Классический анализ и ML

Классический технический анализ подразумевает поиск определённых шаблонов на графиках. Нельзя сказать, что это совсем не работает, но уместно процитировать Уоррена Баффета: «Я понял, что технический анализ не работает, когда перевернул графики цен „вверх ногами“ и получил тот же самый результат». В противовес ему существует высокочастотная торговля — High Frequency Trading (HFT). Это вполне рабочий метод заработка, однако он накладывает жесткие ограничения: сделки длятся доли секунд, что требует размещения серверов максимально близко к бирже. А так же отличные знания C++. Фундаментальный анализ позволяет достичь хороших результатов на длинном горизонте, но требует обработки огромного объёма данных. Однако можно использовать своего рода симбиоз в виде Machine Learning (ML). При работе с большими данными, модель способна выявить неочевидные корреляции. «Фичами» (признаками) при этом может выступать что угодно: от классических индикаторов вроде SMA до текстов новостей и спутниковых снимков танкеров в океане для оценки запасов нефти. Особенность ML заключается в том, что он находит взаимосвязи там, где человек их просто не замечает. К примеру, влияют ли значения индекса товарного канала (CCI) на акции конкретных нефтедобывающих компаний? Можно ли с уверенностью сказать, что нет или да? С помощью обработки массивов данных можно проверить тысячи гипотез и выявить те самые рабочие паттерны. Конечно, здесь есть свои сложности: подбор признаков, их валидация и выбор архитектуры модели. Тем не менее на выходе мы можем получить систему, которая на коротком горизонте (от пары дней до недель) способна давать достаточно точные предсказания движения цены. Не является индивидуальной инвестиционной рекомендацией. #стратегии #машинное_обучение #программирование