適應我的交易頻率的交易策略
我們想預測價格變化的方向。在這項工作中，術語價格用於指代股票的中間價，該中間價被定義為當時最佳買入價和最佳賣出價之間的平均值 $ t $ :
$$ p_t = \frac{p_a^{(1)}(t)+p_b^{(1)}(t)}{2} $$ 這是價格的虛擬值，因為在該確切價格下不可能發生訂單，但預測其向上或向下運動可以很好地估計未來訂單的價格。必須從我們的數據建構一組離散選擇，以用作我們分類模型的目標。只需使用 $ p_t > p_{t+k} $ 確定中間價格的方向會引入無法控制的噪音，因為最小的變化將被記錄為向上或向下運動。
與上一個略有不同。因此，價格之間的短期變化非常小且嘈雜。為了從提取的標籤中濾除此類雜訊，我們使用以下平滑方法。一、前一個的均值 $ k $ 中間價，表示為 $ m_b $ , 和下一個的平均值 $ k $ 中間價，表示為 $ m_a $ , 定義為：
$$ m_a(t) = \frac{1}{k} \sum_{i=1}^{k} p_{t-i} $$ $$ m_b(t) = \sum_{i=0}^{k} p_{t+i} $$ 在哪裡 $ p_t $ 是等式（2）中描述的中間價。然後，一個標籤 $ l_t $ 表示當時價格變動的方向 $ t $ 通過比較先前定義的數量（ $ m_b $ 和 $ m_a $ ):
$$ l_t = \begin{cases} 1, & m_b(t) > m_a(t) (1+α)\ -1, & m_b(t) < m_a(t) (1-α) \ 0, & \text{otherwise} \end{cases} $$ 門檻值在哪裡 $ α $ 被設置為被認為是向上或向下的價格變化的最小量。如果價格沒有超過這個限制，樣本將被認為屬於固定類。因此，生成的標籤表達了我們希望預測的目前趨勢。請注意，此過程適用於我們數據中的每個時間步。
使用卷積神經網路從限價訂單簿預測股票價格（連結）
上面的文字解釋了高頻交易的標籤策略。就我而言，我想使用深度循環神經網路和標籤策略進行中頻交易。通過 MFT，我的意思是交易頻率與普通交易者的交易頻率大致相同。
我正在尋找一種適合這種頻率的策略。我有一些眾所周知的策略範例，但我不知道哪一個可能是一個好的開始。
- 訂單流預測 HFT 策略
- 執行高頻交易策略
- 流動性供應 – 做市策略
- 自動高頻套利策略
資料來源： https ://www.quantinsti.com/blog/automated-market-making-overview/
對於這種頻率，什麼是好的交易策略？
機器學習可以集成到這些策略中的任何一個中。
訂單流預測策略將是這些範例中“最簡單的”，特別是用於集成神經網路和機器學習。在這個領域最廣泛使用的人工智慧方法是回歸，這裡有一些在高頻領域的例子，帶有 LOB 預測。邏輯回歸可用於預測交易間發生的價格跳躍。最有前途的方法也是我非常感興趣的一種方法是將自回歸綜合移動平均(ARIMA) 模型與支持向量回歸 (SVR) 相結合。請參閱：股票價格預測中的混合 ARIMA 和支持向量機模型
可以從優化或增強的角度考慮使用神經網路和其他機器學習技術。就實現卷積神經網路而言，大多數應用都與視覺圖像分析有關。然而，其他類型的深度學習策略正在被研究並用於量化交易策略。
回到 ARIMA 模型和機器學習，通常像 ARIMA 這樣的時間序列預測模型很難處理非線性數據。但是，支持向量機 (SVM) 神經網路卻沒有！它們非常適合處理非線性回歸問題。這就是我認為你應該建立你的策略的地方，因為它看起來很有希望，並且比機器學習在該領域的其他應用更強大。
剛剛從 quantinsti 部落格文章中閱讀……
HFT訂單流預測策略試圖通過各種方式提前預測大玩家的訂單，然後在他們之前進行交易，然後鎖定利潤，作為這些大玩家交易的後續價格影響的結果。
將機器學習集成到此類活動中也是可能的。您可以訓練神經網路來預測“鯨魚”訂單何時下達，並有效地參與一些搶先交易。
我們可以通過這些 HFT 策略中的每一個，但很明顯，將機器學習和 AI 方法集成到交易策略中是一件相對微不足道的事情。人工智慧是一個流行詞，尤其是在華爾街。