Strategie tradingu AI: co naprawdę oznacza uczenie maszynowe

Czego prawdopodobnie szukałeś

Jeśli szukałeś "ai trading strategies", prawdopodobnie oczekiwałeś czegoś w rodzaju modelu uczącego się, który analizuje rynek i przewiduje, dokąd zmienią się ceny. To rozsądne oczekiwanie, ponieważ słowo "AI" jest używane do wielu różnych rzeczy.

To, co faktycznie kryje się za tym terminem w StrategyQuant X, to nie jedna rzecz, lecz dwie, i działają one inaczej. Jedna to procedura przeszukiwania, która buduje i filtruje duże liczby kombinacji reguł na danych historycznych. Druga to asystent oparty na promptach, który zamienia opis słowny w zestaw reguł tradingowych. Żadna z nich nie analizuje rynku i nie mówi ci, co wydarzy się jutro. Obie nadal wymagają późniejszego przetestowania. Reszta tego artykułu rozdziela te dwie rzeczy, żebyś wiedział, na co faktycznie patrzysz, gdy czytasz "AI" na platformie tradingowej.

Wyszukiwarka: testowanie kombinacji reguł, a nie uczenie się prawa rynku

Dokumentacja platformy wyraźnie rozgranicza dwa sposoby budowania strategii. Klasyczny sposób to budowanie strategii od zera ręcznie, bez żadnej techniki data-mining, co odpowiada ręcznemu budowaniu w narzędziu AlgoWizard. Drugi sposób to podejście data-mining: generowana i testowana jest duża liczba kandydatów na reguły, a zachowywana jest strategia o najwyższej zaobserwowanej skuteczności na danych historycznych.

To drugie podejście ludzie zwykle mają na myśli, gdy mówią o "AI" w kreatorze strategii. Mówiąc prosto, oprogramowanie wypróbowuje wiele kombinacji reguł wejścia, reguł wyjścia i filtrów, sprawdza każdą z nich na przeszłych danych cenowych i zachowuje te kombinacje, które wypadły najlepiej na tym konkretnym wycinku historii. To proces przeszukiwania i filtrowania. Nie jest tym samym co model, który nauczył się ogólnej reguły o tym, jak zachowują się rynki. Strategia, która z tego wychodzi, została wybrana, ponieważ dobrze pasowała do testowanej historii, a to coś innego niż strategia, która będzie dalej pasować do tego, cokolwiek rynek zrobi następnym razem.

AI Assistant: zamiana zdania w zestaw reguł

Odrębnie od wyszukiwarki istnieje rodzina funkcji opisanych w dokumentacji jako "AI Assistant" lub podobnie. Działają one na podstawie promptów w języku naturalnym, a nie na podstawie przeszukiwania metodą generuj i filtruj.

Jedna funkcja, ogłoszona jako "AI Assistant", jest opisana jako zdolna zbudować strategię tradingową z promptu dla MetaTrader 4, MetaTrader 5, TradeStation lub MultiCharts, przy czym platforma docelowa jest wybierana w momencie tworzenia strategii. W chwili ogłoszenia tej funkcji była ona w wersji beta.

Odrębny, wbudowany AI Assistant jest opisany jako oparty na modelach językowych ChatGPT i Claude. Potrafi wygenerować strategię tradingową z opisu w języku naturalnym, a także może być używany krok po kroku do ulepszania istniejącej strategii. Gdy to dokumentowano, był dostępny tylko dla silnika wyboru akcji.

Kolejny moduł, nazwany SQ AI Wizard, jest opisany jako pozwalający użytkownikom tworzyć strategie tradingowe przez wpisywanie prostych promptów tekstowych.

To, co łączy wszystkie trzy, to podstawowa idea: opisujesz słowami, czego chcesz, a asystent tłumaczy ten opis na strategię opartą na regułach. Nie buduje modelu rynku z twoich słów. Tworzy ten sam rodzaj strategii opartej na regułach, który tworzy wyszukiwarka, tylko przez inny punkt wejścia. Ta strategia nadal wymaga sprawdzeń opisanych dalej w tym artykule.

Dlaczego firma nazywa siebie biznesem uczenia maszynowego

Firma stojąca za StrategyQuant X opisuje siebie jako firmę zajmującą się tworzeniem oprogramowania fintech, specjalizującą się w algo tradingu i uczeniu maszynowym. To autopis ze materiałów własnych firmy, a nie niezależnie zweryfikowane twierdzenie techniczne o konkretnej metodzie używanej w oprogramowaniu.

Odrębna seria artykułów z tego samego źródła podaje, że jej treść opiera się na badaniu przeprowadzonym w 2019 i 2020 roku dotyczącym metodologii oceny i wyboru strategii generowanych za pomocą oprogramowania. To badanie ma już kilka lat i metodologia lub sam produkt mogły się od tego czasu zmienić. To użyteczne tło dla tego, skąd pochodzi część słownictwa, ale nie należy tego czytać jako opisu obecnego zachowania bez sprawdzenia, czy nadal obowiązuje.

Sprawdzanie tego, co wyszło: analiza optymalizacji i Monte Carlo

Niezależnie od tego, czy strategia pochodzi z wyszukiwarki, czy z AI Assistant, platforma dokumentuje dalsze kroki mające ją sprawdzić, a nie budować ją dalej.

Dwa z nich to Optimization Profile i System Parameter Permutation. Oba wymagają, aby parametry strategii były już zoptymalizowane. Metody są następnie stosowane do wyników wszystkich przebiegów optymalizacji, a nie do pojedynczego przebiegu w izolacji. Innymi słowy, patrzą na to, jak wypadł cały zestaw wariantów parametrów, a nie jedna szczęśliwa kombinacja.

Inną udokumentowaną metodą jest analiza Monte Carlo. Działa przez powtarzanie tej samej symulacji wiele razy z niewielkimi losowymi zmianami za każdym razem. Według dokumentacji większa liczba powtórzeń zwiększa istotność statystyczną, czyli wiarygodność, wyników. To stwierdzenie o tym, jak działa metoda, a nie obietnica, że więcej powtórzeń czyni strategię poprawną. Duża liczba powtórzonych symulacji nadal może powtarzać tę samą podstawową słabość.

Ryzyko wspólne dla obu mechanizmów: dopasowanie do przeszłości

Dokumentacja wymienia curve fitting, czyli nadmierne dopasowanie strategii do konkretnych danych historycznych użytych do jej zbudowania, jako największe ryzyko dla strategii tworzonych przez wyszukiwanie w stylu uczenia maszynowego lub data-miningu. Dotyczy to zanim wykonano jakiekolwiek dalsze testy odporności, niezależnie od tego, czy strategia pochodzi z przeszukiwania genetycznego, czy z AI Assistant, ponieważ obie są dopasowane do wybranego wycinka danych historycznych.

Z powodu tego dopasowania każdy wynik backtestu lub optymalizacji pokazany dla strategii zbudowanej przez automatyczne przeszukiwanie lub generator oparty na AI opisuje wyłącznie przeszłe zachowanie tej strategii na tych konkretnych danych. Sam w sobie ten wynik nie wskazuje, jak strategia poradzi sobie w przyszłych, niewidzianych warunkach rynkowych. Dobrze wyglądający backtest na tym etapie mówi ci, że strategia pasowała do testowanej historii, nie mówi ci, co stanie się dalej.

Co ta metoda może ci powiedzieć, a czego nie może

Postaw oba mechanizmy obok siebie, a obraz staje się prostszy niż sugerowało to wyszukiwane hasło. Przeszukiwanie data-mining testuje wiele kombinacji reguł i zachowuje te o najlepszej zaobserwowanej skuteczności historycznej; nie odkrywa ukrytego prawa o tym, jak porusza się rynek, znajduje dobre dopasowanie w historii, na której je testowano. AI Assistant tłumaczy opis słowny na ten sam rodzaj strategii opartej na regułach; również nie buduje modelu prognostycznego. W obu przypadkach liczba, którą widzisz po zbudowaniu lub po optymalizacji, opisuje to, co wydarzyło się na przeszłych danych, a nie to, co wydarzy się w przyszłości.

To ograniczenie samej metody, a nie luka w tym, co ci o niej powiedziano. Strategia oparta na regułach, niezależnie od tego, jak powstała, nadal wymaga rodzaju sprawdzeń opisanych powyżej, w tym testowania na danych, które nie zostały użyte do jej zbudowania, zanim wyciągniesz jakikolwiek wniosek o tym, jak może się zachować w warunkach, których nie widziała.

Ten artykuł ma charakter edukacyjny i nie stanowi porady inwestycyjnej. Wyniki historyczne, także z backtestów, nie gwarantują przyszłych wyników. Handel instrumentami finansowymi wiąże się z ryzykiem i możesz stracić pieniądze.