😣 🐄 👨🏿‍🚒 تبادل البروج: ما الخوارزميات والأدوات المستخدمة للتنبؤ بحركة أسعار الأسهم 🎅🏻 👨‍🚒 💙

سنتحدث اليوم عن أدوات التحليل الفني التي يتم استخدامها للتنبؤ بسلوك مؤشرات الأسهم. لم تكن مهمتنا أن نجمع ونصف بالتفصيل جميع الأساليب التكنولوجية للتنبؤ بالأسعار في أسواق الأسهم. لكل منهم يمكنك العثور على معلومات مفصلة للغاية في مدونتنا. لكن ورقة الغش الصغيرة ستكون مفيدة جدًا.

لا يمكن إنشاء استراتيجية تبادل فعالة حقًا إلا باستخدام معظم الأدوات الموجودة في المجمع. علاوة على ذلك ، تتضمن الاستراتيجية نفسها عدة مراحل ، بما في ذلك جمع البيانات ومعالجتها ، وبناء خوارزمية ، وتصحيح الأخطاء والتدقيق في الوقت الفعلي. ولكل منها طرق مختلفة ونماذج رياضية يمكن تطبيقها.

نماذج تنبؤات الأسعار الرياضية

وصل حجم التداول الخوارزمي في البورصات الكبيرة اليوم ، وفقًا لبعض التقارير ، إلى 70٪. علاوة على ذلك ، لا يقتصر الأمر على مجرد التقدم على المنافسين في المعاملة ، ولكن أيضًا القدرة على التنبؤ بحركة الأسعار. يمكن القيام بذلك ، على سبيل المثال ، باستخدام صيغة رياضية تأخذ في الاعتبار السيولة الكامنة في السوق لسيولة معينة من أوامر البيع والشراء. قد يشير "استنفاد" طلب الشراء أو البيع إلى حركة سعرية وشيكة.

يحدث التغيير عند اختفاء جميع أوامر الشراء أو البيع عند أحد مستويات الأسعار ووجود مستويات سعر العرض والطلب التالية.

الصورة

في واحدة من موادنا السابقةاعتبرنا صيغة تسمح لنا بحساب احتمالية استنفاد قائمة انتظار طلبات العطاء في وقت أبكر من قائمة انتظار طلبات العطاء.

الصورة

كانت صيغة حساب احتمالية زيادة السعر كما يلي:

الصورة

حيث H هي السيولة الخفية للسوق ، أي المعاملات غير المعروفة لعامة الناس (على سبيل المثال ، معاملات المؤسسات المالية الكبيرة التي تتم خارج البورصات).

إجراء التحليل نفسه على النحو التالي:

بادئ ذي بدء ، يتم تقسيم البيانات التي تم جمعها حسب التبادل ، ويتم تحليل يوم تداول واحد في كل مرة.
يتم ترتيب عروض أسعار العرض والطلب في Deciles (). يتم احتساب وتيرة زيادة الأسعار لكل مجموعة.
يتم حساب عدد التكرارات لكل كمية.
يتم تحليل مراسلات النموذج باستخدام طريقة المربعات الصغرى .

يجب أن تكون على دراية واضحة بأن مؤشرات الأسهم ، بالإضافة إلى العوامل الاقتصادية البحتة ، تتأثر بالكثير من الأشياء الدخيلة. لذلك ، سيكون من الصعب للغاية إنشاء النموذج الرياضي لمثل هذه السلسلة غير الخطية وغير المتوقعة. ولكن استخدامه كأساس لاستراتيجيات أكثر تعقيدًا أمر ممكن تمامًا.

التعلم الآلي والبيانات الضخمة

ربما يكون التعلم الآلي أكثر المجالات المطلوبة والواعدة للحسابات المالية المعقدة. في هذا بلوق، وقال انه، وأيضا، بشكل عام، والعمل مع البيانات الكبيرة، المكرسة لسلسلة من المواد (كتبنا عن ذلك، على سبيل المثال، هنا و هنا ).

تتكون عملية تعلُّم الآلة نفسها من عدة خطوات: من اختيار الأدوات الرياضية والبرمجيات ، وجمع بيانات الإدخال ، إلى وضع التوقعات والاختبار. أسهل طريقة هي إنشاء نموذج باستخدام التعلم الآلي استنادًا إلى البيانات التاريخية ، واختباره ثم تطبيقه لإنشاء توقعات لتحركات الأسعار المستقبلية.

أسهل طريقة لفهم كيفية عمل هذا النموذج هي بمثال محدد. هنا في هذه المقالة ، بالتفصيل الكافي ، تصف خطوة بخطوة التجربة الناجحة لاستخدام استراتيجيات التعلم الآلي.

ينطوي النموذج على إنشاء إطار محاكاة التداول الذي يجب أن يعيد إنشاء سلوك السوق الحقيقي بدقة. يحتوي على مجموعة بيانات تدريبية تسمح للنظام بالتعلم منها. ثم يتم إنشاء أو تحديد خوارزمية مسؤولة عن توقع تحركات الأسعار وتنظيم التداول. يمكن دمج الخوارزميات الجاهزة بالفعل. على سبيل المثال ، نماذج ماركوف المخفية ، والشبكات العصبية الاصطناعية ، وتعزيز الخوارزمية ، والمصنف البايزي الساذج ، وطريقة المتجه ، وشجرة القرار ، وتحليل التباين وغيرها الكثير.

تعتمد الإجراءات الإضافية على الخوارزمية المستخدمة (للحصول على أمثلة محددة ، راجع الروابط أعلاه). عادة ما يتبع ذلك اختيار وإنشاء وتحسين المؤشرات التي ستشارك في التوقعات. وهي ، بشكل عام ، مرتبطة برفع أو تخفيض السعر. استنادًا إلى منحنيات التغييرات في المؤشرات ، يمكنك إنشاء صيغة لتوقع أكثر دقة للسعر. يمكنك اختبار الخوارزمية الناتجة على البيانات التاريخية.

نهج آخر مثير للاهتمام لاستخدام التعلم الآلي للتنبؤ بأسعار الأسهم هو تطبيقه على توقعات المحللين الماليين. تعمل آلية مشابهة شيء من هذا القبيل:
يتم تقديم آراء خبراء سوق الأسهم إلى مدخلات النظام (فقط رأيهم ، وهذا ليس صحيحًا بالضرورة) ، وبعد ذلك ، استنادًا إلى توقعاتهم ، يتم عمل التنبؤات لتحركات الأسعار المحتملة مرارًا وتكرارًا. في كل تكرار ، يزداد وزن الخبير ، الذي تبين أن توقعه صحيح ، بينما بالنسبة لأولئك الذين يرتكبون خطأ ، فإنه ينخفض على العكس.

الصورة

يمكن اعتبار تقنية الترجيح هذه المستندة إلى آراء الخبراء على أنها نهج هجين يجمع بين التحليل الأساسي والتقني - يقوم الخبراء بعمل تنبؤات استنادًا إلى التحليل الأساسي ، وتستخدمها الخوارزمية لاحقًا لإنشاء توقعاتهم الخاصة باستخدام طرق التحليل الفني.

خوارزمية التصفية التكيفية

تستخدم خوارزمية التصفية التكيفية على نطاق واسع في الإلكترونيات كنظام معالجة البيانات الرقمية. بدون الخوض في التفاصيل ، يعد المرشح التكيفي نظامًا للتعلم الذاتي يهدف إلى تحقيق أقصى قدر من الامتثال للبيانات التي تم تحليلها في الناتج مع الحالة الحقيقية.

الصورة

مخطط كتلة المرشح التكيفي للتنبؤ بالإشارة

جوهر الطريقة هو أنه يمكننا الاستجابة بسرعة وبشكل واضح للتغيرات في بيانات الإدخال للحصول على توقعات دقيقة. من الناحية العملية ، يتم تنفيذ الخوارزميات التكيفية بطريقتين كلاسيكيتين - طريقة التدرج والمربعات الصغرى (LMS و RLS).

في وقت واحد ، تم استخدام مرشح LMS بنجاح للتنبؤ بحركة المرور في الشبكات اللاسلكية. توصل العلماء البرازيليون إلى فكرة تجربة هذه الخوارزمية في تجارة التبادل. إنهم كذلكإنشاء وحدة نمطية للتنبؤ بحركة الأسعار لإحدى الشركات. لهذا ، تم استخدام مرشح FIR رقمي متكيف مع 100 معامل حقيقي. كخوارزمية تكيف ، تم استخدام RLS بعامل نسي 0.98. تم تنفيذ المحاكاة على منصة MATLAB.

أظهرت الاختبارات بمعلمات مختلفة أن استخدام المرشح التكيفي يسمح لك بتحقيق متوسط 7 ٪ من الأموال المستثمرة.

الخوارزميات الجينية

اتجاه آخر جديد في مجال تداول الخوارزميات هو الخوارزميات الجينية. هذه هي خوارزميات البحث المستخدمة في الأنظمة حيث العلاقات الدقيقة للعناصر غير معروفة أو غائبة تمامًا.

كيف تعمل: تتم صياغة المهمة بطريقة تظهر حلًا مشفرًا في شكل ناقل الجينات ("النمط الجيني") عند المخرج. الجينات هي أي كائنات وأرقام وبت. ثم ، يتم إنشاء الكثير من الأنماط الجينية من "السكان" الأولية بشكل عشوائي ، والتي يتم تقييمها باستخدام وظيفة لياقة خاصة. ونتيجة لذلك ، يتم تعيين قيمة "اللياقة" لكل نوع جيني - فهو الذي يحدد مدى جودة حل المشكلة.

في مدونتنا كتبنا عن العملعلماء من جامعة آزاد الإسلامية ، والتي تتعامل مع التنبؤ بسلوك مؤشرات الأسهم من خلال مجموعة من طرق الخوارزميات الجينية والشبكات العصبية واستخراج البيانات باستخدام ناقلات مرجعية.

في الوقت نفسه ، يعد استخراج البيانات مسؤولًا عن جمع المعلومات وتنظيم البيانات في نموذج تصنيف. خوارزمية جينية تضبط النظام. من أجل تحسينه ، يعتبر كل جين متجهًا ، وتطبق خوارزمية التحسين المقابلة آلية إعادة تركيب وسيطة عليه. يتم إنشاء التوقعات من خلال طريقة ناقل الدعم (حالة معينة من التعلم الآلي). كانت دقة التنبؤات لـ NASDAQ التي تم إنشاؤها بواسطة النظام 74.4٪.

تحليل الأخبار

حقيقة أن الأخبار يمكن أن تؤثر بشكل خطير على سوق الأسهم ، اليوم لن تفاجئ أحدا. أمثلة على كيفية ظهور حدث معين (مزيف في بعض الأحيان) في السوق مع انتظام يحسد عليه - في بعض الأحيان يواجه مبدعو هذه المنتجات المزيفة مشاكل مع القانون . لكن القليل منهم تمكن من تحويل التلاعب بالأخبار الاقتصادية إلى فن حقيقي.

الصورة

في عام 2015 ، أنشأ Scotsman Alan Craig البالغ من العمر 62 عامًا حسابين مزيفين على تويتر لشركات تحليلية ونشر أخبارًا عن مشاكل الشركات المدرجة. يوضح الرسم البياني ارتفاع أسعار إحدى هذه الشركات بعد نشر أخبار مزيفة وتراجعها بعد دحضها

تظهر أنظمة التحليل في السوق التي تستخدم المنشورات في وسائل الإعلام والشبكات الاجتماعية لإتمام المعاملات. العمل جار لإنشاء أنظمة قادرة على إنشاء مقالات بشكل مستقل استنادًا إلى البيانات من خلاصات الأخبار ، مع تحميلها اللاحق على الشبكة لاستفزاز أولئك الذين ليس لديهم معلومات كاملة لشراء أو بيع الأصول.

في عام 2013 ، نشر باحثون من كلية Warwick Business School نتائج تجربة تم فيها استخدام محرك بحث Google ، ولا سيما خدمة Google Trends كأداة للتنبؤ باتجاهات سوق الأسهم.

يسمح لك بالعمل مع معلومات حول استعلامات البحث مرتبة حسب الشعبية. اقترح الباحثون أن هناك علاقة بين الزيادة في عدد طلبات البحث لموضوعات سياسية واقتصادية معينة والأحداث الهامة في أسواق الأسهم.

من الواضح ، قبل اتخاذ أي قرار ، أن الناس يحاولون معرفة أكبر قدر ممكن من خلال محرك البحث. قد تشير المعلومات حول استعلامات البحث حول الموضوعات التي يمكن أن تؤثر على أسعار الأسهم إلى أن اتجاه السوق على وشك الاستدارة - نظرًا لأن الأشخاص العاديين ، وليس المحللون المحترفون ، مهتمون بالأعمال التجارية في البورصة ، فهذه علامة مؤكدة على أن انعكاس الاتجاه في طور التخطي.

أظهرت محاكاة لعبة الاستثمار التي تم إنشاؤها كجزء من تجربة قام بها العلماء نتائج رائعة. على سبيل المثال ، كانت الكلمة الأكثر موثوقية للولايات المتحدة هي "الديون". من خلال تتبع الأسواق فقط من خلال ذلك ، قام العلماء بزيادة محفظتهم الافتراضية للأوراق المالية بنسبة 326 ٪ في سبع سنوات. عند وضع نموذج لاستراتيجية تداول قياسية لم تأخذ في الاعتبار تكرار طلبات البحث ، تمكنوا من تحقيق زيادة بنسبة 16٪ فقط.

تبادل البروج: ما الخوارزميات والأدوات المستخدمة للتنبؤ بحركة أسعار الأسهم

نماذج تنبؤات الأسعار الرياضية

التعلم الآلي والبيانات الضخمة

خوارزمية التصفية التكيفية

الخوارزميات الجينية

تحليل الأخبار

مواد أخرى حول موضوع التداول عبر الإنترنت على مدونة ITinvest :

More articles: