¿Es realmente posible usar clasificadores de aprendizaje automático listos para usar como SVM o Random Forest para predecir con precisión la dirección del stock?

Esta es una de las muchas cosas con las que jugué cuando estaba haciendo mi doctorado en series de tiempo.

No es el mercado de valores: la predicción de subida o bajada.

Y, como era de esperar, las clasificaciones más precisas de una serie de tiempo de forma conocida no se podían distinguir.

En general, de todos modos.

¿Aplicación de eso al mercado de valores?

Por favor.

Jugar con la clasificación de dirección me llevó a algunas de mis investigaciones privadas sobre el aumento de la capacidad de ciertos algoritmos de ML para lidiar mejor con la autocorrelación.

El año pasado, alguien se me acercó para unirme a una startup sobre la predicción del mercado de valores. Se estaba acercando a todo tipo de investigadores, y creo que me encontró aquí en Quora.

Rechacé El salario ofrecido era bastante bueno, era completamente remoto, etc., etc.

Había hecho un poco de investigación privada sobre la imprevisibilidad inherente del mercado de valores, y le dije que su idea estaba condenada.

No me creyó, pero como ya no está tratando de trabajar en su idea, supongo que él mismo lo ha verificado. O alguien le dio algo más sólido en términos de evidencia. O tal vez simplemente no podía atraer talento.

Nota: el mercado de valores no es “solo una caminata aleatoria”, de alguna manera, es mucho peor. Hay demasiada información disponible, y los factores externos ahora tienen demasiada influencia en el mercado.

Si está interesado en verificar el rendimiento de una estrategia comercial utilizando técnicas de aprendizaje automático, le recomiendo usar Quantopian para realizar una prueba inversa de un clasificador de bosque aleatorio contra el punto de referencia de SPY:

Ejemplo simple de aprendizaje automático Mk II

El aprendizaje automático puede ser útil para seleccionar factores alfa predictivos de retorno como se describe en el siguiente cuaderno Cuantopiano:

Machine Learning en Quantopian

El aprendizaje automático también se puede utilizar para encontrar grupos de acciones (K-means, GMM) para estrategias de negociación de pares, descubrir componentes principales (PCA) para estrategias de reversión a la media y predecir estados de mercado latentes (HMM, Filtro de Kalman).

SVM y Random Forest son algoritmos de clasificación. Son algoritmos apropiados para agrupar procesos aleatorios, pero no para la predicción. Entonces, si sabemos que un grupo de procesos (series de tiempo) pertenecen juntos, independientemente del por qué, que es una gran desventaja de esta línea de razonamiento, entonces es lógico que un cambio en uno de estos procesos debería estar sucediendo a todos de ellos.

El problema con este razonamiento es que el hecho de que dos o más procesos aleatorios se muevan juntos ahora, no significa que lo harán en el futuro.

Y es por eso que no puede usar este enfoque para predecir los movimientos del mercado de valores.

1. Machine Learning tiene potencial en finanzas cuantitativas
2. Tratar de predecir la dirección es una tarea tonta

No sé por qué la gente está tan obsesionada con predecir la dirección. Por lo general, esto me dice que el proyecto fue iniciado por alguien de la academia sin exposición en el mercado. No tendrá ninguna posibilidad de éxito.

Intentar predecir los precios futuros es aún peor.

Existen innumerables otras formas de hacer que los datos de clasificación sean útiles en el comercio. ML es bueno para ciertas cosas. No tuerza su brazo solo para obtener algunas señales de negociación desagradables.