darüber zu erwähnen Standard-Algorithmen, die versucht werden sollten oder angeschaut, während dies zu tun. Ja, es scheint ein grundlegender Irrtum, dass jemand kommen kann und lernen einige maschinelle Lernen oder AI-Algorithmen, stellen Sie sie als Black Box, hit go, und lehnen Sie sich zurück, während sie in Rente gehen. Mein Rat an Sie: Erlernen Sie Statistiken und maschinelles Lernen zuerst, dann sorgen Sie, wie man sie auf ein gegebenes Problem anwendet. Es gibt kein freies Mittagessen hier. Datenanalyse ist harte Arbeit. Lesen Sie die Elemente des statistischen Lernens (das pdf ist kostenlos auf der Website verfügbar), und nicht versuchen, ein Modell zu bauen, bis Sie zumindest die ersten 8 Kapitel verstehen. Sobald Sie die Statistik und maschinelles Lernen verstehen, dann müssen Sie lernen, wie man Backtest und bauen ein Handelsmodell, Buchhaltung für Transaktionskosten, etc., die ein ganz anderer Bereich ist. Nachdem Sie einen Griff auf die Analyse und die Finanzen haben, dann wird es etwas offensichtlich, wie man es anwenden. Der gesamte Punkt dieser Algorithmen versucht, einen Weg zu finden, um ein Modell an Daten anzupassen und eine geringe Vorspannung und Varianz in der Vorhersage zu erzeugen (d. h. dass der Trainings - und Testvorhersagefehler gering und ähnlich ist). Hier ist ein Beispiel für ein Trading-System mit einem Support-Vektor-Maschine in R. aber nur im Hinterkopf behalten, dass Sie sich selbst einen riesigen Bärendienst tun, wenn Sie nicht die Zeit verbringen, um die Grundlagen zu verstehen, bevor Sie versuchen, etwas Esoterik anzuwenden. Nur um ein unterhaltsames Update hinzufügen: Ich habe vor kurzem über diese Meister-These: Ein Novel Algorithmic Trading Framework Anwendung von Evolution und Machine Learning für Portfolio-Optimierung (2012). Es ist eine umfangreiche Überprüfung der verschiedenen maschinellen Lernansätze im Vergleich zu Buy-and-Hold. Nach fast 200 Seiten erreichen sie die grundlegende Schlussfolgerung: Kein Handelssystem konnte die Benchmark bei Transaktionskosten übertreffen. Unnötig zu sagen, dies bedeutet nicht, dass es nicht getan werden kann (ich havent verbrachte jede Zeit Überprüfung ihrer Methoden, um die Gültigkeit des Ansatzes zu sehen), aber es sicherlich bietet einige weitere Beweise für die nicht-freie Mittagessen Theorem. Antwortete am 1. Februar um 18:48 Jase Als einer der Autoren der erwähnten master39s These kann ich meine eigene Arbeit zitieren und sagen: "Wenn jemand tatsächlich profitables Ergebnis erzielt, gibt es keinen Anreiz, sie zu teilen, da sie ihren Vorteil negieren würde Obwohl unsere Ergebnisse die Markthypothese unterstützen könnten, kann sie die Existenz von Systemen, die funktionieren, nicht ausschließen. Es könnte sein, wie Wahrscheinlichkeitstheorie: quot Es wird spekuliert, dass Durchbrüche im Bereich der Wahrscheinlichkeitstheorie mehrmals passiert ist, aber nie geteilt. Dies könnte aufgrund seiner praktischen Anwendung in gambling. quot Dann wieder, vielleicht ist dies alles moderne Alchemie. Ndash Es gibt mehrere Maschinelles Lernen / Künstliche Intelligenz (ML / AI) Filialen da draußen: www-formal. stanford. edu/jmc/whatisai/node2.html Ich habe Nur versucht genetische Programmierung und einige neuronale Netze, und ich persönlich denke, dass das Lernen aus Erfahrung Niederlassung scheint die meisten Potenzial haben. GP / GA und neuronale Netze scheinen die am häufigsten erforschten Methoden für die Zwecke der Börsenvorhersagen sein, aber wenn Sie einige Data Mining auf Predict Wall Street zu tun. Könnten Sie in der Lage, einige Sentiment-Analyse zu tun. Verbringen Sie einige Zeit lernen über die verschiedenen ML / AI-Techniken, finden Sie einige Marktdaten und versuchen, einige dieser Algorithmen implementieren. Jeder wird seine Stärken und Schwächen haben, aber Sie können die Vorhersagen jedes Algorithmus zu einer zusammengesetzten Vorhersage kombinieren (ähnlich wie die Gewinner des NetFlix-Preises). Einige Ressourcen: Hier sind einige Ressourcen, die Sie vielleicht in: The Chatter: Der allgemeine Konsens unter den Händlern ist, dass Künstliche Intelligenz ist ein Voodoo-Wissenschaft, können Sie nicht einen Computer vorhersagen Aktienkurse und youre sicher, Ihr Geld zu verlieren, wenn Sie versuchen Es zu tun. Dennoch werden die gleichen Leute Ihnen sagen, dass nur über die einzige Möglichkeit, Geld an der Börse zu machen ist, zu bauen und zu verbessern auf Ihre eigene Trading-Strategie und folgen es eng (was nicht wirklich eine schlechte Idee ist). Die Idee der AI-Algorithmen ist nicht zu bauen Chip und lassen Sie ihn für Sie handeln, sondern um den Prozess der Erstellung von Strategien zu automatisieren. Es ist ein sehr langwieriger Prozess und auf keinen Fall ist es einfach :). Minimierung von Overfitting: Wie bereits erwähnt, ist ein grundlegendes Problem mit AI-Algorithmen eine Überformatierung (aka datamining bias): Wenn Sie einen Satz von Daten angeben, kann Ihr Algorithmus ein Muster finden, das für das Trainingsset besonders relevant ist. Aber es kann nicht relevant sein, in der Test-Set. Es gibt mehrere Möglichkeiten, das Overfitting zu minimieren: Verwenden Sie ein Validierungsset. Es gibt keine Rückmeldung an den Algorithmus, aber es erlaubt Ihnen zu erkennen, wann Ihr Algorithmus potenziell anfängt zu overfit (d. H. Sie können das Training beenden, wenn youre overfitting zu viel). Verwenden Sie Online-Maschine lernen. Es weitgehend eliminiert die Notwendigkeit für Back-Testing und es ist sehr anwendbar für Algorithmen, die versuchen, Marktvorhersagen zu machen. Ensemble Lernen. Bietet Ihnen eine Möglichkeit, mehrere Maschinen lernen Algorithmen und kombinieren ihre Vorhersagen. Die Annahme ist, dass verschiedene Algorithmen die Daten in einem bestimmten Bereich überschätzen können, aber die korrekte Kombination ihrer Vorhersagen wird eine bessere Vorhersagekraft haben. Zwei Aspekte des statistischen Lernens sind nützlich für den Handel 1. Zuerst die oben erwähnten: Einige statistische Methoden konzentrierten sich auf die Arbeit an Live-Datasets. Es bedeutet, dass Sie wissen, dass Sie nur eine Stichprobe von Daten beobachten und Sie extrapolieren möchten. Sie haben also mit in der Probe und aus der Probe Probleme, Überbeanspruchung und so weiter. Von diesem Gesichtspunkt aus, Data-Mining ist mehr auf tote Datasets konzentriert (dh Sie können sehen, fast alle Daten, haben Sie eine in Probe nur Problem) als statistische Lernen. Da es sich bei dem statistischen Lernen um die Arbeit am Live-Dataset handelt, mussten die angewandten mathematischen Methoden, die sich mit ihnen befassten, auf ein Zwei-Skalen-Problem fokussieren: links X ampamp Ftheta (Xn, xi) ampamp L (pi (Xn), n) Wobei X der (multidimensionale) Zustandsraum ist, um zu studieren (Sie haben darin Ihre erklärenden Variablen und die, die vorherzusagen sind), F enthält die Dynamik von X, die einige Parameter theta benötigen. Die Zufälligkeit von X kommt von der Innovation xi, die i. i.d. Das Ziel des statistischen Lernens besteht darin, eine Methodik L ith aufzubauen, die eine Teilbeobachtung pi von X aufnimmt und schrittweise eine Schätzung von thatsa von theta anpasst, so dass wir alles wissen werden, was auf X benötigt wird. Wenn Sie über die Verwendung von statistischem Lernen nachdenken Die Parameter einer linearen Regression. Können wir den Zustandsraum folgendermaßen modellieren: underbrace yx end right) left begin ein amp b amp 1 1 amp 0 amp 0 end rechter cdot underbrace x 1 epsilon end right), der es erlaubt, (n) an jedem n zu beobachten Hier theta (a, b). Dann müssen Sie einen Weg finden, um schrittweise eine Schätzung der Theta mit unseren Beobachtungen zu erstellen. Warum nicht ein Gradientabstieg auf den L2-Abstand zwischen y und der Regression: C (Hut a, Hut b) n sum (yk - (Hut a, xk Hut b)) 2 Hier ist gamma ein Gewichtungsschema. In der Regel eine schöne Art und Weise, um eine Schätzung zu erstellen, ist es, richtig schreiben die Kriterien zu minimieren und zu implementieren eine Gradientenabfahrt, die das Lernsystem L produzieren wird. Zurück zu unserem ursprünglichen generischen Problem. (X, hattheta) konvergieren, und wir müssen wissen, wie man Schätzschemata L baut, die gegen das ursprüngliche Theta konvergieren. Um Ihnen Hinweise auf solche mathematischen Ergebnisse zu geben, können wir nun auf den zweiten Aspekt des statistischen Lernens zurückgreifen, der für Quant-Trader / Strategen sehr interessant ist: 2. Die Ergebnisse, mit denen die Effizienz statistischer Lernmethoden nachgewiesen werden kann, Effizienz von Handelsalgorithmen. Um zu sehen, dass es genug ist, um wieder das gekoppelte dynamische System zu lesen, das es erlaubt, statistisches Lernen zu schreiben: links M ampamp Frho (Mn, xi) ampamp L (pi (Mn), n) Ende rechts. Nun sind M Marktvariablen, rho liegt PnL zugrunde, L ist eine Handelsstrategie. Ersetzen Sie einfach die Minimierung von Kriterien durch Maximierung der PnL. Siehe zB Optimaler Split von Aufträgen über Liquiditätspools: ein stochastischer Algorithmusansatz von: Gilles Pags, Sophie Laruelle, Charles-Albert Lehalle. In diesem Papier zeigen Autoren, wer diesen Ansatz zu verwenden, um optimal zu teilen eine Bestellung über verschiedene dunkle Pools gleichzeitig lernen die Fähigkeit der Pools zur Verfügung zu stellen Liquidität und Nutzung der Ergebnisse für den Handel. Die statistischen Lernwerkzeuge können verwendet werden, um iterative Handelsstrategien (die meisten von ihnen sind iterativ) zu bauen und ihre Effizienz zu beweisen. Die kurze und brutale Antwort ist: Sie nicht. Erstens, weil ML und Statistik ist nicht etwas, können Sie gut in ein oder zwei Jahren Befehl. Mein empfohlener Zeithorizont, um etwas Nicht-Triviales zu lernen, ist 10 Jahre. ML nicht ein Rezept, um Geld zu verdienen, sondern nur ein anderes Mittel, um die Realität zu beobachten. Zweitens, weil jeder gute Statistiker weiß, dass das Verständnis der Daten und der Problem-Domain ist 80 der Arbeit. Deshalb haben Sie Statistiker mit Schwerpunkt auf Physik Datenanalyse, auf Genomik, auf sabermetrics etc. Für den Datensatz, Jerome Friedman, Co-Autor von ESL zitiert oben ist ein Physiker und hat immer noch eine Höflichkeit Position bei SLAC. Also studiere Statistik und Finanzen für ein paar Jahre. Sei geduldig. Gehen Sie Ihren eigenen Weg. Die Laufleistung kann variieren. Ich stimme voll und ganz zu. Nur weil Sie wissen, Maschinen-Lernen und Statistiken, es bedeutet nicht, dass Sie wissen, wie man es für die Finanzierung anzuwenden. Ndash Auch eine wichtige Sache zu erinnern ist, dass Sie gewonnen werden, um gegen Menschen zu handeln, werden Sie gegen andere künstliche Intelligenz-Algorithmen, die Ihre Trades Haufen sind, und sind wütend Berechnung der Chancen, dass die Kollektive yous würde von einem hergestellten Rückgang ausgespuckt werden und diesen geringfügigen Verlust bei der Schaffung einer Spike / Dip und täuschen all jene AI39s in Stoppen, und dann Rolling das Dip zurück in sie und fahren die Welle, verdienen Ihre Verluste. Die Börse ist ein Nullsummenspiel, behandeln Sie es wie das Betreten eines Profiboxkampfes, wenn Sie aren39t ein 20-jähriger Veteran, you39re gehen, um ndash zu verlieren Eric Leschinski Eine grundlegende Anwendung ist die Vorhersage der finanziellen Notlage. Holen Sie sich ein paar Daten mit einigen Unternehmen, die ausgefallen sind, und andere, die havent, mit einer Vielzahl von finanziellen Informationen und Verhältnisse. Verwenden Sie eine Maschine Lernmethode wie SVM, um zu sehen, wenn Sie vorhersagen können, welche Unternehmen standardmäßig und welche nicht. Verwenden Sie diese SVM in der Zukunft zu kurzen High-Wahrscheinlichkeit Ausfall Unternehmen und lange low-Wahrscheinlichkeit Ausfall Unternehmen, mit dem Erlös aus dem Leerverkäufe. Es gibt ein Sprichwort quotPicking Pennies bis vor Dampf Rollersquot. Sie tun das Äquivalent des Verkaufs eines Out-of-the-money setzen. In diesem Fall werden Sie machen kleine Gewinne für Jahre, dann bekommen total gereinigt, wenn der Markt schmilzt alle 10 Jahre oder so. Es gibt auch eine gleichwertige Strategie, die Out-of-the-money Puts kauft: sie verlieren Geld für Jahre, dann machen eine Tötung, wenn der Markt schmilzt. Siehe Talab39s Der Schwarze Schwan. Ndash Contango Denken Sie daran, dass internationale Unternehmen haben Hunderte von Milliarden von Dollar und Mann Stunden auf die besten und hellsten künstliche Intelligenz Köpfe in den letzten 40 Jahren verbracht. I39ve gesprochen, um einige der Türme des Geistes verantwortlich für die Alphas über an der Zitadelle und Goldman Sachs, und die Hybris von Anfänger zu denken, sie können zusammen einen Algorithmus, der Zehe zu Fuß mit ihnen, und gewinnen wird, ist fast so dumm wie Ein Kind, das Ihnen sagt, dass er zum Mond springt. Viel Glück Kind, und achten Sie auf die Raum-Marsmenschen. Nicht zu sagen, neue Meister können nicht gemacht werden, aber die Chancen sind gegen Sie. Ndash Eric Leschinski 13. Februar um 2:00 Eine Möglichkeit lohnt sich zu erforschen ist, die Unterstützung Vektor Maschine Lern-Tool auf der Metatrader 5-Plattform zu verwenden. Erstens, wenn Sie nicht vertraut mit, Metatrader 5 ist eine Plattform für Benutzer entwickelt, um algorithmischen Handel in Forex-und CFD-Märkte (Im nicht sicher, ob die Plattform kann erweitert werden, um Aktien und andere Märkte). Es wird typischerweise für technikanalysebasierte Strategien verwendet (d. h. unter Verwendung von Indikatoren, die auf historischen Daten basieren) und wird von Personen verwendet, die ihren Handel automatisieren möchten. Das Support Vector Machine Learning Tool wurde von einer der Benutzergemeinschaften entwickelt, um die Unterstützung von Vektor-Maschinen auf technische Indikatoren anzuwenden und zu beraten. Eine kostenlose Demo-Version des Tools können Sie hier herunterladen, wenn Sie weiter untersuchen möchten. Wie ich es verstehe, verwendet das Tool historische Preisdaten zu beurteilen, ob hypothetische Trades in der Vergangenheit erfolgreich gewesen wäre. Es nimmt dann diese Daten zusammen mit den historischen Werten aus einer Anzahl von anpassbaren Indikatoren (MACD, Oszillatoren usw.) und verwendet diese, um eine Unterstützungsvektormaschine zu trainieren. Dann verwendet es die trainierte Unterstützungsvektormaschine, um zukünftiges buy / sell Trades zu signalisieren. Eine bessere Beschreibung finden Sie unter dem Link. Ich habe mit ein wenig mit einigen sehr interessante Ergebnisse gespielt, aber wie bei allen algorithmischen Trading-Strategien empfehle ich solide back / forward-Tests, bevor er es auf dem Live-Markt. Antwortete, aber trotz der Verwendung als ein beliebtes Beispiel in der maschinellen Lernen, niemand hat jemals eine Börsenvorhersage erreicht. Es funktioniert nicht aus mehreren Gründen (zufällig zu Fuß von Fama und ein paar andere, rationale Entscheidungsfindung falsch, falsche Annahmen.), Aber die zwingendste ist, dass wenn es funktionieren würde jemand in der Lage, wahnsinnig reich zu werden Innerhalb von Monaten, im Grunde Besitz der ganzen Welt. Da dies nicht geschieht (und Sie können sicher sein, alle Bank haben es versucht), haben wir gute Beweise, dass es einfach nicht funktioniert. Außerdem: Wie denken Sie, dass Sie erreichen, was Zehntausende von Profis haben, indem Sie die gleichen Methoden, die sie haben, sowie begrenzte Ressourcen und nur grundlegende Versionen ihrer Methoden zu beantworten, nur eine beiseite in Bezug auf Ihre Englisch: www. germnews. de/archive/dn/1997/11/25.html Grundsätzlich: Strategien haben Kapazitätsgrenzen, dh Ebenen, über die Ihre Marktwirkung das verfügbare Alpha übersteigen würde, auch wenn man davon ausgeht, dass Sie unbegrenztes Kapital hätten. I39m nicht sicher, was Sie mit einem quotstock Markt Vorhersagequot (Index-Futures ETF39s), aber sicherlich gibt es viele Menschen machen kurzfristige Vorhersagen, und profitieren von ihnen, jeden Tag in den Märkten. Ndash afekz Ich echo viel von dem, was Shane schrieb. Neben dem Lesen von ESL, würde ich vorschlagen, eine noch grundlegende Studie der Statistik zuerst. Darüber hinaus sind die Probleme, die ich in einer anderen Frage zu diesem Austausch skizzierte, von großer Bedeutung. Insbesondere ist das Problem der Datamining-Bias eine ernsthafte Hürde für jede maschinenbasierte Strategie.