交易中經(jīng)典方法與機(jī)器學(xué)習(xí)的區(qū)別

交易策略的概念可能是每個(gè)交易者都熟悉的。此外，對(duì)于那些有幸使用 赫茲量化 產(chǎn)品的人來(lái)說(shuō)，交易自動(dòng)化是一個(gè)重要方面。如果我們?cè)诖a中去除交易環(huán)境，大多數(shù)策略主要意味著選擇不均衡（通常在價(jià)格和圖表上的指標(biāo)之間）或使用指標(biāo)值及其范圍來(lái)做出入場(chǎng)（頭寸打開(kāi)）和退出決策。

幾乎每個(gè)交易策略開(kāi)發(fā)人員都有過(guò)深刻的見(jiàn)解，這導(dǎo)致了更多的交易條件和新的不均衡。每一次這樣的增加都會(huì)在一定的時(shí)間間隔內(nèi)引起財(cái)務(wù)結(jié)果的變化。但另一個(gè)時(shí)間間隔、時(shí)間框架或交易工具可能會(huì)顯示出令人失望的結(jié)果——交易系統(tǒng)不再有效，交易者必須尋找新的模式和條件。此外，每一個(gè)新條件的加入都會(huì)減少交易次數(shù)。

在搜索過(guò)程之后，通常會(huì)對(duì)用于做出交易決策的不均衡進(jìn)行優(yōu)化。優(yōu)化過(guò)程檢查許多參數(shù)，這些參數(shù)通常超出初始數(shù)據(jù)值。另一種情況是，參數(shù)優(yōu)化產(chǎn)生的不均衡價(jià)值很少出現(xiàn)，即使它們可以改善余額曲線或任何其他可優(yōu)化參數(shù)，也可以將其視為統(tǒng)計(jì)偏差，而不是已發(fā)現(xiàn)的模式。因此，優(yōu)化會(huì)導(dǎo)致在交易策略中實(shí)現(xiàn)的啟發(fā)式思想與可用的市場(chǎng)數(shù)據(jù)過(guò)度擬合。如果策略意味著使用大量的變量和它們的值，那么這種方法在搜索最優(yōu)解所花費(fèi)的計(jì)算資源方面是效率很低的。

機(jī)器學(xué)習(xí)方法通過(guò)生成不均衡規(guī)則，只檢查分析數(shù)據(jù)中存在的參數(shù)值，加快了參數(shù)優(yōu)化和模式搜索過(guò)程。不同的模型創(chuàng)建方法使用不同的方法。然而，通常的想法是通過(guò)可用于訓(xùn)練的數(shù)據(jù)來(lái)限制解決方案搜索。機(jī)器學(xué)習(xí)并沒(méi)有產(chǎn)生導(dǎo)致交易決策邏輯的不均衡，而是只提供包含價(jià)格信息和影響價(jià)格形成因素的變量值。這些數(shù)據(jù)被稱為特征（或預(yù)測(cè)因子）。

特征必須影響我們希望通過(guò)輪詢獲得的結(jié)果。結(jié)果通常表示為一個(gè)數(shù)值：它可以是分類的類號(hào)，也可以是回歸的設(shè)定值。這樣的結(jié)果就是目標(biāo)變量。有些訓(xùn)練方法沒(méi)有目標(biāo)變量，例如聚類方法，但本文將不討論它們。

所以，我們需要預(yù)測(cè)因子和目標(biāo)變量。

機(jī)器學(xué)習(xí)軟件

我們將使用 赫茲量化軟件進(jìn)行機(jī)器學(xué)習(xí)，可在這個(gè)鏈接下載。本文旨在創(chuàng)建一個(gè)獨(dú)立的版本，它不需要其他編程語(yǔ)言，而您只需要下載最新版本的exe文件，例如catboost-0.24.1.exe。

CatBoost是一個(gè)開(kāi)源的機(jī)器學(xué)習(xí)算法，來(lái)自著名的Yandex公司。因此，我們可以期待相關(guān)的產(chǎn)品支持、改進(jìn)和錯(cuò)誤修復(fù)。

為機(jī)器學(xué)習(xí)準(zhǔn)備數(shù)據(jù)

包含預(yù)測(cè)因子和目標(biāo)變量的數(shù)據(jù)稱為樣本。它是一個(gè)數(shù)據(jù)數(shù)組，包含作為列的預(yù)測(cè)因子的枚舉，其中每一行都是一個(gè)度量時(shí)刻，顯示該時(shí)刻預(yù)測(cè)因子值。記錄在字符串中的測(cè)量值可以在特定的時(shí)間間隔獲得，或者可以表示各種對(duì)象，例如圖像。文件通常采用CSV格式，它對(duì)列值和標(biāo)題（可選）使用條件分隔符 。

讓我們?cè)谑纠惺褂靡韵骂A(yù)測(cè)因子：

目標(biāo)變量是MA交叉點(diǎn)處的信號(hào)，在下一個(gè)柱處保持不變。如果價(jià)格高于MA，那就買。如果價(jià)格低于MA，則賣出。每次信號(hào)到達(dá)時(shí)，應(yīng)關(guān)閉現(xiàn)有倉(cāng)位。目標(biāo)變量將顯示是否打開(kāi)一個(gè)倉(cāng)位。

我不建議使用腳本來(lái)生成目標(biāo)和預(yù)測(cè)變量。使用專家顧問(wèn)，這將允許在生成樣本時(shí)檢測(cè)代碼中的邏輯錯(cuò)誤，以及數(shù)據(jù)到達(dá)的詳細(xì)模擬-這將類似于實(shí)際交易中數(shù)據(jù)的到達(dá)方式。此外，如果目標(biāo)變量使用不同的交易品種，您將能夠考慮不同交易工具的不同開(kāi)啟時(shí)間，并考慮數(shù)據(jù)接收和處理的延遲，以防止算法看到未來(lái)，使用不適合訓(xùn)練的指標(biāo)重繪和邏輯。結(jié)果表明，該模型在實(shí)際應(yīng)用中，可以在柱上實(shí)時(shí)計(jì)算預(yù)測(cè)因子。

一些算法交易者，特別是那些使用機(jī)器學(xué)習(xí)的交易者表示，標(biāo)準(zhǔn)指標(biāo)大多是無(wú)用的，因?yàn)樗鼈兪菧蟮模菑膬r(jià)格中衍生出來(lái)的，這意味著它們不提供任何新的信息，而神經(jīng)網(wǎng)絡(luò)可以創(chuàng)建任何指標(biāo)。的確，神經(jīng)網(wǎng)絡(luò)的功能是很強(qiáng)大的，但它們往往需要的計(jì)算能力，這是大多數(shù)普通交易者所無(wú)法獲得的。此外，學(xué)習(xí)這種神經(jīng)網(wǎng)絡(luò)需要時(shí)間?；跊Q策樹的機(jī)器學(xué)習(xí)方法在創(chuàng)建新的數(shù)學(xué)實(shí)體方面無(wú)法與神經(jīng)網(wǎng)絡(luò)競(jìng)爭(zhēng)，因?yàn)樗鼈儾晦D(zhuǎn)換輸入數(shù)據(jù)。但是當(dāng)需要識(shí)別直接依賴關(guān)系時(shí)，它們被認(rèn)為比神經(jīng)網(wǎng)絡(luò)更有效，特別是在大型和異構(gòu)的數(shù)據(jù)數(shù)組中。實(shí)際上，神經(jīng)網(wǎng)絡(luò)的目的是產(chǎn)生新的模式，即描述市場(chǎng)的參數(shù)?；跊Q策樹的模型旨在識(shí)別這些模式集合中的模式。通過(guò)使用終端的標(biāo)準(zhǔn)指標(biāo)作為預(yù)測(cè)指標(biāo)，我們采用了不同國(guó)家不同交易所和場(chǎng)外交易市場(chǎng)的數(shù)千名交易員使用的模式。因此，我們可以假設(shè)，我們將能夠確定交易員行為對(duì)指標(biāo)值的相反依賴性，這最終會(huì)影響交易工具。我以前沒(méi)有用過(guò)振蕩指標(biāo)，所以看到結(jié)果會(huì)很有趣。