Penerapan Machine Learning pada Trading

Penerapan Machine Learning pada Trading

Dengan munculnya raksasa teknologi informasi (Google, Facebook, Apple, dll) ilmu Artificial Intelligence telah mulai dilahirkan kembali. Dengan nama yang futuristik seperti Machine Learning, Metaheuristics atau Data Mining, ini mencakup seluruh rangkaian algoritma dan teknologi yang ditujukan untuk memproses informasi yang sangat melimpah dan mengubahnya menjadi pengetahuan yang dapat dieksploitasi.

Pertanyaan utama yang dipelajari Machine Learning adalah sebagai berikut: bagaimana kita dapat merancang sistem komputasi yang secara otomatis meningkat seiring dengan pengalaman dan apa hukum dasar yang mengatur proses pembelajaran ini?

Dengan Machine Learning kita bisa membangun sistem yang belajar dari data. Contoh tipikal adalah sistem yang mengenali spam di kotak surat kita, untuk ini sistem dilatih dengan ribuan email spam sebagai contoh sehingga nantinya mengklasifikasikan surat masuk kita sesuai dengan apa yang telah dipelajarinya.

Secara umum, ini adalah tentang membuat komputer belajar mengenali pola dan karakteristik serangkaian data atau untuk menemukan dan menunjukkan kepada kita kemungkinan struktur tersembunyi dalam data yang tidak terlihat oleh mata kita. Pada akhirnya kami mengajarkan komputer untuk mengklasifikasikan dan memprediksi informasi untuk kami.

Di sisi lain, pasar keuangan adalah sumber terbesar dari data frekuensi tinggi dan oleh karena itu merupakan kandidat yang sempurna untuk bereksperimen dengan teknologi ini. Bisakah kita menerapkan Pembelajaran Mesin untuk meningkatkan perdagangan kita? Untuk menjawab pertanyaan ini, pertama-tama mari kita lihat perbedaan antara sistem otomatis klasik berdasarkan aturan logika dan sistem baru berdasarkan model Machine Learning.

Sistem perdagangan berbasis aturan dan berbasis model

Sistem perdagangan otomatis klasik didasarkan pada seperangkat aturan yang telah ditentukan oleh seorang pedagang. Aturan-aturan ini membentuk strategi yang telah dikembangkan oleh pedagang dari waktu ke waktu dengan pengalamannya berdagang di pasar. Kami berbicara tentang aturan beli dan jual pada sinyal kombinasi indikator atau terobosan harga support atau resistance, volatilitas dan filter tren melalui indikator seperti ATR dan Momentum, dll.

Sistem berbasis model berbeda. Alih-alih mencari aturan untuk beroperasi, yang mereka lakukan adalah menggunakan model yang menganalisis informasi mencari pola yang kemungkinan besar terus berlanjut dalam pergerakan pasar tertentu. Misalnya, kami dapat memperkenalkan ke dalam model kami nilai RSI dari 3 sesi terakhir dan memprogram sistem untuk mempelajari hubungan (jika ada) antara data ini dan volatilitas sesi berikutnya.

Tabel 1 adalah contoh nilai untuk melatih model. Tiga nilai pertama (RSI D1, RSI D2, RSI D3) adalah input dan yang terakhir (VOLATILITAS) mewakili target yang akan diprediksi. Setiap baris dalam tabel berisi nilai untuk sesi. Kami akan melatih sistem kami dengan memperkenalkan data dengan informasi ini (misalnya dari 300 sesi) dan akhirnya kami akan memberikan nilai input dari sesi saat ini (tabel 2) sehingga memprediksi nilai target (VOLATILITAS).

Informasi ini bisa sangat berharga bagi kami sehingga dengan menyusun model yang mengklasifikasikan dan memprediksi pasar, kami dapat membangun sistem perdagangan otomatis.

Perbedaan antara sistem berbasis aturan dan berbasis model

Anda bisa mendapatkan sistem berbasis aturan otomatis yang benar-benar prediktif jika dilakukan dengan benar, yaitu dengan melakukan analisis statistik yang ketat pada sistem. Faktanya, kunci perdagangan otomatis terletak pada mengetahui bagaimana mengukur dengan benar melalui analisis statistik kemungkinan bahwa kinerja masa lalu dari sistem kami bukan karena keberuntungan tetapi fakta bahwa ia mendeteksi dan mengeksploitasi ketidakefisienan pasar nyata yang menguntungkannya.

Tetapi sistem otomatis klasik akan selalu bergantung pada pengalaman dan pengetahuan pasar bahwa pedagang harus menemukan ketidakefisienan untuk dieksploitasi. Di sinilah teknik Machine Learning dapat banyak membantu kita dan dapat menjadi perbedaan terbesar antara kedua teknik pengembangan sistem.

Melalui Machine Learning kita dapat membuat komputer mencari struktur dan pola yang begitu kompleks dan terkubur dalam kebisingan pasar sehingga tidak ada mata manusia yang dapat mendeteksinya. Selain itu, elemen yang membentuk sistem jenis ini memungkinkan kita untuk menerapkan teknik analisis statistik tingkat lanjut dengan cara yang lebih sederhana dibandingkan dengan sistem berbasis aturan.

Keuntungan terakhir, yang tidak kalah pentingnya dari sistem berbasis model adalah bahwa dengan tidak berpegang pada sinyal beli atau jual yang tetap tetapi pada kemungkinan keberhasilan dalam prediksi, mereka memungkinkan kita untuk menyesuaikan spektrum risiko dan imbalan sistem dan membangun portofolio. lebih agresif atau konservatif tergantung pada profil investor kami.

Kita akan melihat dengan dua contoh bagaimana kita dapat memanfaatkan dua karakteristik model Machine Learning ini. Untuk klasifikasi struktur dalam informasi, kita dapat menggunakan algoritma atau model pengelompokan k-means dan untuk prediksi dan penyesuaian risiko kita dapat melihat sistem perdagangan berdasarkan jaringan saraf sederhana.

Algoritma pengelompokan k-means untuk memilih parameter dalam set multidimensi

Salah satu langkah mendasar dalam desain sistem perdagangan adalah optimasi ulang parameternya secara berkala. Saat mengoptimalkan sistem, kami menguji ribuan kemungkinan kombinasi dalam riwayat data untuk mengetahui kombinasi mana yang memberikan hasil terbaik.

Seseorang dapat membuat kesalahan dengan memilih secara langsung kumpulan parameter yang akan memberikan manfaat paling besar, yang pasti akan menjamin masalah bagi kita. Kemungkinan besar set ini akan menjadi hasil dari optimasi yang berlebihan dan beroperasi dengannya di forwardtest akan menyebabkan kehancuran.Jauh lebih baik untuk mencari serangkaian parameter positif yang memiliki rangkaian karakteristik serupa lainnya, yaitu, mencari “tetangga yang serupa” untuk memastikan bahwa kita berada di “lingkungan yang baik”.Ketika kami mengoptimalkan dua parameter, relatif mudah untuk melakukannya secara visual, misalnya pada gambar berikut, area parametrik yang baik terlihat jelas untuk dipilih:

Ketika kita memiliki lebih dari dua parameter, kita tidak dapat dipandu secara visual tetapi kita dapat menggunakan algoritma pengelompokan k-means untuk mengklasifikasikan semua set parameter ke dalam kelompok (cluster). Dengan cara ini, set yang sangat kuat diperoleh yang dalam pengujian ke depan menghasilkan hasil yang lebih baik daripada set lain yang dipilih dengan metode yang kurang ketat.

Sistem berdasarkan Neural Networks

Wikipedia mendefinisikan jaringan saraf sebagai paradigma pembelajaran dan pemrosesan mesin yang terinspirasi oleh cara sistem saraf hewan bekerja. Merupakan sistem koneksi neuron-neuron yang saling bekerja sama untuk menghasilkan suatu output stimulus.

Jaringan saraf adalah salah satu model Pembelajaran Mesin yang paling umum diterapkan.

Seperti model lainnya, jaringan saraf membutuhkan serangkaian data input yang dapat berupa: variasi harga penutupan di sesi terakhir, titik pivot harian, volume yang diperdagangkan, dll. Selain data ini, kami akan memberi tahu Anda apakah sesi ditutup bullish atau bearish dan dengan ini kami akan melatih Anda.

Kemudian kami akan memberikan Anda serangkaian data sesi baru di mana kami tidak memberi tahu Anda apakah itu ditutup lebih tinggi atau lebih rendah tetapi data lainnya (harga penutupan, titik pivot, volume, dll.), Jaringan akan mencoba memprediksi bagaimana sesi ditutup dan itu akan memberi kita nilai kepercayaan untuk setiap sesi untuk prediksi bullish dan satu lagi untuk prediksi bearish. Mengambil nilai tertinggi kita akan memiliki prediksi.

Di bawah ini adalah kurva keseimbangan sistem jaringan saraf untuk EURUSD dalam candle 1 jam. Untuk setiap prediksi dengan keyakinan lebih besar dari 0,5.

Seperti yang Anda lihat, jaringan saraf yang terlatih dapat menawarkan hasil yang sangat baik. Sistem ini mencapai sekitar 6000 pips dalam waktu sekitar 20 hari perdagangan.

Tetapi seperti yang kami katakan, karakteristik kedua dari model Pembelajaran Mesin adalah bahwa dengan menawarkan tingkat prediksi, sinyalnya dapat disaring dan tidak beroperasi kecuali ambang batas tertentu terlampaui. Sekarang mari kita lihat apa yang terjadi ketika kita membutuhkan model yang prediksi bullish atau bearishnya memiliki nilai keyakinan lebih besar dari 0,55 untuk membuka posisi baru, juga menutup posisi terbuka saat prediksi baru tidak melebihi level ini.

Seperti yang diharapkan, kami telah mengurangi jumlah perdagangan, tetapi juga meningkatkan keuntungan dan mengurangi ukuran retracement.

Dengan cara ini, model yang sama dapat diterapkan dengan cara yang berbeda tergantung pada profil risiko investor tertentu.

Kesimpulan

Sistem berdasarkan model Pembelajaran Mesin memberi pedagang senjata baru untuk bertarung di pasar dan menawarkan keuntungan luar biasa bagi pedagang lain yang tidak menggunakan teknologi ini.

Untuk informasi lebih lanjut tentang metode Kecerdasan Buatan yang diterapkan pada perdagangan, lihat situs web Kursus Perdagangan Otomatis Online saya .

Leave a Reply

Your email address will not be published. Required fields are marked *