Bàn về robot chứng khoán phái sinh

Lái đánh cho đơ máy luôn

Lái đánh cho đơ máy luôn. E có xem lại lệnh thì 13h khớp phát hơn 1k tại 25.5 sau đó thẳng lên 28. Các lệnh S ban sáng đi tong 6p ngay tại thời điểm đó

Khi khối lượng hợp đồng/ngày lớn hơn 100k thì Bbs đánh kinh dị lắm. Trong phiên sẽ có rất nhiều thời điểm chỉ số tăng giảm đột ngột để gọi lệnh SL/TP tự động nhảy ra.

Pic này bàn về robot chứng khoán phái sinh, trước đây cũng có những ý kiến đóng góp hay, nhưng dạo này hơi loãng và đi sai chủ đề.
Để hâm nóng pic, tôi có vài lời:
Tôi thấy các bác khi dựng nên một bot thường có tư duy khá giống nhau (tư duy rập khuôn), nghĩa là nhập dữ liệu rồi các bot sẽ xử lý dữ liệu theo thuật toán đã được cài sẵn, đưa ra chỉ báo, backtest, sửa thuật toán,...quá trình này sẽ tiếp tục lập lại đến khi nào robot hoàn thiện và đủ sức chiến đấu.
Đến đây, tôi đặt câu hỏi: khi nào đứa con tinh thần của các bác sẽ thực sự trưởng thành ?! Tôi nghĩ đến khi các bác đủ tuổi theo ông bà thì các bot này vẫn chỉ như học sinh tiểu học mà thôi vì nó cần được tiếp tục nuôi nấng và dạy dỗ. Hiện nay, với cách tư duy như vậy, các bot này chỉ có thể được xem như máy móc thời 2.0
Chốt lại, thời kỳ 4.0 đang tới. Hãy vận dụng AI cho các bot. Đó là câu chuyện ta cần bàn.

AI có @jangkang đã làm rồi kìa bác. Tháng rồi kiếm hơn 100 điểm nhưng không thèm vào đây chém gió à.

Bác nhận xét chuẩn, dạo này pic loãng vì các kỹ thuật trading qua bot và trading system anh em chắc đang bận thực chiến, đây là giai đoạn thuận lợi để kiếm tiền, có lẽ vì vậy cũng không có nhiều chủ đề hay bàn dạo gần đây (hoặc anh em cũng ... ngại chia sẽ bí kíp trên đây).

Về vấn đề bác đưa ra, mình thấy là một topic rất hay để anh em trao đổi. Hiện giờ đúng là đa phần ae đang làm bot thời kỳ 2.0 (or 3.0) thôi, do thị trường Futures ở mình còn mới và cộng động algo trading ở VN cũng chưa mạnh.

Bản thân mình đọc nhiều thảo luận trên các room nuớc ngoài, thì mình xác định luôn là không thể xây dựng bot hoàn thiện và đáp ứng với mọi thị trường được, trừ khi đó là 1 team lớn có đội R&D mạnh, có đủ tài chính và đủ số liệu để làm các phân tích (ví dụ anh siêu to này https://www.worldquant.com/home/?fb...3cPfxbnxotQY7exMbI1zcaZHWKzMv0twxIhO37MpRj8cc).

Nếu xây dựng trading system mà không có nhiều nguồn lực, thì nên backtest kỹ một vài chiến lược giao dịch, optimize thông số lại, rồi đo backtest performance để xem anh nào ok thì triển live trading một thời gian để đánh giá. Một sai lầm mà anh em làm bot hay mắc phải (theo các room nuớc ngoài) đó là cố gắng overfitting thuật toán (sửa bot theo từng giai đoạn thị trường - xem https://blog.quantopian.com/9-mistakes-quants-make-that-cause-backtests-to-lie-by-tucker-balch-ph-d/ hoặc https://www.reddit.com/r/algotrading/comments/36efc5/best_techniques_for_avoiding_overfitting/), càng sửa thì bot performance càng trở nên thiếu ổn định do quá nhiều điều kiện chéo loại bỏ tín hiệu lẩn nhau, kết quả là những trend mạnh bot bắt không tốt.

AI cho trading bot thường là quá khả năng của anh em, mình nghĩ nên chờ các tổ chức lớn phát triển và ứng dụng rồi mình thừa hưởng lại (khả năng sau khi phát triển ổn, họ sẽ public API hoặc thương mại hóa lại).

--- Gộp bài viết, 21/10/2018, Bài cũ: 21/10/2018 ---

AI của bác ấy mình thấy chỉ là cái tên đặt như vậy thôi, thực tế ở VN chưa anh nào có đủ lực để phát triển AI cho trading đâu, chỉ mới ở mức prototype thôi, mình sure!

đây cũng là định hướng và quan điểm của em - cập nhật đc level của thế giới, em đang backtest con AI-Machine learning này, khi nào xong và có kết quả ngon lành thì sẽ post.
strategy source:
http://www.goldencompassquant.com/2...s-hang-seng-index-futures-longshort-strategy/
em xin bổ sung thêm ý:
+ các robot ở việt nam theo em quan sát chủ yếu là dựa trên phân tíhc kỹ thuật, đặc điểm nhận biết là các bạn dev viết robot chỉ dựa vào một vài TA indicator mà mình rành nhất nên chỉ có một hoặc hai con và cứ optimize hoài. Muốn phát triển tiếp thì phải dấn thân vào con đường quantitative finance → khá phức tạp.
+ overfitting thường xảy ra khi mô hình có quá nhiều tham số, ví dụ: robot ra tín hiệu dựa vào một loạt các chỉ số MACD, RSI .... khi đó lúc các tham số đc tối ưu hóa sẽ chỉ hoạt động tốt trong mẫu đc chọn, áp dụng qua mẫu khác thì sẽ cho kết quả kg tốt. trái ngược với overfitting là underfitting → mô hình đơn giản hơn so mức cần thiết, khả năng prediction bị suy giảm

Vụ machine-learning thì em thấy có bài viết này của 1 bác trên Quora cũng đáng để đọc

source: https://www.quora.com/How-is-machine-learning-used-in-quantitative-finance

Speaking of deep learning, there is currently an insane level of hype and FOMO around it. But as someone who is reasonably well connected in the trading industry, I’m not aware of anybody who has successfully used deep learning to outperform their old-school linear models. Sure, you can make money by using deep learning, but is it really better? The thing with machine learning in general is that they are entirely empirical. Nobody can predict whether or not a particular model will work for a particular problem; people can only find explanations after they’ve tried it. Deep learning has proven itself in problems like image recognition and playing go, but certainly not in trading. My after-the-fact explanation is that it is not a good model for extremely noisy data such as financial time series. I had interviewed several respected deep learning academics, including some fellow Quorans, by giving them a financial dataset to look at. They tend to be stunned by the level of noisiness in the data and quick to suspect that it’s not possible to build a predictive model with it. In a way, they are right: if you just throw this data into a deep learning model, you will inevitably overfit, no matter how many regularization techniques you try. But again, you don’t have to use deep learning. You can try a much simpler model and use domain knowledge to regularize it. At the end of the day, trading is a funny game where it’s possible to make money with an R-squared of 0.01. But needless to say, it has to be an out-of-sample R-squared of 0.01.

Final word of caution. As of today, machine learning is less important in quantitative finance than outsiders think it is. The reason why you hear about the buzzword all the time is because it sounds sexy and therefore it attracts money and talent. There are of course a few large-scale organizations and well-funded startups that are investing in cutting-edge R&D projectsaimingto understand unstructured, qualitative datasets such as Janet Yellen’s speech. But I highly doubt they have paid off yet as there are still many lower-hanging fruits to grab in structured, quantitative datasets. In the future, however, machine learning will likely have a much bigger place in this industry, because its ability to learn will continue to improve and will almost inevitably surpass humans’ ability to learn. In particular, we can all look forward to the day when machines are finally able to use as much common sense as humans can. And for that, we probably need algorithms that can learn from an insane amount of qualitative data, because humans’ common sense is developed via years of personal experience and thousands of years of evolution.

--- một quan điểm khác ---

I am a professional trader and have moved billions of dollars of stock through electronic trading systems. Let me tell you three ways I have used Machine Learning.

• To improve what I already do. When I first applied serious data analysis to my trading I identified 36 discrete trading strategies I implement and ran numbers on four aspects of applied trades: What to risk, When to take profit, Profit:Loss ratio, Slippage. With this analysis, I emphasized some trades more than others, tightened or loosened my risk tolerance, and so on. Total profits increased by 50%.
• To automate what I already do. Computers do not have the same breadth of judgment that I do, but they can learn to copy my best stuff. We used what’s called Supervised Learning, meaning that we showed it a bunch of my trades and asked it to create a copycat algorithm. It finds more opportunities than I do, and can manage more positions, though it doesn’t trade them quite as well. Total profits increased by 30%.
• To expand what I already do. We started with things I already trade on and added a couple that I suspected were useful. We fed that through a neural network, which means that it combines those inputs and gives them each various weightings — then rinse and repeat a few times — to generate new strategies. This becomes exponentially effective the better you do it, so the first rollout produces little profit, the next a bit, then finally a lot.

In doing all of this I’ve learned two really important things. Until we reoriented our thinking about how to move forward, we were trying to fill the ocean with an eyedropper. We needed a tool more suited than an eyedropper and a goal more concentrated than the ocean.

• The trader’s key skill is to distinguish signal from noise. Use it. Most people think they’re going to throw reams of raw data into a computer and it will spit out brilliant trades. The possibilities are too expansive for this. The trader's skill must be applied to reduce problems by orders of magnitude. Which predictors will we use? Which moving parts of strategies do we want to move? How are we going to cluster strategies?
• It’s harder to define what a good strategy is than you would think. “Maximize profits” or “minimize losses” sounds great, but there are ups and downs in any trading strategy’s life. It matters whether its losers are too big or frequent, or if its meaningful winners are too infrequent. So we started using our own eyes to compare profit/loss distributions of strategies applied to sample data, rather than trust it to pick the best strategy on its own.

Từ đầu năm đến giờ tôi đánh PS lỗ 20%. Các bác lãi bao nhiêu %

bài đầu tiên thực tế nè: việc áp dụng trực tiếp machine learning trong trading strategy thực tế không hiệu quả như mọi người vẫn nghĩ, lý do là vì dữ liệu tài chính rất là noisy (thông tin hữu ích trong biểu đồ giá là rất ít) nên viêc prediction thực tế từ machine learning là không cao hơn 50% là bao nhiêu, chưa kể là dễ bị overfitting.
http://jonathankinlay.com/2018/08/c...dict-market-direction-the-1000000-model-test/ -> blog chỉ thể hiện quan điểm của tác giả, không phải là chân lý nên chỉ có giá trị tham khảo

1903 1906 kl đột biến, báo hiệu điều gì đây?!