Queremos predecir la dirección hacia la que el precio va a cambiar. En este trabajo, el plazo de los precios se utiliza para referirse a la mitad de precio de un de valores, que se define como la media entre el mejor precio de compra y mejor precio de venta en vez de $t$: $$p_t = \frac{p_a^{(1)}(t)+p_b^{(1)}(t)}{2}$$
Este es un valor virtual para que el precio ya que el orden no puede suceder en que precio exacto, pero la predicción de su movimiento hacia arriba o hacia abajo proporciona una buena estimación del precio de los pedidos futuros. Un conjunto de discretas las opciones deben ser construido a partir de nuestros datos a utilizar como objetivos para nuestro modelo de clasificación. Simplemente usando $p_t > p_{t+k}$ a determinar la dirección de la media de precios de introducir inmanejable cantidad de ruido, desde el más pequeño cambio podría ser registrado como un hacia arriba o hacia abajo el movimiento.
ligeramente diferente de la anterior. Por lo tanto, en el corto plazo los cambios entre los precios que son muy pequeñas y ruidosas. Con el fin de filtro de ruido desde que se extrae de las etiquetas se utiliza la siguiente alisado enfoque. En primer lugar, la media de los anteriores $k$ mediados de los precios, que se denota por $m_b$, y la media de los siguientes $k$ mediados de los precios, que se denota por $m_a$, se define como: $$m_a(t) = \frac{1}{k} \sum_{i=1}^{k} p_{t-i}$$ $$m_b(t) = \sum_{i=0}^{k} p_{t+i}$$
donde $p_t$ es la media de precios como se describe en la Ecuación (2). A continuación, un etiqueta de $l_t$ que expresa la dirección del movimiento del precio en el tiempo $t$ se extrae mediante la comparación de los previamente definidos cantidades ($m_b$ y $m_a$):
$$ l_t = \begin{casos} 1, & m_b(t) > m_a(t) (1+α)\\ -1, & m_b(t) < m_a(t) (1-α) \\ 0, & \text{en caso contrario} \end{casos} $$
donde el umbral de $α$ se establece como la menos cantidad de cambio en el precio que debe ocurrir para que éste sea considerado hacia arriba o hacia abajo. Si el precio no exceda de este límite, la muestra se considera pertenecen a la estacionario de la clase. Por lo tanto, la resultante de la etiqueta expresa la tendencia actual nos desea predecir. Tenga en cuenta que este proceso se aplica para cada paso de tiempo, en nuestros datos.
Pronóstico de los Precios de las Acciones de la Orden de Límite Libro a través de Convolucional Redes Neuronales (enlace)
El texto anterior se explica un sistema de etiquetado de la estrategia para la negociación de alta frecuencia. En mi caso, me gustaría hacer de media frecuencia de trading usando una profunda recurrente de la red neuronal y que el etiquetado de la estrategia. Por MFT, me refiero a que la frecuencia de negociación es aproximadamente la misma que la frecuencia de negociación normal de un comerciante.
Estoy buscando una estrategia que está adaptado para que tipo de frecuencia. Tengo algunos conocidos estrategias de ejemplo, pero no sé cuál podría ser un buen comienzo.
- Para el flujo de predicción de HFT estrategias
- Ejecución de Estrategias de HFT
- La liquidez de Aprovisionamiento del Mercado de las estrategias de toma
- Automatizado de HFT Arbitraje estrategias
Fuente : https://www.quantinsti.com/blog/automated-market-making-overview/
Lo que podría ser una buena estrategia comercial para este tipo de frecuencias?
Respuesta
¿Demasiados anuncios?
La máquina de aprendizaje podrían integrarse en cualquiera de estas estrategias.
Para el flujo de predicción de estrategias sería la "más fácil" de estos ejemplos, específicamente para la integración de las redes neuronales y el aprendizaje de máquina. El método más ampliamente utilizado de la IA en este campo es el de regresión, aquí están algunos ejemplos de ello en el campo de alta frecuencia con LOB predicción. La regresión logística puede ser utilizado para predecir el precio de los saltos que se producen en un banco de comercio de base. El más prometedor método y uno que me interesa bastante es la integración de autorregresivo integrado de media móvil (ARIMA) con los modelos de regresión de vectores soporte (SVR). Ver: Un híbrido ARIMA y máquinas de soporte vectorial modelo en previsión del precio de acciones
El uso de redes neuronales y otras técnicas de aprendizaje de máquina puede ser pensado desde el punto de vista de la optimización o mejora. Tan lejos como la aplicación de la convolucional redes neuronales va, la mayoría de las aplicaciones tienen que ver con las imágenes visuales de análisis. Sin embargo, otros tipos de profundidad de las estrategias de aprendizaje están siendo investigados y utilizados en estrategias de trading cuantitativas.
Volviendo a los modelos ARIMA y de aprendizaje de la máquina, generalmente las series de tiempo modelos de pronóstico, tales como los ARIMA tiene un tiempo difícil tratar con no lineal de los datos. Sin embargo, la máquina de soporte vectorial (SVM) redes neuronales no! Ellos son grandes para tratar de no regresión lineal problemas. Que es donde creo que usted debe basar su estrategia como parece prometedor y un poco más robusto que el de otras aplicaciones de la máquina de aprendizaje en este campo.
Sólo la lectura de la quantinsti blog...
HFT para el flujo de predicción de las estrategias de intentar predecir las órdenes de grandes jugadores de antemano por diversos medios, a continuación, tomar posiciones por delante de ellos y, a continuación, bloquee en los beneficios como resultado de la posterior impacto en el precio de las operaciones de estos grandes jugadores.
La integración de la máquina de aprendizaje en este tipo de actividad también es posible. Usted puede entrenar las redes neuronales para predecir cuando "ballena" órdenes de ballena ser colocado y participar de manera efectiva en un poco de frente en ejecución.
Cada uno de estos HFT estrategias que podemos atravesar, sino que simplemente se hace evidente que la integración de la máquina de aprendizaje y AI métodos en estrategias de negociación es relativamente trivial. AI es una palabra de moda, especialmente en Wall Street.
