Регресія гребенем: Як використовувати машинне навчання для криптотрейдингу та уникнути перепідгонки стратегії

Регресія гребенем – це введення в стратегії машинного навчання в криптотрейдингу. З грандіозним прогресом штучного інтелекту, такі як ChatGPT, останнім часом, серед звичайних та професійних трейдерів можуть з’явитися нові інтереси до дослідження методів машинного навчання у своїх торгових стратегіях. Декілька великих трейдингових компаній публічно заявляють, що використовують методи машинного навчання, хоча насправді це може бути й не так.

Однак, машинне навчання може ставати більше, ніж просто хороша реклама. Неправильно виконане, воно має тенденцію доперепідгонки, що означає підгонку під особливості даних, які не можна буде винайти за межами цього набору даних. Однак, якщо виконати його обережно, це може допомогти оцінити, чи є потенційна статистична значущість у сигналі, і допомогти знайти оптимальну математичну форму для точок купівлі/продажу для тих сигналів, у які ви маєте впевненість.

У цій статті ми розглянеморегресію гребенем – просту техніку, яка є чудовим способом почати з машинного навчання та алгоритмічного трейдингу. Ми обговоримо технічні деталі, а потім проведемо тестування регресії гребенем на деяких криптовалютах, створивши відмінні графіки для візуалізації того, де алгоритм вирішує купувати і продавати, а також де він правий і помиляється.

Статистика тестування

Важливо усвідомлювати, що статистика, як сфера, має тенденцію припускати, що в даних існує математичний (науковий) зв`язок, але він закритий певною кількістю випадкового шуму. У трейдингу, оскільки рішення, прийняті учасниками ринку, точно менше і залежать від непередбачуваних новинних подій, які не пов`язані з алгоритмом, часто не можливо використовувати тестування для доведення того, що торгова стратегія буде прибутковою в майбутньому.

Лінійна регресія

Серед найпростіших методів машинного навчання є лінійна регресія. Її можна використовувати як початкову точку, щоб перевірити, чи має ваші обрані сигнали прогностичну цінність, перш ніж досліджувати більш складні методи машинного навчання, які можуть бути більш ефективними.

• Для лінійної регресії краще використовувати попередні n (відносні) зміни цін для прогнозування наступної зміни ціни.
• Середній перетин рухомого середнього розглядає, чи є лінійна функція недавніх змін цін позитивною чи негативною.

Згодом ви можете додати до минулих цін ваших улюблених сигналів, таких як рухомі середні або лінії регресії. Ви можете навіть включити сигнали, розраховані з інших активів, які ви вважаєте можуть бути пов`язані або корельовані.

Регресія гребенем

Регресія гребенем – це модифікація лінійної регресії, яка допомагає запобігти перепідгонці. Тому вона особливо корисна в контексті торгових стратегій.

Лінійна регресія вибирає коефіцієнт для кожного сигналу таким чином, що робить передбачувані значення якомога ближчими до реальних значень. Регресія гребенем модифікує це, намагаючись також зберігати коефіцієнти маленькими.

Вартість уникнення перепідгонки торгової стратегії очевидна.

Тестування регресії гребенем на криптовалюті

З введенням у справу, настав час подивитися на результати!

Я написав код на Python, щоб взяти дані з Yahoo Finance, підігнати модель регресії гребенем до них, протестувати стратегію та побудувати результати. Я використав модель регресії гребенем, що постачається з пакету sklearn, хоча їх є й інші. Я використав пакет lightweight_charts для графічного відображення торгових даних.

У графіках легка блакитна лінія показує прогноз регресії гребенем на наступний рух. Пам`ятайте, що ми не намагаємося точно передбачити наступний рух, а використовуємо його як індикатор для купівлі чи продажу.

Висновок

У цій статті ми показали, як відносно простий алгоритм машинного навчання може бути навченим на даних цін криптовалюти для створення торгової стратегії. Ми побачили, що навіть базовий підхід, використовуючи рухомі середні та лінії регресії, може дати деякі обнадійливі результати.

Проте важливо усвідомлювати, що, хоча результати виглядають добрими, жодна стратегія не працює завжди. Будуть випадки, коли стратегія буде менш прибутковою, ніж просте утримування. Щоб впоратися з такими ситуаціями, варто досліджувати способи динамічного параметризування стратегії, основані на нещодавній волатильності або тренді.

Genius Mathematics Consultantsнадає кількісну підтримку крипто-трейдерам та DeFi-фірмам, включаючи алгоритмічний трейдинг, оцінку похідних інструментів та моделювання ризиків.