Geekly articles weekly

十二生肖交易所：使用哪些算法和工具来预测股票价格的波动



今天，我们将讨论用于预测股指行为的技术分析工具。汇总并详细描述预测股市价格的所有技术方法不是我们的任务。对于每个人，您都可以在我们的博客中找到相当详细的信息。但是一点备忘单将非常有用。

只能使用综合大楼中的大多数工具来创建真正有效的交换策略。此外，该策略本身涉及几个阶段，包括收集和处理数据，构建算法，实时调试和检查。对于每种方法，可以应用不同的方法和数学模型。

数学价格预测模型


根据一些报告，如今在大型证券交易所中，算法交易的交易量已达到70％。此外，不仅要在交易中领先于竞争对手，而且还要能够预测价格走势。例如，可以使用数学公式完成此操作，该公式考虑到给定买卖订单的流动性时市场的潜在流动性。购买或出售的申请队列中的“枯竭”可能表示价格过早波动。

当在一个价格水平上所有买入或卖出订单都消失并且存在下一个买入和卖出价格时，就会发生变化。

图片

在我们以前的材料之一中我们考虑了一个公式，该公式使我们能够计算出价申请队列比出价申请队列更早耗尽的概率。

图片

提价概率的计算公式如下：

图片

其中H是市场的隐性流动性，即，公众不知道的交易（例如，大型金融组织的交易是在交易所以外完成的）。

分析过程本身如下：

  • 首先，将收集的数据除以交易所，一次分析一个交易日。
  • 出价和要约报价以十进制（）排列。对于每个这样的集合，计算价格上涨的频率。
  • 计算每个数量的出现次数。
  • 使用最小二乘法分析模型的对应性。

您需要清楚地意识到，股指除了纯粹的经济因素外，还受很多无关紧要的因素的影响。因此，将很难创建此类非线性，不可预测序列的数学模型。但是将其用作更复杂策略的基础是完全可能的。

机器学习与大数据


机器学习也许是复杂财务计算中最需要和最有前途的领域。在我们的博客中，专门为他准备了一系列资料，以及通常用于处理大数据的资料（例如，我们在这里和这里都写过）。

机器学习过程本身包括几个步骤：从选择数学和软件工具，收集输入数据到进行预测和测试。最简单的方法是使用机器学习基于历史数据创建模型，对其进行测试，然后将其应用以生成对未来价格走势的预测。

理解此模型如何工作的最简单方法是举一个具体的例子。本文在此处足够详细地逐步介绍了应用机器学习策略的成功经验。

该模型意味着将创建一个交易模拟框架，该框架应准确地重新创建真实市场的行为。它包含一个训练数据集，可让系统从中学习。然后，创建或选择一种算法，该算法负责预测价格走势并组织交易。可以集成现成的算法。例如，隐马尔可夫模型，人工神经网络，提升算法，朴素贝叶斯分类器，支持向量法，决策树，方差分析等。

进一步的操作将取决于所使用的算法（有关特定示例，请参见上面的链接）。通常，接下来是选择，创建和优化将参与预测的指标。它们大体上与提高或降低价格有关。根据指标的变化曲线，您可以创建公式以更准确地预测价格。您可以在历史数据上测试生成的算法。

使用机器学习预测股价的另一种有趣方法是将其应用于财务分析师的预测。类似的机制如下所示：
将股票市场专家的意见提交给系统的输入（只是他们的意见，不一定是正确的），然后根据他们的预测，对可能的价格变动进行一次又一次的预测。在每一次迭代中，专家的权重都会增加，而专家的预测原来是正确的，但对于犯错的人，则相反。

图片

可以将这种基于专家意见的加权技术视为结合了基础分析和技术分析的混合方法-专家根据基础分析进行预测，然后该算法随后使用它们来使用技术分析方法生成自己的预测。

自适应滤波算法


自适应滤波算法在电子领域被广泛用作数字数据处理系统。无需赘述，自适应过滤器是一种自学习系统，旨在使输出的分析数据与实际情况达到最大程度的一致性。

图片

用于信号预测

的自适应滤波器框图该方法的本质在于，我们可以快速清晰地响应输入数据的变化，以获得准确的预测。实际上，自适应算法是通过两种经典方法实现的-梯度法和最小二乘（LMS和RLS）。

一次，LMS过滤器已成功用于预测无线网络中的流量。巴西科学家想出了在交易所交易中尝试该算法的想法。他们是创建了一个模块来预测其中一家公司的价格变动。为此，使用了具有100个实系数的自适应数字FIR滤波器。作为一种自适应算法，使用了遗忘因子为0.98的RLS。仿真是在MATLAB平台上执行的。

通过各种参数进行的测试表明，使用自适应滤波器可使您平均获得所投资资金的7％。

遗传算法


算法交易领域的另一个新趋势是遗传算法。这些是在元素的确切关系未知或完全不存在的系统中使用的搜索算法。

工作原理：制定任务的方式是在输出端出现以基因载体（“基因型”）形式编码的解决方案。基因是任何对象，数字，位。然后，随机创建初始“种群”的许多基因型，并使用特殊的适应度函数对其进行评估。结果，每个基因型都被赋予“ fitness”值-正是它决定了解决问题的能力。

在我们的博客中，我们写了关于工作的文章来自Azad伊斯兰大学的科学家通过遗传算法方法，神经网络和使用参考向量的数据挖掘相结合来预测股指的行为。

同时，数据挖掘负责在分类模型中收集信息和组织数据。遗传算法可以调整系统。为了对其进行优化，将每个基因视为载体，并且相应的优化算法对其应用了中间重组机制。预测是通过支持向量法（机器学习的一种特殊情况）生成的。该系统生成的纳斯达克预测的准确性为74.4％。

新闻分析


这个消息会严重影响股票市场，今天，您不会感到惊讶。某个特定事件（有时是假货）如何“令人讨厌”地以“令人羡慕的规律性”出现在市场上的示例-有时，此类假货的创建者随后会遇到法律问题。但是很少有人能够将操纵经济新闻转变为真实艺术。

图片

2015年，现年62岁的苏格兰人艾伦·克雷格（Alan Craig）为分析公司创建了两个假推特帐户，并发布了有关上市公司问题的新闻。该图显示了其中一家公司在发布假新闻后的价格上涨，以及在被驳斥后的价格下跌

分析系统出现在市场上，该系统使用媒体和社交网络中的出版物来完成交易。正在开展工作来创建系统，该系统将能够基于新闻提要中的数据独立创建文章，然后将其随后上传到网络中，以激起那些不具备完整信息来买卖资产的人。

早在2013年，华威商学院的研究人员就发布了一项实验结果，该实验将Google搜索引擎（尤其是Google趋势服务）用作预测股市趋势的工具。

它使您可以处理有关按受欢迎程度排名的搜索查询的信息。研究人员建议，针对特定政治和经济主题的搜索查询数量的增加与股票市场中的重大事件之间存在相关性。

显然，在做出决定之前，人们试图通过搜索引擎找到尽可能多的信息。有关可能影响股价的主题的搜索查询信息可能表明市场趋势即将发生逆转-由于普通人而非专业分析师对证券交易所的业务感兴趣，因此这是趋势反转正在酝酿的肯定信号。

图片

作为科学家实验的一部分而创建的投资游戏模拟器显示了令人印象深刻的结果。例如，“债务”一词对美国来说是最可靠的。通过仅跟踪市场，科学家在七年内将其假设的证券投资组合增加了326％。在建模不考虑搜索查询频率的标准交易策略时，他们设法仅实现了16％的增长。

ITinvest博客上有关在线交易的其他材料：


Source: https://habr.com/ru/post/zh-CN391979/

More articles:


All Articles