Das maschinelle Lernen beherrschen

MetaQuotes | 28 Juni, 2022

Alle angehenden Händler beginnen ihre Lernreise mit den Grundlagen der technischen Analyse, und viele von ihnen lesen die gleichen Bücher über den Börsenhandel. Die Grundlagen sind eigentlich leicht zu verstehen. Die Anfangsphase eines manuellen Handels geht jedoch recht schnell vorbei. Der nächste Schritt besteht darin, eine größere Stabilität der Handelsergebnisse zu erreichen und die Handelsvolumina zu erhöhen, während gleichzeitig eine Vielzahl von Finanzinstrumenten abgedeckt und das Risiko gering gehalten wird. Hier kommt der algorithmische Handel mit Hilfe von Handelsrobotern ins Spiel, bei dem es sich allerdings um ein völlig neues Forschungsgebiet handelt. Neben Kenntnissen über die Finanzmärkte sind auch Fähigkeiten in der Programmierung und technischen Analyse erforderlich.

Das Thema des algorithmischen Handels ist zu weit gefasst. Durch eine einfache Suche im Internet können Sie Hunderte oder sogar Tausende von spezialisierten Ressourcen und Anleitungen finden. Einer der Ansätze, der sich zunehmender Beliebtheit erfreut, betrifft das maschinelle Lernen und neuronale Netze. Es handelt sich um ein völlig neues Gebiet mit vielfältigen Kenntnissen, so dass es schwierig sein kann, zu verstehen, wo man mit dem Lernen dieses Themas beginnen soll. Wir haben eine Auswahl von Materialien in englischer Sprache zusammengestellt, um Ihnen die Suche nach diesen Informationen zu ersparen.

Bücher

Eine Auswahl von (englischen) Büchern über den Einsatz von Machine Learning im algorithmischen Handel. Dieser Bereich erfordert Kenntnisse in Mathematik, Statistik und Python-Programmierung.

• Marcos López de Prado. Advances in Financial Machine Learning (Link)
• Dr. Howard B. Bandy. Quantitative Technical Analysis: An integrated approach to trading system development and trading management (Link)
• Tony Guida. Big Data and Machine Learning in Quantitative Investment (Link)
• Michael Halls-Moore. Advanced Algorithmic Trading (Link)
• Jannes Klaas. Machine Learning for Finance: Data algorithms for the markets and deep learning from the ground up for financial experts and economics (Link)
• Stefan Jansen. Hands-On Machine Learning for Algorithmic Trading: Design and implement smart investment strategies to analyze market behavior using the Python ecosystem (Link)
• Ali N. Akansu, Sanjeev R. Kulkarni , Dmitry M. Malioutov. Financial Signal Processing and Machine Learning (Link)
• David Aronson. Evidence-Based Technical Analysis: Applying the Scientific Method and Statistical Inference to Trading (Link)
• David Aronson. Statistically Sound Machine Learning for Algorithmic Trading of Financial Instruments (Link)
• Ernest P. Chan. Machine Trading: Deploying Computer Algorithms to Conquer the Markets (Link)

Online-Kurse und Spezialisierungen

Online-Kurse sind der einfachste und beliebteste Weg, um sich Wissen in bestimmten Bereichen anzueignen. Hier finden Sie eine Auswahl von Kursen zum maschinellen Lernen, die auf Udacity und Coursera verfügbar sind

• Udacity: Georgia Tech. Machine Learning for Trading. Dieser Kurs führt die Studenten in die realen Herausforderungen der Implementierung von auf maschinellem Lernen basierenden Handelsstrategien ein. Der Schwerpunkt liegt auf der Anwendung probabilistischer Ansätze des maschinellen Lernens auf Handelsentscheidungen. Der Kurs behandelt statistische Ansätze wie lineare Regression, KNN und Regressionsbäume und geht darauf ein, wie diese auf konkrete Situationen im Aktienhandel angewendet werden können. Die Dauer beträgt ca. 4 Monate.
  

• Udacity: WorldQuant. Artificial Intelligence for Trading. Dieser 6-monatige Kurs vermittelt die Grundlagen der quantitativen Analyse, einschließlich Datenverarbeitung, Erzeugung von Handelssignalen und Portfoliomanagement. Sie werden lernen, wie man mit Python mit historischen Aktiendaten arbeitet, Handelsstrategien entwickelt und ein Multifaktormodell mit Optimierung konstruiert.
  

• Coursera: NYU Specialization Machine Learning and Reinforcement Learning in Finance (Schwach verwandt mit dem Handel), die aus vier Kursen mit jeweils 13-24 Stunden besteht. Diese Reihe richtet sich an drei Kategorien von Schülern:
  

  1. Praktiker, die bei Finanzinstituten wie Banken, Vermögensverwaltungsgesellschaften oder Hedgefonds arbeiten.
  2. Personen, die an Anwendungen des maschinellen Lernens für das persönliche Daytrading interessiert sind.
  3. Derzeitige Vollzeitstudenten, die einen Abschluss in Finanzwesen, Statistik, Informatik, Mathematik, Physik, Ingenieurwesen oder anderen verwandten Disziplinen anstreben und praktische Anwendungen von ML im Finanzwesen kennenlernen möchten.
  Erfahrung mit Python (numpy, pandas und IPython/Jupyter notebooks), linearer Algebra, grundlegender Wahrscheinlichkeitstheorie und Grundrechenarten ist notwendig, um die Aufgaben in diesem Kurs zu lösen.
  
  Die Kurse:
  
  • Guided Tour of Machine Learning in Finance. Ein Einführungskurs mit dem Schwerpunkt auf Anwendungen im Finanzwesen. 
    
  • Fundamentals of Machine Learning in Finance. Studierende mit keinen oder nur geringen Vorkenntnissen im Bereich des maschinellen Lernens lernen die wichtigsten Algorithmen des überwachten und unüberwachten Lernens sowie des Verstärkungslernens kennen und sind in der Lage, Open-Source-Python-Pakete für ML zu verwenden, um ML-Algorithmen zu entwerfen, zu testen und im Finanzwesen zu implementieren.
    
  • Reinforcement Learning in Finance. Ziel des Kurses ist die Einführung in die grundlegenden Konzepte des Reinforcement Learning (RL) und die Entwicklung von Anwendungsfällen für RL-Anwendungen in den Bereichen Optionsbewertung, Handel und Vermögensverwaltung.
  • Overview of Advanced Methods for Reinforcement Learning in Finance. Im letzten Kurs der Spezialisierung werden die im dritten Kurs behandelten Themen vertieft. Insbesondere werden Verbindungen zwischen Reinforcement Learning, Optionspreisen und Physik, Implikationen des Inverse Reinforcement Learning für die Modellierung von Marktauswirkungen und Preisdynamik sowie Wahrnehmungs- und Handlungszyklen beim Reinforcement Learning untersucht.
    
    

YouTube-Videos

• Siraj Raval. Videos über Aktienmarktprognosen mit Hilfe von Deep Learning (Link). Cryptocurrency bot, Reinforcement Learning for stock prediction, TensorFlow und mehr.
  
• QuantInsti YouTube. Webinare über maschinelles Lernen für den Handel (Link). Machine Learning, Quantitative Finance, Optimal Portfolio Theory und viele andere Erklärvideos.
  
• Quantopian. Webinare über maschinelles Lernen für den Handel (Link). Die Verwendung von Klassifizierung und Regression im Handel, Deep Learning, Big Data, Erstellung von Modellen für die Stimmungsanalyse und viele andere Videos über ML.
  
• Sentdex. Maschinelles Lernen für Devisen- und Aktienanalysen und algorithmischen Handel (Link). Ein Einführungskurs über maschinelles Lernen und Mustererkennung im Devisen- und Aktienhandel.
• Sentdex. Python-Programmierung für das Finanzwesen (Videos mit maschinellem Lernen) (Link). Vorverarbeitung von Daten für maschinelles Lernen mit Python.
• QuantNews. Maschinelles Lernen für den algorithmischen Handel - drei Videos (Link). Die Videos beschreiben die ersten Schritte des maschinellen Lernens, die Datenvorbereitung und die Abstimmung der Hyperparameter.
• Howard Bandy. Webinar zur Entwicklung von Handelssystemen mit maschinellem Lernen (Link). Ein aufgezeichnetes Webinar über die Entwicklung eines Handelssystems mit Hilfe von Machine Learning.
  
• Ernie Chan. Webinar über maschinelles Lernen für den quantitativen Handel (Link). Ein weiteres einstündiges Webinar über maschinelles Lernen.
• Hitoshi Harada, CTO bei Alpaca. Deep Learning in Finance Talk (Link). Deep Learning im Finanzwesen vom CTO des Unternehmens Alpaca, das APIs zur Automatisierung des Krypto- und Aktienhandels entwickelt.
  
• Prediction Machines. Deep Learning mit Python in Finance Talk (Link). Der Referent Ben Ball spricht darüber, wie man einen Reinforcement Learning Algorithmus in Python mit TensorFlow implementiert und präsentiert Hintergrundinformationen über die Klasse der Deep Learning Algorithmen und die Anwendung auf Finanzmärkte.
  
• Präsentation der Masterarbeit, Uni Essex. Analyzing the Limit Order Book, A Deep Learning Approach (Link). 
• Tucker Balch. Anwendung von Deep Reinforcement Learning im Handel (Link). Präsentation der Abschlussarbeit in M.Sc. Algorithmischer Handel an der Universität von Essex. Ziel des Projekts ist die Extraktion von Informationen aus dem Orderbuch Level 2 (DOM Level-2) mit Hilfe eines Convolutional Neural Network.
• Krish Naik. Aktienkursvorhersage und -prognose mittels Stacked LSTM-Deep Learning (Link). Entwicklung eines maschinellen Lernmodells für die Vorhersage von Aktienkursen. Bei der Aktienmarktprognose wird versucht, den künftigen Wert einer Unternehmensaktie oder eines anderen Finanzinstruments, das an einer Finanzbörse gehandelt wird, zu bestimmen.

Blogs und relevante Websites

• Quantstart. Artikel über maschinelles Lernen für den Handel (Link). Einige Dutzend Artikel, die in Kategorien unterteilt sind. Sie umfassen theoretische Grundlagen, mathematische Formeln und Rechenbeispiele in verschiedenen Programmiersprachen.
  
• Quantopian. Vorlesungshefte über ML-bezogene Statistik (Link). Die Website ist nicht mehr verfügbar, aber dank Ihor Marusyk können Sie alle 56 Kurse auf dieser legendären Quelle lesen und ansehen.
  
• AAA Quants. Tom Starke Blog (Link). Das Thema des Blogs lautet "AI based solutions, quantitative analysis and data processing for finance“. Die gut strukturierte Artikelserie, die durch Python-Code ergänzt wird, vermittelt Ihnen eine Vorstellung davon, wie Mathematik im algorithmischen Handel angewendet werden kann.
  
• RobotWealth. Kris Longmore Blog (Link). Dies ist ein weiterer nützlicher Blog zum Thema maschinelles Lernen. Sie enthält auch Rezensionen von Büchern und Artikeln über den algorithmischen Handel. Eine äußerst interessante Quelle.
  
• Blackarbs blog (Link). Ein interessanter Blog eines Händlers, der einst im diskretionären Handel abstürzte und dann zu Python, quantitativer Analyse und vollautomatischem Handel überging. Der Blog enthält seit 2013 zahlreiche Veröffentlichungen, in denen der Händler seine Ideen und Methoden mitteilt.
  
• Hardikp, Hardik Patel blog (Link). Maschinelles Lernen für den Intraday-Handel, neuronale Netze, Aktienprognosen und mehr.
  

• Chat with Traders EP042: Maschinelles Lernen für den algorithmischen Handel mit Bert Mouler (Link)
• Chat with Traders EP142: Algo-Händler nutzen Automatisierung, um menschliche Schwächen zu umgehen, mit Bert Mouler (Link)
• Chat with Traders EP147: Detektivarbeit, die zu praktikablen Handelsstrategien führt, mit Tom Starke (Link)
• Chat with Traders Quantopian 5: Gute Anwendungen des maschinellen Lernens im Finanzwesen mit Max Margenot (Link)
• Chat with Traders EP131: Handelsstrategien, unterstützt durch maschinelles Lernen mit Morgan Slade (Link)
• Better System Trader EP023: Portfoliomanager Michael Himmel über KI und maschinelles Lernen im Handel (Link)
• Better System Trader EP028: David Aronson stellt Forschungsergebnisse zu Indikatoren vor, die Bullen- und Bärenmärkte identifizieren (Link)
• Better System Trader EP082: Maschinelles Lernen mit Kris Longmore (Link)
• Better System Trader EP064: Kryptowährungen und maschinelles Lernen mit Bert Mouler (Link)
• Better System Trader EP090: Der Ansatz von Quants zur Entwicklung von Algo-Strategien mit Michael Halls-Moore (Link)

Wissenschaftliche Beiträge

• Cumming, James. An Investigation into the Use of Reinforcement Learning Techniques within the Algorithmic Trading Domain (Link)
• Marcos López de Prado. The 10 reasons most Machine Learning Funds fails (Link)
• Xiong, Zhuoran et al. Practical Deep Reinforcement Learning Approach for Stock Trading (Link)
• Ritter, Gordon. Machine Learning for Trading (Link)
• Heaton, J.B. et al. Deep Learning for Finance: Deep Portfolios (Link)
• Sirignano, Justin et al. Universal Features of Price Formation in Financial Markets: Perspectives From Deep Learning (Link)
• Messmer, Marcial. Deep Learning and the Cross-Section of Expected Returns (Link)
• Marcos López de Prado. Ten Financial Applications of Machine Learning (Presentation Slides) (Link)
• Marcos López de Prado. The Myth and Reality of Financial Machine Learning (Presentation Slides) (Link)
• Sepp, Artur. Machine Learning for Volatility Trading (Presentation Slides) (Link)
• Marcos López de Prado. Market Microstructure in the Age of Machine Learning (Link)
• Brogaard, Jonathan. Machine Learning and the Stock Market (Link)
• Milan Fičura. Forecasting Foreign Exchange Rate Movements with k-Nearest-Neighbour, Ridge Regression and Feed-Forward Neural Networks (Link)
• Edet, Samuel. Recurrent Neural Networks in Forecasting S&P 500 Index (Link). Hedayati, Amin et al. Stock Market Index Prediction Using Artificial Neural Network (Link)
• Sen, Jaydip et al. A Robust Predictive Model for Stock Price Forecasting (Link)
• Sezer, O.B. et al. An Artificial Neural Network-based Stock Trading System Using Technical Analysis and Big Data Framework (Link)
• Singh, Ritika. Stock prediction using deep learning (Link)
• Fischera Thomas, et al. Deep learning with long short-term memory networks for financial market predictions (Link)
• Cavalcante,R.C. et al. Computational Intelligence and Financial Markets: A Survey and Future Directions (Link)
• E. Chong et al. Deep Learning Networks for Stock Market Analysis and Prediction: Methodology, Data Representations, and Case Studies (Link)
• Chien Yi Huang. Financial Trading as a Game: A Deep Reinforcement Learning Approach (Link)
• W. Bao et al. A deep learning framework for financial time series using stacked autoencoders and longshort term memory (Link)
• Zhou, Xingyu et al. Stock Market Prediction on High-Frequency Data Using Generative Adversarial Nets (Link)
• Feng, Fuli et al. Improving Stock Movement Prediction with Adversarial Training (Link)
• Z. Zhao et al. Time-Weighted LSTM Model with Redefined Labeling for Stock Trend Prediction (Link)
• Arthur le Calvez, Dave Cliff. Deep Learning can Replicate Adaptive Traders in a Limit-Order-Book Financial Market (Link)
• Dang Lien Minh et al. Deep Learning Approach for Short-Term Stock Trends Prediction Based on Two-Stream Gated Recurrent Unit Network (Link)
• Yue Deng et al. Deep Direct Reinforcement Learning for Financial Signal Representation and Trading (Link)
• Xiao Zhong. A comprehensive cluster and classification mining procedure for daily stock market return forecasting (Link)
• J. Zhang et al. A novel data-driven stock price trend prediction system (Link)
• Hoseinzade, Ehsan et al. CNNPred: CNN-based stock market prediction using several data sources (Link)
• Chung, Hyejung et al. Genetic Algorithm-Optimized Long Short-Term Memory Network for Stock Market Prediction (Link)
• Baek, Yujin et al. ModAugNet: A new forecasting framework for stock market index value with an overfitting prevention LSTM module and a prediction LSTM module ((Link)
• Dash, Rajashree et al. A hybrid stock trading framework integrating technical analysis with machine learning techniques (Link)
• E.A. Gerlein et al. Evaluating machine learning classification for financial trading: an empirical approach (Link)
• Sirignano, Justin. Deep Learning for Limit Order Books (Link)

Nachrichten und Sentiment-Handel

Die Menge der von verschiedenen Nachrichtenagenturen ausgestrahlten Nachrichten nimmt ständig zu. Die Anwendung von Filtern war erforderlich, um von diesem Datenstrom zu profitieren, weshalb diese Funktion hauptsächlich von den Research-Abteilungen großer Wertpapierfirmen genutzt wurde. Mit dem Aufkommen der Digitalisierung von Nachrichteninhalten, der Entwicklung von Computerkapazitäten und linguistischen Interpretationsmethoden können diese Daten nun jedoch effizient und schnell analysiert werden. Die Programme, die diese Daten analysieren, werden im Allgemeinen als Sentiment-Algorithmen (Stimmungsalgorithmen) bezeichnet.

• Frank Z. Xing et al. Natural language based financial forecasting: a survey (Link). Die Verfügbarkeit von Daten und verschiedenen Techniken führt zur qualitativen Entwicklung von Natural Language Processing (NLP) Techniken. Diese zunehmende Fähigkeit ermöglicht eine genauere Erfassung der Marktstimmung.
  
• Ziniu Hu et al. Listening to Chaotic Whispers: A Deep Learning Framework for News-oriented Stock Trend Prediction (Link). Dieser Artikel beschreibt hybride Aufmerksamkeitsnetzwerke, die dazu dienen, Aktientrends auf der Grundlage einer Abfolge von Ereignissen vorherzusagen.
  
• J.W. Leung, Diplomarbeit, MIT. Application of Machine Learning: Automated Trading Informed by Event Driven Data (Link). Dieser Artikel beschreibt, wie man Handelsstrategien mit Hilfe von
  Methoden des maschinellen Lernens sowohl für Indikatoren der technischen Analyse als auch für Marktstimmungen. Die beschriebenen Prognosemodelle können als algorithmischer Handel an jeder beliebigen Börse eingesetzt werden.
  
• Xiao Ding et al. Deep Learning for Event-Driven Stock Prediction (Link). Der Artikel behandelt Deep Learning-Methoden für ereignisgesteuerte Börsenprognosen. Zunächst werden die Ereignisse aus dem Nachrichtentext extrahiert und als dichte Vektoren dargestellt, die mit einem neuartigen neuronalen Tensornetz trainiert werden. Anschließend wird ein tiefes neuronales Faltungsnetzwerk verwendet, um sowohl kurzfristige als auch langfristige Einflüsse von Ereignissen auf Aktienkursbewegungen zu modellieren.
  

Schlussfolgerung

Ziel dieses Artikels ist es, Händlern eine kurze, nützliche Zusammenfassung öffentlich zugänglicher Tutorials zum maschinellen Lernen zu geben. Wir hoffen, dass auch ein Anfänger etwas Nützliches für sich findet und einen Einblick in weitere Entwicklungsideen erhält. Einige der vorgestellten Materialien können zusätzliche Kenntnisse erfordern, die weit über ein einfaches Verständnis technischer Indikatoren und Programmierkenntnisse hinausgehen.

Wenn Ihnen eines der Themen zu kompliziert erscheint, wissen Sie jetzt, nach welchen Kursen Sie im Internet suchen müssen, um den Bereich des maschinellen Lernens zu beherrschen. Lernen Sie etwas Neues, helfen Sie anderen Händlern, teilen Sie Links und Ihre Ideen in diesem komplizierten, aber interessanten Bereich über unsere MQL5.community.