Избранное трейдера will
После рассмотрения основ машинного обучения в первой части, мы перейдем к примеру использования наивного байесовского классификатора для предсказания направления движения цены акций Apple. Сначала разберем основные принципы работы наивного байесовского классификатора, затем создадим простой пример использования дня недели для предсказания направления цены закрытия — выше или ниже текущей, а в окончании построим более сложную модель, включающую технические индикаторы.
Что представляет собой наивный байесовский классификатор (НБК)?
НБК старается найти вероятность события А при условии, что событие В уже произошло, обзначаемую как Р(А|B) (вероятность А при условии В).
В нашем случае, мы должны спросить: какова вероятность того, что цена возрастет, при условии, что сегодня — среда? НБК берет во внимание обе вероятности — общую вероятность роста цены, то есть число дней, когда цена закрытия была выше цены открытия относительно всех рассматриваемых дней, и вероятность роста цены при условии, что сегодня среда, то есть сколько прошедших сред имело цену закрытия выше цены открытия?
В последнее время приобретают все большую популярность алгоритмы машинного обучения. Они применяются для решения задачи классификации входных данных, или, проще говоря, выявления паттернов в структуре этих данных. Небольшой цикл статей про машинное обучение опубликован на сайте inovancetech.com, здесь я представляю их перевод.
В этой серии статей мы рассмотрим построение и тестирование простой стратегии машинного обучения. В первой части отметим основные принципы машинного обучения и их применение к финансовым рынкам.
Машинное обучение становится одной из самых многообещающих областей в алгоритмической торговле за последние два года, но имеет репутацию слишком сложного математического подхода. В действительности это не столь трудно в практическом применении.
Цель машинного обучения (МО) в том, чтобы правильно смоделировать исторические данные, и затем использовать эту модель в предсказании будущего. В алгоритмической торговле применяется два типа МО:
Заблуждение первое: «Акционер – собственник доли имущества акционерного общества».
Ничего подобного. Собственность в ее нормальном понимании, а не в новомодных «теориях» — это три «кита»:
— владение;
— пользование;
— распоряжение.
Вот Вы купили акций и по отношению к чему Вы получили такие права? К станку, прилавку, «трубе» или помещению? Ни к чему из перечисленного. Вы получили такие права только по отношению к акциям, т. е. Вы собственник акций, а не имущества.
А что дает акция? Только право участия в собрании акционеров и голосования по вопросам, отнесенным уставом обществам к решениям данного собрания. Т. е. Вы стали собственником этого права и не более того. Как минимум нормальное законодательство обязует общество относить к правам собрания акционеров, утверждение устава общества, назначение размеров дивидендов, как части чистой прибыли и выбор совета директоров и(или) исполнительных органов власти общества, если уставом общества совет директоров не предусмотрен. По каким еще вопросам Вы приобрели право голосования? Это уже зависит от устава конкретного общества.
Окончание цикла статей. Начало и другие алгоритмы биржевой торговли смотрите в моем блоге и на сайте.
В прошлой части мы продемонстрировали обучение модели Маркова на данных, полученных с помощью симуляции. В данной статье рассмотрим производительность модели на реальных данных. Будем тестировать трендследящую стратегию на индексе S&P500.
В большинстве задач с использованием машинного обучения требуются обучающие данные с разметкой классов (состояний). В нашем случае такой разметки нет, поэтому сначала сгенерируем классы для обучающей выборки.
Мы хотим создать трендследящую стратегию, поэтому должны выбрать участки на выборке цен S&P500, которые соответствуют восходящему и нисходящему трендам ( также можно отметить участки, где тренды отсутствуют). Можно это сделать вручную, а можно применить программу, которая автоматически расставит метки в соответствии с вашими определениями тренда.
Сделаем ряд, на мой взгляд, естественных предположений о множестве всех трейдеров:
• Факторы, на которых основаны действия любого трейдера, случайны, т. е. их конкретные значения не могут быть предсказаны точно ДО их появления;
• Каждый тик является действием двух или нескольких трейдеров: трейдера, решившего купить по оферам или продать по бидам и трейдера (-ов), поставивших эти биды (офера);
• Два трейдера, пользующиеся полностью одинаковыми методами принятия решения – редкость;
• Группы трейдеров, использующих «близкие» методы принятия решения, представляют собой о-малое (как по количеству, так и по объему средств) от корня из общего числа трейдеров и их объемов средств;
В последние полгода вновь пошла «волна» разговоров о сильной зависимости российской экономики от цен на нефть. Безусловно, такая зависимость есть, но 100%-на ли она? Сделаем, в общем, логичное предположение, что месячный график фондового индекса отражает ситуацию в экономике, по крайней мере, ее формальные официальные показатели и с некоторым временным лагом. Что получим?
Итак, первый период от победы Ельцина на непростых выборах 1996-го года до девальвации.
Что мы видим в части этой зависимости? Только то, что в условиях
— относительно низких, но стабильных ценах на нефть с конца 1997-го;
— «коридорного» курса рубля;
ситуация ухудшалась и ухудшалась («цены все привлекательнее и привлекательнее» © А. Гальперин).
Совсем другая картина наблюдается после девальвации