Применяете ли вы нейросети в торговле на финансовых рынках? - страница 2

Новый комментарий
 
Sergey Gridnev #:

Но только принцип "всё делаю сам" - тупиковый.
Наоборот раскрывает многое. Так как сам разработал и знаешь как и куда дальше расширять.

 
Alexander Ivanov #:
Наоборот раскрывает многое. Так как сам разработал и знаешь как и куда дальше расширять.

Нельзя объять необъятное.
Нельзя иметь высокий уровень компетентности во всех областях человеческой деятельности.
 
Sergey Gridnev #:
Нельзя объять необъятное.
Нельзя иметь высокий уровень компетентности во всех областях человеческой деятельности.

хотя бы нейросеть то можно создать, человеку это возможно :)

 
Lilita Bogachkova #:
Считаю, что необходимо разделить применение нейронных сетей на подгруппы.
Нейронные сети можно применять в трейдинге несколькими способами:
  • Прогнозирование цены акций.
  • Алгоритмическая торговля.
  • Управление портфелем ценных бумаг.
  • Управление рисками.
  • Высокочастотная торговля.
  • Нейронные сети также можно использовать для анализа новостных статей, сообщений в социальных сетях и других текстовых данных.
Важно отметить, что нейронные сети хороши настолько, насколько хороши данные, на которых они обучаются, и у них нет возможности понимать или предсказывать события за пределами своих обучающих данных!


+

Нейронные сети используют данные для обнаружения закономерностей и тенденций. Они не могут «понимать» информацию так, как это может делать человек, и их способность предсказывать будущие события ограничена шаблонами и тенденциями, которые они находят в данных. 

И именно этот факт необходимо учитывать при принятии решения об использовании собранных данных для обучения нейронной сети.

+

Могу сказать, что собранные цены с разных финансовых инструментов за разные периоды времени (всего более 900 000 цен) позволили мне обучить нейросеть с высочайшей на данный момент точностью.



Под этим я подразумеваю, что нейронной сети должно быть позволено самостоятельно находить закономерности в данных, вместо того, чтобы человек находил закономерности в данных, и  затем обучал нейронную сеть их находить.

Нет в открытом доступе готовых пакетов и НС для финансовых рынков, что бы сразу применить к рынкам. Их надо создавать самостоятельно.

Готовые пакеты для анализа математических рядов предназначены совершенно для других целей, но некоторые коллеги по цеху упорно желают получить на основе них отборное зерно из под экскаваторного ковша. Так не получится. Это видно из стараний в теме по МО.

Что бы создать качественную НС мало быть хорошим программистом, надо понимать рынок, так сказать, его изнутри. Знать характер инструмента, поведение и настроение  участников рынка.

Ну, а на счёт полезности НС скажу, что это новая ступенька в качестве анализа рынков.

 
Uladzimir Izerski #:
Нет в открытом доступе готовых пакетов и НС для финансовых рынков

Ответ от GPT-4:
В открытом доступе есть несколько готовых нейронных сетей для финансовых рынков. Как правило, это проекты с открытым исходным кодом, которые публикуются на таких платформах, как GitHub. Вот несколько примеров:

  1. TensorTrade: фреймворк Python с открытым исходным кодом для обучения, оценки и развертывания надежных торговых стратегий с использованием обучения с подкреплением. Он позволяет создавать широкий спектр инвестиционных стратегий, используя комбинацию методов, связанных с данными, генерацией сигналов и управлением портфелем. Вы можете найти его на GitHub здесь.
  2. FinRL: Это библиотека с открытым исходным кодом, которая использует глубокое обучение с подкреплением для автоматизации торговли акциями в Python. Он разработан, чтобы упростить разработку высококачественных торговых стратегий. Вы можете найти его на GitHub здесь.
  3. NeuroTrader: Это количественная торговая платформа, которая использует машинное обучение для построения торговых стратегий для любого рынка. Он разработан, чтобы быть простым в использовании и легко настраиваемым. Вы можете найти его на GitHub здесь.
  4. ffn - Финансовые функции для Python: Это библиотека, которая содержит множество полезных функций для тех, кто работает в области количественных финансов. Он включает в себя ряд финансовых расчетов, которые обычно используются при создании финансовых моделей. Вы можете найти его на GitHub здесь.
Обратите внимание, что, хотя эти инструменты могут быть очень мощными, для их эффективного использования они также требуют хорошего понимания как финансов, так и машинного обучения. Также важно помнить, что финансовые рынки очень сложны и непредсказуемы, и даже самые сложные модели не могут гарантировать успех. Всегда используйте такие инструменты с осторожностью и подумайте о том, чтобы обратиться за советом к финансовым специалистам.
 
Lilita Bogachkova #:

Ответ от GPT-4:
В открытом доступе есть несколько готовых нейронных сетей для финансовых рынков. Как правило, это проекты с открытым исходным кодом, которые публикуются на таких платформах, как GitHub. Вот несколько примеров:

  1. TensorTrade: фреймворк Python с открытым исходным кодом для обучения, оценки и развертывания надежных торговых стратегий с использованием обучения с подкреплением. Он позволяет создавать широкий спектр инвестиционных стратегий, используя комбинацию методов, связанных с данными, генерацией сигналов и управлением портфелем. Вы можете найти его на GitHub здесь.
  2. FinRL: Это библиотека с открытым исходным кодом, которая использует глубокое обучение с подкреплением для автоматизации торговли акциями в Python. Он разработан, чтобы упростить разработку высококачественных торговых стратегий. Вы можете найти его на GitHub здесь.
  3. NeuroTrader: Это количественная торговая платформа, которая использует машинное обучение для построения торговых стратегий для любого рынка. Он разработан, чтобы быть простым в использовании и легко настраиваемым. Вы можете найти его на GitHub здесь.
  4. ffn - Финансовые функции для Python: Это библиотека, которая содержит множество полезных функций для тех, кто работает в области количественных финансов. Он включает в себя ряд финансовых расчетов, которые обычно используются при создании финансовых моделей. Вы можете найти его на GitHub здесь.
Обратите внимание, что, хотя эти инструменты могут быть очень мощными, для их эффективного использования они также требуют хорошего понимания как финансов, так и машинного обучения. Также важно помнить, что финансовые рынки очень сложны и непредсказуемы, и даже самые сложные модели не могут гарантировать успех. Всегда используйте такие инструменты с осторожностью и подумайте о том, чтобы обратиться за советом к финансовым специалистам.

Спасибо.

Покопаюсь на досуге. Знаний лишних не бывает.

 
Uladzimir Izerski #:

Спасибо.

Покопаюсь на досуге. Знаний лишних не бывает.

Керосинку не забудь зажечь, Владик, помогает при изучении долгими томными вечерами 😀😀
 
Maxim Dmitrievsky #:
Керосинку не забудь зажечь, Владик, помогает при изучении долгими томными вечерами 😀😀

А у меня, Максим есть своя НС. Даже рисунок тебе покажу, раз на то пошло.

В правом нижнем углу столбики выводят информацию о состоянии рынка и вероятности поведения в будущем.

И полюбуйся, какие идеальные входы в рынок даёт.

USDCHFH1

 
Lilita Bogachkova #:

Ответ от GPT-4:
В открытом доступе есть несколько готовых нейронных сетей для финансовых рынков. Как правило, это проекты с открытым исходным кодом, которые публикуются на таких платформах, как GitHub. Вот несколько примеров:

  1. TensorTrade: фреймворк Python с открытым исходным кодом для обучения, оценки и развертывания надежных торговых стратегий с использованием обучения с подкреплением. Он позволяет создавать широкий спектр инвестиционных стратегий, используя комбинацию методов, связанных с данными, генерацией сигналов и управлением портфелем. Вы можете найти его на GitHub здесь.
  2. FinRL: Это библиотека с открытым исходным кодом, которая использует глубокое обучение с подкреплением для автоматизации торговли акциями в Python. Он разработан, чтобы упростить разработку высококачественных торговых стратегий. Вы можете найти его на GitHub здесь.
  3. NeuroTrader: Это количественная торговая платформа, которая использует машинное обучение для построения торговых стратегий для любого рынка. Он разработан, чтобы быть простым в использовании и легко настраиваемым. Вы можете найти его на GitHub здесь.
  4. ffn - Финансовые функции для Python: Это библиотека, которая содержит множество полезных функций для тех, кто работает в области количественных финансов. Он включает в себя ряд финансовых расчетов, которые обычно используются при создании финансовых моделей. Вы можете найти его на GitHub здесь.
Обратите внимание, что, хотя эти инструменты могут быть очень мощными, для их эффективного использования они также требуют хорошего понимания как финансов, так и машинного обучения. Также важно помнить, что финансовые рынки очень сложны и непредсказуемы, и даже самые сложные модели не могут гарантировать успех. Всегда используйте такие инструменты с осторожностью и подумайте о том, чтобы обратиться за советом к финансовым специалистам.

Лилита, Вы не пробовали? Успехи есть?

 
Ivan Butko #:

Лилита, Вы не пробовали? Успехи есть?

Я опубликовала этот ответ только для того, чтобы читатели знали, что есть общедоступные решения. С помощью GPT-4 доступно так много информации, что я не могу проверить все, извините. 

123456789...15
Новый комментарий