English Русский Español Deutsch 日本語 Português
preview
如何掌握机器学习

如何掌握机器学习

MetaTrader 5示例 | 7 七月 2022, 09:34
3 280 0
MetaQuotes
MetaQuotes

所有初学的交易员都是从技术分析基础知识开始他们职业生涯的,他们中的许多人都读过相同的关于证券交易所进行交易的书籍。 这些基础知识通常很容易理解。 然而,最初的手动交易阶段过得相当迅速。 下一步是实现交易结果的极度稳定性,并增加交易量,同时覆盖各种金融工具,并维持低风险。 这便是需要交易机器人进行算法交易的地方,然而这是一个全新的研究领域。 除了金融市场知识外,它还需要编程和技术分析技能。

算法交易主题过于宽泛。 只要在网上搜索,您就可以找到数百甚至数千种专业资源和教程。 日益流行的方法之一就是机器学习和神经网络。 这是一个全新的多元化知识领域,因此很难理解从何处入手学习这门学科。 为了节省您搜索此类信息的时间,我们准备了一系列资料。

书籍


书籍

有关如何在算法交易中运用机器学习的书籍选集。 这个领域需要数学、统计学和 Python 编程技能、等相关知识。

  • Marcos López de Prado. Advances in Financial Machine Learning (Link) — 金融类机器学习的进展
  • Dr Howard B Bandy. Quantitative Technical Analysis: An integrated approach to trading system development and trading management (Link) — 量化技术分析:交易系统开发和交易管理的综合方法
  • Tony Guida. Big Data and Machine Learning in Quantitative Investment (Link) — 量化投资中的大数据和机器学习
  • Michael Halls-Moore. Advanced Algorithmic Trading (Link) — 高级算法交易
  • Jannes Klaas. Machine Learning for Finance: Data algorithms for the markets and deep learning from the ground up for financial experts and economics (Link) — 金融类机器学习:面向市场的数据算法以及汇集金融专家和经济学者群体的深度学习
  • Stefan Jansen. Hands-On Machine Learning for Algorithmic Trading: Design and implement smart investment strategies to analyze market behavior using the Python ecosystem (Link) — 亲手实践算法交易的机器学习:利用 Python 生态系统设计并实现智能投资策略来分析市场行为
  • Ali N. Akansu, Sanjeev R. Kulkarni , Dmitry M. Malioutov. Financial Signal Processing and Machine Learning (Link) — 金融类信号处理与机器学习
  • David Aronson. Evidence-Based Technical Analysis: Applying the Scientific Method and Statistical Inference to Trading (Link) — 基于证据的技术分析:在交易中应用科学方法和统计推断
  • David Aronson. Statistically Sound Machine Learning for Algorithmic Trading of Financial Instruments (Link) — 金融工具算法交易的统计合理机器学习
  • Ernest P. Chan. Machine Trading: Deploying Computer Algorithms to Conquer the Markets (Link) — 机器交易:部署计算机算法来征服市场


在线课程和专业

在线课程是获取重点领域知识的最便捷和最受欢迎的方式。 以下是 Udacity 和 Coursera 上提供的机器学习课程选择

在线课程

  • 课程:乔治亚理工大学。 针对交易的机器学习. 该课程向学生介绍基于交易策略实现机器学习的的现实挑战。 重点介绍了如何应用概率机器学习方法来制定交易决策。 本课程涵盖线性回归、KNN 和回归树、等统计方法,并研究如何将其应用于实际的股票交易情况。 课时约为 4 个月。

  • 课程Udacity: WorldQuant。 人工智能交易。 这门为期 6 个月的课程提供了量化分析的基础知识,包括数据处理、交易信号生成、和投资组合管理。 您将学习如何利用 Python 处理股票历史数据,制定交易策略,并构建具有优化功能的多因素模型。

  • 课程:纽约大学专业金融专业机器学习和强化学习(与交易弱相关),包括四门课程,每门课程 13-24 小时。 本系列面向三类学生:

    1. 在银行、资产管理公司、或对冲基金等金融机构工作的从业人员。
    2. 对于在交易中应用机器学习感兴趣的个人。
    3. 目前攻读金融、统计学、计算机科学、数学、物理、工程、或其它相关学科学位的全日制学生,他们希望了解机器学习在金融领域的实际应用。
    为了完成本课程的练习,必须具备 Python(numpy、pandas 和 IPython/Jupyter 笔记本)、线性代数、基本概率论和基本微积分的经验。

    课程:
    • 金融类机器学习导览。 介绍性课程,重点是金融领域应用。 
    • 金融类机器学习基础。拥有一点,或以前全无机器学习知识的学习者将从中了解值守和非值守学习,以及强化学习的主要算法,并将能够运用机器学习开源 Python 软件包来设计、测试和实现金融领域的机器学习算法。
    • 金融类强化学习。 本课程旨在介绍强化学习的基本概念,并为期权估值、交易和资产管理的强化学习应用程序开发用例。
    • 金融类强化学习的高级方法概述。 该专业的最后一门课程深入探讨了第三门课程中讨论的主题。 特别是,它研究了强化学习、期权定价和物理之间的联系,逆强化学习对市场建模、和价格动态的影响,以及强化学习中的感知-行动周期。


YouTube 视频

下面的清单列出了一些关于机器学习应用于交易的很有用视频。

视频

  • Siraj Raval. Videos about stock market prediction using Deep Learning (Link)。 加密货币机器人、股票预测的强化学习、TensorFlow、等等。
  • QuantInsti YouTube. Webinars about Machine Learning for trading (Link)。 机器学习、量化金融、最优投资组合理论、和许多其它教学视频。
  • Quantopian. Webinars about Machine Learning for trading (Link)。 在交易中运用分类和回归,深度学习、大数据、情绪分析建模、和运用机器学习的其它视频。
  • Sentdex. Machine Learning for Forex and Stock analysis and algorithmic trading (Link)。 外汇和股票交易中机器学习和模式识别的入门课程。
  • Sentdex. Python programming for Finance (videos include Machine Learning) (Link)。 利用 Python 为机器学习进行数据预处理。
  • QuantNews. Machine Learning for Algorithmic Trading - three videos (Link)。 视频讲解了机器学习、数据准备和超参数调整的第一步。
  • Howard Bandy. Machine Learning Trading System Development Webinar (Link)。关于如何运用机器学习开发交易系统的网络研讨会录像。
  • Ernie Chan. Machine Learning for Quantitative Trading Webinar (Link)。 另一个关于机器学习的一小时网络研讨会。
  • Hitoshi Harada, CTO at Alpaca. Deep Learning in Finance Talk (Link)。来自 Alpaca 公司首席技术官的深入学习金融知识,开发自动化加密和股票交易 API。
  • Prediction Machines. Deep Learning with Python in Finance Talk (Link)。 发言人 Ben Ball 谈如何利用 TensorFlow 在 Python 中实现强化学习算法,并介绍了深度学习算法类的背景信息,以及在金融市场中的应用。
  • Master Thesis presentation, Uni of Essex. Analyzing the Limit Order Book, A Deep Learning Approach (Link)。 
  • Tucker Balch. Applying Deep Reinforcement Learning to Trading (Link)。 在理工科硕士课程中介绍最终项目。 埃塞克斯大学的算法交易。 该项目的目标是运用卷积神经网络从订单簿级别 2(DOM Level-2)中提取信息。
  • Krish Naik. Stock Price Prediction And Forecasting Using Stacked LSTM-Deep Learning (Link)。 构建股票市场预测的机器学习模型。 股市预测是尝试判断公司股票或其它金融工具在金融交易所的未来估值。

    博客和相关网站

    还有众多不同的机器学习相关博客和网站。 以下是一些颇热门的资源,也许对算法交易有用。

    博客

    • Quantstart. Machine Learning for Trading articles (Link)。数十篇文章划分为几个类别。 它们涵盖了不同编程语言的理论基础、数学公式和计算示例。
    • Quantopian. Lecture notebooks on ML-related statistics (Link)。 该网站不再可用,但多亏了 Ihor Marusyk,您可以阅读和观看这一传奇资源的所有 56 场讲座。
    • AAA Quants. Tom Starke Blog (Link)。 博客主题是“基于人工智能的解决方案,金融领域量化分析和数据处理”,一系列文章结构良好,辅以 Python 代码,将为您提供如何在算法交易中应用数学的思路。
    • RobotWealth. Kris Longmore Blog (Link)。 这是另一个有用的机器学习博客。 它还包含算法交易书籍和文章的评论。 极度有趣的资源。
    • Blackarbs blog (Link)。 一位交易员写的一篇有趣的博客,他曾在自由裁决交易中崩溃,然后转向 Python、量化分析和全自动交易。 该博客收录了自 2013 年以来的众多出版物,在这些出版物中,这位交易员分享了他的想法和方法。
    • Hardikp, Hardik Patel blog (Link)。 可用于日内交易、神经网络、股票预测、等的机器学习。


    访谈

    关于机器学习在算法交易中应用的十次访谈。 领先的行业专家和从业者回答问题并分享有用的建议. 视频含有自动生成的字幕。

    访谈

    • Chat with Traders EP042: Machine learning for algorithmic trading with Bert Mouler (Link) — 交易员 EP042 访谈录:伯特·穆勒的算法交易机器学习
    • Chat with Traders EP142: Algo trader using automation to bypass human flaws with Bert Mouler (Link) — 交易员 EP142 访谈录:伯特·穆勒的绕过人为缺陷的自动化算法交易
    • Chat with Traders EP147: Detective work leading to viable trading strategies with Tom Starke (Link) — 交易员 EP147 访谈录:汤姆·斯塔克的检测操作引出的可行性交易策略
    • Chat with Traders Quantopian 5: Good Uses of Machine Learning in Finance with Max Margenot (Link) — 交易员 Quantopian 5 访谈录:机器学习在金融领域的良好应用
    • Chat With Traders EP131: Trading strategies, powered by machine learning with Morgan Slade (Link) — 交易员 EP131 访谈录:Morgan Slade 的由机器学习提供支持的交易策略
    • Better System Trader EP023: Portfolio manager Michael Himmel talks AI and machine learning in trading (Link) — 交易员 EP023 谈最佳系统:投资组合经理迈克尔·希梅尔谈人工智能和机器学习在交易中的应用
    • Better System Trader EP028: David Aronson shares research into indicators that identify Bull and Bear markets (Link) — 交易员 EP028 谈最佳系统:David Aronson 分享针对识别看涨和看跌行情指标的研究
    • Better System Trader EP082: Machine Learning With Kris Longmore (Link) — 交易员 EP082 谈最佳系统:Kris Longmore 的机器学习
    • Better System Trader EP064: Cryptocurrencies and Machine Learning with Bert Mouler (Link) — 交易员 EP064 谈最佳系统:Bert Mouler 的加密货币和机器学习
    • Better System Trader EP090: This quants' approach to designing algo strategies with Michael Halls-Moore (Link) — j交易员 EP090 谈最佳系统::迈克尔·霍尔·摩尔的设计算法策略的量化方法


    科技论文

    金融市场在现代社会的经济和社会组织中扮演者重要角色。 信息是此类市场中的宝贵资产。 随着信息系统日益现代化,交易者能得到如此庞大的数据,然而,这却可能令金融资产分析变得难以实现。

    市场研究人员正在开发智能方法和算法,为各个细化市场提供决策支持。 下面的列表包含来自世界各地科技和教育机构的 30 多篇论文链接。 它们涵盖了深度学习、分类和其它人工智能主题,以及它们在金融市场预测和交易中的应用。

    • Cumming, James. An Investigation into the Use of Reinforcement Learning Techniques within the Algorithmic Trading Domain (Link) — 在算法交易领域运用强化学习技术的调研
    • Marcos López de Prado. The 10 reasons most Machine Learning Funds fails (Link) — 机器学习基金失败的最普遍 10 个原因
    • Xiong, Zhuoran 等人. Practical Deep Reinforcement Learning Approach for Stock Trading (Link) — 实用的股票交易深度强化学习方法
    • Ritter, Gordon. Machine Learning for Trading (Link) — 可用于交易的机器学习
    • Heaton, J.B. 等人. Deep Learning for Finance: Deep Portfolios (Link) — 金融类深度学习:深度投资组合
    • Sirignano, Justin 等人. Universal Features of Price Formation in Financial Markets: Perspectives From Deep Learning (Link) — 金融市场价格形成的普遍特征:以深度学习的视角
    • Messmer, Marcial. Deep Learning and the Cross-Section of Expected Returns (Link) — 深度学习与预期收益的交汇
    • Marcos López de Prado. Ten Financial Applications of Machine Learning (Presentation Slides) (Link) — 机器学习的十大金融类应用(演示幻灯片)
    • Marcos López de Prado. The Myth and Reality of Financial Machine Learning (Presentation Slides) (Link) — 金融类机器学习的神话与现实(演示幻灯片)
    • Sepp, Artur. Machine Learning for Volatility Trading (Presentation Slides) (Link) — 波动性交易的机器学习(演示幻灯片)
    • Marcos López de Prado. Market Microstructure in the Age of Machine Learning (Link) — 机器学习时代的市场微观结构
    • Brogaard, Jonathan. Machine Learning and the Stock Market (Link) — 机器学习与股票市场
    • Milan Fičura. Forecasting Foreign Exchange Rate Movements with k-Nearest-Neighbour, Ridge Regression and Feed-Forward Neural Networks (Link) — 运用 K-近邻、岭回归、和前馈神经网络预测汇率变动
    • Edet, Samuel. Recurrent Neural Networks in Forecasting S&P 500 Index (Link) — 回归神经网络在标普 500 指数预测中的应用。 Hedayati, Amin 等人. Stock Market Index Prediction Using Artificial Neural Network (Link) — 运用人工神经网络进行股市指数预测
    • Sen, Jaydip 等人. A Robust Predictive Model for Stock Price Forecasting (Link) — 稳健预测股票价格的模型
    • Sezer, O.B. 等人. An Artificial Neural Network-based Stock Trading System Using Technical Analysis and Big Data Framework (Link) — 基于人工神经网络,并采用技术分析和大数据框架的股票交易系统
    • Singh, Ritika. Stock prediction using deep learning (Link) — 运用深度学习进行股票预测
    • Fischera Thomas, 等人. Deep learning with long short-term memory networks for financial market predictions (Link) — 用于金融市场预测的拥有长/短期记忆网络的深度学习
    • Cavalcante,R.C. 等人. Computational Intelligence and Financial Markets: A Survey and Future Directions (Link) — 计算智能和金融市场:综述和未来方向
    • E. Chong 等人. Deep Learning Networks for Stock Market Analysis and Prediction: Methodology, Data Representations, and Case Studies (Link) — 股票市场分析和预测的深度学习网络:方法、数据表示和案例研究
    • Chien Yi Huang. Financial Trading as a Game: A Deep Reinforcement Learning Approach (Link) — 如同游戏般的金融交易:深度强化学习方法
    • W. Bao 等人. A deep learning framework for financial time series using stacked autoencoders and longshort term memory (Link) — 针对金融时间序列,并运用堆叠自动编码器和长/短期记忆的深度学习框架
    • Zhou, Xingyu 等人. Stock Market Prediction on High-Frequency Data Using Generative Adversarial Nets (Link) — 基于高频数据运用生成对抗网进行股市预测
    • Feng, Fuli 等人. Improving Stock Movement Prediction with Adversarial Training (Link) — 通过对抗性训练改进股票走势预测
    • Z. Zhao 等人. Time-Weighted LSTM Model with Redefined Labeling for Stock Trend Prediction (Link) — 含有重新定义标签的时间加权 LSTM 模型,用于股票趋势预测
    • Arthur le Calvez, Dave Cliff. Deep Learning can Replicate Adaptive Traders in a Limit-Order-Book Financial Market (Link) — 深度学习能够在限额订单金融市场中复制自适应交易员
    • Dang Lien Minh 等人. Deep Learning Approach for Short-Term Stock Trends Prediction Based on Two-Stream Gated Recurrent Unit Network (Link) — 基于双流选通递归单元网络的短期股市趋势预测深度学习方法
    • Yue Deng 等人. Deep Direct Reinforcement Learning for Financial Signal Representation and Trading (Link) — 针对金融信号表示和交易的深度直接强化学习
    • Xiao Zhong. A comprehensive cluster and classification mining procedure for daily stock market return forecasting (Link) — 股票市场日线收益预测的综合聚类分类挖掘方法
    • J. Zhang 等人. A novel data-driven stock price trend prediction system (Link) — 创新的数据驱动的一款股价趋势预测系统
    • Hoseinzade, Ehsan 等人. CNNPred: CNN-based stock market prediction using several data sources (Link) — 基于 CNN 多数据源的股市预测
    • Chung, Hyejung 等人. Genetic Algorithm-Optimized Long Short-Term Memory Network for Stock Market Prediction (Link) — 股票市场预测的遗传算法优化长/短期记忆网络
    • Baek, Yujin 等人. ModAugNet: A new forecasting framework for stock market index value with an overfitting prevention LSTM module and a prediction LSTM module ((Link) — ModAugNet:一种新的股市指数预测框架,含预防过度拟合的 LSTM 模块,和一个 LSTM 预测模块
    • Dash, Rajashree 等人. A hybrid stock trading framework integrating technical analysis with machine learning techniques (Link) — 集成技术分析和机器学习技术的混合股票交易框架
    • E.A. Gerlein 等人. Evaluating machine learning classification for financial trading: an empirical approach (Link) — 评估金融交易的机器学习分类:一种实证方法
    • Sirignano, Justin. Deep Learning for Limit Order Books (Link) — 限价订单深度学习


    新闻和情绪交易

    各类型通讯社的新闻广播量不断增加。 为了从海量数据流中受益,需要应用过滤器,因此该功能主要由大型投资公司的研究部门来使用。 然而,随着新闻内容数字化、计算能力和语言解释方法的发展,现在可以高效快速地分析这些数据。 分析这些数据的程序通常被称为情绪算法。

    • Frank Z. Xing 等人. Natural language based financial forecasting: a survey (Link)。 数据和各种技术的可用性导致了自然语言处理技术的定性发展。 这种不断增强的能力能够更准确地捕捉市场情绪。
    • Ziniu Hu 等人. Listening to Chaotic Whispers: A Deep Learning Framework for News-oriented Stock Trend Prediction (Link). 本文描述了混合注意力网络,旨在根据最近的一系列相关事件预测股票趋势。
    • J.W. Leung, Master Thesis, MIT. Application of Machine Learning: Automated Trading Informed by Event Driven Data (Link). 本文描述了如何使用
      机器学习方法来进行技术指标和市场情绪分析。 所讲述的预测模型可用于任何给定证券交易所的算法交易。
    • Xiao Ding 等人. Deep Learning for Event-Driven Stock Prediction (Link). 本文讨论了事件驱动股市预测的深度学习方法。 首先,从新闻文本中提取事件,并将其表示为使用新型神经张量网络训练的密集向量。 接着,使用深度卷积神经网络基于事件针对股票价格走势的长/短期影响进行建模。


    结束语

    本文的目的旨在为交易者提供一个简洁、有用的、公开的机器学习教程摘要。 我们希望即便是初学者也能找到对自己有用的东西,并深入了解进一步的开发思路。 所介绍的一些资料也许需要更多的知识,这些远远超出对技术指标和编程技能的简单理解。

    如果其中任何一门课程看起来太复杂,那么现在您就明白要掌握机器学习领域需要在网上查找哪些课程了。 通过我们的 MQL5 社区,大家可以学习新的东西,帮助其他交易者,在这个复杂而有趣的领域分享链接和您的想法。


    本文由MetaQuotes Ltd译自俄文
    原文地址: https://www.mql5.com/ru/articles/10431

    从头开始开发智能交易系统(第 10 部分):访问自定义指标 从头开始开发智能交易系统(第 10 部分):访问自定义指标
    如何在智能交易系统中直接访问自定义指标? 一款交易 EA 仅在能够使用自定义指标的情况下才是真正有用;否则,它只是一组代码和指令而已。
    DoEasy. 控件(第 4 部分):面板控件,Padding(填充)和 Dock(驻靠)参数 DoEasy. 控件(第 4 部分):面板控件,Padding(填充)和 Dock(驻靠)参数
    在本文中,我将实现处理 Padding(填充,元素所有侧边的内部缩进/边距)和 Dock(驻靠)参数(对象在其容器中的定位方式)。
    学习如何基于 MACD 设计交易系统 学习如何基于 MACD 设计交易系统
    在本文中,将从我们的系列文章中挖掘一个新工具:我们将学习如何基于最流行的技术指标之一“移动平均收敛/发散(MACD)”设计交易系统。
    从头开始开发智能交易系统(第 9 部分):概念上的飞跃  (II) 从头开始开发智能交易系统(第 9 部分):概念上的飞跃 (II)
    在本文中,我们将把 Chart Trade 这个应用程序放置在浮动窗口当中。 在前一篇中,我们创建了一个基本系统,该系统支持在浮动窗口中使用模板。