Platform

PLATFORM

La nostra piattaforma di trading è in grado di generare conoscenza quantitativa e sfruttare al massimo le informazioni contenute nei dati del mercato; è composta da 4 moduli:

MARKET CLOCK

Incentrato su Intraday, ha lo scopo di fornire una descrizione del comportamento del mercato più probabile
per il giorno seguente.

PATTERN RECOGNITION

CURVE VIEW

Curve View: aumenta la precisione del valore relativo, sfruttando
strutture “profonde” nascoste in risorse correlate.

AUTO ASSOCIATIVE NETWORKS

FORECAST

Le nformazioni sull'”Asset Universe”
e il comportamento storico delle risorse
offrono predizioni sulle sue prestazioni.

RECURRENT NETWORK

CROSS ASSET

Fornisce informazioni sulle guide di mercato,evidenziando gli investimenti
opportunità e rischi sistemici.

VARIATIONAL AUTOENCODER, RBM

Market Clock

“History doesn’t repeat itself, but it does rhyme.”  Mark Twain

Il market clock è:

1. Un insieme di algoritmi di riconoscimento per la previsione -> analisi tecnica
2. Una rete ricorrente -> previsione a breve termine
3. Uno strumento per riepilogare le informazioni contenute nelle attività correlate -> valutazione incrociata delle attività
4. Un sistema per monitorare le prestazioni di diversi algoritmi nel passato e nel presente -> backtesting
5. Trading robot -> trading online … $$$$.

1. PATTERN RECOGNITION: FROM TECHNICAL ANALYSIS TO MARKET CLOCK

ANALISI TECNICA 

• Pattern recognition conosciuto (selezione finita dei pattern)
• Il trader identifica formazione e comportamento in base ai comportamentei del mercato in passato

Candelstick scanner

MARKET CLOCK

• Pattern recognition conosciuto e sconosciuto
• L’algoritmo identifica la più probabile «traiettoria di mercato»
• Fornire una distribuzione di probabilità per un rendimento di fine giornata.

Market clock output

IL NOSTRO APPROCCIO AL PATTERN RECOGNITION

  • Osserviamo le serie temporali, correttamente normalizzate in una traiettoria.
  • Supponiamo che esista un insieme finito di traiettorie tipiche o “archetipiche” (“market states”) che rappresentano il comportamento del mercato infragiornaliero.
  • Queste traiettorie sono create dalle interazioni di diversi players e da differenti capitali mobili
  • Progettiamo algoritmi in grado di prevedere la destinazione “più probabile”, osservando la traiettoria parziale in un momento successivo.

ONLINE FORECASTING

Nel quadro che abbiamo creato, la sfida è:

Trovare una buona rappresentazione del set di dati in termini di traiettorie «tipiche».


 Metodi senza supervisione per il clustering

Trovare un algoritmo performante per «imparare» a collegare l’osservazione online alla traiettoria «più probabile» del giorno.

⇒ Metodi supervisionati per la previsione (NN per la classificazione, svm)

MARKET CLOCK ALGORITHMS FOR PATTERN RECOGNITION

Nel Market Clock, al momento utilizziamo 5 algoritmi differenti:

  • un K-meaning clustering precedente
  • un K-meaning clusteringposterior e (matrice di transizione)
  • un classificatore SVM multilivello
  • un MLP per la classificazione
  • una linea di ritardo Deep Tappedcon clustering migliorato

Le prestazioni degli algoritmi sono valutate continuamente.
Nuovi algoritmi vengono aggiunti se i backtest producono buoni risultati o viceversa.

2. MARKET CLOCK ALGORITHMS: RECURRENT NEURAL NETWORK

In market clock proponiamo anche una rete ricorrente per migliorare la previsione.

• Generalizzazione dei Modelli Markov
• Poiché abbiamo sequenze di “parole”, possiamo usare gli strumenti usati per lEelaborazione del Linguaggio Naturale
• Generare una serie temporale è come generare un testo
• Le reti neurali ricorrenti possono “dimenticare”
• L’output è solo una versione spostata dell’input
• Addestriamo la rete per interpolare i valori “sconosciuti” nel vettore di input
• La rete estrae le probabilità per ciascuno dei codici per i passaggi successivi

3. CROSS ASSET EVALUATION 

Le prestazioni dell’algoritmo possono essere migliorate in modo significativo utilizzando le informazioni provenienti dalle risorse correlate.
Nel modulo, sintetizziamo le informazioni provenienti da mercati simili e correlati utilizzando gli algoritmi di machine and deep learning in tempo reale.
Il fair value derivante da attività correlate è sintetizzato dalle due linee (rosa e giallo) che si evolvono nel tempo.

Usd chf, 11- jan-19.

Lo stesso quadro ci consente di illuminare la tendenza “a bassa frequenza”. In fig1 e 2 i fattori cruciali delle valute e delle valute per il giorno, con la tendenza scomposta nella casella in basso (linea bianca).

Usd chf, 14 -jan -19

4. HISTORICAL PERFORMANCES: MODULAR BACKTESTING

Nel Market Clock, usiamo un approccio modulare, in backtesting, che consente:
1. di ridurre il numero di run degli algoritmi;
2. di ottimizzare separatamente la previsione dell’algoritmo e le strategie di trading (algoritmo o punteggio)

I set di dati sono partizionati usando le finestre di registrazione

I modelli sono addestrati e simulati su una griglia di parametri

Per ogni modello (e per più di un modello alla volta) vengono utilizzate diverse strategie di soglia per generare segnali di trading

Usando tutte le uscite dei passaggi procedurali un simulatore di mercato valuta il PL dell’algoritmo di coppia più la strategia

 

I risultati del backtesting sono continuamente aggiornati per valutare le prestazioni degli algoritmi relativi e per verificare le prestazioni online dell’algoritmo con i risultati del backtesting.

Usd chf, 11 Jan – 19

Per ricevere maggiori informazioni, compila il modulo sottostante

Sono d'accordo con la Privacy Policy