Get best of the week

إنشاء روبوت تداول باستخدام التعلم الآلي في تحليل السلاسل الزمنية

هذه ليست مقالة فنية ؛ لا يوجد تحليل مفصل للطرق والنظرية. الأمر هو أنني بطريقة ما أفلتت من التعلم الآلي ، ومثل العديد من الأشخاص الجدد في هذا الموضوع ، قررت إنشاء روبوت تداول. ومع ذلك ، فقد نما هذا إلى أكثر من مجرد مشروع تدريب. هذا ما أريد أن أقوله عن كل هذا.

القليل عن التعلم الآلي


التعلم الآلي (التعلم الآلي ؛ يشار إليه فيما يلي باسم MO) ، بطريقة أو بأخرى ، هو جزء لا يتجزأ من صناعة الذكاء الاصطناعي (الذكاء الاصطناعي ؛ فيما يلي الذكاء الاصطناعي) ، والعلم والتكنولوجيا ، والتي تسمح لأنظمة الكمبيوتر "الذكية" لمحاكاة السلوك البشري. تتضمن هذه الصناعة أيضًا مفهوم التعلم العميق ، الذي يؤثر على الشبكات العصبية وتقليد التفكير البشري.

يتم دراسة الانضباط الأكاديمي للذكاء الاصطناعي كآلة ، أي الكمبيوتر ، حل المشاكل التي تخضع فقط للعقل البشري. يمكن أن تكون هذه مهمة مثل فهم النص المقروء ، أو تحديد التحركات في لعبة لعبة الداما ، أو حل اللغز. MO هو تطوير الخوارزميات التي تساعد الكمبيوتر على استخلاص النتائج بناءً على المعلومات الواردة. الوقود لكل شيء في هذه الحالة هو البيانات.

صورة
(ج) Oracle

في عصر المعلومات ، تعتبر المعلومات والبيانات هي الأكثر قيمة. كل ما نقوم به ، سواء كان غير متصل أو عبر الإنترنت ، يولد بيانات جديدة: سواء كانت نصية أو صوتية أو بيانات فيديو أو قياسات حسية أو أدوات "ذكية" وتبادل البيانات فيما بينها. تتزايد فرص جمع البيانات الكبيرة والجديدة بشكل سريع بسبب توفر الأجهزة ، وتطوير البنية التحتية السحابية ، وبسبب الاستخدام المكثف لهذه التقنيات ، وانخفاض في تكلفتها. المعرفة أو المعلومات قوة - البديهية صحيحة ولكن هناك "لكن".

إن امتلاك كميات ضخمة من المعلومات لا يفيد حاملها حتى الآن. ولكن من خلال خوارزميات وأساليب MO ، تبدأ البيانات الضخمة في تحقيق المنفعة والاستفادة. وبشكل أكثر تحديدًا ، تلاحظ أنظمة MO الأنماط وتبني الاستنتاجات بناءً على العديد من العوامل في نظام البيانات ، دون أن تتم برمجتها من أجلها.

التطبيقات الرئيسية لـ MO اليوم هي التعرف على الأشياء ، رؤية الكمبيوتر ، تحليل البيانات ، مراقبة الجودة (المراقبة) والتحليلات التنبؤية.

لذا ، نحن نعلم أن التعلم الآلي يعتمد على خوارزميات معالجة البيانات والبيانات نفسها. حول طرق MO ، يمكنك الخوض في سلسلة منفصلة من المقالات. يمكن وصفها بإدراج التقنيات الممكنة في تطوير الويب وتطبيقها إذا كان لكل من هذه التقنيات مزاياه وعيوبه.

وتجدر الإشارة فقط إلى أنه بمرور الوقت ، تتحسن الخوارزميات وأساليب معالجة البيانات ، وتصبح البيانات أكثر فأكثر ، وبالتالي تصبح جودة معالجة البيانات أفضل.

من أنواع البيانات ، أود أن أنتبه إلى السلسلة الزمنية على سبيل المثال من مشروع شخصي - التداول الآلي للعملات المشفرة.

تحليل السلاسل الزمنية


المتسلسلة الزمنية هي نوع من البيانات التي يمكن تمثيلها على أنها تسلسل للقياسات المطلوبة في الوقت غير العشوائي.

هناك نوعان من الأهداف الرئيسية لتحليل السلاسل الزمنية:
تحديد طبيعة سلسلة و التنبؤ (التنبؤ قيم المستقبل من سلسلة زمنية من القيم الحالية والسابقة). يتضمن هذا تحديد ووصف نموذج السلسلة ، وتفسير البيانات ، مما يسمح لنا باشتقاق القيمة المستقبلية للسلسلة.

باستخدام طرق MO لمثل هذه البيانات ، يمكننا العثور على أنماط أعمق في البيانات. ونتيجة لذلك ، نحصل على توقعات أكثر "ذكاء" للقيم المستقبلية.

على عكس تحليل عينات البيانات العشوائية ، يعتمد تحليل السلاسل الزمنية على افتراض أن القيم المتسلسلة في ملف البيانات يتم ملاحظتها على فترات منتظمة. في طرق أخرى ، نحن لسنا مهمين وغالبًا لا نرغب في ربط الملاحظات بالوقت.

بمعنى آخر ، بالنسبة للتحليل ، من المهم أن يكون الحدث X حدث في الوقت Y. على سبيل المثال ، سعر الصرف ، نحن مهمون في التحديد ، حيث يرتبط السعر بنقطة معينة من الوقت. إذا قمت بتعطيل ترتيب التواريخ في سلسلة من سعر التاريخ ، فسوف يصبح بلا معنى.

على سبيل المثال ، باستخدام السلاسل الزمنية المالية ، يمكن لخوارزمية MO وضع توقعات حول النمو أو انخفاض الربحية. عند معالجة الملفات الصوتية ، حيث سيتم التعبير عن السلسلة الزمنية من خلال التغييرات في النغمة فيما يتعلق بالتوقيت ، يمكنك تحليل معنى الكلام. بالنظر إلى بيانات الأرصاد الجوية ، يمكن اشتقاق تنبؤات الطقس المعقدة من خلال MO والسلسلة الزمنية.

إذا حللت خوارزميات MO ، على سبيل المثال ، صور الأختام ، فإننا لا نهتم بالتوقيت ، أو حتى بالترتيب الذي تصل إليه الصور.

استخدام العملات المشفرة كمثال


في مشروعي ، حاولت الإجابة على سؤال عما إذا كان من الممكن بناء نظام تداول تلقائي بالكامل يعتمد على طرق التعلم الآلي. للقيام بذلك ، عثرت على بيانات تاريخية عن أسعار البيتكوين ، وحجم المعاملات ، بالإضافة إلى الطلبات التي تم سحبها وسحبها.

بعد مرور بعض الوقت ، من خلال التجربة والخطأ ، توصلت إلى فهم معين لكيفية تفسير هذه البيانات ، وبنية الشبكة العصبية التي يجب استخدامها ، وكيفية تصنيف البيانات ، وما إلى ذلك. على وجه الخصوص ، يتم إجراء التدريب بدقة تصل إلى 10 ثوانٍ ، ويتم استخدام السعر في المستقبل كقيمة ناتجة.

الآن تستخدم الخوارزمية عدة نماذج تم تدريبها في أوقات مختلفة ، لأن عملت باستمرار على تحسين خوارزمية التعلم وإضافة بيانات جديدة تم جمعها إليها. للتطبيق ، تم استخدام لغة برمجة Python مع مكتبات Keras و Scipy و Pandas.

سيناريو تنفيذ عمليات التداول يضع أوامر على منصة تداول Bitmex على مدار الساعة. عندما تظهر إشارة تفتح مركزًا وتكمل المعاملة ذات الصلة ، سينتظر البرنامج النصي حتى يصل السعر إلى مستويات جني الأرباح أو إيقاف الخسارة ، أو حتى انتهاء المعاملة (مدة البقاء).


ملف السجل الرئيسي الذي يعرض معالجة البيانات في الوقت الفعلي

تعتمد خوارزمية معالجة البيانات على التحليل الفني للبيانات وتاريخ التداول والطلبات السابقة والطلبات والأخبار المتعلقة بالعملات المشفرة (من خلال معالجة اللغة الطبيعية أو معالجة اللغة الطبيعية - NLP).

مقياس النجاح الرئيسي هو الدقة بناءً على عدد أوامر أخذ الربح فيما يتعلق بإجمالي عدد الطلبات. بشكل عام ، تعتبر التوقعات ناجحة عند الوصول إلى أمر أخذ الربح ، في حين يعتبر النموذج أن إيقاف الخسارة ووقت العيش غير ناجح.

الدقة = (عدد الأوامر من نوع أخذ الربح) / (إجمالي عدد الطلبات)

تعتبر المساومة مربحة عندما يتم تحقيق دقة 67٪.
شهرصحة
يناير 202072٪
فبراير 202070٪
مارس 202060٪
أبريل 202070٪

فيما يلي المعاملات المقدمة بصريًا التي تتم باستخدام مثل هذا الحل البرمجي.


المثلثات الخضراء هي معاملات ناجحة (جني الأرباح المحققة) ، المثلثات الحمراء غير ناجحة (أوقف الخسارة ، وقت الحياة). المثلثات التي تبحث عن صفقات شراء ، المثلثات التي تنظر لأسفل هي صفقات بيع.

قيد التوقيف


التداول الآلي هو مجرد واحد من أوضح التطبيقات الممكنة لتحليل السلاسل الزمنية. إذا تحدثنا عن الأعمال ، فإن توقع مؤشرات مختلفة بناءً على البيانات التي تم جمعها يمكن أن يكون مهمًا للغاية. استنادًا إلى هذه التوقعات ، يمكن الآن اتخاذ قرارات عمل مهمة ، وفي المستقبل لن ينمو حجم القرارات التي يتم إجراؤها تلقائيًا إلا.

يعد إجراء مثل هذه الحسابات عملية كثيفة الموارد إلى حد ما. لحسن الحظ ، تزداد باستمرار قوة الحوسبة لأنظمة الكمبيوتر. علاوة على ذلك ، يهدف الفرع الحديث لعلوم الكمبيوتر الذي يدرس الذكاء الاصطناعي إلى إنشاء خوارزميات تستخدم موارد الحوسبة المتاحة بشكل أكثر فعالية لتحديد الأنماط في البيانات المتراكمة.

من المستحيل اشتقاق وبناء التوقعات دون استخدام السلاسل الزمنية. هذا النوع من البيانات هو ما يكمن وراء التوقعات التي تساعد المديرين التنفيذيين على اتخاذ القرارات الحيوية للأعمال التجارية. مما لا شك فيه أن تحليل السلاسل الزمنية ومعالجتها بواسطة خوارزميات MO يعد جزءًا لا يتجزأ من عمليات الأعمال في المستقبل.

More articles:


All Articles