ساخت بازار پیش بینی از طریق یادگیری ماشین

ساخت بازار (MM) وسیله مهمی برای تأمین نقدینگی به بازار سهام است. تحقیقات اخیر نشان می دهد که یادگیری تقویت کننده (RL) می تواند از نظر بازده به میزان قابل توجهی MM را بهبود بخشد. در آخرین کار در مورد MM مبتنی بر RL ، پاداش تابعی از بازده سهام است که بر اساس قیمت فعلی آن و موجودی MM Agent محاسبه می شود. در نتیجه ، بازده عامل به حداکثر رسیده و نقدینگی ارائه می شود. اگر حرکت قیمت شناخته شده باشد و این اطلاعات بهینه مورد استفاده قرار گیرد ، پتانسیل وجود دارد که بازده عامل MM می تواند بیشتر بهبود یابد. سؤالات مهم این است که چگونه می توان حرکت قیمت سهام را پیش بینی کرد و چگونه می توان از چنین پیش بینی هایی استفاده کرد؟در این مقاله ، ما مفهوم مارک پیش بینی بازار (PMM) را معرفی می کنیم و روش خود را برای PMM ارائه می دهیم ، که شامل یک عامل MM مبتنی بر RL و یک پیش بینی کننده قیمت مبتنی بر شبکه عصبی (DNN) است. یکی از مؤلفه های اصلی PMM معادله قیمت تلفیقی (CPE) است که قیمت بازار فعلی و پیش بینی سهام را به قیمت تلفیقی می دهد ، که برای تولید نقل قول های Ask و BOY استفاده می شود که منعکس کننده قیمت فعلی و حرکت آینده است. روش PMM ما در برابر پیشرفته ترین (MM مبتنی بر RL) و یک روش سنتی MM ، با استفاده از ده سهام و سه صندوق معامله شده ارز (ETF) ارزیابی می شود. پشتی خارج از نمونه نشان داد که روش PMM ما از دو روش معیار فراتر رفته است.

روی نسخه خطی کار می کنید؟

از رایج ترین اشتباهات خودداری کنید و نسخه خطی خود را برای ویراستاران ژورنال آماده کنید.

مقدمه

ساخت بازار (MM) یک استراتژی مشهور تجارت با فرکانس بالا (HFT) است که به طور گسترده در بورس های بزرگ در سراسر جهان از جمله NYSE و NASDAQ استفاده می شود [1]. با این حال ، بر خلاف MM ، HFT ها موظف به تجارت نیستند ، بنابراین دو مورد متفاوت هستند. یک سازنده بازار یا یک عامل MM فقط مسئولیت تأمین نقدینگی بازار را از طریق اجرای سریع تعداد زیادی سفارش در کسری از ثانیه انجام می دهد. در صورت عدم حضور نمایندگان MM ، بازار بی فایده می شود زیرا سفارشات برای اجرای آن زمان می برد ، بنابراین شرکت کنندگان در بازار علاقه به تجارت را از دست می دهند. بنابراین MM یک مؤلفه مهم بازار است و وسیله ای برای جذب سرمایه گذاران است. سود در MM ناشی از تفاوت بین Ask Ask (فروش) و قیمت پیشنهاد (خرید) سهام است. یک شرکت MM وظیفه دارد به طور مداوم خرید و فروش سفارشات محدود را برای اضافه کردن نقدینگی به بازار قرار دهد. هر سهام ذکر شده در بازار معاملات دارای بالاترین قیمت ممنوع (بهترین پیشنهادات) و کمترین قیمت (بهترین حالت) است و تفاوت بین بهترین و بهترین حالت در یک لحظه ، به عنوان بازار شناخته می شودانتشار دادن. نماینده MM برای افزودن نقدینگی به بازار آماده خرید و فروش مداوم سهام از سایر شرکت کنندگان در بازار است. نقدینگی بازار را می توان با گسترش نقل شده از یک عامل MM و تعداد معاملات موفق اندازه گیری کرد. از این رو ، هرچه تعداد معاملات بیشتر باشد و میزان نقل قول را پایین بیاورد ، بازار مایع تر می شود.

با ظهور تجارت الگوریتمی ، انسان ها در نقش های MM از بازار ناپدید می شوند ، به جز بازارهای بدون نسخه ، به عنوان مثال. اوراق قرضه شرکت ها ، زیرا دیگر امکان سودآوری سود حاصل نمی شود. MM امروزه کاملاً مبتنی بر سیستم های معاملاتی پر سرعت به منظور تبدیل مزیت سرعت به سود است. با این حال ، معاملات پر سرعت به تنهایی برای نمایندگان MM برای رقابت با سایر معامله گران کافی نیست. نیاز به MM خودکار وجود دارد که می تواند تخصص سطح انسانی را در معاملات پر سرعت گنجانده باشد. یک تکنیک یادگیری ماشین وجود دارد که به عنوان یادگیری تقویت کننده (RL) شناخته می شود که قادر به یک عامل MM خودکار است. در آخرین کار در مورد MM مبتنی بر RL ، [2] یک عامل MM خودکار را با استفاده از RL ایجاد کرد که در آن هدف عامل به حداکثر رساندن سود و به حداقل رساندن موجودی است. این کار مدرن است و در این مقاله به عنوان یک مدل پایه برای ارزیابی روش جدید ما استفاده می شود. علاوه بر این ، این کار اولین تلاش برای طراحی یک مدل عملی از MM است که با توجه به همه پدیده های بازار لازم از جمله قیمت تبدیل به کنه ، عملیات حمل و نقل کتاب سفارش مانند درج ، حذف و اصلاح سفارشات و تأخیر در اجرای اجرای. برای سادگی ، ما به این کار توسط RMM-Spooner اشاره می کنیم. RMM-Spooner از یک روش تقریب عملکرد معروف وضعیت RL به نام کاشی کاشی برای طراحی یک عامل MM مبتنی بر RL استفاده کرد.

ما همچنین از یک مدل MM سنتی توسط [3] به عنوان مدل پایه دوم برای مقایسه با روش پیشنهادی خود استفاده می کنیم. این مدل سنتی از قیمت رزرو برای محاسبه پیشنهاد بهینه و درخواست نقل قول از MM Agent استفاده کرده است. برای سادگی ، ما به این مدل سنتی MM توسط AS مدل اشاره می کنیم. روشهای MM موجود فقط قیمت فعلی را در نظر می گیرند. اگر MM علاوه بر این قیمت پیش بینی شده آینده را در نظر بگیرد ، ما آن را ساخت بازار پیش بینی کننده (PMM) می نامیم. اگر پیش بینی به اندازه کافی دقیق باشد ، سود بالاتری با PMM پیش بینی می شود. شواهد کافی در ادبیات وجود دارد که نشان می دهد عملکرد HFT با پیش بینی دقیق قیمت های آینده قابل بهبود است ، به عنوان مثال ، [4،5،6] را ببینید. با این حال ، تا آنجا که می دانیم ، هیچ مطالعه موجود در مورد PMM در ادبیات وجود ندارد. در این مقاله PMM را با پاسخ به سؤالات زیر مطالعه می کنیم: 1) چگونه قیمت آینده سهام را پیش بینی کنیم؟2) چگونه قیمت پیش بینی شده را در MM گنجانیم؟3) آیا چنین روش PMM سود بالاتری و نقدینگی بازار بالاتر خواهد داشت؟و 4) چگونه این روش PMM با روشهای پایه یعنی RMM-Spooner و AS Model مقایسه می شود؟برای پاسخ به این سؤالات ، استراتژی های مختلف PMM (برای جزئیات بیشتر به بخش 3. 2 مراجعه کنید) ، بر اساس نوع معماری شبکه عصبی عمیق (DNN) برای پیش بینی قیمت و ارزش معادله قیمت تلفیقی (CPE) (W ( در [0. 5، 1] )) ، طراحی شده اند. CPE از میانگین وزنی دو قیمت دارایی استفاده می کند ، جایی که وزن هر مؤلفه توسط W و 1- W مشخص می شود. معماری DNN از چندین لایه از نورونهای مصنوعی تشکیل شده است که به طور کامل با یکدیگر وصل می شوند. از سه معماری مختلف DNN استفاده می شود ، یعنی Perceptron چند لایه (MLP) ، حافظه اصطلاح کوتاه کوتاه (LSTM) و شبکه عصبی حلقوی (CNN) برای طراحی مدل پیش بینی قیمت PMM. مدل های پیش بینی DNN از W برای ترکیب قیمت فعلی و پیش بینی شده سهام برای تولید قیمت تلفیقی استفاده می کنند. علاوه بر این ، ارزش W سهم قیمت های فعلی و پیش بینی شده در قیمت تسخیر شده را کنترل می کند. مشاهدات تجربی می گویند که اگر سهم قیمت پیش بینی شده در CPE را افزایش دهیم ، با افزایش دقت پیش بینی ، بازده بالاتر مشاهده می شود.

کتاب سفارش محدود (LOB) که در این تحقیق شبیه سازی شده است ، از معاملات داخلی استفاده می کند ، جایی که سهام در همان روز در ساعات عملیاتی بازار خریداری و فروخته می شود. LOB به طور مرتب در یک بازه ثابت ، به طور معمول پنج ثانیه به روز می شود و یک عامل MM بر اساس اطلاعات به روز بازار تصمیم می گیرد. ETF ها امروزه به دلایل مختلفی از جمله تنوع مناسب در نمونه کارها در بین معامله گران محبوب هستند و این واقعیت است که می توان آنها را مانند سهام معمولی معامله کرد [7]. این استراتژی های PMM بر روی یک سبد ده سهام ارزیابی می شود تا یک استراتژی بهینه برای صندوق های معامله شده مبادله (ETF) پیدا کند. این ده سهام و سه ETF به طور تصادفی از Finance Yahoo انتخاب می شوند.

سهم اصلی این مقاله عبارتند از: 1) معرفی مفهوم جدید PMM ، که بازده یک عامل MM مبتنی بر RL را تقویت می کند و از این رو نقدینگی بازار از طریق پیش بینی Midprice LOB. 2) طراحی یک معادله قیمت تلفیقی (CPE) ، که مسئولیت ادغام قیمت های فعلی و آینده بازار سهام را بر عهده دارد. 3) یک عامل MM مبتنی بر RL که می تواند روند بازار آینده را در زمان واقعی پیش بینی کند.

مابقی این مقاله به ترتیبی که در ادامه میآید ارائه میگردد. بخش 2 کار مربوطه را بررسی می کند. بخش 3 جزئیات پس زمینه لازم را ارائه می دهد. بخش 4 روش پیشنهادی را کاهش می دهد. سپس ، بخش 5 مطالعه تجربی و تجزیه و تحلیل آماری از پشتی خارج از نمونه را توضیح می دهد. سرانجام ، بخش 6 مقاله را نتیجه می گیرد.

کار مرتبط

MM در زمینه های متعددی از جمله هوش مصنوعی مورد مطالعه قرار گرفته است.[8] از RL برای توسعه اولین مدل عملی MM استفاده کرد. آن ها تأثیر شرکت کنندگان ناآگاه بازار را بر رفتار قرار دادن قیمت های بازارسازان بررسی کردند و استدلال کردند که سیاست های RL با موفقیت همگرا می شوند در حالی که تعادل بین سود و اسپرد را حفظ می کنند.[3] با استفاده از دانش احتمالاتی که در آن سفارش ها و اجراها از مدل خود (مدل AS) پیروی می کنند، به مسئله MM به عنوان یک قرارداد بهینه قیمت پیشنهادی و درخواستی در LOB برخورد کرد.[9] تأثیر MM بر شکل گیری قیمت را مورد مطالعه قرار داد و اکتشاف در مقابل مشکل بهره برداری را به عنوان کشف قیمت در مقابل کسب سود در نظر گرفت. با این حال، این کار بر پیش بینی قیمت و ثبات متمرکز بود تا بهبود کیفیت بازار اندازه گیری شده با گسترش بازار.[10] یک چارچوب خودکار MM بر اساس بهینه سازی بدنه محدب طراحی کرد.[11] از یک رویکرد یادگیری آنلاین برای طراحی یک بازارساز استفاده کرد و با فرض نقدینگی کافی آن را به صورت تجربی ارزیابی کرد.[12] یک بازارساز هوشمند طراحی کرد که از یک سیگنال پیش بینی برای بهبود سود استفاده می کند، اما به طور کلی هیچ استراتژی موفق MM را پیشنهاد نمی کند.[13] یک مدل MM فرکانس بالا طراحی کرد که از سرعت در قرار دادن مظنه بهره می برد و همچنین استدلال می کند که سرعت و سود به طور مثبت همبستگی دارند.[14] یک مدل اجرای تجارت برای MM فرکانس بالا پیشنهاد کرد که نوسانات ناگهانی قیمت را از اطلاعات تیک قیمت (تیک کوچکترین واحد تغییر در قیمت است) پیش بینی می کند. با این حال، آنها استدلال می کنند که پیش بینی تلنگر قیمت مبتنی بر شبکه عصبی مکرر در MM سودمند است، اما نتوانستند مدل خود را بر روی سایر استراتژی های MM از جمله RL آزمایش کنند، که عملی بودن مدل آنها را محدود می کند. سپس، [2] یک مدل پیشرفته (RMM-Spooner) مبتنی بر RL را توسعه داد که اولین تلاش برای مطالعه این مشکل بر اساس مبانی واقع بینانه با در نظر گرفتن تمام پدیده های بازار است که بر MM تأثیر می گذارد.[15] از سیگنال های حرکت قیمت دارایی در استراتژی تصمیم گیری عامل MM استفاده می کند. این تصمیم گیری مبتنی بر سیگنال حرکتی بسیار شبیه این کار است. با این حال، برخلاف [15] با استفاده از CPE، خطر تغییر ناگهانی یا غیرمنتظره حرکت (به دلیل رفتار غیر منطقی معامله گران نسبت به اطلاعات جدید) را به حداقل می رسانیم. علاوه بر این، این کار یک استراتژی MM قوی تر طراحی می کند که قیمت واقعی را به جای فقط جهت (روند صعودی یا نزولی) مانند [15] پیش بینی می کند. شباهت بین این کار و [15] تجارت جهت دار بر اساس تغییرات قیمت است.

در مورد یادگیری ماشین (ML) در امور مالی و اقتصاد ، [16] نتایج یک سیستم تجاری مکرر مبتنی بر RL را با استفاده از یک الگوریتم ژنتیکی بهبود بخشید.[17] یک سیستم معاملاتی خودکار را طراحی کرد که DNN و RL را با هم ترکیب می کند و تعداد سهام را برای افزایش تصمیمات تجاری پیش بینی می کند. آنها سیستم خود را در شاخص های مختلف سهام از جمله S& P500 ارزیابی کردند و در مقایسه با روش معاملات RL پایه خود ، بهبود قابل توجهی در سود را گزارش کردند. تحقیقات انجام شده توسط [17] تصمیمات معاملات مالی را با استفاده از شبکه Q Deep بهبود بخشید. بسیاری از محققان برای تقویت روشهای پیشرفته فعلی مورد استفاده در اقتصاد و دارایی ، از تکنیک های فرایند یادگیری مبتنی بر ماشین استفاده کردند.[18] از دستگاه یادگیری شدید برای پیش بینی ورشکستگی استفاده کرد در حالی که [19] همچنین از دستگاه یادگیری شدید استفاده می کرد اما از آن برای طراحی یک پیش بینی کننده صدا مالی با استفاده از داده های بانکی استفاده کرد. علاوه بر این ، [20] الگوریتم های مختلف ML را برای تشخیص پولشویی ارزیابی کرد. کار دیگری که توسط [21] منتشر شده است ، نقش احساسات بازار و شاخص های فنی را در رابطه با تکنیک های ML برای پیش بینی روند سهام مورد تجزیه و تحلیل قرار داده است.

در پیش بینی سری زمانی ، شبکه های عصبی یک انتخاب محبوب در بین جامعه هوش مصنوعی ، به ویژه LSTM ها بوده اند.[22] پیش بینی قیمت سهام سهام را با استفاده از Backpropagation و شبکه عصبی به جلو فید چند لایه مورد مطالعه قرار داد. آنها اظهار داشتند که تکنیک های ریاضی یا آماری مناسب نیستند زیرا شاخص های بازار هیچ رابطه معنی داری را نشان نمی دهند که پیش بینی بازار سهام را بسیار دشوار می کند.[23] بر MLP ، CNN و LSTM در پیشنهاد معماری ترکیبی با استفاده از موجک ها برای پیش بینی قیمت سهام متمرکز شده است.[24] از LSTM برای پیش بینی حرکت بازار سهام بر اساس قیمت های تاریخی و شاخص های فنی استفاده کرد. آنها در نتایج پیش بینی خود از 55. 9 ٪ دقت گزارش کردند و آنها را امیدوار کننده توصیف کردند.[25] از شبکه های عصبی Backpropagation (BPNN) و الگوریتم سین کنجین بهبود یافته (ISCA) با روند Google به ترتیب پیش بینی حرکت قیمت برای شاخص های S& P 500 و DJI استفاده کرد.[26] از LSTM برای پیش بینی قیمت با تبدیل موجک برای از بین بردن نویز استفاده کرد. به تازگی ، [27] MLP را در پیش بینی قیمت نفت خام از مدل بردار وکتور خارج از کشور خارج کرد. بر اساس این مطالعات موجود که در بالا ذکر شد ، ما مدل های شبکه عصبی MLP ، CNN و LSTM را برای حل مشکل پیش بینی قیمت سری زمانی برای استفاده در استراتژی های مختلف PMM انتخاب کردیم.