[PYTHON] Aktienkursprognose durch maschinelles Lernen Numerai Signals

Einführung

Der vorherige Artikel war hier. Dieser Artikel richtet sich an Personen, die am Numerai-Turnier teilgenommen haben, und wird unter der Voraussetzung erläutert, dass sie über Vorkenntnisse verfügen.

Das im vorherigen Artikel erläuterte Numerai-Turnier konkurrierte mit einem zuvor vom Management vorbereiteten Datensatz um die prädiktive Leistung. Numerai Signals hingegen ist ein praktischeres und weitläufigeres Schlachtfeld. Benutzer müssen ihren eigenen Datensatz für die Vorhersage vorbereiten. Im Gegenteil, selbst die Wahl des Universums liegt in ihren eigenen Händen. Es befindet sich noch in der Beta-Phase, aber wir glauben, dass die Teilnehmer in Zukunft die gleichen enormen Vorteile wie das Turnier genießen können. Im Folgenden werden die Spezifikationen von Signalen, Anreize zur Teilnahme und Punkte erläutert, die beim Erstellen von Signalen zu beachten sind.

Spezifikationen der Numerai-Signale

Signalübersicht

Die Dokumentation zu Signalen finden Sie hier [https://docs.numer.ai/numerai-signals/signals-overview]. Signals bietet Prognosen für steigende und fallende Aktienkurse in Märkten auf der ganzen Welt. Übermitteln Sie, wie im folgenden Beispiel gezeigt, die Prognose der Höhen und Tiefen als numerischen Wert von 0 bis 1 (Wahrscheinlichkeit beim allgemeinen maschinellen Lernen). Das ultimative Ziel der Teilnehmer ist es, dass ein datengesteuerter Hedgefonds wie Numerai das eingereichte Signal "kauft". Es greift auf verschiedene Datenquellen auf der ganzen Welt zu, findet Funktionen mit viel Alpha und extrahiert daraus Signale mit hoher Vorhersageleistung und Originalität. Und es ersetzt sich als Teil des Hedge-Fonds-Gehirns. Was für ein aufregender Versuch. Lassen Sie uns die Signalspezifikationen unten erklären. 01.png

Zielobjekt

Numerai Signals zielt auf Aktien in Märkten auf der ganzen Welt ab, mit insgesamt rund 5.200 zu diesem Zeitpunkt. Die Liste ändert sich täglich, aber die meisten Bestände werden zurückgestellt, wobei nur mangelhafte Bestände ersetzt werden. Die neueste Liste finden Sie hier [https://numerai-quant-public-data.s3-us-west-2.amazonaws.com/example_predictions/latest.csv].

Als Referenz haben wir tabellarisch aufgeführt, wie viele Aktien sich auf welchem Markt befinden. Der größte ist der US-Markt mit mehr als 2000 Aktien. Es folgen der japanische Markt, der koreanische Markt und der Londoner Markt. 02.png

Die Teilnehmer müssen nicht für alle diese Bestände Prognosen einreichen. Sie können Ihr eigenes Universum aus über 5.000 Aktien erstellen (Sie benötigen jedoch mindestens 100 Aktien). Dies hat zwar einen hohen Freiheitsgrad, erfordert aber auch ein wichtiges Urteilsvermögen bei der Auswahl eines Universums.

Über die Datenerfassung

Für diese Bestände müssen die Teilnehmer selbst die für die Prognose erforderlichen Daten sammeln. Numerai Signals ist eine Plattform für Benutzer, die bereits ein eigenes Prognosesystem erstellt haben und Zugriff auf Marktdaten haben. Die Datenquelle, die von der Operation offiziell zur Bewertung der Vorhersageleistung der Teilnehmer verwendet wird, ist Quandl. Andere Datenquellen sind Quantopian und Alpaka. Das Numerai-Forum teilt eine Liste billiger Datenquellen, also dort ) Sollte erwähnt werden. Ich verwende derzeit Yahoo Finance.

Über die Einreichung

Die Teilnehmer können das Vorhersageergebnis jederzeit einreichen. Die Vorhersagen der Teilnehmer behalten den Inhalt der endgültigen Einreichung bis zur nächsten Einreichung bei. Mit anderen Worten, die Teilnehmer können ihr Portfolio durch Übermittlung der Vorhersageergebnisse neu ausbalancieren. Wenn es sich um ein wöchentliches Vorhersagemodell handelt, kann es einmal pro Woche eingereicht werden. Der Zeitrahmen für die Bewertung der Rangliste, der später beschrieben wird, ist täglich, und der Schlusskurs ist der Standard (Vorhersage von Close to Close).

Eine Sache, die Sie beachten sollten, ist, dass die Vorhersageergebnisse zum Abschlusszeitpunkt neben der endgültigen Einreichung wiedergegeben werden. Mit anderen Worten, um den nächsten Tag vorherzusagen, ist es notwendig, vor dem Marktschluss einzureichen. Die Vorhersageergebnisse werden täglich ausgewertet. Nach der Übermittlung sind die Prognoseergebnisse bis 60 Tage später gültig, sodass die nächste Übermittlung (Neuausrichtung) innerhalb von 60 Tagen erfolgen muss. 03.png

Bestenliste

Formal, aber es gibt eine Rangliste. Der Standard für das Ranking ist derzeit das scharfe Verhältnis der täglichen Renditen. 05.png

Das scharfe Verhältnis wird wie folgt berechnet. Hier ist $ r_ {long} $ die tägliche Rendite der in der oberen Hälfte der Prognoseergebnisse enthaltenen Aktien und $ r_ {short} $ die tägliche Rendite der in der unteren Hälfte enthaltenen Aktien (wenn die Anzahl der Aktien ungerade ist). , Die Marke in der Mitte ist in Long enthalten). Diese Formel ist vielleicht nicht sehr verbreitet, aber das Ergebnis ist fast dasselbe wie $ ave (r_ {long}) - ave (r_ {short}) $. Sharpe ist ein scharfes Verhältnis, das von täglich auf jährlich umgerechnet wird. Wobei $ r_ {daily} $ alle Ergebnisse enthält, nachdem der Benutzer die Übermittlung initiiert hat. Wenn Sie ein hochvarianziges Vorhersageergebnis probeweise einreichen, wird es Ihr ganzes Leben lang reflektiert. Daher ist es möglicherweise besser, mit der Einreichung zu beginnen, nachdem das Modell zu einem gewissen Grad entschieden wurde.

r_{daily}=\frac{1+ave(r_{long})}{1+ave(r_{short})}-1\\
Sharpe=\sqrt{365} \times \frac{ave(r_{daily})}{stdev(r_{daily})}

Darüber hinaus müssen mindestens die Daten der letzten 20 Tage in der Rangliste aufgeführt sein. Da es sich derzeit in der Beta-Phase befindet, wird es anscheinend unmittelbar nach der Einreichung in der Rangliste angezeigt (genau genommen etwa 3 Werktage nach der Aggregation der Ergebnisse).

Belohnungssystem

Belohnung (oder Sammlung) für den Einsatz

Zum Zeitpunkt des Schreibens des Artikels (23.06.) Waren die Einsatzspezifikationen noch nicht festgelegt. Benutzer müssen NMR einsetzen, um ihre Vorhersagen zu unterstützen (natürlich können sie ohne Einsatz teilnehmen, aber sie sind nicht in Belohnungen oder Bewertungen enthalten). Dies ist eine natürliche Spezifikation, da einige Benutzer experimentelle Vorhersageergebnisse einreichen oder auf Glücksschläge abzielen. Die Beteiligung wird voraussichtlich in naher Zukunft umgesetzt. Dieses Kapitel wird aktualisiert, sobald die Einsatzspezifikationen festgelegt sind.

Kauf von Singal

Numerai kann Signale getrennt von den Einsatzprämien erwerben. Dieser Kaufstandard und der Vergütungsbetrag werden jedoch nicht bekannt gegeben. Das einzige, was wir sehen können, ist, dass Numerai ein Signal wünscht, das robust und langzeitstabil ist und eine geringe Korrelation mit anderen gemeinsamen Faktoren aufweist. Seine Originalität ist wichtiger als seine prädiktive Leistung, und natürlich wird es nicht basierend auf der Rangliste der Bestenlisten gekauft.

Anreiz zur Teilnahme an Signalen

Dieses Kapitel wird aktualisiert, sobald die Einsatzspezifikationen festgelegt sind. Es wird jedoch davon ausgegangen, dass die folgenden Anreize in Signalen vorhanden sind, basierend auf den Ergebnissen des Turniers. Dies sind überraschend große Vorteile für Systemhändler. Der Autor, der einzelne US-Aktien verwalten wollte, plant auch, diese Vorteile zu maximieren.

Punkte, die beim Erstellen von Signalen zu beachten sind

Universumsauswahl

Wir betrachten die Auswahl von Universen als das wichtigste Element in Signalen. Wenn die Vorhersagekraft gleich ist, ist das scharfe Verhältnis umso besser, je breiter das Universum ist. Unter der Annahme, dass die Vorhersagekraft konstant ist, verbessert sich das scharfe Verhältnis proportional zur halben Potenz der Anzahl der Aktien im Universum. Die folgende Abbildung ist ein ideales Simulationsergebnis. Wenn andererseits zu viele Aktien aufgenommen werden, besteht die Möglichkeit, dass Aktien mit extrem hoher Volatilität aufgenommen werden oder die Merkmale, die in einer kleinen Anzahl von Universen sichtbar waren, nicht sichtbar sind und sich die Gesamtprognoseleistung verschlechtert. Durch die Beschränkung des Universums auf ein engeres Universum besteht daher die Möglichkeit, die Erklärungskraft innerhalb des Universums zu verbessern und gleichzeitig auf Aktien mit stabilen Kursbewegungen zu beschränken. 06.png

Ich denke, dass das Einstellen des Hyperparameters Universum der Schlüssel ist, um die Überlegenheit und Unterlegenheit der Leistung zu unterscheiden. Um die Optimierung umfassend durchführen zu können, ist außerdem die Fähigkeit erforderlich, eine genaue Datenbank für so viele Bestände wie möglich zu erstellen.

Optimierung des Zeitrahmens (Ausgleichshäufigkeit)

Grundsätzlich gilt: Je kürzer das Gleichgewicht ist, desto besser ist die Vorhersagekraft und desto stabiler sind die Ergebnisse. Dies liegt daran, dass die Vorhersagekraft von Finanzdaten zeitlich stark abnimmt. Nachfolgend finden Sie ein Beispiel für die Gewinn- und Verlustkurven während der täglichen, wöchentlichen und monatlichen Neuausrichtung. 07.png

In der realen Welt fallen jedoch Ausführungskosten an, so dass eine häufige Neuausrichtung häufig nicht möglich ist. Für Numerai Signals wird derzeit keine Strafe für die Häufigkeit der Einreichungen erhoben. Wenn sich die Prognose jedoch häufig ändert, ist dies für einen Fonds mit einem hohen Anlagebetrag nicht vorzuziehen, sodass die Möglichkeit besteht, dass pro Einreichung ein bestimmter Anteil eingezogen wird. Der Benutzer selbst wird den Prognosezeitraum unter Berücksichtigung der Umstände um diesen Punkt optimieren.

abschließend

In diesem Artikel habe ich die Spezifikationen von Numerai-Signalen, Anreize zur Teilnahme und Punkte erläutert, die beim Erstellen von Signalen zu beachten sind. Numerai Signals verfügt über ein hohes Maß an Freiheit, und der größte Teil der Strategie bleibt den Teilnehmern überlassen, die dies in Frage stellen können, indem sie ihr eigenes Wissen voll ausschöpfen. Und wenn es eine Zukunft gibt, in der sich Hedge-Fonds am Ende auf Sie verlassen, wäre dies eine große Ehre. Es ist an der Zeit, dass sich Hedgefonds bei Anlageentscheidungen auf einzelne Anleger verlassen. Du warst aufgeregt.

Suchen wir nun nach einem hervorragenden Signal, das viel Alpha enthält.

Recommended Posts

Aktienkursprognose durch maschinelles Lernen Numerai Signals
Aktienkurs Prognose durch maschinelles Lernen ist so wahr, Numerai Signale
Aktienkursprognose durch maschinelles Lernen Beginnen wir mit Numerai
Aktienkursprognose mit maschinellem Lernen (Return Edition)
Python & Machine Learning Study Memo ⑦: Aktienkursprognose
Aktienkursprognose mit Deep Learning (TensorFlow)
Aktienkursprognose mit Deep Learning (TensorFlow) -Teil 2-
Aktienkursprognose 2 Kapitel 2
Angemessene Preisschätzung von Mercari durch maschinelles Lernen
Aktienkursprognose mit Deep Learning [Datenerfassung]
Aktienkursprognose 1 Kapitel 1
Ist es möglich, mit Aktienkursprognose durch maschinelles Lernen zu essen [Umsetzungsplan]
Aktienkursprognose mit Tensorflow
Python: Aktienkursprognose Teil 2
4 [/] Vier Arithmetik durch maschinelles Lernen
Python: Aktienkursprognose Teil 1
Zusammenfassung des maschinellen Lernens von Python-Anfängern
[Python] Meine Aktienkursprognose [HFT]
Vorhersage von Aktienkursänderungen mithilfe von Metallkennzeichnung und zweistufigem maschinellem Lernen
Aktienerfassungscode durch Schaben (Selen)
Kontrolle eines Sandwich-Mannes durch maschinelles Lernen ver4
Ist es möglich, mit Aktienkursvorhersage durch maschinelles Lernen zu essen [Maschinelles Lernen Teil 1]
[Fehler] Finde Maki Horikita durch maschinelles Lernen
Maschinelles Lernen
Aktienprognose mit TensorFlow (LSTM) ~ Aktienprognose Teil 1 ~
Python & maschinelles Lernen Lernnotiz Machine: Maschinelles Lernen durch Rückausbreitung
Klassifizierung von Gitarrenbildern durch maschinelles Lernen Teil 1
Numerai Turnier-Fusion von traditionellen Quants und maschinellem Lernen-
Klassifizieren Sie Informationen zum maschinellen Lernen nach Themenmodellen
Analyse der gemeinsamen Raumnutzung durch maschinelles Lernen
[Übersetzung] scikit-learn 0.18 Einführung in maschinelles Lernen durch Tutorial scikit-learn
Klassifizierung von Gitarrenbildern durch maschinelles Lernen Teil 2
Geschichte rund um die Datenanalyse durch maschinelles Lernen
[Memo] Maschinelles Lernen
Klassifikation des maschinellen Lernens
Beispiel für maschinelles Lernen
Aktienkursprognose mit TensorFlow (mehrschichtiges Perceptron: MLP) ~ Aktienprognose 2 ~
Aktieninvestitionen durch tiefgreifendes Lernen (Policy Gradient Method) (1)
Python-Lernnotiz für maschinelles Lernen von Chainer aus Kapitel 2
Python-Lernnotiz für maschinelles Lernen von Chainer Kapitel 1 und 2