Pourquoi l'analyse technique traditionnelle a-t-elle besoin de l'apprentissage automatique ?

Après des années de recherche dans le domaine du trading quantitatif, j'ai découvert un phénomène intéressant: la plupart des traders utilisent encore des indicateurs techniques datant d'il y a plusieurs décennies, mais ils s'attendent à des gains excessifs dans un marché en évolution rapide. C'est comme utiliser des calculatrices pour résoudre des problèmes de calcul.

Cette stratégie de trading de niveau avancé de KNN (K-proximité) que nous analyserons aujourd'hui représente une direction importante pour le trading quantifié:Combiner des algorithmes d'apprentissage automatique avec l'analyse technique traditionnelle pour créer des systèmes de décision de transactions plus intelligents。

Qu'est-ce que l'algorithme KNN et pourquoi est-il adapté aux prévisions financières ?

L'idée de base de l'algorithme KNN est simple mais profonde:**Des environnements de marché similaires produisent des mouvements de prix similaires.**Cette hypothèse est basée sur une solide base théorique des marchés financiers et sur le fait que le comportement des acteurs du marché présente une certaine répétitivité et prévisibilité.

La stratégie consiste à construire un espace de caractéristiques en sept dimensions:

• Dynamique des prixLa vitesse et la direction de la variation des prix
• Indicateur RSILes prix sont en hausse, les prix sont en baisse.
• Taux de réussiteLe gouvernement a décidé d'envoyer des fonds à la banque centrale.
• Fluctuation du tauxLa question est de savoir si le marché est en train de changer.
• Intensité de la tendanceLes tendances sont identifiées à l'aide d'un système bi-homogène.
• Caractéristiques du MACDCapture du signal de conversion de puissance
• Localisation de la ceinture de BrinLes prix sont-ils à la hauteur de ce que l'on attend d'eux ?

Comment mettre en place un traitement standardisé de l'ingénierie des caractéristiques ?

Voici un détail technique clé qui mérite d'être approfondi:La normalisation des caractéristiquesLa stratégie utilise la méthode de normalisation du Z-score pour convertir toutes les caractéristiques dans la même plage de valeurs. Cette étape est cruciale car:

1. Éliminer les effets de la carte quantiqueLes prix, les transactions, le RSI et d'autres varient énormément.
2. Pour améliorer l'efficacité des algorithmesLa distanciation en écu est plus précise après la normalisation
3. Renforcement de la stabilité du modèle: éviter qu'une caractéristique ne domine le processus de prévision en raison d'une valeur numérique trop élevée

            
            
            
normalize(src, length) =>
    mean_val = ta.sma(src, length)
    std_val = ta.stdev(src, length)
    std_val == 0 ? 0.0 : (src - mean_val) / std_val

Prévision de la distance-gravité: Pourquoi la proximité est importante ?

L'algorithme traditionnel de KNN utilise généralement un simple mécanisme de vote, mais cette stratégie utilise un mécanisme plus sophistiqué.Distance par rapport à la méthode de pondérationLa conception reflète une caractéristique importante des marchés financiers:La similitude de l'état des marchés est continue et non dissociée。

Formule de calcul du poids:weight = 1.0 / (distance + 0.001)

Cette pondération peut:

• Une approche plus précise des similitudes historiques
• Réduction de l'interférence des données sonores
• Amélioration de la fiabilité des résultats de la prévision

Dans quelles circonstances cette stratégie fonctionne-t-elle le mieux ?

D'après mes recherches sur les stratégies de trading basées sur l'apprentissage automatique, les stratégies KNN sont généralement plus performantes dans les environnements de marché suivants:

1. Le marché tendancielLes tendances historiques sont plus susceptibles de se reproduire lorsque le marché est clairement en tendance.
2. Environnement de fluctuation moyenneLa stabilité des caractéristiques est affectée par des fluctuations trop élevées ou trop faibles.
3. Les variétés les plus mobilesAfin d'assurer l'efficacité des indicateurs techniques et la bonne exécution des transactions

Il est à noter que la stratégie a des paramètres de gestion des risques plus conservateurs: 2% stop loss et 4% stop stop, ce rapport risque/revenu de 1:2, reflétant l'importance accordée par le concepteur de la stratégie à la maîtrise des risques.

Nouveautés et améliorations potentielles de la stratégie

Il y a quelques innovations à cette stratégie qui méritent d'être saluées:

1. Fusion de caractéristiques multidimensionnellesL'objectif est de créer un système de caractéristiques intégrées au lieu d'un seul indicateur.
2. Fenêtre historique dynamique: Restez à l'écoute des données en utilisant le mécanisme de la fenêtre coulissante
3. Sortie probabiliséeLe marché de l'immobilier est un marché de l'immobilier qui offre des probabilités de prévision plutôt que de simples signaux d'achat et de vente.

Mais j'ai aussi vu des points à améliorer:

• Optimisation de la sélection de fonctionnalitésLes données de l'évaluation de la pertinence des caractéristiques peuvent être ajoutées et les poids des caractéristiques peuvent être modifiés de manière dynamique.
• Paramètres adaptés: Les valeurs K et les valeurs de la marge peuvent être ajustées en fonction de l'évolution du marché
• Fusion de plusieurs périodesLes signaux combinés à différentes périodes peuvent améliorer la précision des prévisions.

Précautions à prendre dans la pratique

Dans les applications sur disque, les points suivants méritent une attention particulière:

1. Complicité du calcul: Le calcul de l'algorithme KNN augmente avec l'augmentation des données historiques et nécessite un équilibre entre précision et efficacité
2. Le risque d'une suradaptation: une valeur de K trop faible peut entraîner une suradaptation, une valeur de K trop élevée une suradaptation
3. Qualité des donnéesLes points de données anormaux peuvent avoir une incidence significative sur le calcul de la distance et nécessitent la mise en place d'un mécanisme de nettoyage des données.

Résumé: L'avenir de l'apprentissage automatique et des transactions quantifiées

Cette stratégie de KNN représente une direction importante dans le développement de la transaction quantifiée:Le changement d'une approche simple, basée sur des règles, vers une approche intelligente, basée sur des donnéesBien que l'apprentissage automatique ne soit pas une panacée, il nous offre une approche plus scientifique et plus systématique pour comprendre et prédire le comportement des marchés.

Pour moi, le futur de la transaction quantifiée sera une fusion en profondeur de la théorie financière traditionnelle, de la statistique moderne et des techniques d'apprentissage automatique. Cette stratégie de KNN n'est qu'un début, et d'autres innovations et percées sont à venir.