Какой алгоритм машинного обучения можно использовать для прогнозирования фондового рынка?

В качестве альтернативы можно прогнозировать валютные рынки. Я знаю, что это может быть довольно сложно, поэтому в качестве вступления я ищу простой алгоритм прогнозирования, который имеет некоторую точность.

(Это для магистерского проекта университета, который длится четыре месяца)

Я читал, что многослойная нейронная сеть может быть полезна. Есть мысли по этому поводу? Кроме того, семантический анализ социальных сетей может дать представление о поведении рынка, которое влияет на фондовый рынок. Тем не менее, семантический анализ в данный момент немного выходит за рамки проекта.

Как упомянул babelproofreader , те, у кого есть успешный алгоритм, обычно очень скрытны. Таким образом, маловероятно, что какой-либо широко доступный алгоритм будет очень полезен из коробки, если вы не делаете с ним что-то умное (с этого момента он как бы перестает быть широко доступным, так как вы добавляете его).

При этом изучение моделей авторегрессионного целочисленного скользящего среднего (ARIMA) может быть полезным началом для прогнозирования данных временных рядов. Не ожидайте лучше, чем случайные результаты.

Я думаю, что для ваших целей вы должны выбрать алгоритм машинного обучения, который вам интересен, и попробовать его.

Что касается теории эффективного рынка, рынки не являются эффективными в любом масштабе времени. Кроме того, некоторые люди (как в академических кругах, так и в реальной жизни) мотивированы интеллектуальным вызовом, а не просто быстро разбогатеть, и они публикуют интересные результаты (и я считаю неудавшийся результат интересным). Но относитесь ко всему, что вы читаете, с щепоткой соли; если результаты действительно хороши, возможно, их научный метод не так.

Data Mining With R может быть полезной книгой для вас; это дорого, так что попробуйте найти его в своей университетской библиотеке. Глава 2 рассказывает о том, что вы хотите сделать, и он получает лучшие результаты с помощью нейронной сети. Но имейте в виду, что он получает плохие результаты и тратит много процессорного времени на их получение. В обзорах Amazon говорится, что книга стоит на 20 долларов дороже, потому что в этой главе упоминается слово « финансы» ; при чтении у меня сложилось впечатление, что издатель заставил его написать это. Он сделал свою домашнюю работу, прочитал документы, просмотрел правильные списки рассылки, но его сердце не было в этом. Я получил некоторые полезные знания R, но не буду опережать рынок :-)

На мой взгляд, любой заурядный сильный ИИ, который мог бы выполнять все следующее, мог бы легко дать статистически значимый прогноз:

• Собирать и понимать слухи

• Доступ и интерпретация всех государственных знаний

• Сделайте это в каждой соответствующей стране

• Сделайте соответствующие прогнозы о:

  • Погодные условия

  • Террористическая деятельность

  • Мысли и чувства людей

  • Все остальное, что влияет на торговлю

Статистический анализ - это меньше всего твоих забот, правда.

Вы можете попробовать auto.arima и ETs функцию в R. Вы также может иметь некоторый успех с rugarch пакетом, но нет никаких существующих функций для автоматического выбора параметров. Может быть, вы могли бы получить параметры для средней модели auto.arima, а затем передать их rugarchи добавить garch(1,1)?

Там есть все виды блогов, которые требуют некоторого успеха в этом. Вот система, использующая модель arima (а затем модель garch) и система, использующая модель SVM . Вы найдете много полезной информации о торговле FOSS , особенно если вы начнете читать блоги в его блоге.

Какую бы модель вы ни использовали, обязательно проведите перекрестную проверку и сравнительный анализ! Я был бы очень удивлен, если бы вы нашли модель арима, ets или даже garch, которая могла бы постоянно превосходить наивную модель вне образца. Примеры перекрестной проверки временных рядов можно найти здесь и здесь . Имейте в виду, что вы ДЕЙСТВИТЕЛЬНО хотите прогнозировать прибыль, а не цены.

Я знаю об одном подходе машинного обучения, который в настоящее время используется по крайней мере одним хедж-фондом. Numer.ai использует множество пользовательских алгоритмов машинного обучения для управления действиями фонда.

Другими словами: хедж-фонд предоставляет открытый доступ к зашифрованной версии данных на паре сотен инвестиционных инструментов, скорее всего, акций. Тысячи специалистов по обработке данных и тому подобное обучают все виды алгоритмов машинного обучения этим данным и загружают результаты в табло. Наивысшие баллы получают небольшую сумму денег в зависимости от точности их результатов и от того, как долго их результаты были доступны онлайн.

Лучшие прогнозы предположительно сделаны ансамблями алгоритмов.

Таким образом, у вас есть много ученых, предоставляющих подготовленные догадки, некоторые из которых сами являются ансамблями догадок, а хедж-фонд использует ансамбль всех предоставленных догадок для направления своих инвестиций.

Результаты этого довольно интересного хедж-фонда научили меня двум вещам:

1. Ансамбли часто рассматриваются как хороший способ делать прогнозы на фондовом рынке.
2. Хорошие прогнозы требуют больше ансамблей, чем я готов строить сам ...

Если вы хотите пойти, посетите: https://numer.ai/ Нет, я НЕ связан с ними, я бы, скорее всего, не проводил бы свои дни в Интернете, если бы я был подключен к хедж-фонду, в котором работают тысячи людей. Платят только те, которые дают ощутимые результаты :)

У сообщества numer.ai есть форум, на котором они обсуждают свой подход, поэтому вы МОЖЕТЕ учиться у других, которые пытаются сделать то же самое.

Лично я думаю, что любой с хорошим алгоритмом будет держать его в секрете.

Вы должны попробовать нейронные сети типа GMDH. Я знаю, что некоторые успешные коммерческие пакеты для прогнозирования фондового рынка используют его, но упоминают об этом только в глубине документации. В двух словах, это многослойная итеративная нейронная сеть, поэтому вы на правильном пути.

Я думаю, что скрытые марковские модели популярны на фондовом рынке. Важно помнить, что вам нужен алгоритм, который сохраняет временную составляющую ваших данных.