تشريح محرك اختيار المخزون المستند إلى ML

v1.0 - مسودة أولية

"التجار ، المتداولون ، في سوق" بواسطة Stable Diffusion < / رقم>

لقد بدأت Didact AI في عام 2019 ، مقتنعًا بأن محركات انتقاء الأسهم القائمة على نماذج التعلم الآلي يمكن أن تتفوق باستمرار على السوق ، وتحقق الأرباح وتحتفظ بها.

لقد عملت على هذه الفكرة بدوام كامل لمدة عامين ، من 2019 إلى 2021 ، حيث أقوم ببناء محرك انتقاء الأسهم يحقق عوائد استثنائية ، ويتفوق باستمرار على مؤشر S&P 500 لأكثر من عام على أساس أسبوعي.

بمجرد أن أصبح المحرك جاهزًا ، بدأت في إرسال رسالة إخبارية أسبوعية إلى حفنة من المشتركين من يونيو 2021 إلى يوليو 2022 ، مع اختيارات الأسهم للأسبوع المقبل ، جنبًا إلى جنب مع مخاطر لعبة إدارة بسيطة ، وأظهر براعة المحرك من خلال أزمات سوق متعددة ، مع أداء متفوق منتظم خارج العينة متاح لمشتركي الرسائل الإخبارية. في غضون ذلك ، أضفت مهندسًا مؤسسًا مشاركًا ومسوقًا للمساعدة في الطرح.

وبعد ذلك ، لأسباب مختلفة (تتعلق في الغالب بالنقص الملحوظ لقوات الحشد الشعبي) ، قمنا بفصل وإغلاق خدمة الرسائل الإخبارية.

لقد كانت مدهشة للغاية أثناء استمرارها. في ما يلي بعض إحصاءات الأداء الموجزة من التنبؤات الفعلية للمحرك (من 31 مايو 2021 حتى 8 يوليو 2022): مؤشرات الأداء للتجسس ديداكت Moy Rtn (أسبوعيًا) -0.09٪ 0.25٪ Std Dev (أسبوعيًا) 2.55٪ 2.19٪ التطوير الهابط (Wkly) 1.22٪ 0.39٪ متوسط ​​Rtn: التجسس هو + ve (Wkly) 1.84٪ 0.85٪ متوسط ​​Rtn: الجاسوس هو -ve (Wkly) -2.03٪ -0.31٪ نسبة شارب (آن) -0.27 0.83 تقرير من سورتينو (آن) -0.56 4.64 Corr مع SPY (Wkly) - 0.18 إجمالي العائد (يونيو 2021 - يوليو 2022) -7.1٪ 14.2٪ العودة (يونيو - ديسمبر 2021) 13.6٪ 22.7٪ العودة (يناير - 8 يوليو 2022) -18.2٪ -6.9٪

إذا كان هذا يثير اهتمامك ، فاقرأ المزيد

تكمن قوة الأداء التنبئي لـ Didact بشكل أساسي في ميزاتها الهندسية ونهجها في النمذجة ، لكن الهندسة المعمارية والتكنولوجيا المستخدمة لعبت أيضًا دورًا مهمًا.

في هذا المقال ، سأركز على الأخير ، وأحيانًا انحرفًا لفترة وجيزة عن المبادئ والافتراضات وراء النظام ، مع عروض تقديمية مفصلة لخط أنابيب استيعاب البيانات المنفصل ، وخط الأنابيب الهندسية لوظائف النمذجة والأنظمة الفرعية ، والتي تغطي بشكل أساسي هندسة البيانات. ، والنمذجة ، وهندسة ML ، و ML Ops اللازمة لتجميع هذا النظام. من خلال هذا المقال ، آمل أن أعطي فكرة عن كيفية عمل أنظمة تعلم الآلة في بيئة حقيقية.

حاولت كتابة هذا المقال بشكل مستقل وشامل قدر الإمكان (على الرغم من أنه يتطلب بعض المعرفة الأساسية بكيفية عمل التعلم الآلي) ، دون الكشف عن أسراري التجارية بالكامل (ها!). سأستمر في تعديل هذا خلال الأيام القليلة المقبلة (لقد حددت بالفعل بعض الأقسام المفككة) ، ولكن في الوقت نفسه ، آمل أن تستمتع بقراءته بقدر ما كنت قد كتبته.

أريد أن أتطرق سريعًا إلى بعض افتراضاتي / الأولويات الهيكلية لكيفية عمل الأسواق في اعتقادي. نأمل أن يجعل إعداد المستوى هذا بقية المقال أكثر إمتاعًا للقراءة.

سنبدأ بأنماط السوق ، وهي أجزاء من إجراءات حجم السعر المتشابهة تتكرر بمرور الوقت. سواء تم التعبير عنها بصريًا كنمط مخطط أو قطعة أثرية لسلسلة زمنية متعددة الأسواق أكثر تعقيدًا ، فإن الأنماط هي كيانات رائعة ؛ منظم على التفاعل بين السعر والمشاعر ونظام السوق (بالمعنى الواسع النطاق) ، فهي عابرة في طبيعتها ، تظهر لبضعة أيام أو أسابيع ثم تتحول بسرعة إلى شيء جديد. الفكرة التقليدية وراء أنماط الرسوم البيانية (والتحليل الفني) هي أنه عندما تظهر أنماط معينة ، فمن السهل التنبؤ بمسار السهم الأساسي في المستقبل.

ومع ذلك ، مع تغير الأنماط بمرور الوقت ، تتغير أيضًا عوائد توقع مساراتها وتداولها. قد يشهد النموذج الذي كان من الممكن أن يكون مربحًا على المدى الطويل تآكل ميزته وتصبح غير تنبؤية حيث يتشبث به المضاربون الآخرون (سواء كانوا بشرًا أو آلات) ، ومع ذلك يعاود الظهور بعد شهور أو سنوات مع عودة طبيعته التنبؤية. السبب وراء حدوث ذلك على الأرجح هو أن البشر يتصرفون بطرق معينة يمكن التنبؤ بها في مواقف معينة (على سبيل المثال ، "الأسواق تنهار ، اذهب تري ...