Como melhorar em aprendizado de máquina

Todos os traders que chegam ao mercado começam a aprender com os fundamentos da análise técnica e leem os mesmos livros sobre negociação na bolsa de valores. Compreender o básico é fácil e passar pela fase de negociação manual é rápido. Torna-se claro que é preferível negociar muito, constantemente, utilizando vários instrumentos e com um mínimo de risco. Porém, o trader começa a escrever robôs e agora passa seu tempo não olhando para gráficos, mas, sim, desenvolvendo e depurando sistemas de negociação automática, especialmente robôs de negociação.

A negociação algorítmica é um tópico vasto. A pesquisa mais simples na Internet fornece links para centenas, senão milhares, de manuais especializados e recursos. Recentemente, o uso de aprendizado de máquina e de redes neurais tem sido considerado a abordagem correta. Isto abre todo um novo leque de conhecimentos, tornando-se difícil saber onde começar com uma introdução sistemática ao assunto. Veja abaixo uma pequena seleção de materiais em inglês para poupar o seu tempo de pesquisa.

Livros

Essa é uma pequena seleção de livros sobre o uso de aprendizado de máquina na negociação algorítmica. Dominar matemática, estatística e habilidades de programação Python é algo que é muito importante.

• Marcos López de Prado — Advances in Financial Machine Learning (link)
• Dr Howard B Bandy — Quantitative Technical Analysis: An integrated approach to trading system development and trading management (link)
• Tony Guida — Big Data and Machine Learning in Quantitative Investment (link)
• Michael Halls-Moore — Advanced Algorithmic Trading (link)
• Jannes Klaas — Machine Learning for Finance: Data algorithms for the markets and deep learning from the ground up for financial experts and economics (link)
• Stefan Jansen — Hands-On Machine Learning for Algorithmic Trading: Design and implement smart investment strategies to analyze market behavior using the Python ecosystem (link)
• Ali N. Akansu e outros — Financial Signal Processing and Machine Learning (link)
• David Aronson — Evidence-Based Technical Analysis: Applying the Scientific Method and Statistical Inference to Trading (link)
• David Aronson — Statistically Sound Machine Learning for Algorithmic Trading of Financial Instruments (link)
• Ernest P. Chan — Machine Trading: Deploying Computer Algorithms to Conquer the Markets (link)

Cursos e especializações on-line

Aprender com cursos online é o mais acessível e popular em todas as áreas do conhecimento. Essa é uma pequena seleção de cursos de aprendizado de máquina em Udacity e Coursera

• Udacity, Georgia Tech — Machine Learning for Trading. O curso apresenta aos alunos os problemas reais da implementação de estratégias de negociação baseadas em aprendizado de máquina. O foco está em como aplicar abordagens probabilísticas de aprendizado de máquina às decisões de negociação. Compreende abordagens estatísticas como regressão linear, KNN e árvores de regressão e como elas podem ser aplicadas a situações reais de negociação no mercado de ações. Dura 4 meses.
  

• Udacity, WorldQuant — Artificial Intelligence for Trading. Neste curso de 6 meses, você aprende os fundamentos da análise quantitativa, incluindo processamento de dados, geração de sinais de negociação e gerenciamento de portfólio. Você descobre como usar o Python para trabalhar com dados históricos de ações, desenvolver estratégias de negociação e construir um modelo multifatorial com otimização.
  

• Coursera, NYU — Especialização "Machine Learning and Reinforcement Learning in Finance Specialization (Pouco relacionado ao trading)" de quatro cursos, com duração de 24 horas. Esta série é projetada para três tipos de público:
  

  1. Profissionais que trabalham em instituições financeiras, como bancos, empresas de gestão de patrimônio ou fundos de cobertura.
  2. Indivíduos interessados em aplicar aprendizado de máquina ao trading intradiário.
  3. Estudantes em tempo integral que cursam finanças, estatística, ciência da computação, matemática, física ou outras disciplinas relacionadas e que desejam aprender sobre aplicações práticas do AM em finanças.
  Este curso requer experiência com Python (numpy, pandas e IPython/Jupyter), conhecimento de álgebra linear e teoria básica de probabilidade.
  
  Cursos em si:
  
  • Coursera, NYU — Guided Tour of Machine Learning in Finance. Um curso introdutório de aprendizado de máquina com foco em aplicações financeiras. 
    
  • Coursera, NYU — Fundamentals of Machine Learning in Finance.  Um aluno com algum ou nenhum conhecimento de aprendizado de máquina (AM) pode se familiarizar com os algoritmos básicos para aprendizado supervisionado e não supervisionado e aprendizado por reforço, e entender como usar pacotes Python de AM de código aberto para desenvolver, testar e implementar algoritmos de AM em o campo das finanças.
    
  • Coursera, NYU — Reinforcement Learning in Finance. O curso visa introduzir os conceitos fundamentais de aprendizado por reforço (AR) e desenvolver casos de uso para aplicativos de AR para precificação de opções, negociação e gerenciamento de ativos.
  • Coursera, NYU — Overview of Advanced Methods for Reinforcement Learning in Finance. O último curso da especialização trata mais detalhadamente de temas que foram abordados no terceiro curso anterior. Em particular, tópicos sobre as ligações entre aprendizado por reforço, precificação de opções e física, as implicações do aprendizado por reforço reverso para modelar o impacto do mercado e a dinâmica dos preços. E também sobre os ciclos de percepção-ação no aprendizado por reforço.
    
    

Vídeo no Youtube

Na Internet, há agora muitos vídeos que ensinam a negociar, aqui estão os mais úteis em termos de utilização da aprendizagem de máquinas.

• Siraj Raval — Videos about stock market prediction using Deep Learning (link). Bot para criptomoedas, aprendizado por reforço para previsão de preços de ações, TensorFlow e muito mais.
  
• QuantInsti Youtube — webinars about Machine Learning for trading (link). Aprendizado de máquina, finanças quantitativas, teoria de carteira ideal e muitos outros vídeos educacionais.
  
• Quantopian — Webinars about Machine Learning for trading (link). O uso de classificação e regressão em trading, aprendizado profundo, Big Data, criação de modelos para análise de sentimentos e muitos outros vídeos sobre aprendizado de máquina.
  
• Sentdex — Machine Learning for Forex and Stock analysis and algorithmic trading (link). Um curso introdutório sobre aprendizado de máquina e reconhecimento de padrões em forex e negociação de ações.
• Sentdex — Python programming for Finance (alguns vídeos, incluindo Machine Learning) (link). Pré-processamento de dados para aprendizado de máquina usando Python.
• QuantNews — Machine Learning for Algorithmic Trading de 3 vídeos (link). Descreve as primeiras etapas em aprendizado de máquina, preparação de dados e ajuste de hiperparâmetros em modelos.
• Howard Bandy — Machine Learning Trading System Development Webinar (link).  Gravação de um webinar sobre o desenvolvimento de um sistema de negociação usando aprendizado de máquina.
  
• Ernie Chan — Machine Learning for Quantitative Trading Webinar (link). Mais um webinar de aprendizado de máquina de uma hora.
• Hitoshi Harada, CTO at Alpaca — Deep Learning in Finance Talk (link).  Aprendizado profundo em finanças com Hitoshi Harada, CTO da Alpaca, que desenvolve APIs para operar criptomoedas e ações de forma automatizada.
  
• Prediction Machines — Deep Learning with Python in Finance Talk (link). O palestrante Ben fala sobre a implementação de um algoritmo de aprendizado por reforço em Python usando o TensorFlow, bem como informações básicas sobre uma classe de algoritmo de aprendizado profundo e um aplicativo para mercados financeiros.
  
• Master Thesis presentation, Uni of Essex — Analyzing the Limit Order Book, A Deep Learning Approach (link). 
• Tucker Balch — Applying Deep Reinforcement Learning to Trading (link). Apresentação do projeto final para o mestrado em negociação algorítmica na Universidade de Essex. O objetivo do projeto é extrair informações do livro de ofertas de Nível 2 (DOM Nível-2) usando uma rede neural convolucional.
• Krish Naik — Stock Price Prediction And Forecasting Using Stacked LSTM-Deep Learning (link). Construção de um modelo de aprendizado de máquina para previsão do mercado de ações. A previsão do mercado de ações é uma tentativa de determinar o valor futuro das ações de uma empresa ou outro instrumento financeiro negociado em uma bolsa de valores.

Blogs e sites temáticos

Existem muitos blogs e sites temáticos sobre aprendizado de máquina. Abaixo estão os mais populares e úteis para fins de negociação algorítmica.

• Quantstart — Machine Learning for Trading articles (link).  Várias dezenas de artigos divididos em categorias, com dados fundamentos teóricos, fórmulas matemáticas e exemplos de cálculos em diversas linguagens de programação.
  
• Quantopian — Lecture notebooks on ML-related statistics (link на github). O site em si não está mais disponível, mas graças a Ihor Marusyk você pode ler e assistir a todas as 56 palestras deste recurso lendário.
  
• AAA Quants, Tom Starke Blog (link). O tema do blog é designado como "Soluções baseadas em inteligência artificial, análise quantitativa e processamento de dados para trabalhar no mercado financeiro". Uma pequena série de artigos bem escritos temperados com código Python lhe dará uma ideia da aplicação da matemática na negociação algorítmica.
  
• RobotWealth, Kris Longmore Blog (link). Outro blog útil de aprendizado de máquina. Aqui você também pode encontrar resenhas de livros e artigos sobre o tema de negociação algorítmica. Será difícil se afastar deste recurso.
  
• Blackarbs blog (link). Um blog interessante de um trader que uma vez falhou em negociações discricionárias e depois mudou para Python, análise quantitativa e negociação com automação completa. Muitas publicações desde 2013 nas quais ele compartilha suas ideias e métodos.
  
• Hardikp, Hardik Patel blog (link)

Entrevistas

Uma seleção de 10 entrevistas sobre o uso de aprendizado de máquina na negociação algorítmica. Durante a hora, os principais especialistas e profissionais respondem a perguntas do apresentador e dão conselhos úteis. Cada vídeo contém legendas geradas automaticamente.

• Bate-papo com Traders EP042 — Aprendizado de máquina para negociação algorítmica com Bert Mouler (link)
• Bate-papo com Traders EP142 — Trader algorítmico usando automação para contornar falhas humanas com Bert Mouler (link)
• Bate-papo com Traders EP147 — Trabalho de detetive na busca de estratégias de negociação viáveis com Tom Starke (link)
• Bate-papo com Traders Quantopian 5 — Bons usos da aprendizagem de máquina em finanças com Max Margenot (link)
• Bate-papo com Traders EP131 — Estratégias de negociação impulsionadas por aprendizado de máquina com Morgan Slade (link)
• Melhor sistema de negociação EP023 — O gerente de portfólio Michael Himmel fala sobre IA e aprendizado de máquina na negociação (link)
• Melhor sistema de negociação EP028 — David Aronson compartilha pesquisas sobre indicadores que identificam os mercados de alta e baixa (link)
• Melhor sistema de negociação EP082 — Machine Learning com Kris Longmore (link)
• Melhor sistema de negociação EP064 — Criptomoedas e aprendizado de máquina com Bert Mouler (link)
• Melhor sistema de negociação EP090 — Uma abordagem de quants para projetar estratégias de trading algorítmico com Michael Halls-Moore (link)

Publicações científicas

Os mercados financeiros desempenham um papel importante na organização económica e social da sociedade moderna. Nesses mercados, a informação é um ativo inestimável. No entanto, com a modernização dos sistemas de informação, a grande quantidade de informações disponíveis para o trader pode impossibilitar a análise de um determinado ativo financeiro.

Nas últimas décadas, muitos pesquisadores têm tentado desenvolver métodos e algoritmos inteligentes para ajudar na toma de decisões em diversos segmentos do mercado financeiro. Aqui há mais de 30 artigos de instituições acadêmicas e educacionais de todo o mundo sobre o tema aprendizado profundo, classificação e outras formas de inteligência artificial para previsão e negociação nos mercados financeiros.

• James Cumming — An Investigation into the Use of Reinforcement Learning Techniques within the Algorithmic Trading Domain (link)
• Marcos López de Prado — The 10 reasons most Machine Learning Funds fails (link)
• Zhuoran Xiong e outros — Practical Deep Reinforcement Learning Approach for Stock Trading (link)
• Gordon Ritter — Machine Learning for Trading (link)
• J.B. Heaton e outros — Deep Learning for Finance: Deep Portfolios (link)
• Justin Sirignano e outros — Universal Features of Price Formation in Financial Markets: Perspectives From Deep Learning (link)
• Marcial Messmer — Deep Learning and the Cross-Section of Expected Returns (link)
• Marcos Lopez de Prado — Ten Financial Applications of Machine Learning (Presentation Slides) (link)
• Marcos Lopez de Prado — The Myth and Reality of Financial Machine Learning (Presentation Slides) (link)
• Artur Sepp — Machine Learning for Volatility Trading (Presentation Slides) (link)
• Marcos Lopez de Prado — Market Microstructure in the Age of Machine Learning (link)
• Jonathan Brogaard — Machine Learning and the Stock Market (link)
• Milan Fičura - Forecasting Foreign Exchange Rate Movements with k-Nearest-Neighbour, Ridge Regression and Feed-Forward Neural Networks (link)
• Samuel Edet — Recurrent Neural Networks in Forecasting S&P 500 Index (link) Amin Hedayati e outros - Stock Market Index Prediction Using Artificial Neural Network (link)
• Jaydip Sen e outros — A Robust Predictive Model for Stock Price Forecasting (link)
• O.B. Sezer e outros — An Artificial Neural Network-based Stock Trading System Using Technical Analysis and Big Data Framework (link)
• Ritika Singh e outros — Stock prediction using deep learning (link)
• Thomas Fischera e outros — Deep learning with long short-term memory networks for financial market predictions (link)
• R.C.Cavalcante e outros — Computational Intelligence and Financial Markets: A Survey and Future Directions(link)
• E. Chong e outros — Deep Learning Networks for Stock Market Analysis and Prediction: Methodology, Data Representations, and Case Studies (link)
• Chien Yi Huang — Financial Trading as a Game: A Deep Reinforcement Learning Approach (link)
• W. Bao e outros — A deep learning framework for financial time series using stacked autoencoders and longshort term memory (link)
• Xingyu Zhou e outros — Stock Market Prediction on High-Frequency Data Using Generative Adversarial Nets (link)
• Fuli Feng e outros — Improving Stock Movement Prediction with Adversarial Training (link)
• Z. Zhao e outros — Time-Weighted LSTM Model with Redefined Labeling for Stock Trend Prediction (link)
• Arthur le Calvez, Dave Cliff — Deep Learning can Replicate Adaptive Traders in a Limit-Order-Book Financial Market (link)
• Dang Lien Minh e outros — Deep Learning Approach for Short-Term Stock Trends Prediction Based on Two-Stream Gated Recurrent Unit Network (link)
• Yue Deng e outros — Deep Direct Reinforcement Learning for Financial Signal Representation and Trading (link)
• Xiao Zhong — A comprehensive cluster and classification mining procedure for daily stock market return forecasting (link)
• J. Zhang e outros — A novel data-driven stock price trend prediction system (link)
• Ehsan Hoseinzade e outros — CNNPred: CNN-based stock market prediction using several data sources (link)
• Hyejung Chung e outros — Genetic Algorithm-Optimized Long Short-Term Memory Network for Stock Market Prediction (link)
• Yujin Baek e outros — ModAugNet: A new forecasting framework for stock market index value with an overfitting prevention LSTM module and a prediction LSTM module (link)
• Rajashree Dash e outros — A hybrid stock trading framework integrating technical analysis with machine learning techniques (link)
• E.A. Gerlein e outros — Evaluating machine learning classification for financial trading: an empirical approach (link)
• Justin Sirignano — Deep Learning for Limit Order Books (link)

Negociação com base em notícias e sentimentos

O número de notícias transmitidas por um grande número de agências de notícias está aumentando constantemente. Para capitalizar este fluxo de dados, foi necessário aplicar filtros que foram utilizados pelos departamentos de pesquisa de grandes empresas de investimento. No entanto, com o advento da digitalização de conteúdo das notícias, computação moderna e métodos linguísticos de interpretação, esses dados podem agora ser analisados de forma eficiente e rápida. Os programas que analisam esses dados são mais comumente chamados de algoritmos de sentimento de notícias.

• Frank Z. Xing e outros — Natural language based financial forecasting: a survey (link). O processamento de linguagem natural (PLN) está se tornando mais poderoso devido à disponibilidade de dados e várias técnicas desenvolvidas na última década. Essa capacidade crescente permite capturar com mais precisão o sentimento do mercado.
  
• Ziniu Hu e outros — Listening to Chaotic Whispers: A Deep Learning Framework for News-oriented Stock Trend Prediction (link). Este artigo descreve as redes de atenção híbridas, projetadas para prever tendências de ações com base na sequência de notícias recentes relacionadas.
  
• J.W. Leung, Master Thesis, MIT — Application of Machine Learning: Automated Trading Informed by Event Driven Data (link). Este artigo mostra como criar estratégias de negociação usando
  métodos de aprendizado de máquina para indicadores de análise técnica e sentimento de mercado. Os modelos de previsão resultantes podem ser usados para negociação algorítmica em qualquer bolsa de valores.
  
• Xiao Ding e outros — Deep Learning for Event-Driven Stock Prediction (link). O artigo discute um método de aprendizado profundo para prever eventos no mercado de ações. Na primeira etapa, os eventos são extraídos do texto da notícia e apresentados como vetores densos treinados usando uma nova rede de tensores neurais. Em seguida, uma rede neural convolucional profunda é usada para modelar os efeitos de eventos de curto e longo prazo sobre o movimento dos preços das ações.
  

Considerações finais

O objetivo deste artigo foi oferecer aos traders um pequeno e útil resumo de tutoriais de aprendizado de máquina disponíveis publicamente. Esperamos que todo iniciante encontre algo útil para si e tenha uma ideia de que caminho tomar. Muitos dos materiais desta lista exigem conhecimento adicional que vai muito além da compreensão de indicadores técnicos e habilidades de programação.

Se nesta fase o tema for muito complicado para você, agora você saberá que cursos fazer on-line para entrar no nicho de aprendizagem da máquina. Aprenda e ajude outros traders, compartilhe links proveitosos e suas próprias descobertas neste difícil processo em nossa comunidade MQL5.community.