Buku pesanan berasaskan pembelajaran mesin strategi perdagangan frekuensi tinggi

Buku pesanan berasaskan pembelajaran mesin strategi perdagangan frekuensi tinggi

• Perkembangan

  Mekanisme dagangan pasaran sekuriti boleh dibahagikan kepada dua jenis, pasaran yang didorong oleh tawaran dan pasaran yang didorong oleh pesanan, yang pertama bergantung kepada pemasar untuk memberikan kecairan, yang kedua memberikan kecairan melalui pesanan harga terhad, perdagangan yang dibentuk melalui tawaran pembelian dan penjualan yang disuruh oleh pelabur. Pasaran sekuriti di China adalah pasaran yang didorong oleh pesanan, termasuk pasaran saham dan pasaran niaga hadapan.

  Rajah 1 Panduan Pemesanan

  • (I) Buku pesanan harga terhad

    Kajian buku pesanan termasuk dalam kategori kajian struktur mikro pasaran, teori struktur mikro pasaran menggunakan teori harga dan teori pembekal dalam ekonomi mikro sebagai sumber pemikiran, dan dalam analisis mengenai isu terasnya mengenai perdagangan aset kewangan dan proses dan sebab pembentukan harga, ia menggunakan pelbagai teori dan kaedah seperti keseimbangan umum, keseimbangan tempatan, keuntungan marginal, kos marginal, kesinambungan pasaran, teori simpanan, teori permainan, ekonomi maklumat.

    Dari segi kemajuan kajian di luar negara, bidang struktur mikro pasaran yang diwakili oleh O Hara, sebahagian besar teori adalah berdasarkan pasaran dagangan (iaitu pasaran yang didorong oleh tawaran), seperti model inventori dan model maklumat dan lain-lain. Pada tahun ini, pemandu pesanan telah secara beransur-ansur menduduki bahagian atas pasaran dagangan sebenar, tetapi sedikit kajian khusus untuk pasaran pemandu pesanan.

    Pasaran sekuriti domestik dan pasaran niaga hadapan adalah kedua-dua pasaran yang didorong pesanan, di bawah ini adalah gambar skrin buku pesanan industri Level_1 untuk kontrak niaga hadapan indeks saham IF1312. Tidak banyak maklumat yang diperoleh secara langsung dari atas, maklumat asas termasuk membeli satu harga, menjual satu harga, membeli satu jumlah dan menjual satu jumlah. Dalam beberapa makalah akademik di luar negara, buku pesanan yang sepadan juga terdapat buku maklumat, termasuk data pengambilan pesanan yang paling terperinci, termasuk jumlah pesanan, harga yang dihantar, jenis pesanan setiap pesanan, dan lain-lain.

    Rajah 2 Kontrak utama niaga hadapan indeks saham Buku pesanan Tahap-1

  • (ii) Pelancongan penyelidikan mengenai buku pesanan perdagangan frekuensi tinggi

    Pemodelan dinamik buku pesanan mempunyai dua kaedah utama, iaitu kaedah ekonomi pengukuran klasik dan kaedah pembelajaran mesin. Kaedah ekonomi pengukuran adalah kaedah penyelidikan utama klasik, seperti analisis perbezaan harga kajian MRR, Huang dan Stoll, model ACD tempoh pesanan, model logistik ramalan harga.

    Penyelidikan akademik dalam bidang kewangan juga sangat aktif, seperti tahun 2012 FOSPI200Forecasting trends of high_frequency KOSPI200 index data using learning classifiers FOSPI adalah satu idea penyelidikan yang biasa, menggunakan penanda analisis teknikal yang biasa (MA, EMA, RSI, dan lain-lain) untuk membuat ramalan pasaran dengan menggunakan kaedah klasifikasi pembelajaran mesin.

• 2. Aplikasi pembelajaran mesin dalam perdagangan frekuensi tinggi buku pesanan

  • (a) Peta seni bina sistem

    Gambar di bawah adalah struktur sistem strategi dagangan pembelajaran mesin yang tipikal, termasuk data buku pesanan, penemuan ciri, pembinaan dan pengesahan model dan beberapa modul utama peluang dagangan. Perlu diingat bahawa proses dagangan dipicu oleh peristiwa pasaran, dengan ketibaan pasaran tik adalah salah satu daripada peristiwa tersebut.

    Rajah 3 Arkitektur sistem pemodelan buku pesanan berasaskan pembelajaran mesin

  • (ii) Membantu perancangan mesin vektor

    Pada tahun 1970-an, Wapnik dan lain-lain mula membina satu sistem teori yang lebih lengkap, iaitu teori pembelajaran statistik (SLT), yang digunakan untuk mengkaji peraturan statistik dan sifat kaedah pembelajaran di bawah keadaan sampel terhad, mewujudkan rangka kerja teori yang baik untuk masalah pembelajaran mesin sampel terhad, menyelesaikan masalah praktikal seperti sampel kecil, bukan linear, bilangan berdimensi tinggi, dan titik terendah tempatan. Pada tahun 1995, Wapnik dan lain-lain menyatakan satu kaedah pembelajaran umum baru yang menyokong vektor gerak (SVM, Support Vector Machine), yang telah mendapat perhatian luas dan digunakan dalam pelbagai bidang, dan telah menunjukkan prestasi awal yang lebih baik daripada kaedah tersebut.

    SVM berkembang dari superplanet klasifikasi yang optimum dalam kes pemisahan linear. Untuk kedua-dua jenis masalah klasifikasi, set sampel latihan adalah ((xi,yi), i = 1,2... l, l adalah bilangan individu sampel latihan, xi adalah sampel latihan, yi adalah tanda kelas sampel input xi (output yang diharapkan).

    Supraplan klasifikasi optimum bukan sahaja dapat memisahkan semua sampel dengan betul (skor ralat latihan adalah 0), tetapi juga dapat menjadikan margin antara kedua-dua kelas terbesar, yang ditakrifkan sebagai jumlah jarak minimum dari set data latihan ke supraplan klasifikasi tersebut. Supraplan klasifikasi optimum bermaksud bahawa keserataan ralat klasifikasi terhadap data ujian adalah terkecil.

    Jika terdapat satu superpesawat dalam ruang vektor dimensi d:

    F ((x) =w*x+b=0

    Untuk dapat memisahkan kedua-dua jenis data tersebut, superpesawat ini dipanggil antara muka pembahagian; di mana w * x adalah jumlah dalaman dua vektor w dan x dalam ruang vektor dimensi d.

    Jika bahagian antara muka:

    w*x+b=0

    Jarak antara kedua-dua jenis sampel yang paling dekat kepada antara muka pembahagian itu disebut sebagai antara muka yang terbaik.

    Rajah 4 Peta antara muka yang paling baik untuk kategori kedua SVM

    Penyerapan persamaan antara muka yang paling baik dapat menjadikan jarak antara dua jenis sampel

    

    Jadi untuk sebarang sampel,

    

    Untuk mendapatkan antara muka yang optimum, selain memenuhi formula di atas, anda perlu meminimumkan.

    Oleh itu, model matematik masalah SVM ialah:

    SVM akhirnya menjadi masalah perancangan yang paling dioptimumkan, dan tumpuan penyelidikan di kalangan akademik adalah penyelesaian cepat, penyebaran ke pelbagai kelas, aplikasi masalah praktikal, dan sebagainya.

    SVM mula-mula direka untuk masalah klasifikasi dua, dan telah ditingkatkan kepada masalah multiklas mengikut keperluan aplikasi praktikal semasa. Algoritma multiklas yang ada termasuk satu-ke-banyak, satu-ke-satu, pengkodean ralat, DAG-SVM, dan pemisahan SVM pelbagai kelas i.

  • (iii) Pengekstrakan petunjuk buku pesanan

    Sebagai contoh pasaran niaga hadapan indeks saham Level-1, buku pesanan terutamanya terdiri daripada petunjuk asas seperti beli, jual, beli, jual, dan lain-lain, dan boleh menghasilkan petunjuk seperti kedalaman, kemiringan, perbezaan harga relatif, dan lain-lain, termasuk jumlah pegangan, jumlah dagangan, margin, dan lain-lain, sehingga 17 petunjuk, seperti yang ditunjukkan di bawah.

    Jadual 1 Perpustakaan penunjuk berdasarkan buku pesanan pasaran Level

    

  • (iv) Penulisan ciri dinamik buku pesanan dan peluang perdagangan

    Dari sudut mikroskop pasaran, terdapat dua kaedah untuk mengukur pergerakan harga dalam masa yang singkat, satu adalah pergerakan harga tengah dan satu lagi adalah penyeberangan perbezaan harga. Dalam artikel ini, kami memilih pergerakan harga tengah yang lebih mudah dan intuitif.

    

    Mengikut saiz perubahan ΔP dalam harga tengah dalam buku pesanan Δt, ia dibahagikan kepada tiga kategori.

    Grafik berikut adalah perkongsian pergerakan harga pertengahan kontrak utama IF1311 pada 29 Oktober, dengan 32400 data pasaran tik setiap hari.

    Dalam kes Δt = 1 tick, perubahan nilai mutlak harga tengah adalah 0.2 kira-kira 6000 kali, perubahan nilai mutlak 0.4 kira-kira 1500 kali, perubahan nilai mutlak 0.6 kira-kira 150 kali, perubahan nilai mutlak 0.8 lebih besar daripada 50 kali, perubahan nilai mutlak lebih besar daripada 1 kira-kira 10 kali.

    Dalam kes Δt = 2 tick, perubahan mutlak nilai purata 0.2 adalah kira-kira 7000 kali, perubahan mutlak nilai 0.4 adalah kira-kira 3000 kali, perubahan mutlak nilai 0.6 adalah kira-kira 550 kali, perubahan mutlak nilai 0.8 adalah kira-kira 205 kali, perubahan mutlak nilai lebih besar daripada 1 adalah kira-kira 10 kali.

    Kami menganggap peluang perdagangan yang berpotensi apabila nilai mutlak perubahan adalah lebih besar daripada 0.4. Dalam kes Δt = 1 tik, terdapat kira-kira 1700 peluang setiap hari; dalam kes Δt = 2 tik, terdapat kira-kira 4000 peluang setiap hari.

    

    Rajah 5 Jadual pergerakan harga pertengahan IF1311 pada 29 Oktober ((Δt=1 tick)

    

    Rajah 6 Jadual pergerakan harga pertengahan IF1311 pada 29 Oktober (Δt=2 tick)

• Ketiga, bukti strategi.

  Oleh kerana kompleksiti latihan yang lebih tinggi dan masa latihan yang lebih lama dalam keadaan sampel besar model SVM, kami memilih data pasaran sejarah yang mempunyai jangka masa yang agak pendek untuk memverifikasi keberkesanan model dengan menggunakan data pasaran Level_1 kontrak IF1311 pada bulan Oktober.

  • (I) Pemeriksaan Kesan Model

    Siklus data: Data pasaran kontrak IF1311 pada bulan Oktober;

    Mengambil nilai Δt: Semakin kecil Δt, semakin tinggi keperluan untuk butiran transaksi, dan apabila Δt = 1 tik, sukar untuk mendapatkan keuntungan dalam perdagangan sebenar. Untuk membandingkan kesan model, di sini nilai 1 tik, 2 tik, 3 tik;

    Indikator penilaian model: ketepatan sampel, ketepatan ujian, masa ramalan.Jadual 2 Mengira kesan 1 tick dengan data 1 tick

    Jadual 3 dengan data 1 tick meramalkan kesan tick 2

    Jadual 4 Mengira kesan 2tik dengan data 2tik

    Dari data tiga jadual di atas, kita boleh membuat beberapa kesimpulan: Keakuratan tertinggi adalah kira-kira 70%, dan keakuratan 60% boleh ditukar kepada strategi perdagangan.

  • (ii) Strategi Simulasi Pendapatan

    Sebagai contoh, pada 31 Oktober, kita melakukan perdagangan simulasi, dengan kadar urus niaga masa depan saham institusi biasanya adalah 0.26/10000, kita menganggap jumlah dagangan tidak terhad, dengan harga satu sisi bergerak 0.2 mata setiap dagangan, dan jumlah tangan tunggal adalah 1 tangan.

    Jadual 5 Strategi Simulasi Perdagangan pada 31 Oktober

    Jumlah dagangan sepanjang hari ialah 605 kali, termasuk kes prosedur, keuntungan sebanyak 339 kali, kadar kemenangan 56%, keuntungan bersih 11814.99 yuan.

    Harga pergerakan secara teori adalah RM14,520, dan ini adalah bahagian penting dalam strategi sebenar. Jika butiran pesanan dikendalikan dengan lebih tepat, maka harga pergerakan dapat dikurangkan dan keuntungan bersih meningkat. Jika butiran pesanan tidak dikendalikan dengan betul, atau pergerakan pasaran yang tidak normal, harga pergerakan akan lebih besar, sementara keuntungan bersih akan berkurangan, jadi kejayaan perdagangan frekuensi tinggi sering bergantung pada pelaksanaan butiran.

    Rajah 7 Hasil Strategi Simulasi pada 31 Oktober

Pengumuman Asli: Penulis asal, sila nyatakan sumbernya.