Методы машинного обучения для обработки больших объемов данных широко применимы в вычислительном финансировании. В серии примеров, представленных в этом разделе, представлен общий рабочий процесс, иллюстрирующий применение возможностей MATLAB ® к конкретной проблеме в финансовой инженерии. Рабочий процесс является проблемно-ориентированным, исследовательским и ориентированным на данные и результирующий анализ. Общий подход, однако, полезен для построения приложений во многих областях.
Рабочий процесс состоит из следующих действий:
Сформулировать простой подход к алгоритмической торговле путем анализа рыночной микроструктуры с целью выявления возможностей арбитража в реальном времени.
Используйте большую выборку данных обмена для отслеживания динамики заказов единой безопасности в один день, выборочно обрабатывая данные для разработки соответствующих статистических показателей.
Создание модели внутридневной динамики, обусловленной выбором гиперпараметров, вводимых при проектировании и разработке элементов.
Оцените настройки гиперпараметров с помощью контролирующей цели, которая вычисляет денежные средства, возвращенные на основе торговой стратегии на основе модели.
Оптимизация торговой стратегии с использованием различных алгоритмов машинного обучения.
Предложить изменения для дальнейшей разработки.
Поток операций разделен на три примера:
Дополнительные сведения об общих рабочих процессах машинного обучения см. в разделе: