تجارت با فرکانس بالا از طریق هوش مصنوعی برای نوآوری مالی

پروفسور کین-فنگ هوانگ ، در دانشگاه ملی Kaohsiung در تایوان به تجارت فرکانس بالا در سراسر هوش مصنوعی می پردازد

در دو دهه گذشته ، پروفسور Chien-Feng Huang در چندین خط تحقیقات بین رشته ای در سراسر هوش مصنوعی (AI) و دارایی ، از جمله تجارت با فرکانس بالا کار کرده است. هدف نهایی وی کشف مدلهای سرمایه گذاری و مؤثر در زمینه سرمایه گذاری و تجارت برای ایجاد یک استراتژی اقیانوس آبی در امور مالی است.

فناوری داده های بزرگ ، داده کاوی و یادگیری ماشین در تحقیقات خود نقش های کلیدی ایفا می کنند زیرا بسیاری از سوله ها هنوز کشف نشده اند یا در حال حاضر حتی توسط انسان قابل درک نیستند. پروفسور هوانگ این مسئله را فرصتی برجسته برای هوش مصنوعی برای کمک به انسان در کاوش در سرزمین های ناشناخته در دنیای سرمایه گذاری می داند. از طریق هوش مصنوعی ، پروفسور هوانگ فکر می کند کسانی که به استراتژی های سرمایه گذاری سیستماتیک ، مؤثر و مبتنی بر عقل اعتماد دارند ، از سیستمهایی که وی ایجاد کرده اند بهره مند می شوند.

برخورد با شرایط مختلف مالی برای سرمایه گذاری و تجارت

یکی از مهمترین خط های تحقیقاتی که پروفسور هوانگ با آن مقابله کرده است ، حل مسئله مبارزه با استراتژی های متناقض برای کشف مدل های نوظهور برای ایجاد مدلهای عمومی برای مقابله با شرایط مالی مختلف برای سرمایه گذاری و تجارت است. به عنوان مثال ، استراتژی سرمایه گذاری حرکت ممکن است خرید سهام را توصیه کند ، اما استراتژی سرمایه گذاری ارزش در برابر آن توصیه می کند.

بنابراین ، کدام یک درست است؟آیا حتی راهی برای ترکیب بیشتر استراتژی های به ظاهر متناقض برای تولید رویکردهای جدید وجود دارد که بر روی موارد قدیمی برتری دارد؟در شرایط دیگر ، اغلب این است که استراتژی های مختلف بی فایده ، هنگام کار با تنظیم بیشتر ، به یک سلاح قدرتمند برای سرمایه گذاری و تجارت تبدیل می شوند. برای چنین سؤالاتی ، نتایج پروفسور هوانگ نشان داد که روشهای مبتنی بر هوش مصنوعی نوید می بخشد تا در حل چنین مشکلاتی کمک کنند.

پروفسور هوانگ همچنین در حال تحقیق در مورد تجارت با فرکانس بالا است. پیشرفت فناوری اطلاعات در برنامه های مالی امروزه منجر به وقایع بسیار سریع محور بازار شده است که باعث تصمیم گیری و اقدامات فلش و اقدامات صادر شده توسط الگوریتم های رایانه می شود. نتیجه این است که بازارهای امروز فعالیت شدید را در یک محیط بسیار پویا تجربه می کنند که در آن سیستم های معاملاتی با سرعت بسیار بیشتری نسبت به گذشته به دیگران پاسخ می دهند. این نژاد جدید فناوری شامل اجرای استراتژی های معاملاتی با فرکانس بالا است که فعالیت قابل توجهی در بازارهای مالی ایجاد می کند و محققان حاضر با اطلاعات زیادی در محیط های سنتی کم سرعت تجارت موجود نیست.

پروفسور هوانگ و تیمش قصد دارند تا روشهای اطلاعاتی محاسباتی امکان پذیر ، به ویژه الگوریتم های ژنتیکی (GA) (1) را توسعه دهند تا با استفاده از اطلاعات مربوط به تقاضا و عرضه سهام در سطح میکروسکوپی ، تجارت با فرکانس بالا را روشن کنند.

الگوریتم های ژنتیکی برای حل مشکلات بهینه سازی

از الگوریتم های ژنتیکی (GA) به عنوان مدل های محاسباتی سیستم های تکاملی طبیعی و به عنوان یک کلاس از الگوریتم های سازگار برای حل مشکلات بهینه سازی استفاده شده است. GA بر روی جمعیت در حال تحول عوامل مصنوعی فعالیت می کند. هر عامل از یک ژنوتیپ (اغلب یک رشته باینری) تشکیل شده است که یک راه حل برای برخی از مشکلات و یک فنوتیپ (خود محلول) را رمزگذاری می کند. GA به طور مرتب با جمعیتی از عوامل تولید شده به طور تصادفی شروع می شود که در آن نامزدهای راه حل تعبیه شده اند.

در هر تکرار ، نسل جدید با استفاده از تنوع ژنتیکی ، عمدتاً متقاطع و جهش ، به کاندیداهای امیدوارکننده انتخاب شده با توجه به احتمالات مغرضانه به نفع عوامل نسبتاً مناسب ، ایجاد می شود. در نتیجه ، تکامل با تکرار تنوع تصادفی ژنوتیپ ها و انتخاب بهترین فنوتیپ ها در یک محیط با توجه به چگونگی حل یک مشکل فردی یک مشکل رخ می دهد. نسل های پی در پی به همان شیوه ایجاد می شوند تا زمانی که یک معیار خاتمه به خوبی تعریف شده برآورده شود. هسته اصلی این کلاس از الگوریتم ها در تولید ساختارهای ژنتیکی جدید در طول دوره تکامل نهفته است و از این طریق نوآوری هایی را برای راه حل های مورد نظر فراهم می کند.

مراحل الگوریتم های ژنتیکی ساده چیست؟

• مرحله 1.
  • به طور تصادفی یک جمعیت اولیه از عوامل L ایجاد می کند که هر کدام یک ژنوتیپ N-bit (کروموزوم) هستند.
  • تناسب اندام هر نماینده را ارزیابی کنید.
  • تکرار کنید تا فرزندان L ایجاد شوند.
  • (الف) یک جفت والدین را برای جفت گیری انتخاب کنید.
  • (ب) از اپراتورهای تغییر (متقاطع و جهش) استفاده کنید.
  • جمعیت فعلی را با جمعیت جدید جایگزین کنید.
  • به مرحله 2 بروید تا شرایط خاتمه دهنده.

  در مدل هوانگ ، نسخه کمی پیشرفته از GA برای حل مشکلات معاملات و پیش بینی با فرکانس بالا پیشنهاد شده است. به عنوان مثال ، هوانگ و همکاران.(2) پیشنهاد شده برای استفاده از رشته های باینری برای رمزگذاری پارامترهای مدل و قوانین پایه همانطور که در شکل فوق نشان داده شده است.

  به طور خاص ، مدل پیشنهادی قصد دارد نقل قول های فاش شده را برای پیشنهاد در نظر بگیرد و قیمت ها و حجم سهام و همچنین برخی از قوانین پایه را به عنوان ورودی به مدل مبتنی بر GA برای پیش بینی جهت حرکت قیمت آینده بپرسد. در حقیقت ، هدف از استراتژی پیشنهادی ، الگوبرداری از میزان تقاضا و عرضه سهام است. نتایج هوانگ نشان می دهد که یک سیستم مبتنی بر GA پیشرفته تر از موارد موجود در (2) می تواند دقت پیش بینی برای حرکت قیمت را بهبود بخشد ، و بنابراین انتظار می رود این روش مبتنی بر GA برای پیشرفت وضعیت فعلی تحقیق برای بالاتجارت فرکانس

  منابع

  1. J. H. Holland ، اقتباس در سیستم های طبیعی و مصنوعی ، دانشگاه میشیگان پرس ، آن آربور ، میشیگان ، ایالات متحده ، 1975.

  2. C.-F. هوانگ ، H.-C. وو ، P.-C. چن و ب. آر. چانگ ، مدلهای پیش بینی خودمختار خودمختار برای حرکت قیمت در تجارت فرکانس بالا: شواهدی از تایوان. تجزیه و تحلیل داده های هوشمند 24 (2020) ، صص 1175 - 1206.

  لطفا توجه داشته باشید: این یک پروفایل تجاری است

  

  این کار تحت یک مجوز بین المللی Creative Commons Attribution-Noncommercial-Noderivatives 4. 0 مجوز است.