Profile
Join date: Jan 14, 2022
About


Ketika Pembelajaran Mesin bekerja untuk Perdagangan Otomatis


Pembelajaran mesin adalah salah satu dari teknologi tersebut, jadi kami berbicara dengan Richard Faloon, Arsitek Perusahaan Pasar Modal kami, untuk mengetahui lebih lanjut tentang bagaimana model pembelajaran mesin bermanfaat bagi klien perdagangan otomatis kami.


Beri tahu kami tentang model Pembelajaran automate trading yang Anda gunakan dengan klien pasar modal kami?


Ada banyak model pembelajaran mesin – Support Vector Regression (SVR) dan Long Short-Term Memory Networks (LSTM) hanyalah dua yang dapat membawa manfaat nyata bagi komunitas perdagangan otomatis.


Hipotesis Pasar Efisien menyatakan bahwa secara teoritis, baik analisis teknis maupun fundamental tidak dapat menghasilkan pengembalian berlebih yang disesuaikan dengan risiko, atau alfa, secara konsisten dan hanya informasi orang dalam yang dapat menghasilkan pengembalian yang disesuaikan dengan risiko yang terlalu besar.


Jadi apa sebenarnya artinya?


Intinya, pasar tidak stabil dan acak, dan seharusnya tidak mungkin untuk memprediksi perilaku masa depan berdasarkan hasil masa lalu.


Jadi mengapa repot-repot dengan perdagangan otomatis?


Sebagai permulaan, kita tahu dalam praktiknya bahwa ini tidak sepenuhnya akurat. Ada titik data tingkat mikro dan makro yang dapat digunakan untuk menginformasikan pergerakan persentase non-arah dari instrumen yang dapat diperdagangkan, seperti aktivitas buku pesanan sebelumnya, analisis sentimen, pertumbuhan, pendapatan, dan dividen.


Kecenderungan umum analisis kuantitatif adalah membangun model instrumen yang dapat diperdagangkan dan menggunakannya untuk menghasilkan harga wajar teoretis. Model matematika ini sering menyertakan titik data masa lalu untuk menghasilkan parameter seperti volatilitas historis; mereka juga menggunakan beberapa faktor yang berkorelasi dari kondisi pasar saat ini untuk membantu menghasilkan harga teoritis akhir. Algoritme perdagangan otomatis ini kemudian mencari pasar di mana harga teoritis dibandingkan dengan harga model dinilai terlalu tinggi atau undervalued yang disebut edge, semakin besar edge semakin besar potensi keuntungan. Ini semua masuk akal dari sudut pandang model matematika namun sebenarnya mengubah keunggulan menjadi keuntungan jauh dari jaminan.


Dengan pembelajaran mesin, kami menggunakan SVR atau LSTM untuk menghasilkan model perilaku instrumen dan menggunakannya untuk menghasilkan harga teoretis kami untuk waktu T+1 guna menghasilkan keunggulan.


Mengapa menggunakan ML daripada model kuantitatif?


Seperti disebutkan sebelumnya, ada banyak input yang sangat berkorelasi yang dapat digunakan untuk menghasilkan satu output. Ini sangat ideal untuk melatih jaringan saraf. Jaringan netral dapat sering dilatih ulang sehingga membuatnya jauh lebih dinamis daripada model kuantitatif. Misalnya jika dinamika pasar berubah sehingga model kuantitatif tidak lagi menerapkan model baru harus dibangun, namun untuk ML ini adalah latihan ulang dengan kumpulan data yang lebih baru, tidak diperlukan waktu pengembangan.


Mengapa tidak selalu menggunakan ML dalam perdagangan otomatis?


Pada tahap ini, masih relatif baru dibandingkan dengan metode tradisional dan laporan keberhasilan yang anekdot bervariasi. Hal ini sebagian disebabkan oleh banyak jebakan seperti model yang terlalu pas, pemilihan model yang salah atau pemilihan data yang salah. Ada juga kecepatan yang perlu dipertimbangkan – ML bisa lebih lambat untuk dieksekusi daripada banyak algoritme arbitrase statistik lainnya – yang berarti peluang dapat dengan mudah dilewatkan.


Pada Versi ini, fokus saat ini adalah pada ML untuk mata uang kripto tetapi kami juga menerapkannya secara efektif ke bisnis dan industri lain. Mengingat volatilitas yang tinggi di pasar, kami percaya itu menjadi kandidat yang sangat baik untuk prediksi pergerakan arah non-bias dan peluang yang dihadirkan oleh perdagangan derivatifnya.