Sistemas de negociação algorítmica inteligente O comércio algorítmico é o uso de algoritmos computacionais para tomar decisões comerciais, enviar ordens e gerenciar essas ordens após a submissão. Os sistemas de negociação algorítmica são melhor entendidos usando uma arquitetura conceitual simples que consiste em três componentes que lidam com diferentes aspectos do sistema de negociação algorítmico, nomeadamente o manipulador de dados, o manipulador de estratégia e o manipulador de execução comercial. Esses componentes mapeiam um por um com a mencionada definição de negociação algorítmica. Neste artigo, estendemos essa arquitetura para descrever como se poderia lidar com a construção de sistemas de negociação algorítmicos mais inteligentes. Sistema de negociação algorítmica conceitual O que significa para um sistema ser mais inteligente No contexto da negociação algorítmica, mediremos a inteligência pelo grau em que o sistema é auto-adaptado e autoconsciente. Mas antes de chegar a isso, vamos elaborar os três componentes na arquitetura conceitual do sistema de negociação algorítmica. Os sistemas de negociação de componentes de dados podem usar dados estruturados, dados não estruturados ou ambos. Os dados são estruturados se estiverem organizados de acordo com alguma estrutura pré-determinada. Os exemplos incluem planilhas, arquivos CSV, arquivos JSON, XML, bancos de dados e estruturas de dados. Os dados relacionados ao mercado, como os preços entre dias, os preços no final do dia e os volumes comerciais, geralmente estão disponíveis em um formato estruturado. Os dados financeiros econômicos e de empresas também estão disponíveis em um formato estruturado. Duas boas fontes para dados financeiros estruturados são Quandl e Morningstar. Os dados não são estruturados se não estiverem organizados de acordo com as estruturas pré-determinadas. Os exemplos incluem notícias, mídias sociais, vídeos e áudio. Este tipo de dados é inerentemente mais complexo para processar e muitas vezes requer técnicas de análise de dados e mineração de dados para analisá-lo. O uso tradicional de notícias e dados de redes sociais como o Twitter e o Facebook na negociação deu origem a ferramentas mais poderosas que podem ter sentido de dados não estruturados. Muitas dessas ferramentas utilizam a inteligência artificial e, em particular, as redes neurais. Modelo Componente Um modelo é a representação do mundo exterior, como é visto pelo sistema de comércio algorítmico. Os modelos financeiros geralmente representam como o sistema de negociação algorítmica acredita que os mercados funcionam. O objetivo final de qualquer modelo é usá-lo para fazer inferências sobre o mundo, ou neste caso, os mercados. A coisa mais importante a lembrar aqui é a citação de George E. P Box, todos os modelos são essencialmente errados. Mas alguns são úteis. Os modelos podem ser construídos usando uma série de metodologias e técnicas diferentes, mas, fundamentalmente, eles são essencialmente fazendo uma coisa: reduzir um sistema complexo em um conjunto de regras complexas e quantificáveis que descrevem o comportamento desse sistema em diferentes cenários. Algumas abordagens incluem, mas não estão limitadas a, modelos matemáticos, sistemas de lógica simbólica e difusa, árvores de decisão, conjuntos de regras de indução e redes neurais. Modelos matemáticos O uso de modelos matemáticos para descrever o comportamento dos mercados é chamado de financiamento quantitativo. A maioria dos modelos de finanças quantitativas desencadeia os pressupostos inerentes de que os preços de mercado (e os retornos) evoluem ao longo do tempo de acordo com um processo estocástico, ou seja, os mercados são aleatórios. Esta foi uma suposição muito útil que é o cerne de quase todos os modelos de preços de derivativos e alguns outros modelos de avaliação de segurança. Essencialmente, a maioria dos modelos quantitativos argumentam que os retornos de qualquer segurança são conduzidos por um ou mais fatores de risco de mercado aleatórios. O grau em que os retornos são afetados por esses fatores de risco é chamado de sensibilidade. Por exemplo, um retorno bem diversificado das carteiras pode ser impulsionado pelo movimento das taxas de juros de curto prazo, várias taxas de câmbio e os retornos no mercado de ações em geral. Esses fatores podem ser medidos historicamente e usados para calibrar um modelo que simula o que esses fatores de risco poderiam fazer e, por extensão, quais os retornos do portfólio. Para mais informações, veja Random Walks Down Wall Street. Caminhos de preços simulados Monte Carlo para ativos subjacentes Modelos de lógica simbólica e fuzzy A lógica simbólica é uma forma de raciocínio que essencialmente envolve a avaliação de predicados (instruções lógicas construídas a partir de operadores lógicos como AND, OR e XOR) tanto para verdade quanto para falso. A lógica fuzzy relaxa a restrição binária verdadeira ou falsa e permite que qualquer predicado específico pertença ao conjunto de predicados verdadeiros e falsos em diferentes graus. Isso é definido em termos de funções de associação definida. No contexto dos mercados financeiros, os insumos nesses sistemas podem incluir indicadores que devem correlacionar-se com os retornos de qualquer segurança. Esses indicadores podem ser quantitativos, técnicos, fundamentais ou de outra natureza. Por exemplo, um sistema de lógica difusa pode inferir a partir de dados históricos que, se a média móvel ponderada exponencialmente de cinco dias for maior ou igual à média móvel ponderada exponencial de dez dias, então há uma probabilidade de sessenta e cinco por cento de que o estoque aumentará no preço Nos próximos cinco dias. Uma abordagem de mineração de dados para identificar essas regras a partir de um determinado conjunto de dados é chamada de indução de regras. Isso é muito semelhante à indução de uma árvore de decisão, exceto que os resultados são geralmente mais legíveis por humanos. Modelos de árvore de decisão As árvores de decisão são semelhantes às regras de indução, exceto que as regras são estruturas sob a forma de uma árvore (geralmente binária). Na ciência da computação, uma árvore binária é uma estrutura de dados da árvore em que cada nó possui no máximo duas crianças, que são referidas como a criança esquerda e a criança certa. Nesse caso, cada nó representa uma regra de decisão (ou limite de decisão) e cada nó filho é ou outro limite de decisão ou um nó terminal que indica uma saída. Existem dois tipos de árvores de decisão: árvores de classificação e árvores de regressão. As árvores de classificação contêm classes em suas saídas (por exemplo, comprar, manter ou vender), enquanto as árvores de regressão contêm valores de resultado para uma variável particular (por exemplo, -2,5, 0, 2,5, etc.). A natureza dos dados utilizados para treinar a árvore de decisão determinará o tipo de árvore de decisão produzida. Algoritmos utilizados para produzir árvores de decisão incluem C4.5 e Programação Genética. Tal como acontece com a indução de regras, os insumos em um modelo de árvore de decisão podem incluir quantidades para um determinado conjunto de fatores fundamentais, técnicos ou estatísticos que se acredita para gerar os retornos dos títulos. Modelos de Rede Neural As redes neurais são quase certamente o modelo de aprendizagem de máquina mais popular disponível para comerciantes algorítmicos. As redes neurais consistem em camadas de nós interligados entre entradas e saídas. Os nós individuais são chamados de perceptrons e se assemelham a uma regressão linear múltipla, exceto que eles alimentam algo chamado de função de ativação, que pode ou não ser não linear. Nas redes neurais não recorrentes, os perceptrons são dispostos em camadas e as camadas estão conectadas com outra. Existem três tipos de camadas, a camada de entrada, a (s) camada (s) oculta (s) e a camada de saída. A camada de entrada receberia as entradas normalizadas que seriam os fatores esperados para gerar os retornos da segurança e a camada de saída poderia conter as classificações de compra, retenção, venda ou resultados prováveis de valor real, como retornos binários. As camadas ocultas, essencialmente, ajustam as ponderações nessas entradas até o erro da rede neural (como ela é executada em um backtest) é minimizado. Uma interpretação disso é que as camadas ocultas extraem recursos salientes nos dados que têm poder preditivo em relação às saídas. Para uma explicação muito mais detalhada das redes neurais, consulte este artigo. Além desses modelos, existem vários outros modelos de tomada de decisão que podem ser utilizados no contexto da negociação algorítmica (e dos mercados em geral) para fazer previsões quanto à direção dos preços de segurança ou, para leitores quantitativos, fazer previsões em relação à Probabilidade de qualquer movimento em um preço de títulos. A escolha do modelo tem um efeito direto sobre o desempenho do sistema Algorithmic Trading. O uso de múltiplos modelos (conjuntos) demonstrou melhorar a precisão da previsão, mas aumentará a complexidade da implementação. O modelo é o cérebro do sistema de negociação algorítmica. Para tornar o sistema de negociação algorítmico mais inteligente, o sistema deve armazenar dados sobre todos e todos os erros feitos historicamente e deve adaptar seus modelos internos de acordo com essas mudanças. Em certo sentido, isso constituirá autoconsciência (de erros) e auto-adaptação (calibração contínua do modelo). Dito isto, certamente não é um componente de Execução de terminação. O componente de execução é responsável por colocar as negociações que o modelo identifica. Este componente precisa atender aos requisitos funcionais e não funcionais dos sistemas de negociação algorítmica. Por exemplo, a velocidade da execução, a frequência na qual as negociações são feitas, o período durante o qual os negócios são mantidos e o método pelo qual as ordens comerciais são encaminhadas para a troca precisa ser suficiente. Qualquer implementação do sistema de negociação algorítmica deve ser capaz de satisfazer esses requisitos. Neste artigo, proponho uma arquitetura aberta para sistemas de negociação algorítmica, que acredito que satisfaz muitos dos requisitos. Monitor Component A inteligência artificial aprende usando funções objetivas. As funções objetivas são geralmente funções matemáticas que quantificam o desempenho do sistema de negociação algorítmico. No contexto das finanças, as medidas do retorno ajustado ao risco incluem a relação Treynor, a relação Sharpe e a razão Sortino. O componente do modelo no sistema de comércio algorítmico seria solicitado a maximizar uma ou mais dessas quantidades. O desafio com isso é que os mercados são dinâmicos. Em outras palavras, os modelos, a lógica ou as redes neurais que funcionaram antes podem parar de trabalhar ao longo do tempo. Para combater isso, o sistema de comércio algorítmico deve treinar os modelos com informações sobre os próprios modelos. Esse tipo de autoconsciência permite que os modelos se adaptem a ambientes em mudança. Penso nessa auto-adaptação como uma forma de calibração contínua do modelo para combater as mudanças de regime de mercado. Conclusão A negociação algorítmica tornou-se muito popular ao longo da última década. Agora, é responsável pela maioria dos negócios que são colocados através de trocas globais e tem sido atribuído ao sucesso de alguns dos hedge funds de melhor desempenho do mundo, principalmente o das Tecnologias do Renascimento. Dito isto, ainda há uma grande confusão e misnomers em relação ao que é Algorithmic Trading e como isso afeta as pessoas no mundo real. Até certo ponto, o mesmo pode ser dito para a Inteligência Artificial. Muitas vezes a pesquisa sobre esses tópicos é focada puramente no desempenho e esquecemos que é igualmente importante que pesquisadores e profissionais criem modelos conceituais e teóricos mais fortes e mais rigorosos sobre os quais possamos promover o campo nos próximos anos. Quer nos agrada ou não, os algoritmos dão forma ao nosso mundo moderno e a nossa dependência deles nos dá a obrigação moral de procurar continuamente entendê-los e aprimorá-los. Eu deixo você com um vídeo intitulado Como os Algoritmos moldam nosso mundo por Kevin Slavin. Como os Algoritmos Fornecem o nosso WorldBest Online Forex Strategies Aprenda a pensar como um profissional. Vamos ensinar-lhe a estratégia de negociação incrivelmente poderosa e eficaz que usamos para comercializar de forma rentável o mercado Forex. É fácil de entender e acreditamos que o ajudará a tornar-se um comerciante FX financeiramente independente e lucrativo. Se você quiser aprender a negociar o FX de forma lucrativa, nosso guia do IFT explicará completamente a estratégia que usamos para negociar com todos os dias. Ensinaremos tudo o que você precisa saber. Você não precisa ter nenhum conhecimento prévio de troca de divisas ou FX, pois tudo é explicado no guia. Por favor, avance para obter uma introdução à nossa estratégia e como aprender a transformar sua vida. Benefícios de aprender nossas Estratégias de Negociação Forex 1. Conhecer a verdade sobre o mercado de divisas Vamos dizer-lhe a verdade sobre como o mercado de moeda funciona e, o mais importante, como você pode usar esse conhecimento para ganhar dinheiro usando nossa estratégia. 2. Faça os negócios certos. Use uma estratégia profissional Forex que nos permita inserir negócios no ponto ideal. Vamos ensinar-lhe por que o preço de um par de moedas muda da maneira que faz. Somente quando você sabe por que o preço está mudando, você pode prever como é provável que mude no futuro. 3. Alta recompensa - Baixo risco Ao otimizar nosso ponto de entrada comercial, podemos entrar no mercado com uma perda de parada muito pequena (normalmente entre 10 a 20 pips) e manter o comércio até o preço ter feito um grande movimento, geralmente saindo com 70 Pips. 4. Você decide quando quer trocar Nosso método pode ser negociado entre as 6h às 16h, com a maioria dos negócios realizados no início da manhã. Isso significa que você pode negociar em torno de um emprego a tempo inteiro. 5. Siga as nossas negociações Use nosso serviço de sinal comercial e siga os negócios que realizamos em tempo real. Você também receberá comentários ao mercado ao vivo e um resumo diário de e-mail explicando o que aconteceu nos mercados e nos negócios que realizamos. 6. Suporte total - todas as suas perguntas respondidas Nós fornecemos suporte total a quem quiser aprender nossa estratégia Forex. Queremos ensinar-lhe como negociar de forma rentável e responderá a quaisquer perguntas que possa ter sobre as moedas ou o método. Aprenda a negociar como um profissional Para nós, a estratégia de negociação do IFT é a melhor maneira de ganhar dinheiro no FX Então, o que você está esperando? Procure o guia agora e descubra como você pode aprender a negociar como um profissional
No comments:
Post a Comment