Cómo avanzar en el aprendizaje automático

Al entrar en los mercados, todos los tráders comienzan su formación por los fundamentos del análisis técnico y leen los mismos libros sobre el comercio bursátil. La comprensión de los fundamentos resulta sencilla y la fase de negociación manual es bastante rápida. Obviamente, resulta deseable comerciar mucho, constantemente, en una variedad de instrumentos y con un mínimo de riesgo. El tráder comienza a escribir robots y ahora no pasa su tiempo mirando los gráficos, sino desarrollando y depurando sistemas automáticos de trading: los robots comerciales.

El trading algorítmico es un tema muy amplio. Una simple búsqueda en Internet nos ofrecerá enlaces a cientos (si no miles) de manuales y recursos especializados. En los últimos tiempos, el uso del aprendizaje automático y las redes neuronales se considera el enfoque adecuado. Este puede descubrirnos una nueva esfera completa de conocimientos, por lo que resulta difícil iniciar una introducción sistemática al tema. A continuación, ofrecemos al lector una breve selección de materiales en inglés para ahorrarle tiempo en su búsqueda.

Libros

Una pequeña selección de libros sobre el uso del aprendizaje automático en el trading algorítmico. También resultarán más que deseables los conocimientos de matemáticas, estadística y programación en Python.

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

Cursos y especializaciones en línea

Los cursos de aprendizaje en línea son los más accesibles y populares en cualquier campo de conocimiento. Aquí tenemos una pequeña selección de cursos de aprendizaje automático en Udacity y Coursera

• Udacity, Georgia Tech — Machine Learning for Trading. El curso introduce a los estudiantes en los desafíos reales de la implementación de estrategias de trading basadas en el aprendizaje automático. La atención se centra en la aplicación de enfoques probabilísticos de aprendizaje automático a las decisiones comerciales. Asimismo, se analizan enfoques estadísticos como la regresión lineal, el KNN y los árboles de regresión, y también su aplicación a situaciones reales de comercio con acciones. La duración es de 4 meses.
  

• Udacity, WorldQuant — Artificial Intelligence for Trading. En este curso aprenderá en 6 meses los fundamentos del análisis cuantitativo, incluyendo el procesamiento de datos, la generación de señales de trading y la gestión de portafolios. Además, aprenderá a usar Python para trabajar con datos históricos sobre acciones, desarrollar estrategias comerciales y construir un modelo multifactorial con optimización.
  

• Coursera, NYU — especialización "Machine Learning and Reinforcement Learning in Finance Specialization (Weakly related to trading)" de cuatro cursos, con una duración de 24 horas. Esta serie está dirigida a tres categorías de oyentes:
  

  1. Profesionales que trabajan en instituciones financieras como bancos, empresas de gestión de activos o fondos de cobertura.
  2. Personas interesadas en aplicar el aprendizaje automático a la negociación intradía.
  3. Estudiantes a tiempo completo de finanzas, estadística, informática, matemáticas, física u otras materias relacionadas que deseen conocer las aplicaciones prácticas del ML en las finanzas.
  Para realizar las tareas de este curso, se requiere experiencia con Python (numpy, pandas y IPython/Jupyter), álgebra lineal y teoría de la probabilidad básica.
  
  Los propios cursos:
  
  • Coursera, NYU — Guided Tour of Machine Learning in Finance . Curso de introducción al aprendizaje automático centrado en las aplicaciones financieras. 
    
  • Coursera, NYU — Fundamentals of Machine Learning in Finance.  Los alumnos con algún o ningún conocimiento de aprendizaje automático (ML) serán introducidos a los algoritmos básicos de aprendizaje dirigido y no supervisado y el aprendizaje de refuerzo, y serán capaces de utilizar paquetes de ML de código abierto de Python para desarrollar, probar e implementar algoritmos de ML en las finanzas.
    
  • Coursera, NYU — Reinforcement Learning in Finance . El curso tiene como objetivo introducir los conceptos fundamentales del aprendizaje reforzado (RL) y desarrollar opciones para utilizar aplicaciones de RL para la valoración de opciones, el comercio y la gestión de activos.
  • Coursera, NYU — Overview of Advanced Methods for Reinforcement Learning in Finance. En el último curso de especialización se profundiza en los temas tratados en el tercer curso anterior. En particular, los temas tratan los vínculos entre el aprendizaje reforzado, la fijación de precios de las opciones y la física, y las implicaciones del aprendizaje reforzado hacia atrás para modelar los efectos del mercado y la dinámica de los precios. Asimismo, se analizan los ciclos de percepción-acción en el aprendizaje reforzado.
    
    

Vídeos en Youtube

Ahora mismo hay muchos vídeos sobre formación comercial en Internet, aquí tenemos algunos de los más útiles en cuanto al uso del aprendizaje automático.

• Siraj Raval — Videos about stock market prediction using Deep Learning (enlace). Bot de criptomonedas, aprendizaje reforzado para predecir los precios de las acciones, TensorFlow y más.
  
• QuantInsti Youtube — webinars about Machine Learning for trading (enlace). Aprendizaje automático, finanzas cuantitativas, teoría del portafolio óptimo y muchos otros vídeos de formación.
  
• Quantopian — Webinars about Machine Learning for trading (enlace). Aplicación de la clasificación y regresión en el trading, Deep Learning, Big Data, creación de modelos para el análisis de sentimiento y muchos otros vídeos de aprendizaje automático.
  
• Sentdex — Machine Learning for Forex and Stock analysis and algorithmic trading (enlace). Una introducción al aprendizaje automático y al reconocimiento de patrones en el comercio de divisas y acciones.
• Sentdex — Python programming for Finance (a few videos including Machine Learning) (enlace). Preprocesamiento de datos para el aprendizaje automático usando Python.
• QuantNews — Machine Learning for Algorithmic Trading, consta de 3 vídeos (enlace). Describe los primeros pasos del aprendizaje automático, la preparación de datos y el establecimiento de hiperparámetros en los modelos.
• Howard Bandy — Machine Learning Trading System Development Webinar (enlace).  Grabación de un seminario web sobre el desarrollo de un sistema de trading usando el aprendizaje automático.
  
• Ernie Chan — Machine Learning for Quantitative Trading Webinar (enlace). Otro seminario web de una hora sobre aprendizaje automático.
• Hitoshi Harada, CTO at Alpaca — Deep Learning in Finance Talk (enlace).  Formación financiera en profundidad a cargo de Hitoshi Harada, CTO de Alpaca, compañía que desarrolla APIs para automatizar las operaciones en las bolsas de criptomonedas y de valores.
  
• Prediction Machines — Deep Learning with Python in Finance Talk (enlace). El ponente Ben habla sobre la implementación de un algoritmo de aprendizaje reforzado en Python usando TensorFlow, y también ofrece información detallada sobre la clase de algoritmos de aprendizaje profundo y su aplicación a los mercados financieros.
  
• Master Thesis presentation, Uni of Essex — Analyzing the Limit Order Book, A Deep Learning Approach (enlace). 
• Tucker Balch — Applying Deep Reinforcement Learning to Trading (enlace). Presentación del proyecto final del Master of Science in Algotrading de la Universidad de Essex. El objetivo del proyecto es extraer información de una profundidad de mercado de nivel 2 (DOM Level-2) usando una red neuronal convolucional.
• Krish Naik — Stock Price Prediction And Forecasting Using Stacked LSTM-Deep Learning (enlace). Creación de un modelo de aprendizaje automático para la predicción del mercado. La predicción bursátil supone un intento de determinar el valor futuro de las acciones de una empresa u otro instrumento financiero negociado en una bolsa de valores.

Blogs y sitios web temáticos

Existen muchos blogs y sitios web temáticos sobre el aprendizaje automático. A continuación, le presentamos los más populares y útiles para el trading algorítmico.

• Quantstart — Machine Learning for Trading articles (enlace).  Existen varias decenas de artículos clasificados por categoría. Se ofrecen antecedentes teóricos, fórmulas matemáticas y ejemplos de cálculos en varios lenguajes de programación.
  
• Quantopian — Lecture notebooks on ML-related statistics (enlace a github). El sitio en sí ya no está disponible, pero gracias a Ihor Marusyk, podrá leer y ver las 56 conferencias de este legendario recurso.
  
• AAA Quants, Tom Starke Blog (enlace). El tema del blog es "Inteligencia artificial, análisis cuantitativo y soluciones de procesamiento de datos para los mercados financieros". Una breve serie de artículos bien escritos y acompañados de código Python que le permitirán conocer la aplicación de las matemáticas en el trading algorítmico.
  
• RobotWealth, Kris Longmore Blog (enlace). Otro blog útil dedicado al aprendizaje automático. Aquí también podrá encontrar reseñas de libros y artículos sobre trading algorítmico. Le será difícil separarse de este recurso.
  
• Blackarbs blog (enlace). Un interesante blog de un tráder que fracasó una vez en el comercio discrecional y luego se pasó a Python, el análisis cuantitativo y a la automatización total en el trading. Numerosas publicaciones desde 2013, en las que comparte sus ideas y métodos.
  
• Hardikp, Hardik Patel blog (enlace)

Entrevistas

Una selección de 10 entrevistas sobre la aplicación del aprendizaje automático en el trading algorítmico. Durante una hora, destacados expertos y profesionales responden a las preguntas del presentador y ofrecen consejos útiles. Cada vídeo dispone de subtítulos generados automáticamente.

• Chat with Traders EP042 — Machine learning for algorithmic trading with Bert Mouler (enlace)
• Chat with Traders EP142 — Algo trader using automation to bypass human flaws with Bert Mouler (enlace)
• Chat with Traders EP147 — Detective work leading to viable trading strategies with Tom Starke (enlace)
• Chat with Traders Quantopian 5 — Good Uses of Machine Learning in Finance with Max Margenot (enlace)
• Chat With Traders EP131 — Trading strategies, powered by machine learning with Morgan Slade (enlace)
• Better System Trader EP023 — Portfolio manager Michael Himmel talks AI and machine learning in trading (enlace)
• Better System Trader EP028 — David Aronson shares research into indicators that identify Bull and Bear markets. (enlace)
• Better System Trader EP082 — Machine Learning With Kris Longmore (enlace)
• Better System Trader EP064 — Cryptocurrencies and Machine Learning with Bert Mouler (enlace)
• Better System Trader EP090 — This quants’ approach to designing algo strategies with Michael Halls-Moore (enlace)

Publicaciones científicas

Los mercados financieros desempeñan un papel clave en la organización económica y social del mundo moderno. En estos mercados, la información supone un activo inestimable. Sin embargo, con la modernización de los sistemas de información, la enorme cantidad de información de que dispone el tráder puede hacer imposible el análisis de un activo financiero.

En las últimas décadas, muchos investigadores han tratado de desarrollar métodos y algoritmos inteligentes para apoyar la toma de decisiones en diversos segmentos del mercado financiero. Hay más de 30 artículos de instituciones académicas y educativas de todo el mundo sobre el tema del aprendizaje profundo, la clasificación y otras formas de inteligencia artificial para realizar predicciones y operar en los mercados financieros.

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

Comercio con las noticias y el sentimiento

El número de noticias emitidas por las numerosas agencias aumenta constantemente. Para aprovechar este flujo de datos, se hacía necesario aplicar varios filtros, que eran utilizados por los departamentos de investigación de las grandes empresas de inversión. Sin embargo, con la llegada de la digitalización del contenido de las noticias, la informática moderna y las técnicas de interpretación del lenguaje, estos datos pueden analizarse ahora de forma rápida y eficaz. Los programas que analizan estos datos se denominan comúnmente algoritmos de sentimiento de las noticias.

• Frank Z. Xing y otros — Natural language based financial forecasting: a survey (enlace). El Procesamiento del Lenguaje Natural (PLN) es cada vez más potente gracias a la disponibilidad de los datos y a los diversos métodos desarrollados en la última década. Esta capacidad creciente permite percibir con mayor precisión el sentimiento del mercado.
  
• Ziniu Hu y otros — Listening to Chaotic Whispers: A Deep Learning Framework for News-oriented Stock Trend Prediction (enlace). Este artículo, se describen las redes híbridas de atención (Hybrid Attention Networks), diseñadas para predecir las tendencias bursátiles a partir de una secuencia de noticias recientes relacionadas entre sí.
  
• J.W. Leung, Master Thesis, MIT — Application of Machine Learning: Automated Trading Informed by Event Driven Data (enlace). Este artículo muestra cómo crear estrategias comerciales utilizando
  métodos de aprendizaje automático tanto para los indicadores de análisis técnico como para el sentimiento del mercado. Los modelos de previsión resultantes pueden usarse como herramienta para el trading algorítmico en cualquier bolsa de valores.
  
• Xiao Ding y otros — Deep Learning for Event-Driven Stock Prediction (enlace). Este artículo analiza un método de aprendizaje profundo para predecir eventos bursátiles. En la primera etapa, los acontecimientos son extraídos del texto de las noticias y se representan como vectores densos entrenados mediante una nueva red neural tensorial. La red neuronal convolucional profunda se usa entonces para modelar los efectos a corto y largo plazo de los eventos en los movimientos de los precios de las acciones.
  

Conclusión

El propósito de este artículo es ofrecer a los tráders una síntesis pequeña y útil del material disponible sobre el aprendizaje automático. Esperamos que todos los recién llegados encuentren algo útil en el artículo, y puedan hacerse una idea de los objetivos que deben perseguir. Muchos de los materiales de esta lista requieren conocimientos adicionales, más allá de la comprensión de los indicadores técnicos y los conocimientos de programación necesarios.

Si en esta etapa el tema le resulta demasiado complicado, ahora ya sabe qué cursos buscar en internet para adentrarse en el aprendizaje automático. Aprenda y ayude a otros tráders: comparta sus conocimientos y experiencias sobre este complejo asunto en MQL5.community, nuestro lugar de reunión.