Применение математического анализа и искусственного интеллекта в дневном трейдинге

Ufa University of Science and Technology (Ufa, Russia)

Abstract: the article presents an artificial intelligence model that can predict the increase in the value of a security.

Keywords: trading, artificial intelligence, AI, Python.

Цена ценной бумаги может зависеть от погоды, политики, конкурентов, новых игроков на рынке, инноваций и многих других факторов. И именно по этой причине самыми успешными трейдерами являются математики и физики. В то время как обычный народ пытается управлять хаосом, доктора наук подстраиваются под него. В конечном итоге скажем, что в течение одного дня цена может пойти либо вверх, либо вниз, варианта всего два - а посему, можно предположить, что она будто зависит от подбрасывания монеты. Такой гипотезой в свое время так или иначе воспользовались Луи Башелье, Майрон Шоулз и Фишер Блэк, и, наконец, Джеймс Саймонс. Каждый из них в своём стиле победил гипотезу эффективного рынка (гипотеза при которой считается, что паттернов в цене активов не существует), при этом заработав огромное количество денег. Пройдемся по их стопам и применим современный подход к оцениванию цены бумаг на рынке. трейдинг искусственный интеллект ценная бумага

Шоулз и Блек составили революционную модель, которая определяет теоретическую цену на европейские опционы. Решив эту аналитическую формулу получаем ожидаемую стоимость покупки/продажи в указанный день, таким образом открылась возможность безрискового хеджирования (Покупая акции и одновременно продавая опционы call на эти акции, инвестор может конструировать безрисковую позицию, где прибыли по акциям будут точно компенсировать убытки по опционам, и наоборот). Эта модель породила четыре новые отрасли и была настоящим прорывом в области экономики.

Более интересная для нас персона - Джеймс Саймонс, основал хедж- фонд (инвестиционная компания) “Ренессанс”, в которой по большей части используется машинное обучение и анализ больших данных для предсказания роста/падения цен. Прибыль от вложенных 100$ в 1988 на сегодняшний день могла бы составить 8.400.000.000$, что безоговорочно делает это самым выгодным вкладом за всю историю.

С огромным ростом популярности машинного обучения в последние годы было бы глупо не заинтересоваться механизмом работы скрипта, осуществляющего обучение искусственного интеллекта. Будем пользоваться языком программирования Python, для обучающей модели я выбрал Случайный Лес (Random Forest Classifier) из библиотеки scikit-learn. Также нам понадобится модуль yfinance от YaHoo для загрузки исторических данных в модель. Ну и Pandas, конечно, для удобной работы с большими данными.

Рисунок 1.

Тикером в трейдинге называется краткое название ценной бумаги (в нашем случае это будет ^AGSPC). Мы будем работать с американской биржей и предугадывать направление движения фондового индекса S&P500, а точнее, вырастет ли цена бумаги в течение всего дня.

Рисунок 2.

35 строка кода покажет нам такие данные:

Рисунок 3.

Как вы видите, в нашем распоряжении 7 столбцов - дата, цены открытия, закрытия, наибольшей и наименьшей за день, а также дивиденды и дробление. Последние два столбца нам не нужны (они все равно по нулям), поэтому удалим их в 37 и 38 строке. В 36 мы настроили дату как индекс, чтобы в будущем программа все данные привязывала именно к дате. С 39 строки начинается самое интересное - мы добавляем к нашей таблице два новых столбец - цену закрытия на следующий день (Next_Close) и целевое значение (Target), представляющее из себя ответ на вопрос: “Будет ли цена завтра вечером больше чем сегодня вечером?” или “Вырастет ли завтра цена в течение дня?”. Этот столбец нам очень сильно пригодится в будущем, когда мы будем проверять нашу модель на точность. В 41 строке избавимся от “лишних” данных по цене до 1990 года, просто бумага стоила намного меньше в то время, чем сейчас и эти данные мы должны считать мусорными.

Вот так просто создается сама модель Случайного Леса. Уже на этом моменте можно “скормить” ей наши данные о цене (цены открытия и закрытия, максимальная и минимальная за день) и получать какой-никакой результат, но гораздо большего мы достигнем, если дадим ей другие, более полные данные.

Рисунок 5.

В 45 строке в списке лежат горизонты - количество дней которое мы будем брать за расчет скользящих средних и трендов. Последние 2 дня, неделя, 3 месяца (в торговом месяце ~20 дней), год (в торговом году ~250 дней), и, соответственно, 4 года. Таким образом у нас добавится целых 10 столбцов на анализ нашей модели. В 60 строке сотрем все строки в которых появились NaN (not a number, если считать тренд за, например, 5 дней первые 4 будут дня будут пустыми, так как данные по цене брать неоткуда).

Пришло время самой сложной части программы для понимания: бэктестинга (backtesting).

Рисунок 6.

Данная функция обучается на первых 2500 днях из переменной data и строит прогноз на следующие 250 дней, затем добавляет последний год к предыдущим десяти и предсказывает двенадцатый год. То есть, по сути, начиная с 10 лет модель каждую итерацию цикла увеличивает обучаемый набор на год. В 27 строке все предсказания собираются в 1 панда-датасет, последним элементом этого набора как раз и будет нас интересующее число: предсказание на завтра. Функция make_predictions, используемая в 25 строке и описанная в 11 строке возвращает две колонки нулей и единиц, действительные и предполагаемые значения роста цены. В 14 строке есть настройка коэффициента уверенности: если модель на 63% и более уверенна что значение будет 1, то она выберет 1, в обратном случае будет выбран 0.

Рисунок 7.

Запустив программу получаем такие выводы:

Рисунок 8.

Точность модели написана в самой первой строчке - это означает, что когда модель думала, что цена в течение дня вырастет, она действительно выросла в ~60% случаев. Ниже представлена статистика по реальному количеству дней, когда цена выросла - 54.4%. Из этих двух чисел можем сделать вывод, что модель действительно прибыльная. Еще ниже есть статистика по точному количеству дней, когда модель угадала, что цена может вырасти: 351 день (то есть она действительно выросла в 351*0.6011=211 случаях). Наконец, строка Last Prediction: 0 - завтра цена по мнению модели не вырастет. Время работы скрипта в секундах.

Послесловие

Несмотря на то, что точность модели выше реального количества “прибыльных” дней, сама модель вполне возможно может проиграть наши деньги - просто напросто все “победы” могут нивелироваться одним большим проигрышем из дней неудачных.

Что же делать теперь? Все опытные трейдеры всегда опираются на множество факторов при принятии решения, точно так же и мы должны найти больше факторов, а не основывать все наши действия на одной только модели искусственного интеллекта. Возможно, стоит добавить еще больше столбцов в датасет stock_history, изменить коэффициент уверенности (в программе он был

0. 63., работать с моделью в связке с индикаторами сухого мат. анализа, ну и наконец, следить за новостями.