Futuros quantitativos, ações e negociação de opções (DISPONÍVEL PARA MATLAB FREELANCING) Sobre Mim TradingwithMatlab Eu trabalhei anteriormente como um comerciante Quantitative Futures e atualmente trabalho como um analista em uma equipe de estratégias quantitativas em um Hedge Fund of Fund. I. juntamente com o Exchange Systems Inc, criaram uma ferramenta baseada em MATLAB chamada MATLAB2IB. Tenho um mestrado em Engenharia Elétrica, uma patente em sistemas de controle, e um MBA da Universidade de Chicago Graduate School of Business. Espero que meus 10 anos de experiência em usar MATLAB tanto para engenharia e agora em finanças, será de utilidade para os outros. Eu espero apresentar-lhe tópicos interessantes. Eu posso ser contatado em tradingwithmatlab yahoo Ver o meu perfil completo Um Guia Prático de Negociação Quantitativa de Carteira Daniel Alexandre Bloch Universidade Paris VI Pierre e Marie Curie 30 de dezembro de 2017 Discutimos o risco, Economia, que levou os acadêmicos a desenvolver uma teoria dos preços de mercado, resultando em teorias de equilíbrio geral. No entanto, na prática, o processo de decisão não segue essa teoria, uma vez que o aspecto qualitativo proveniente do processo de tomada de decisão humano está ausente. Além disso, um grande número de estudos em finanças empíricas mostrou que os ativos financeiros exibem tendências ou ciclos, resultando em persistentes ineficiências no mercado, que podem ser exploradas. A assimilação desigual da informação enfatizou a natureza multifractal dos mercados de capitais, reconhecendo a complexidade. Desenvolveram-se novas teorias para explicar os mercados financeiros, entre as quais se encontra uma multiplicidade de agentes interagentes formando um sistema complexo caracterizado por um elevado grau de incerteza. Recentemente, com o aumento da disponibilidade de dados, a ecofísica emergiu como uma combinação de ciências físicas e economia para obter o melhor de ambos os mundos, tendo em vista analisar mais profundamente a previsibilidade dos ativos. Por exemplo, as metodologias de mineração de dados e aprendizado de máquina fornecem uma gama de técnicas gerais para classificação, previsão e otimização de dados estruturados e não estruturados. Usando essas técnicas, pode-se descrever os mercados financeiros através de graus de liberdade que podem ser de natureza qualitativa e quantitativa. Neste livro detalhamos como o uso crescente de métodos quantitativos mudou a teoria de finanças e investimentos. O benefício mais significativo é o poder da automação, reforçando uma abordagem sistemática de investimento e um quadro estruturado e unificado. Apresentamos em ordem cronológica as etapas necessárias para identificar sinais de negociação, construir estratégias quantitativas, avaliar retornos esperados, medir e pontuar estratégias e alocar portfólios. Número de páginas em PDF Arquivo: 842 Palavras-chave: Negociação sistemática, Carteira Quantitativa, Estratégia Quantitativa, Mercados Multifractal Data de publicação: 31 de dezembro de 2017 Última revisão: 19 de novembro de 2017 Citação sugerida Bloch, Daniel Alexandre, Guia Prático de Negociação Quantitativa de Carteira 30 de dezembro de 2017). Esta parte do tutorial sobre o uso do algoritmo NEAT explica como os genomas são atravessados de forma significativa mantendo sua informação topológica e como a especiação (agrupar genomas em espécies) Pode ser usado para proteger genomas fracos com novas informações topológicas de prematuramente ser erradicada do pool de genes antes de seu espaço de peso pode ser otimizado. A primeira parte deste tutorial pode ser encontrada aqui. Rastreando História de Gene através de Números de Inovação A Parte 1 mostrou duas mutações, link mutate e mutate de nó que ambos adicionaram novos genes ao genoma. Cada vez que um novo gene é criado (através de uma inovação topológica) um número de inovação global é incrementado e atribuído a esse gene. O número de inovação global está rastreando a origem histórica de cada gene. Se dois genes têm o mesmo número de inovação, então eles devem representar a mesma topologia (embora os pesos possam ser diferentes). Isto é explorado durante o crossover do gene. Genoma Crossover (Acoplamento) Genomas crossover leva dois genomas pai (permite chamá-los A e B) e cria um novo genoma (vamos chamá-lo a criança), tendo os genes mais fortes de A e B copiando quaisquer estruturas topológicas ao longo do caminho. Durante o crossover genes de ambos os genomas são alinhados usando o seu número de inovação. Para cada número de inovação, o gene do pai mais adequado é seleccionado e inserido no genoma infantil. Se ambos os genomas pai são a mesma aptidão, então o gene é selecionado aleatoriamente de qualquer dos pais com igual probabilidade. Se o número de inovação está presente somente em um dos progenitores, então isso é conhecido como um gene disjunto ou em excesso e representa uma inovação topológica, ela também é inserida na criança. A imagem abaixo mostra o processo de crossover para dois genomas da mesma aptidão. A especiação toma todos os genomas num dado conjunto de genomas e tenta dividi-los em grupos distintos conhecidos como espécies. Os genomas em cada espécie terão características semelhantes. Uma forma de medir a similaridade entre dois genomas é necessária, se dois genomas são genes em excesso (representando diferenças topológicas) e a diferença de pesos entre genes correspondentes. Se a soma ponderada estiver abaixo de algum limiar então os genomas são da mesma espécie. A vantagem de dividir os genomas em espécies é que durante o passo de evolução genética onde os genomas com baixa aptidão são descartados (removidos completamente da piscina do genoma) ao invés de ter cada genoma lutar por ela s pesos otimizados sobreviverão ao abate. Resumo de todo o processo Crie um conjunto de genomas com n genomas aleatórios Pegue cada genoma e aplique ao problema / simulação e calcule a aptidão do genoma Atribua cada genoma a uma espécie Em cada espécie, abate os genomas removendo alguns dos genomas mais fracos Genomas nas espécies para crossover ou mutate) Repita tudo o que foi dito acima Esta série de quatro partes irá explorar a NeuroEvolução de Aumento de Topologias (NEAT) algoritmo. Partes um e dois brevemente out-line o algoritmo e discutir os benefícios, parte três irá aplicá-lo para o problema de equilíbrio de pólo e, finalmente, parte 4 será aplicá-lo aos dados do mercado. Este algoritmo foi recentemente viral em um vídeo chamado MarI / O onde uma rede foi desenvolvida que foi capaz de completar o primeiro nível de super mario ver o vídeo abaixo. Normalmente, quando se opta por usar uma rede neural, eles têm que decidir quantas camadas ocultas existem, o número de neurônios em cada camada e quais conexões existem entre os neurônios. Dependendo da natureza do problema, pode ser muito difícil saber o que é uma topologia sensata. Uma vez que a topologia é escolhida, provavelmente será treinada usando back-propagação ou uma abordagem de evolução genética e testada. A abordagem de evolução genética é essencialmente pesquisar através do espaço de pesos de conexão e selecionar redes de alto desempenho e criá-las (isso é conhecido como evolução de topologia fixa). A abordagem acima encontra pesos de conexão ótimos, ele para ajustar manualmente a topologia da rede em uma tentativa de iterativamente encontrar redes de melhor desempenho. Isso levou ao desenvolvimento de treinamento de topologia variável, onde tanto o espaço de conexão quanto o espaço de estrutura são explorados. Com isso veio uma série de problemas, como redes tornando-se incrivelmente espessa e complexa abrandar o processo de aprendizagem da máquina. Com as abordagens genéticas, foi difícil acompanhar mutações genéticas e estrutura de cruzamento de forma significativa. O algoritmo NEAT visa desenvolver um algoritmo genético que busca através de peso de rede neural e espaço de estrutura que tem as seguintes propriedades: Possuir representação genética que permite atravessar a estrutura de forma significativa Proteger as inovações topológicas que precisam de algumas evoluções para ser otimizado assim Que não desaparece prematuramente do pool genético Minimize as topologias durante o treinamento sem funções de penalização de complexidade de rede especialmente concebidas Um tratamento através do algoritmo pode ser encontrado no papel Evolving Neural Networks by Augmenting Topologies por Kenneth O. Stanley e Risto Miikkulainen (nn. Cs. utexas. edu/downloads/papers/stanley. ec02.pdf). A informação sobre a rede é representada por um genoma, o genoma contém genes de nó e genes de ligação. Os genes do nó definem nós na rede, os nós podem ser entradas (como um indicador técnico), saídas (como uma recomendação de compra / venda) ou ocultos (usados pela rede para um cálculo). Os genes de conexão unem os nós na rede em conjunto e têm um peso ligado a eles. Os genes de ligação têm um nó de entrada, um nó de saída, um peso, um indicador activado / desactivado e um número de inovação. O número de inovação é usado para rastrear o histórico de uma evolução de genes e será explicado com mais detalhes na parte dois. Este post vai olhar para algumas das mutações que podem acontecer com a rede, vale a pena notar que cada genoma tem incorporado dentro de uma taxa de mutação para cada tipo de mutação que pode ocorrer. Estas taxas de mutação também são aleatoriamente aumentadas ou diminuídas à medida que a evolução progride. A actualização é aleatória: Peso novo Peso antigo / - Número aleatório entre 0 e genoma MutationRate Novo Peso Número aleatório entre -2 e 2 Adiciona aleatoriamente uma nova ligação à rede com um peso aleatório entre -2 e 2 Esta mutação adiciona um novo nó à rede desabilitando uma conexão, substituindo-a por uma conexão de peso 1, um nó e uma conexão com o mesmo peso que a conexão desativada. Em essência, ele foi substituído por um equivalente equivalente. Ativar Desativar Mutação Ativa e desativa conexões aleatoriamente Este post derivará as equações de movimento e simulará o clássico problema de controle de pêndulo invertido. Postagens subseqüentes aplicam aprendizagem de máquina para descobrir como controlar o pêndulo e mantê-lo no ar. Um vídeo da simulação pode ser encontrado em: A derivação da matemática segue a abordagem descrita no vídeo a seguir, no entanto eu decidi modelar o atrito entre o carrinho e faixa. Carro Diagrama do corpo livre do carro Diagrama do corpo livre do pêndulo Resolver as forças nos diagramas do corpo livre e definir igual à sua aceleração Definição do sistema de coordenadas e A aceleração do pêndulo é a aceleração do carro mais a aceleração do pêndulo relativo Para o carrinho Converta o sistema de coordenadas de volta para o e componentes Substituir as acelerações na equação (1) e (2) É indesejável ter uma tensão desconhecida T para eliminar usando um truque. Substituir a equação (1) pela equação (0) Reorganizar a equação (6) e (5) dão as equações do sistema em variáveis mensuráveis conhecidas. Ambos os termos de aceleração e dependem um do outro que é indesejável, substituir a equação pela equação para remover A dependência O sistema pode ser simulado usando equações de atualização do Euler:
Comments
Post a Comment