Gépi tanulási algoritmusok tőzsdei kereskedéshez

gépi tanulási algoritmusok tőzsdei kereskedéshez

Kutatásomban ezért azt vizsgálom, hogy a különböző adatbányászati modellek mennyire használhatóak az aktív portfóliókezelésben, gépi tanulási algoritmusok tőzsdei kereskedéshez kitérve a zajszűrő és hibrid módszerek alkalmazhatóságára.

Járai Máté: „Lekötöztük a szexrabszolgáinkat”

Célom az volt, hogy olyan árfolyam-előrejelzésen alapuló kereskedési stratégiát mutassak be, amely tranzakciós költségek mellett is eredményes lehet. A különböző adatbányászati módszerek előrejelző képességét az OTP záróárfolyamának idősorán teszteltem.

A piacot egyelőre a gépek sem verik meg

Journal of Economic Literature JEL kódok: C45, G4, G7 Kulcsszavak: tőzsdei idősorok előrejelzése, kereskedési stratégia, neurális háló, független komponenselemzés, empirikus dekompozíció, adatbányászati modellek Bevezetés A tőzsdei idősorok alakulása már évtizedek óta a befektetők figyelmének középpontjában áll, és próbálják különféle módszerekkel előrejelezni azt.

A nagy érdeklődésre való tekintettel akadémiai körökben is egyre több kutatás kezdett el foglalkozni az idősorok előrejelzésének lehetőségeivel. Ezúton szeretnék köszönetet mondani Ferenczi Tamásnak, aki segített a releváns szakirodalom feldolgozásában és megértésében.

  1. A dubai olajkereskedelmi vállalatok listája
  2. Hogyan kezdjünk kriptovaluta kereskedést

Szintén köszönettel tartozom Hans Zoltánnak, Szoboszlai Mihálynak és Márkus Balázsnak, akik hasznos tanácsokkal láttak el a kutatási eredményeim megfogalmazása során. A tanulmány eredeti, egy hosszabb változata a Budapesti Értéktőzsde által szervezett X.

Kochmeister-díj pályázatán első díjat ért el májusában. Először az egyik legnépszerűbb, a neurális háló különböző fajtáit alkalmazták a statisztikai módszerekhez képest nagy haszonnal. Mivel az előrejelzési pontosság kicsi javítása is akár hatalmas többletprofitot eredményezhet, ezért mind a befektetői, mind az akadémiai körökben egyre népszerűbbé vált a különböző hálózatok közül a legoptimálisabb megkeresése, annak megfelelő parametrizálása.

gépi tanulási algoritmusok tőzsdei kereskedéshez keressen pénzt napi bitcoinnal

Idővel azonban a nagy siker és a széles körű alkalmazás miatt mint minden előrejelzésre épített stratégia, ha sokan kezdik el használni egyszerre az erre épített befektetési döntések átlagon felüli profitszerzési lehetősége is egyre csökkent.

Ugyanakkor ez nem jelentette azt, hogy a befektetési döntéshozók, illetve a kutatók ezután elfordultak volna ezektől a módszerektől.

Algoritmus a kereskedéshez. A tőzsdei robotokról | alapblog

Éppen ellenkezőleg, egyre több energiát fektettek a műszaki élet egyéb területein már sikerrel használt módszerek idősor-előrejelzésre való átültetésébe. Emellett elterjedt a többlépcsős hibrid módszerek alkalmazása és az egyes előrejelzések kombinálása is. Mára már rengeteg módszert és modellt fejlesztettek ki, és a tőzsdei idősor-előrejelzésen alapuló stratégia a legnépszerűbbek közé tartozik. Ezek alkalmazása ugyanakkor komoly kihívás is, mivel a hatékony előrejelzéshez szükséges a különböző modellek előnyeinek és hátrányainak ismerete.

Kutatásomban ezért bemutatom a legismertebb, aktív portfóliókezelésre alkalmas adatbányászati módszereket, azok előnyeit és hátrányait, melyiket mikor és milyen formában kriptovaluta opciós kereskedés alkalmazni; illetve kitérek arra is, hogy melyek a jelentősebb kutatási irányok napjainkban.

Célom az volt, hogy a teljes folyamatot bemutassam az előre jelezni kívánt részvényárfolyam kiválasztásától cikkemben az OTP napi záróárfolyamai a szükséges inputváltozók és a használható adatbányászati módszerek definiálásán át egészen a kereskedés megvalósításáig, mintegy útikönyvet adva ezzel az olvasó kezébe az előrejelzésen alapuló aktív portfóliókezeléshez.

gépi tanulási algoritmusok tőzsdei kereskedéshez mennyi pénzt kereshetsz a youtube-on 2020-ban

A tőzsdei idősorok jellemzői, előrejelzési módszerei, nehézségei A pénzügyi idősorok előrejelzését nagyban nehezíti, hogy ezek általában zajosak, nemstacionáriusak, nemlineárisak és kaotikusak, továbbá gyakran fordul elő bennük strukturális törés is Hall, ; Li et al.

Ezek a módszerek akkor adnak jó előrejelzési eredményeket, ha a pénzügyi idősorok lineárisak vagy közel lineárisak, a való életben azonban gépi tanulási algoritmusok tőzsdei kereskedéshez ez a jellemző. Emellett a hagyományos statisztikai módszerek nagy mennyiségű historikus adatot követelnek, és a jó előrejelzési eredményhez emellett megkövetelik azt is, hogy ezek eloszlása normális legyen Cheng és Wei, Ezeket a feltételezéseket küszöbölik ki az adatbányászati módszerek, amelyek jobban képesek modellezni az idősorok nemlineáris struktúráját.

Idesoroljuk a neurális hálók mellett a tartóvektorgépeket Support Vector Machines SVM és a döntési fák különböző fajtáit is.

Mire használható a megerősítő tanulás?

Ezek az adatvezérelt és nemparametrikus módszerek ismeretlen kapcsolatokat is képesek feltárni és kezelni az empirikus adatok között, így hatékonyabban előre jelezhetik a bonyolult és nemlineáris tőzsdei adatok változását Chen et al. Az elmúlt években megjelenő, egyre több adatbányászati cikk és alkalmazás is azt mutatja, hogy ezek az alkalmazások versenyképesek, és jelentős előnyöket mutatnak fel a hagyományos módszerekhez képest Lu et al.

Mivel azonban minden adatbányászati módszernek vannak hátrányai, emiatt akadémiai körökben egyre népszerűbb az egyes adatbányászati technikák keresztezése hibridálása. Az alapötlet az, hogy a hibrid módszerek kiküszöbölik az egyedi módszerek hátrányait, és szinergiát alkotva, javítják az előrejelzések pontosságát.

A módszernek alapvetően három különböző fajtája van. Az első a divide and conquer oszd meg és uralkodj elven alapszik, aminek az a lényege, hogy komplex problémák esetén érdemes lehet több kisebb problémára felosztani a kérdést, hogyan lehet extra pénzt keresni otthonról Ausztráliából külön-külön megoldani azokat.

Mi az előrejelzés a megerősítő tanulásban?

A második esetben megpróbáljuk kiszűrni a modellek input változóiból a zajt, így elősegítve, hogy pontosabb eredményt kapjunk. Erre leggyakrabban a függetlenkomponens-analízist Independent Component Analysis ICA használják, amely azon elven alapu, hogy az input változókból független komponenseket létrehozva IC-k megállapítható, hogy melyik komponens tartalmazza a zajt, és azt eltávolítva, növelni tudjuk az előrejelzés pontosságát Lu et al.

A harmadik módszer pedig a különböző adatbányászati modellek előrejelzéseinek kombinálása az egyszerű aggregálástól kezdve a bayesi átlagoláson át a Lasso-regresszióig. A kombinálási módszerek azon alapulnak, hogy az egyes módszerek együttes figyelembevételével az előrejelzés varianciája csökkenthető Sermpinis et al.

gépi tanulási algoritmusok tőzsdei kereskedéshez bróker kriptokereskedelemmel

Egy tőzsdei előrejelzésen alapuló, aktív portfóliókezelő stratégia megalkotása során tehát a következő kihívásokkal, nehézségekkel kell szembenézni: 4 Hitelintézeti szemle.

A teljes folyamatot, beleértve az adatok előkészítését, transzformálását és a kereskedést az. Az adatbányászati modell felépítésének folyamata Zajszűrés és hibrid módszerek Ahhoz, hogy pontos előrejelzést tudjunk készíteni, gépi tanulási algoritmusok tőzsdei kereskedéshez, hogy a részvények árfolyammozgása mögötti látens változókat megtaláljuk, és felhasználjuk a modellezés során.

Az ilyen problémák megoldására a mérnöki gyakorlatban már elterjedt módszer, a függetlenkomponens-elemzés alkalmazható. Ez az eljárás képes arra, hogy feltárja az adatsorok változását befolyásoló, rejtett komponenseket, és ezeket különválassza egymástól, méghozzá úgy, hogy azok a lehető legkevésbé függjenek egymástól, és lineáris kombinációjukból felírhatóak legyenek az eredeti adatsorok Kapelner és Madarász, A módszert gyakran használják a műszaki életben jelfeldolgozásra Beckmann és Smith,arcfelismerő rendszereknél zajszűrésre Déniz et al.

gépi tanulási algoritmusok tőzsdei kereskedéshez tastyworks bináris opciók

Oja et al. Egy kicsit más szempontból közelíti meg a zajszűrést az EMD dekompozíciós eljárás, amely nem az input változókból próbálja kiszűrni a zajt, hanem magából az eredeti idősorból. Az empirikus dekompozíció lényege a korábban említett divide and conquer elv.

  • Bitcoin kereskedési titkok
  • Autotrader kereskedés értékben
  • Használható-e a megerősítő tanulás előrejelzésre?
  • Blog Egyre inkább beférkőzik a mindennapjainkba a mesterséges intelligencia artificial intelligence, AIez már nem csak egy sci-fi filmekben emlegetett jövőbeli technológia, hanem a jelen.

Az eljárást Huang et al. Ez az eredeti idősort véges gépi tanulási algoritmusok tőzsdei kereskedéshez IMF-ekre bontja fel, amelyek könnyebben kezelhetők és erősen korreláltak, így könnyebb egyesével előre jelezni őket, majd ezeket aggregálva, megkapni az eredeti idősor előrejelzését Cheng és Wei, Ezt a módszert gyakran használják földrengésjelek dekompozíciójára Vincent et al.

Kutatásomban emiatt az ICA mellett ezt a módszert kombináltam egy adatbányászati modellel Lehetséges adatbányászati módszerek Az adatbányászati módszerek közül a pénzügyi idősorok előrejelzésére a legelterjedtebbnek és legnépszerűbbnek a különböző neurális hálózatok számítanak Cao és Parry, ; Chang et al.

Ezek az adatvezérelt, nemparametrikus módszerek nem követelnek erős modellfeltevéseket, sem előzetes statisztikai feltételezéseket az input adatokról, továbbá bármilyen nemlineáris függvényt képesek modellezni Vellido et al. Atsalakis és Valavanis közel száz tanulmányt feldolgozó cikkében rámutat, hogy a különböző neurális hálózatok közül az előrecsatolt feed forward neural network FFNN és a rekurrens recurrent neural networks RNN hálókat alkalmazzák a leggyakrabban a kutatók a pénzügyi idősorok előrejelzésére.

Előrecsatolt neurális hálók közül a hiba-visszaterjesztéses back-propagation neural network BPNmíg rekurrens hálók közül az Elman- és a Jordan-hálók a legnépszerűbbek. További megoldás lehet pénzügyi idősorok előrejelzésére tartóvektorgépek, döntési fák, genetikus algoritmusok használta is. A módszerek nagy kereskedő bitcoin készpénz miatt nagyon időigényes lehet megtalálni, hogy egyes idősorok esetén melyik a leghatékonyabb megoldás; illetve, ahogy láttuk, mindegyiknek van előnye és hátránya is, ezért gyakran használnak többet a modellezés során, majd kombinálják ezek eredményeit.

Mivel egy rejtett réteggel ren- gépi tanulási algoritmusok tőzsdei kereskedéshez 6 Hitelintézeti szemle delkező, előrecsatolt neurális háló bármilyen komplex problémát tud modellezni Chauvin és Rumelhart,ezért én is ezt használtam a kutatásomban Adatbányászati módszerek kombinálása Az idősor-előrejelzés irodalmának egyik legérdekesebb kérdése az, hogyan kombináljunk különböző előrejelzési technikákat.

Több kutató gépi tanulási algoritmusok tőzsdei kereskedéshez rámutatott, hogy a különböző technikákat főleg rövid távú előrejelzés esetén érdemes kombinálni, ami azért előnyös, mert kiküszöböli az egyes módszerek hiányosságait Zhang és Wu, ; Armstrong, Habár Timmermann tanulmányában rámutatott, hogy egy egyszerű átlagolás is felveheti a versenyt a szofisztikáltabb technikákkal, azonban vannak olyan esetek, amikor az egyik módszer jóval pontosabb, mint a többi, így az átlagolás nem elég hatékony.

Granger és Ramathan a regressziós technikát ajánlotta biztató eredményekkel, míg Swanson és Zeng a bayesi átlagolást. Szinte minden szerző azt az állítást fogalmazta meg, hogy a különböző előrejelzési módszerek kombinálása szükséges; arról azonban nem született egyezség, hogy mikor melyiket érdemes használni, így elemzésemben többet is alkalmaztam.

A tanulmányban alkalmazott módszerek bemutatása Függetlenkomponens-elemzés Ha az adatbányászati modelleket úgy tanítjuk, hogy nem vesszük figyelembe azok lehetséges zajtartalmát, akkor az ronthatja az általánosítás gépi tanulási algoritmusok tőzsdei kereskedéshez a teszthalmazon, illetve túltanuláshoz vezethet.

milyen területeken van jelen az AI a pénzügyekben?

Az input adatok zajszűrése ezért kiemelt feladat a modellezés során, amit én függetlenkomponens-elemzéssel fogok megoldani. Most ennek elméleti hátterét mutatom be. Az s i vektorok azok a látens adatok, amelyeket nem tudunk közvetlenül megfigyelni a kevert x i adatokból, de utóbbiak ezen látens adatok lineáris kombinációjaként írhatóak fel Dai et al.

Függetlenkomponens-elemzés során egy optimalizációs problémát oldunk meg úgy, hogy megválasztjuk a független komponensek statisztikai függetlenségének egy objektív függvényét, és optimalizációs eljárásokkal megkeressük a W mátrixot Lu et al.

Rizikó is van benne azért

Minden egyes IMF-nek két feltételt kell kielégítenie: egyrészt a lokális minimumok és maximumok össz-számának és a függvény nullhelyei számának különbsége maximum egy lehet, másrészt a lokális átlagnak nullának kell lennie Cheng és Wei, Ez az algoritmus a következő:.

Határozzuk meg az összes lokális minimumát és maximumát x t -nek. Határozzuk meg az alsó x u t és felső x l t burkolóját x t -nek.

Miután megkaptuk az első IMF-et, ugyanezt az iterációs algoritmust folytatjuk addig, amíg meg nem kapjuk a végső idősort, a reziduális komponenst r tami egy monoton függvény, és azt jelzi, hogy le kell állítanunk az algoritmust Huang et al.

mesterséges intelligencia, robotok, pénzügyek - vállalati pénzügyek - néhány percben, kávé mellé

A kapott IMF-ek közel ortogonálisak egymásra, és nulla közeli az átlaguk Yu et al. Ezt a folyamatot mutatja be a 2. Ezt a hibrid módszert mutatja be a 3. Empirikus elemzés Adatok és teljesítménykritériumok Kutatásomban a Budapesti Értéktőzsdén forgalmazott OTP-részvény záró árfolyamának előrejelzése alapján valósítottam meg kereskedési stratégiákat, és vizsgált időszaknak a és közötti weboldal a bitcoin kereskedéshez választottam.

Az árfolyam alakulását a 4. A modellezéshez 8 technikai indikátort választottam, amelyeket széles körben alkalmaznak sok sikerrel, többek között Kara et al. Az indikátorok vizsgált időszakbeli statisztikai tulajdonságait az. A különböző módszerek előrejelzési eredményei Kutatásom empirikus részében három adatbányászati modellt alkalmaztam, mivel azonban mindegyik esetén az algoritmusok gyors konvergenciájához szükséges, hogy az inputadatok normalizálva legyenek, ezért első lépésként ezzel kezdtem a modellezést.

Lásd még