Aprendizaje automático para construir los 3 mejores escenarios de precios en n días

Question

Tengo una serie temporal de precios de cierre de una acción determinada. Me gustaría formular posibles escenarios futuros para el precio.

Mi intención no es utilizar estos escenarios "probables" para tomar alguna posición. Sólo quiero tener 3 posibles escenarios que de alguna manera son probables si la historia se repite. Mi objetivo es utilizar estos escenarios en una especie de plan de batalla para prepararme en términos de ajustes comerciales si estos escenarios (o similares) van a ocurrir realmente.

Quiero probar un enfoque basado en el historial: dada la dinámica reciente de los precios, quiero encontrar los patrones futuros más probables basados en lo que ocurrió en el pasado. Por ejemplo, supongamos que la mayoría de las veces en el pasado después de 3 días de movimientos a la baja el precio se ha movido hacia arriba. Si ahora estamos en el tercer día de movimiento a la baja, podría considerar que un movimiento al alza mañana es el escenario más probable.

He visto que el aprendizaje automático debería hacer algo así, pero tengo conocimientos muy limitados en este campo. ¿Existe alguna biblioteca/herramienta que pueda utilizar para hacer fácilmente lo que quiero hacer? Estoy familiarizado con R, MATLAB y C#/VB así que preferiría trabajar con estos lenguajes si es posible.

Sólo para añadir claridad: como se ha dicho, quiero formular escenarios futuros, así que lo que realmente necesito no es sólo el patrón futuro más probable, sino también otros patrones en nivel de probabilidad decreciente. En otras palabras, me gustaría tener, por ejemplo, las 3 trayectorias de precios más probables que podrían ocurrir en los siguientes n días. Así que la máquina debería extraer estas previsiones aprendiendo de la dinámica de precios del pasado. ¿Es algo factible? Gracias.

Answer 1

El aprendizaje automático es un campo muy amplio. La mayoría de las veces se utiliza para tareas de clasificación o regresión cuando se tienen datos etiquetados para entrenar el modelo. Por ejemplo, se muestran miles de imágenes etiquetadas con una manzana y el ordenador "aprende" qué conjunto de características da una alta probabilidad de que la imagen contenga una manzana (por ejemplo, redonda, roja, etc.). En este caso, los escenarios del día siguiente son las etiquetas. En primer lugar, hay que etiquetar todos los datos históricos con los posibles escenarios (día de ruptura, día de ruptura fallida, día de rango, día de volatilidad, día de reversión, día aburrido, etc., lo que sea). Una vez que tengas las etiquetas puedes elegir el modelo que prefieras (probablemente los árboles de decisión o los bosques aleatorios son los mejores para esto) y darle algunas características (última apertura/cierre, media móvil, tipo de último día, etc.) y entrenarlo (sólo tienes que buscar algún tutorial sobre cómo hacerlo con, por ejemplo, R, no debería ser muy difícil). ¿Suena fácil? No tanto. "Darle algunas características" es en realidad la parte más crucial. Debes tener algunas ideas sobre cómo predecir el día siguiente y qué características son importantes. Si sólo le das el precio de cierre, el modelo no aprenderá nada porque nadie puede hacer eso. Las características que proporcione DEBEN tener algún poder predictivo para ello. Por eso existe el teorema de "no hay almuerzo gratis": debes conocer tu dominio si quieres entrenar una máquina. Por lo tanto, a partir de tu propia pregunta "dada la reciente dinámica de los precios" es crucial - debes ser capaz de predecir el próximo día por ti mismo para que puedas encontrar algunas características para el modelo que tengan un poder predictivo real para que el modelo pueda aprender. Una vez que haya etiquetado los datos y seleccionado las características, debería entrenar el modelo no con todos los datos históricos, sino sólo con una parte de ellos, y utilizar la otra parte para validar el funcionamiento del modelo. Si el modelo se ajusta en exceso o en defecto, vuelva a la selección de características. Haga esto hasta que esté satisfecho con los resultados. Otro enfoque podría ser la simulación del mercado. Intentar adivinar la microestructura del mercado y simular los posibles resultados. Algo así: https://intelligentjava.wordpress.com/2014/09/16/stock-market-simulation-with-cellular-automaton/