पुस्तक "मशीन लर्निंग: बिजनेस के लिए एल्गोरिदम"

हाय, हब्रोज़ितेली! मार्कोस लोपेज़ डी प्राडो ने जो कुछ भी छिपाया, उसे सबसे अधिक लाभकारी मशीन लर्निंग एल्गोरिदम ने साझा किया, जिसका उपयोग उन्होंने दो दशकों से सबसे अधिक मांग वाले निवेशकों के धन के बड़े पूल का प्रबंधन करने के लिए किया है।

मशीन लर्निंग हमारे जीवन के लगभग हर पहलू को बदल देता है; एमओ एल्गोरिदम ऐसे कार्य करते हैं, जो हाल ही में, विश्वसनीय विशेषज्ञों द्वारा ही भरोसेमंद थे। निकट भविष्य में, मशीन लर्निंग वित्त पर हावी हो जाएगी, भाग्य बताना अतीत की बात होगी, और निवेश अब जुए का पर्याय नहीं होगा।

"मशीन क्रांति" में भाग लेने का अवसर लें, इसके लिए यह पहली पुस्तक से परिचित होने के लिए पर्याप्त है, जो वित्त के संबंध में मशीन सीखने के तरीकों का एक संपूर्ण और व्यवस्थित विश्लेषण प्रदान करता है: वित्तीय डेटा संरचनाओं के साथ शुरू करना, वित्तीय श्रृंखला को चिह्नित करना, नमूना तौलना, समय श्रृंखला को अलग करना ... और साथ समाप्त करना पूरा हिस्सा निवेश रणनीतियों के सही बैकिंग के लिए समर्पित है।

अंश। जोखिम रणनीतियों को समझना

15.1। असली

निवेश की रणनीतियों को अक्सर दो स्थितियों में से एक होने तक आयोजित पदों के संदर्भ में कार्यान्वित किया जाता है: 1) लाभ के साथ स्थिति छोड़ने के लिए शर्त (लाभ लेने के लिए) या 2) हानि (स्टॉप लॉस) के साथ स्थिति छोड़ने के लिए शर्त। यहां तक ​​कि जब रणनीति स्पष्ट रूप से नुकसान रोकने की घोषणा नहीं करती है, तो हमेशा एक अंतर्निहित नुकसान रोकने की सीमा होती है, जिस पर निवेशक अब अपनी स्थिति (मार्जिन कॉल) को वित्त नहीं दे सकता है या अवास्तविक नुकसान में वृद्धि के कारण नुकसान पहुंचा सकता है। चूंकि अधिकांश रणनीतियों में स्पष्ट रूप से या अंतर्निहित रूप से ये दो निकास स्थितियां हैं, इसलिए यह एक द्विपद प्रक्रिया के माध्यम से परिणामों के वितरण को मॉडल करने के लिए समझ में आता है। यह, बदले में, हमें यह समझने में मदद करेगा कि सट्टेबाजी की दरों, जोखिमों और भुगतान के कौन से संयोजन अनैतिक हैं। इस अध्याय का उद्देश्य यह निर्धारित करने में आपकी सहायता करना है कि जब कोई रणनीति इनमें से किसी भी मात्रा में छोटे परिवर्तनों के लिए असुरक्षित है।

एक ऐसी रणनीति पर विचार करें जो प्रति वर्ष n समान रूप से वितरित, पारस्परिक रूप से स्वतंत्र दांव का उत्पादन करती है, जहाँ परिणामी शर्त that [1, n] की संभावना [> 0 है, जिसमें प्रायिकता P [Xi = π] = p और हानि-संभावना P के साथ है [x] = – =] = 1 - पी। आप पी को एक द्विआधारी क्लासिफायर की सटीकता के रूप में कल्पना कर सकते हैं, जिसमें एक सकारात्मक परिणाम का अर्थ है अवसर पर दांव लगाना, और एक नकारात्मक परिणाम का अर्थ है लापता अवसर: सच्चे बयानों को पुरस्कृत किया जाता है, झूठे बयानों को दंडित किया जाता है, और नकारात्मक परिणामों (चाहे सच या गलत) का कोई भुगतान नहीं होता है। दांव के परिणाम के बाद से {शी} i = 1, ..., n स्वतंत्र हैं, हम प्रति शर्त अपेक्षित क्षणों की गणना करेंगे। एक शर्त से अपेक्षित लाभ ई [शी] = +p + (-π) (1 - p) = - (2p - 1) है। विचरण है जहाँ = =2p + (–π) 2 (1 - p) = therefore2, इसलिए, V [क्सी] = π2 - π2 (2p - 1) 2 = π2 [1– (2p - 1) 2 = 4π2p (1 - p) )। प्रति वर्ष, समान रूप से स्वतंत्र रूप से वितरित की जाने वाली n के लिए, औसत वार्षिक शार्प अनुपात (,) है


ध्यान दें कि because ऊपर समीकरण को कैसे संतुलित करता है क्योंकि भुगतान सममित हैं। जैसा कि गौसियन मामले में, θ [p, n] को पुनः स्केल किए गए t-value1 के रूप में समझा जा सकता है। यह इस तथ्य को दर्शाता है कि छोटे के लिए भी पर्याप्त बड़े n के लिए शार्प अनुपात को उच्च बनाया जा सकता है। यह उच्च-आवृत्ति ट्रेडिंग के लिए आर्थिक आधार के रूप में कार्य करता है, जहां पी .5 से थोड़ा अधिक हो सकता है, और सफल विनिमय गतिविधि की कुंजी n में वृद्धि है। शार्प अनुपात सटीकता का एक कार्य है, और शुद्धता का नहीं, क्योंकि एक मौका (नकारात्मक कथन) लापता होने पर सीधे पुरस्कृत या दंडित नहीं किया जाता है (हालांकि बहुत अधिक नकारात्मक बयान छोटे n को जन्म दे सकते हैं, जिससे शार्प गुणांक शून्य हो जाएगा)।

उदाहरण के लिए, के लिए और औसत वार्षिक शार्प अनुपात 2 तक पहुंचने के लिए प्रति वर्ष 396 दांव लगाने की आवश्यकता होती है। 15.1 की सूची इस परिणाम को प्रयोगात्मक रूप से सत्यापित करती है। चित्र 15.1 विभिन्न बाजी आवृत्तियों के लिए सटीकता के कार्य के रूप में शार्प अनुपात को दर्शाता है।

लिस्टिंग 15.1। दांव की संख्या के एक समारोह के रूप में शार्प अनुपात

out,p=[],.55 for i in xrange(1000000): rnd=np.random.binomial(n=1,p=p) x=(1 if rnd==1 else -1) out.append(x) print np.mean(out),np.std(out),np.mean(out)/np.std(out) 

यह समीकरण एक स्पष्ट शार्प गुणांक (clearly) के लिए सटीकता (पी) और फ़्रीक्वेंसी (एन) के बीच व्यापार को स्पष्ट रूप से व्यक्त करता है। उदाहरण के लिए, केवल साप्ताहिक दर (n = 52) पैदा करने वाली रणनीति के लिए औसत वार्षिक शार्प अनुपात 2 देने के लिए, काफी उच्च सटीकता p = 0.6336 की आवश्यकता होगी।

15.3। असममित भुगतान

एक ऐसी रणनीति पर विचार करें जो प्रति वर्ष n समान रूप से वितरित, पारस्परिक रूप से स्वतंत्र दरों का उत्पादन करती है, जहाँ बीआई का परिणाम ∈ [1, n] संभावना [+ = के साथ with +, + पी, और परिणाम (– (π- <π +) होता है। ) प्रायिकता P [शी = π_] = 1 - p के साथ होता है। एक शर्त से अपेक्षित लाभ ई [क्सी] = p + + + (१ - p) =– = (π + - π–) p + .- है। फैलाव वी [शी] = है, जहां



अंत में, हम पिछले समीकरण को 0 ≤ p get 1 के लिए हल कर सकते हैं और प्राप्त कर सकते हैं


जहां:
a = (n + θ2) ((+ - 2–) 2;
b = [2n = - θ2 (- + -] -)] (2 + - )–);


नोट: 15.2 की सूचीकरण Google App Engine क्लाउड सेवा पर चल रहे Python SymPy Live शेल का उपयोग करके इन प्रतीकात्मक परिचालनों की पुष्टि करता है: live.sympy.org ।

लिस्टिंग 15.2। प्रतीकात्मक संचालन के लिए सिम्पी लाइब्रेरी का उपयोग करना

 >>> from sympy import * >>> init_printing(use_unicode=False,wrap_line=False,no_global=True) >>> p,u,d=symbols('pu d') >>> m2=p*u**2+(1-p)*d**2 >>> m1=p*u+(1-p)*d >>> v=m2-m1**2 >>> factor(v) 

उपरोक्त समीकरण निम्नलिखित प्रश्न का उत्तर देता है: किसी दिए गए व्यापारिक नियम के लिए, मापदंडों {π–,, +, n} द्वारा विशेषता, शार्प अनुपात to * के बराबर प्राप्त करने के लिए सटीकता पी की आवश्यकता क्या है? उदाहरण के लिए, n = 260, –– = -.01, = + = .005 के लिए to = 2 प्राप्त करने के लिए, हमें p = .72 की आवश्यकता है। बड़ी संख्या में दांव के कारण, p (p = .7 से p = .72 तक) में एक बहुत छोटा परिवर्तन fficient = 1.173 से 2. = 2. तक तीव्र गुणांक को बढ़ावा दिया, दूसरी ओर, यह भी हमें बताता है कि यह रणनीति छोटी के लिए असुरक्षित है। पी में परिवर्तन। 15.3 को सूचीबद्ध करने से अपेक्षित सटीकता की व्युत्पत्ति होती है। अंजीर में। 15.2, n और where– के फंक्शन के रूप में माना जाता है, जहाँ 0.1 + = 0.1, और = * = 1.5 है। जैसा कि थ्रेशोल्ड becomes किसी दिए गए n के लिए अधिक नकारात्मक हो जाता है, किसी दिए गए सीमा a + के लिए is * प्राप्त करने के लिए उच्च डिग्री p की आवश्यकता होती है। चूंकि संख्या n किसी दिए गए सीमा a के लिए छोटी हो जाती है, इसलिए, दिए गए a + के लिए p * प्राप्त करने के लिए p की एक उच्च डिग्री की आवश्यकता होती है।

लिस्टिंग 15.3। अनुमानित सटीकता

 def binHR(sl,pt,freq,tSR): ´´´ 

किसी दिए गए ट्रेडिंग नियम के लिए, जो पैरामीटर {sl, pt, freq} द्वारा विशेषता है, शार्प अनुपात tSR के बराबर प्राप्त करने के लिए न्यूनतम सटीकता क्या है?

1) इनपुट्स
sl: हानि रोक दहलीज
pt: लाभ थ्रेशोल्ड
freq: प्रति वर्ष दांवों की संख्या
tSR: लक्ष्य वार्षिक औसत शार्प अनुपात
2) बाहर निकलें
p: tSR प्राप्त करने के लिए न्यूनतम परिशुद्धता p आवश्यक है
'' '
a = (freq + tSR ** 2) * (pt-sl) ** २
b = (2 * freq * sl-tSR ** 2 * (pt-sl)) * (pt-sl)
सी = फ्रीक * एसएल ** २
p = (- b + (b ** 2-4 * a * c) **। 5) / (2. * a)
वापसी पी


अनुमानित सट्टेबाजी आवृत्ति n के लिए π [p, n, π–, for +] की सूची 15.4 हल करती है। अंजीर में। 15.3 पी और where–, जहां 0.1 + = 0.1, और = * = 1.5 के आधार पर अनुमानित आवृत्ति दिखाता है। जैसा कि थ्रेशोल्ड becomes किसी दिए गए डिग्री p के लिए ऋणात्मक हो जाता है, किसी दिए गए सीमा given + के लिए is * प्राप्त करने के लिए एक उच्च संख्या n की आवश्यकता होती है। चूंकि डिग्री p किसी दिए गए थ्रेशोल्ड के लिए छोटा हो जाता है, इसलिए, किसी दिए गए थ्रेशोल्ड के लिए for * प्राप्त करने के लिए एक उच्च संख्या n की आवश्यकता होती है।

लिस्टिंग 15.4। अनुमानित सट्टेबाजी आवृत्ति की गणना

 def binFreq(sl,pt,p,tSR): ´´´ 

एक व्यापार नियम को देखते हुए मापदंडों {sl, pt, freq} की विशेषता है, प्रति वर्ष कितने दांव की आवश्यकता है सटीकता पी की डिग्री के साथ तीव्र गुणांक tSR प्राप्त करने के लिए?

नोट: कट्टरपंथी के साथ समीकरण, बाहर निकालना समाधान के लिए जाँच करें।

1) इनपुट्स
sl: हानि रोक दहलीज
pt: लाभ थ्रेशोल्ड
पी: सटीकता पी की डिग्री
tSR: लक्ष्य वार्षिक औसत शार्प अनुपात
2) बाहर निकलें
freq: प्रति वर्ष आवश्यक दांवों की संख्या
'' '
freq = (tSR * (pt-sl)) ** 2 * p * (1-p) / (((pt-sl) * p + sl) ** 2 # संभवतः बाहरी
अगर नहीं np.isclose (binSR (sl, pt, freq, p), tSR): वापसी
वापसी करें



»पुस्तक की अधिक जानकारी प्रकाशक की वेबसाइट पर पाई जा सकती है
» सामग्री
» अंश

फेरीवालों के लिए 25% की छूट - मशीन लर्निंग

पुस्तक के पेपर संस्करण के भुगतान पर, पुस्तक का एक इलेक्ट्रॉनिक संस्करण ई-मेल द्वारा भेजा जाता है।