Inteligente Trading Systems: Aplicación de Inteligencia Artificial a los Mercados Financieros Descripción Ondrej Martinsky se especializa en matemáticas y ciencias de la computación, inteligentes y sistemas de apoyo a la decisión. Ha estado trabajando en varios proyectos de investigación dentro de estas áreas durante su estancia en la Universidad de Tecnología de Brno. Actualmente trabaja como contratista independiente para un importante banco de inversión en Londres y publica su blog quantandfinancial. Ondrej es también autor de varios trabajos científicos que han sido presentados en conferencias internacionales. Ondrej también estudia la economía, los mercados financieros y los intercambios de valores, y en particular el análisis técnico de los precios de mercado en combinación con la negociación a corto plazo de derivados financieros. Junto con el comercio convencional también está interesado en el enfoque científico, preguntándose no sólo cómo se mueven los mercados, sino también por qué se mueven como lo hacen. Durante los últimos años, ha estado investigando cómo pueden aplicarse métodos computacionales avanzados en los mercados financieros. En su libro, Intelligent Trading Systems, proporciona los resultados de esta investigación y una interconexión única de conocimiento de los campos de la informática y los mercados financieros. Descripción del producto Este libro trata de la cuestión de la predicción de precios de mercado problemática en el contexto del comportamiento de la multitud afectado por la psicología de las masas. Se pone de relieve el contraste entre un fenómeno de la psicología de masas y la hipótesis del mercado eficiente, que se basa esencialmente en una teoría económica común. El supuesto básico es que si existe un modelo de interacción entre las masas y los agentes que participan en los mercados, entonces también existen medios para la predicción de todo el comportamiento de los mercados, aunque el comportamiento de cada agente no es predecible. Desde un punto de vista práctico, este libro describe los métodos de análisis técnico utilizados para predecir los movimientos de precios, y discute un enfoque de computación blanda utilizado en una composición de sistemas de comercio automatizado. Este libro trae modelos computacionales computacionales alternativos, blandos a las estrategias de negociación e innovador combina dos áreas diferentes de la ciencia - inteligencia artificial y análisis técnico. Uno de los principales beneficios de este libro es una demostración de que el enfoque de computación blanda en una combinación con las ciencias sociales sociales es más confiable que los modelos matemáticos convencionales. Este libro es para cualquier persona interesada en el comercio, los mercados financieros y los intercambios de seguridad, así como para aquellos que tienen conocimientos teóricos o prácticos de los campos de la inteligencia artificial y soft computing, y quieren saber cómo estos temas pueden aplicarse en los mercados financieros. Acerca de este artículoIntelligent Algorithmic Trading Systems La negociación algorítmica es el uso de algoritmos informáticos para tomar automáticamente decisiones comerciales, enviar pedidos y administrar esos pedidos después de la presentación. Los sistemas de negociación algorítmica se entienden mejor utilizando una arquitectura conceptual simple que consta de tres componentes que manejan diferentes aspectos del sistema de negociación algorítmica, es decir, el manejador de datos, el manejador de estrategia y el manejador de ejecución comercial. Estos componentes mapean uno-para-uno con la definición de algoritmo anteriormente mencionada. En este artículo se extiende esta arquitectura para describir cómo se podría ir sobre la construcción de sistemas de negociación algorítmica más inteligente. Conceptual Algorithmic Trading System ¿Qué significa que un sistema sea más inteligente? En el contexto del trading algorítmico, mediremos la inteligencia en la medida en que el sistema sea autoadaptable y consciente de sí mismo. Pero antes de llegar a eso, podemos elaborar los tres componentes de la arquitectura conceptual del sistema de comercio algorítmico. Componentes de datos Los sistemas Algorithmic Trading pueden utilizar datos estructurados, datos no estructurados o ambos. Los datos se estructuran si están organizados de acuerdo con alguna estructura predeterminada. Los ejemplos incluyen hojas de cálculo, archivos CSV, archivos JSON, XML, bases de datos y estructuras de datos. Los datos relacionados con el mercado, como los precios entre días, los precios de fin de día y los volúmenes comerciales, suelen estar disponibles en un formato estructurado. Los datos económicos y financieros de la empresa también están disponibles en un formato estructurado. Dos buenas fuentes de datos financieros estructurados son Quandl y Morningstar. Los datos no están estructurados si no están organizados de acuerdo con estructuras predeterminadas. Los ejemplos incluyen noticias, medios sociales, videos y audio. Este tipo de datos es intrínsecamente más complejo de procesar y requiere a menudo análisis de datos y técnicas de minería de datos para analizarlo. El uso generalizado de noticias y datos de redes sociales como Twitter y Facebook en el comercio ha dado lugar a herramientas más poderosas que son capaces de dar sentido a los datos no estructurados. Muchas de estas herramientas hacen uso de la inteligencia artificial, y en particular las redes neuronales. Modelo Componente Un modelo es la representación del mundo exterior como lo ve el sistema Algorithmic Trading. Los modelos financieros representan generalmente cómo el sistema de comercio algorítmico cree que los mercados funcionan. El objetivo último de cualquier modelo es utilizarlo para hacer inferencias sobre el mundo, o en este caso los mercados. Lo más importante a recordar aquí es la cita de George E. P Box todos los modelos están esencialmente equivocados. Pero algunos son útiles. Los modelos pueden ser construidos usando una serie de metodologías y técnicas diferentes, pero fundamentalmente todos ellos están esencialmente haciendo una cosa: reducir un sistema complejo a un conjunto de reglas manejables y cuantificables que describen el comportamiento de ese sistema bajo diferentes escenarios. Algunos enfoques incluyen, pero no se limitan a, modelos matemáticos, sistemas de lógica simbólica y difusa, árboles de decisión, conjuntos de reglas de inducción y redes neuronales. Modelos Matemáticos El uso de modelos matemáticos para describir el comportamiento de los mercados se llama finanzas cuantitativas. La mayoría de los modelos de finanzas cuantitativos funcionan con los supuestos inherentes de que los precios de mercado (y los rendimientos) evolucionan con el tiempo de acuerdo con un proceso estocástico, es decir, los mercados son aleatorios. Este ha sido un supuesto muy útil que está en el corazón de casi todos los modelos de precios de derivados y algunos otros modelos de valoración de la seguridad. Esencialmente la mayoría de los modelos cuantitativos sostienen que los rendimientos de cualquier seguridad dada son impulsados por uno o más factores de riesgo al azar del mercado. El grado en que los rendimientos se ven afectados por esos factores de riesgo se denomina sensibilidad. Por ejemplo, una rentabilidad de las carteras bien diversificada puede ser impulsada por el movimiento de las tasas de interés a corto plazo, los diversos tipos de cambio y los retornos en el mercado bursátil en general. Estos factores pueden medirse históricamente y utilizarse para calibrar un modelo que simule lo que podrían hacer esos factores de riesgo y, por extensión, cuáles podrían ser los retornos de la cartera. Para más información, por favor vea Random Walks Down Wall Street. La lógica simbólica es una forma de razonamiento que implica esencialmente la evaluación de predicados (sentencias lógicas construidas a partir de operadores lógicos tales como AND, OR y XOR) a bien sea verdadera o falsa. La lógica difusa relaja la restricción binaria verdadera o falsa y permite que cualquier predicado dado pertenezca al conjunto de predicados verdaderos y / o falsos a grados diferentes. Esto se define en función de las funciones de pertenencia a conjuntos. En el contexto de los mercados financieros, los insumos en estos sistemas pueden incluir indicadores que se espera que se correlacionen con los rendimientos de cualquier valor dado. Estos indicadores pueden ser cuantitativos, técnicos, fundamentales o de otra naturaleza. Por ejemplo, un sistema de lógica difusa podría inferir a partir de datos históricos que si el promedio móvil ponderado exponencial de cinco días es mayor o igual al promedio móvil ponderado exponencial de diez días entonces hay una probabilidad del sesenta y cinco por ciento de que el stock aumentará de precio Durante los próximos cinco días. Un método de minería de datos para identificar estas reglas a partir de un conjunto de datos dado se llama inducción de reglas. Esto es muy similar a la inducción de un árbol de decisión excepto que los resultados son a menudo más legibles por el ser humano. Árboles de decisión Los árboles de decisión son similares a las reglas de inducción excepto que las reglas son estructuras en forma de árbol (generalmente binario). En informática, un árbol binario es una estructura de datos en árbol en la que cada nodo tiene como máximo dos hijos, a los que se hace referencia como el niño izquierdo y el niño derecho. En este caso, cada nodo representa una regla de decisión (o límite de decisión) y cada nodo secundario es otro límite de decisión o un nodo terminal que indica una salida. Hay dos tipos de árboles de decisión: árboles de clasificación y árboles de regresión. Los árboles de clasificación contienen clases en sus salidas (por ejemplo, comprar, mantener o vender) mientras que los árboles de regresión contienen valores de resultado para una variable particular (por ejemplo, -2.5, 0, 2.5, etc.). La naturaleza de los datos utilizados para formar el árbol de decisión determinará qué tipo de árbol de decisión se produce. Los algoritmos utilizados para producir árboles de decisión incluyen C4.5 y Programación Genética. Al igual que con la inducción de reglas, las entradas en un modelo de árbol de decisión pueden incluir cantidades para un conjunto dado de factores fundamentales, técnicos o estadísticos que se cree que impulsan los rendimientos de los valores. Modelos de red neuronal Las redes neuronales son casi con seguridad el modelo de aprendizaje automático más popular disponible para los comerciantes algorítmicos. Las redes neuronales consisten en capas de nodos interconectados entre entradas y salidas. Los nodos individuales se llaman perceptrones y se asemejan a una regresión lineal múltiple excepto que ellos alimentan algo llamado una función de activación, que puede o no ser no lineal. En las redes neuronales no recurrentes, las perceptrones se organizan en capas y las capas se conectan entre sí. Hay tres tipos de capas, la capa de entrada, la (s) capa (s) oculta (s) y la capa de salida. La capa de entrada recibiría las entradas normalizadas que serían los factores que se esperan para impulsar los retornos de la seguridad y la capa de salida podría contener tanto las clasificaciones de compra, de retención, de venta o de resultados probables reales como las devoluciones binadas. Las capas ocultas básicamente ajustan las ponderaciones de esas entradas hasta que se minimiza el error de la red neuronal (cómo se realiza en un backtest). Una interpretación de esto es que las capas ocultas extraen rasgos salientes en los datos que tienen poder predictivo con respecto a las salidas. Para una explicación mucho más detallada de las redes neuronales, consulte este artículo. Además de estos modelos hay una serie de otros modelos de toma de decisiones que pueden ser utilizados en el contexto de la negociación algorítmica (y los mercados en general) para hacer predicciones sobre la dirección de los precios de seguridad o, para los lectores cuantitativos, hacer predicciones con respecto a la Probabilidad de cualquier movimiento dado en un precio de valores. La elección del modelo tiene un efecto directo en el rendimiento del sistema Algorithmic Trading. El uso de múltiples modelos (conjuntos) ha demostrado mejorar la precisión de la predicción, pero aumentará la complejidad de la implementación. El modelo es el cerebro del sistema de comercio algorítmico. Con el fin de hacer más inteligente el sistema de negociación algorítmica, el sistema debe almacenar datos sobre todos los errores cometidos históricamente y debe adaptar sus modelos internos de acuerdo a esos cambios. En cierto sentido, esto constituiría la autoconciencia (de los errores) y la autoadaptación (calibración continua del modelo). Dicho esto, esto no es ciertamente un terminador Componente de ejecución El componente de ejecución es responsable de poner a través de las operaciones que el modelo identifica. Este componente necesita satisfacer los requisitos funcionales y no funcionales de los sistemas Algorithmic Trading. Por ejemplo, la velocidad de la ejecución, la frecuencia con que se realizan las operaciones, el período durante el cual se realizan las operaciones y el método por el cual las órdenes comerciales se encaminan al intercambio deben ser suficientes. Cualquier implementación del sistema de comercio algorítmico debe ser capaz de satisfacer esos requisitos. En este artículo propongo una arquitectura abierta para sistemas de negociación algorítmica que creo que satisface muchos de los requisitos. Componente del monitor La inteligencia artificial aprende usando funciones objetivas. Las funciones objetivas son normalmente funciones matemáticas que cuantifican el rendimiento del sistema de comercio algorítmico. En el contexto de las finanzas, las medidas del rendimiento ajustado al riesgo incluyen la relación de Treynor, la relación de Sharpe y la relación de Sortino. Se pedirá al componente del modelo en el sistema de comercio algorítmico que maximice una o más de estas cantidades. El desafío con esto es que los mercados son dinámicos. En otras palabras, los modelos, la lógica o las redes neuronales que funcionaban antes pueden dejar de funcionar con el tiempo. Para combatir esto, el sistema de comercio algorítmico debe entrenar a los modelos con información sobre los propios modelos. Este tipo de autoconciencia permite a los modelos adaptarse a entornos cambiantes. Pienso en esta autoadaptación como una forma de calibración continua del modelo para combatir los cambios del régimen de mercado. Conclusión Algorithmic Trading se ha vuelto muy popular en la última década. Ahora representa la mayoría de los oficios que se ponen a través de intercambios a nivel mundial y se ha atribuido al éxito de algunos de los mundos de los fondos de alto rendimiento de alto rendimiento, sobre todo el de las tecnologías de renacimiento. Dicho esto, todavía hay una gran confusión y misnomers sobre lo que Algorithmic Trading es, y cómo afecta a las personas en el mundo real. Hasta cierto punto, lo mismo puede decirse de la Inteligencia Artificial. Demasiado a menudo la investigación en estos temas se centra exclusivamente en el rendimiento y nos olvidamos de que es igualmente importante que los investigadores y practicantes construir más fuerte y más rigurosos modelos conceptuales y teóricos sobre los que podemos avanzar en el campo en los próximos años. Nos guste o no, los algoritmos forman nuestro mundo moderno y nuestra confianza en ellos nos da la obligación moral de buscar continuamente entenderlos y mejorarlos. Os dejo con un video titulado Cómo los algoritmos dan forma a nuestro mundo por Kevin Slavin. Cómo los algoritmos forman nuestro mundo Un inteligente sistema de comercio de valores a corto plazo para ayudar a los inversores en la gestión de la cartera El sistema propuesto a corto plazo difusa utiliza un conjunto de indicadores técnicos adecuados. Los retornos del sistema propuesto son más altos que los de la estrategia BampH. El sistema propuesto evita grandes pérdidas durante los mercados bajistas. Durante los mercados alcistas, el sistema produce rendimientos inferiores a los de la estrategia BampH. Los costos de transacción afectan significativamente el desempeño del sistema propuesto. Resumen Los mercados financieros son sistemas complejos influenciados por muchos factores económicos, políticos y psicológicos interrelacionados y caracterizados por no linealidades inherentes. Recientemente, ha habido muchos esfuerzos hacia la predicción del mercado de valores, aplicando diversas técnicas de lógica difusa y utilizando métodos de análisis técnico. Este artículo presenta un sistema de difusión de corto plazo que utiliza una estrategia de negociación novedosa y un ldquoamalgamrdquo entre los indicadores técnicos comúnmente utilizados y los utilizados raramente, con el fin de ayudar a los inversores en su gestión de cartera. La muestra se compone de datos diarios del índice general de la Bolsa de Atenas durante un período de más de 15 años (15/11/1996 a 5/6/2012), que también se dividió en grupos distintivos de toros y períodos de mercado bajista . Los resultados sugieren que, con o sin tomar en cuenta los costos de transacción, el retorno del modelo difuso propuesto es superior a los retornos de la estrategia de compra y retención. El sistema propuesto puede caracterizarse como conservador, ya que produce pérdidas menores durante los períodos de mercado bajista y menores ganancias durante los períodos de mercado alcista en comparación con la estrategia de compra y retención. Palabras clave Sistema difuso Bursátil Gestión de cartera Análisis técnico Comprar y mantener la estrategia Bull and bear market
Comments
Post a Comment