Обсуждение статьи "Конструирование признаков для машинного обучения (Часть 5): Микроструктурные признаки на Python"

[MetaQuotes]

Опубликована статья Конструирование признаков для машинного обучения (Часть 5): Микроструктурные признаки на Python:

В статье представлен набор микроструктурных признаков из главы 19, реализованный в модуле afml.features.microstructure, и описана двухуровневая архитектура для работы как только с данными OHLCV, так и с добавлением тиковых данных. Мы рассматриваем оценки спреда и волатильности по Роллу и Корвину — Шульцу, лямбду Кайла, лямбду Амихуда и лямбду Хасбрука, VPIN, а также признаки дисбаланса на уровне баров — всё это реализовано в вычислительных ядрах, ускоренных с помощью Numba. Один проход с использованием np.searchsorted определяет границы баров, что позволяет выполнять параллельные вычисления с помощью prange и получать матрицу признаков с индексом по барам, готовую для дальнейшего использования в моделях машинного обучения.

Стандартные признаки на основе OHLCV исходят из того, что ценообразование экзогенно: рынок открывается, совершаются сделки, а бар фиксирует результат. Теория микроструктуры придерживается противоположной точки зрения. В ней сам процесс торговли моделируется как механизм, посредством которого непубличная информация отражается в ценах. Предполагается наличие двух участников: информированного трейдера, который знает истинную стоимость актива и действует исходя из этих знаний, и неинформированного маркет-мейкера, который обеспечивает ликвидность, не обладая такими знаниями. Спред и коэффициент ценового воздействия являются равновесными результатами данного стратегического взаимодействия.

Тиковое правило — самый ранний инструмент классификации в рамках этого подхода. Оно присваивает каждой сделке направление bt ∈ {−1, +1} в зависимости от того, выросла ли цена сделки, снизилась или осталась неизменной по сравнению с ценой предыдущей сделки. Исходный ряд {bt} сам по себе является признаком, однако в главе выделены пять полезных преобразований: применение фильтра Калмана к ожидаемому будущему направлению Et[bt+1]; выявление структурных сдвигов в этих прогнозах (рассмотрено в части 7 этой серии); энтропия последовательности {bt} (глава 18, будет рассмотрена в следующей статье); t-значения критерия серий Вальда — Вольфовица для {bt}; и дробное дифференцирование накопленного ряда Σibi (глава 5, часть 1 этой серии). Все пять преобразований отражают различные аспекты того, как информация о направлении накапливается внутри бара или между барами.

Автор: Patrick Murimi Njoroge