Opiini optimoinnissa: Alpha Predator ™ -ongelma

Kirjoittaja: Blockforce Capital Research

Edellisessä viestissämme [APM I] paljasimme Alpha Predator ™ -mallin (APM) järjestelmällistä digitaalista omaisuuskauppaa varten; Hyödyntämällä monimutkaisuutta ja joustavuutta alfa-markkinoiden sieppaamiseksi ja markkinoiden menestymiseksi. Huolimatta siitä, että alfapetolainen on moniulotteinen, mielikuvituksellinen peto, se on samanaikaisesti hyväntahtoinen peto, joka haluaa levittää alfa-leviämistään sen jälkeen jäljelle jääneen parannetun markkinoiden ekosysteemin hedelmällisille jäänteille. Käyttämällä näitä alfa-siemeniä kasvattamaan blockchain-sektoria kaiken tyyppisille sijoittajille, meidän on ensin käytettävä koneoppimisalgoritmeja parhaan mahdollisen polun kohti itämistä optimoimiseksi.

Nopea muistutus on tässä APM: n päätöspuussa, jonka olemme aiemmin osoittaneet APM I: ssä:

Meillä on monia valintoja tehdä sen määrittämiseksi, kuinka APM tekee päätöksiä, haarautuneen juuresta (markkinoiden suunta) ylhäältä, lehtiin (stokastiset oskillaattorit) alaosaan. Nykyisessä muodossaan nämä stokastiset oskillaattorit [opi lisää täältä ja täältä] tekevät lopulta kauppapäätöksiä, ja haluamme optimoida niiden parametrit parhaiden mahdollisten kauppapäätösten tekemiseksi.

Teknisesti ottaen APM: llä on fysiikassa dynaamisia parametreja, joita kutsutaan vapausasteiksi, ja meidän on löydettävä heille optimaalinen valinta. Jokainen vapausaste on yksi itsenäinen suunta, johon järjestelmä voi siirtyä, ja optimaalinen on se, mikä antaa meille korkeimman sijoitetun pääoman tuoton hallitulla riskitasolla. Meidän on löydettävä herkkä tasapaino, jossa kaikki roikkuu yhteen oikealla tavalla tämän saavuttamiseksi. Etsimme parametritilaa ja testin suorituskykyä suorittamalla backtestejä, jotka soveltavat APM: ää historiallisiin hintatietoihin ja mittaavat sen suorituskyvyn.

Lasketaan nopeasti vapausasteet graafisen kuvan nykyisen APM-version perusteella:

Markkinadiagnostiikassa meillä on suunta, volatiliteetti ja leviäminen. Toisessa tulevassa viestissä puhumme myös näiden diagnoosien yksityiskohdista. Nyt laskemme heidän parametrit: Suunnalla on viisi, Volatiliteetti vie neljä ja Levitys vie myös neljä, yhteensä 13 vapausastetta. Tyypillinen parametri on diagnoosin perustana olevan kauppakauden valinta. Tämä aika voi olla 30 minuuttia. Muut parametrit ovat silloin usein kokonaislukumääräkertoimia siitä jaksosta, jonka aikana kaikki laskennat suoritetaan. Lisäksi ne voivat olla myös kynnysarvoja, joiden ylä- tai alapuolella tietyt olosuhteet vallitsevat.

13 vapausastetta, 10 biljoonaa mahdollisuutta ja maailmankaikkeuden ikä

Oletetaan hetkeksi diagnoosin kanssa ja tehdään laskenta. Haluamme löytää parametrivalintoja, jotka antavat meille parhaan mahdollisen kuvauksen markkinoista. Voimme tehdä tämän - periaatteessa - kokeilemalla ja erehdyttämällä. Oletetaan, että jokaiselle diagnostiikkaparametrille haluamme kokeilla 10 erilaista arvoa nähdäksemme, mihin tämä johtaa. Voimme sitten kokeilla kaikkia mahdollisia yhdistelmiä ja seurata parhaita. Lasketaan, mistä tämä saa meidät:

Suunnassa on 5 parametria ja 10 vaihtoehtoa kullakin. Se tulee ulos 10 x 10 x 10 x 10 x 10 = 10 = 100 000 eri rengasta. Ei paha. Kymmenen vaihtoehdon volatiliteettiparametrit saavat meidät 10 000: ksi. Sama Spreadille. Tämä ei taaskään kuulosta liian huonosti.

Tässä on kuitenkin saalis: Direction, Volatility ja Spread työskentelevät yhdessä, jotta APM: n päätöspuu määritetään. Joten meillä on tekemisissä 100 000 x 10, 000 x 10, 00 = 10 ³, tai sanoin, 10 biljoonaa erilaista valintaa, joita meidän pitäisi kokeilla!

Miljoonien kanssa tekemisissä ei pidä koskaan aliarvioida pelkkää suunnattomuutta. Esimerkiksi, yksi biljoonaa dollarin seteliä, joka asetetaan päästä päähän, ylittää maan ja auringon välisen etäisyyden, ja 10 biljoonaa on yksi arvio maailmankaikkeuden galaksien kokonaismäärästä [lisätietoja täältä]. Alpha Predatorille näiden 10 biljoonan valinnan joukosta, jos jokainen laskenta kestää 10 sekuntia ja me käytämme yhtä tietokonetta, olisimme siinä hieman yli 3 miljoonaa vuotta. Lisäksi se on vain markkidiagnostiikka.

Edelleen päätöksentekopuuta pitkin, jokainen haara johtaa 18 erilaiseen lehteen ja jokaisella lehdellä on stokastinen oskillaattori, joka tekee kauppapäätöksiä. Meillä on tyypillisesti neljä parametria kullekin stokastiselle oskillaattorille. Onneksi kukin oskillaattori on toisistaan ​​riippumaton, joten 18 lehden lisääminen ongelmaan tekee siitä "vain" 18 000 kertaa vaikeamman: 54 miljardia vuotta APM-päätöksentekopuun kaikkien mahdollisten parametrien kokeiluun.

54,8 miljardia vuotta on pidempi kuin maailmankaikkeuden ikä (13,8 miljardia vuotta)! Vaikka määrittelemmekin hienostuneen potilaan luonteen mukaan, meitä rajoittaa tässä maailmankaikkeuden ikä, joten meillä ei ole vaihtoehtoa, tarvitsemme paremman tavan APM: n optimoimiseksi paljon, paljon nopeammin.

Koneoppiminen Bayesin optimoinnin avulla

Onneksi laskenta- ja tietotieteilijäryhmällämme on vahva tausta koneoppimisessa. Se on kasvava tiede- ja tekniikan ala, joka hyödyntää nykyaikaisten tietokoneiden ja edistyneiden matemaattisten mallinnustekniikoiden tehoa antaa tietokonealgoritmien oppia ja tehdä perusteltuja päätöksiä.

Useimmissa koneoppimisalgoritmeissa ei ole tuntemia parametreja, joita on mukautettava parhaalla mahdollisella tavalla. Paras tapa on määritelty jonkin verran menetyksen toimintoksi (katso kuva 1), jonka haluat minimoida. Meidän tapauksessamme tämä voi olla kumulatiivisten tuottojen negatiivinen vaikutus. Siksi häviöfunktion minimoimiseksi meidän on optimoitava parametrit. Kun kuitenkin käsitellään erottelemattomia fantasmagistisia petoja, meidän on käytettävä tiettyä koneoppimismenetelmää, joka tunnetaan nimellä Bayesin optimointi.

Bayesin optimointi on hiukan erilainen kuin tavalliset rutiinit, kuten Newtonin menetelmä tai Rajoitetun muistin BFGS, koska se on koneoppimislähestymistapa optimointiin. Syy sen käyttämiseen jonkin standardin sijasta on, koska APM on outo toiminto. Tietojen perusteella optimoimme APM: n parametrit maksimoidaksesi tuotot. Se ei sovellu yleisemmille optimointimenetelmille, koska ajaminen vie hyvin kauan (minuutteja verrattuna sekunteihin perinteisessä lähestymistavassa), eikä et voi ottaa alkuperäisen funktion kaltevuutta (tarvitset todella kaltevuutta jotta voidaan ottaa pieniä askelia maksimiin / minuuttiin). Bayesin optimointi rakentaa tämän korviketoiminnon, joka on sujuva ja erotettavissa. Korviketoiminnon rakentaminen on koneoppimisen osa sitä. Korvitoiminnon minimoiminen on optimointi.

Kuva 1 Esimerkki kaksiulotteisesta korvikepinnasta. Pienin häviö saadaan korvikepinnan minimissä - tummimmalla sinisellä alueella, jossa 𝜃_1 = -2 ja 𝜃_2 = 2.

Näin se toimii. Matemaattisesti ottaen APM: n vastatestin tulos (esim. Kokonaistuotto, enimmäisveto [lisätietoja täältä ja täältä] tai mikä tahansa muu valitsemasi suoritusmittari) on muuttujien x = {x1, x2, f (x), x3, x4,…} edustavat APM: n monia erilaisia ​​vapausasteita. Yksinkertaisuuden vuoksi pidetään kiinni kokonaistuoton = f (x) kanssa. Haluamme maksimoida kokonaistuoton etsimällä parametreja x, jotka antavat f (x): n globaalin maksimiarvon.

Syy, että Bayes-optimointi toimii tässä ongelmassa, perustuu kahteen oletukseen: parametritilassa on jonkin verran sileyttä ja että tasasuunta on isotrooppinen (joka on sama kaikkialla). Parametritilan naapurialueiden välinen tasaisuus tai ”samankaltaisuuden taso” opitaan optimointiprosessin aikana, jotta ensimmäinen olettamus voidaan jossain määrin todentaa. Seuraava kohta parametritilassa valitaan kahden tavoitteen, tutkimuksen ja maksimoinnin, tasapainolla. Korviketoimintoa hallitsee epävarmuus parametritilan alueilla, joita ei ole tutkittu. Joskus se valitsee lähellä olevan pisteen, joka lisää f (x), joskus se yrittää pisteen alueella, jota ei ole vielä tutkittu.

Tuloksena optimointiprosessissa meidän on tarjottava mahdollinen arvoalue, jonka kukin x-parametrista voi ottaa. Voimme esimerkiksi päättää, että haluamme keskittää indikaattorimäärän n markkinakaudeksi, jolloin saatamme antaa n vaihdella välillä 100 - 300. Joten tämän parametrin alueemme on 100 - 300. Määrittelemme alueen kaikille parametreille. Se antaa meille korkean ulottuvuuden hyperkuution, joka määrittelee tilan, jossa optimoija toimii. Lisäksi voimme asettaa rajoituksia parametrien välisille suhteille. Voimme esimerkiksi varmistaa, että yksi parametri on aina pienempi kuin toinen, mikä on välttämätöntä työskennellessäsi pitkä- ja lyhytaikaisen liukuvan keskiarvon kanssa.

Valmistelemme Bayesin optimoinnin suorittamalla näytteenottoparametriarvot x hyperkuutiosta siten, että kaikki hyperkuution alueet ovat edustettuina. Suoritamme sitten APM: n laskemaan f (x). Tämä näyte antaa optimoijalle alkuperäisen sarjan x ja f (x), joiden kanssa työskennellä. Tavoitteenamme on jälleen löytää arvo x, joka maksimoi f (x).

Seuraavaksi, alkuperäisen x- ja f (x) -joukon perusteella, optimoija rakentaa tilastollisen mallin, joka kuvaa suunnilleen kuinka f riippuu x: stä. Tätä kutsutaan korvikemalliksi. Korvomallia käytetään sitten ennustamaan uusi x-arvo, jolla on suuri todennäköisyys kasvaa f (x). APM ajetaan tällä uudella x: llä, ja saatu f (x) tallennetaan ja käytetään seuraavassa vaiheessa.

Aluksi ennusteet eivät ole kovin tarkkoja, mutta prosessi toistetaan. Jokaisella toistolla lisätään korvaavaan malliin lisätietoja ja se paranee.

Se oppii!

Tällä tavoin voimme löytää optimaaliset parametrit APM: lle vain muutamilla satoilla f (x) -arvioinneilla verrattuna tarvittaviin biljooniin, jos käyttäisimme yksinkertaista, raakavoimaista lähestymistapaa ilman koneoppimista.

Bayesin optimointi on vankka tekniikka, joten ei ole yllättävää, että se esiintyy monilla tieteen ja tekniikan aloilla. Esimerkiksi Bayesin optimointia on käytetty optimoimaan asetukset kokeellisiin tutkimuksiin ja etsimään ennakoivien mallien parhaita parametreja nesteiden dynamiikkaa tai geofysiikkaa varten. Työskentelymme kanssa APM osoittaa yhden sovelluksen siitä, kuinka Bayesin optimointi voi olla tehokas työkalu määrällisessä rahoituksessa.

johtopäätös

Kun saalistaja hiihtää hitaasti, orastavaan alfa-leviämisen puutarhan taakse, jota se on kärsivällisesti viljellyt, meillä on hetki ottaa hengähdys ja pohtia oppimiamme. Bayesin optimoinnin koneoppimistekniikkaa käyttämällä voidaan minimoida matemaattisen korvikepinnan häviöfunktio, jota alfapetoelämämalli ulottuu parametritilassa, jolloin voimme optimoida sijoitetun pääoman tuoton hallitulla riskitasolla. Tämä APM: n optimointi ja toteutus ovat vain yksi osa Blockforce Capitalin Alpha Predatorin kvantitatiivista ekosysteemiä, jossa hyödynnämme myös arbitraasia ja omaa Token Rotation -malliamme [molemmat käsitellään tulevissa artikkeleissa].

Sillä välin tarkkaile askeltasi poistuessasi puutarhasta, sillä saalistaja väijyy.

Blockforce Capital ei aio, että tässä esitetyt tiedot ovat perustana sijoituspäätökselle. Tiedot on annettu yhteenvedossa, eivätkä niiden tarkoitus ole täydelliset. Tämän materiaalin ainoana tarkoituksena on tiedottaa, eikä sitä missään tapauksessa ole tarkoitus tarjota tai kehottaa ostamaan tai myymään mitään arvopapereita, muita sijoituksia tai palveluita tai houkuttelemaan varoja tai talletuksia, eikä arvopapereita saa tarjota tai myydä. jokaiselle henkilölle missä tahansa lainkäyttöalueella, jossa tarjous, tarjoaminen, ostaminen tai myynti olisi lainvastaista kyseisen lainkäyttövallan lakien nojalla. Tällainen tarjous tehdään vain valtuutetuille akkreditoiduille sijoittajille vain virallisilla tarjousasiakirjoilla, joiden ehdot koskevat kaikkia näkökohtia. Nämä tiedot eivät ole yleisiä tai henkilökohtaisia ​​sijoitusneuvoja, eivätkä ne ota huomioon niitä lukevien henkilöiden taloudellisia olosuhteita tai sijoitustavoitteita tai taloudellisia olosuhteita. Sinua varoitetaan käyttämästä näitä tietoja perustana päätöksen tekemiselle minkä tahansa vakuuden ostamisesta. Aikaisempi suorituskyky ei takaa tulevia tuloksia.

Alun perin julkaistu osoitteessa www.blockforcecapital.com.