view in publisher's site

Algorithmic Daily Trading Based on Experts’ Recommendations

Trading financial products evolved from manual transactions, carried out on investors’ behalf by well informed market experts to automated software machines trading with millisecond latencies on continuous data feeds at computerised market exchanges. While high-frequency trading is dominated by the algorithmic robots, mid-frequency spectrum, around daily trading, seems left open for deep human intuition and complex knowledge acquired for years to make optimal trading decisions. Banks, brokerage houses and independent experts use these insights to make daily trading recommendations for individual and business customers. How good and reliable are they? This work explores the value of such expert recommendations for algorithmic trading utilising various state of the art machine learning models in the context of ISMIS 2017 Data Mining Competition. We point at highly unstable nature of market sentiments and generally poor individual expert performances that limit the utility of their recommendations for successful trading. However, upon a thorough investigation of different competitive classification models applied to sparse features derived from experts’ recommendations, we identified several successful trading strategies that showed top performance in ISMIS 2017 Competition and retrospectively analysed how to prevent such models from over-fitting.

خرید روزانه الگوریتمی مبتنی بر توصیه‌های کارشناسان

محصولات مالی تجاری تکامل‌یافته از معاملات دستی، به نمایندگی از سوی کارشناسان بازار آگاه برای تجارت ماشین‌های نرم‌افزاری خودکار با latencies میلی‌ثانیه برای تغذیه داده‌های پیوسته در بازارهای کامپیوتری انجام می‌شود. در حالی که تجارت فرکانس بالا توسط ربات‌های الگوریتمی تحت سلطه است، طیف بسامد میانی، حول تجارت روزانه، برای درک عمیق انسانی و دانش پیچیده کسب‌شده برای سال‌ها باز می‌ماند تا تصمیمات تجاری بهینه بگیرد. بانک‌ها، شرکت‌های دلالی و کارشناسان مستقل از این دیدگاه‌ها برای انجام پیشنهادها تجاری روزانه برای مشتریان شخصی و تجاری استفاده می‌کنند. آن‌ها چقدر خوب و قابل‌اعتماد هستند؟ این کار ارزش چنین توصیه‌هایی را برای تجارت الگوریتمی با استفاده از حالت‌های مختلف مدل‌های یادگیری ماشین هنر در زمینه رقابت معدن کاوی ۲۰۱۷ بررسی می‌کند. ما به ماهیت شدیدا ناپایدار احساسات بازار و به طور کلی عملکرد ضعیف فردی اشاره می‌کنیم که سودمندی پیشنهادها خود را برای تجارت موفق محدود می‌کند. با این حال، براساس بررسی کامل مدل‌های مختلف طبقه‌بندی رقابتی که از توصیه‌های متخصصان گرفته شده‌است، ما چندین استراتژی تجاری موفق را شناسایی کردیم که عملکرد بالایی را در رقابت سال ۲۰۱۷ نشان دادند و به طور گذشته‌نگر چگونگی جلوگیری از چنین مدل‌هایی را از بیش از حد مورد بررسی قرار دادیم.

ترجمه شده با

Download PDF سفارش ترجمه این مقاله این مقاله را خودتان با کمک ترجمه کنید
سفارش ترجمه مقاله و کتاب - شروع کنید

95/12/18 - با استفاده از افزونه دانلود فایرفاکس و کروم٬ چکیده مقالات به صورت خودکار تشخیص داده شده و دکمه دانلود فری‌پیپر در صفحه چکیده نمایش داده می شود.