Nonlinear GRID Trading System
Machine Learning & Trading System
จากขั้นตอนก่อนหน้า [1] [2] ขณะนี้เราได้ Classification Model ในการทำ Data Analysis ของระบบเทรดเราแล้ว ขั้นต่อไปก็ทำการ เชื่อมต่อกับ ระบบเทรด และรับเอา Data Feed เพื่อทดสอบการทำงานแบบ online โดยภาษา อย่าง Python เราสามารถ compile code แปลงเป็น lib เพื่อเชื่อมเขากับ trading platform ต่างๆได้
ภาพโครงสร้างระบบเทรด การทำงานของ Machine Learning
ย้ำอีกรอบ machine learning เอามาใช้ในระบบเทรดไม่ได้เพราะ การ Prediction ราคาไม่สามารถทำได้แม่นยำ แต่เราสามารถ เอา machine learning มาใช้ประโยชน์ในการวิเคราะห์ข้อมูล Quantitative Data analysis ได้ อย่างในตัวอย่าง ใช้ SVM RBF ที่เป็น non linear system ในการจำแนก Key factor สำหรับเลือกใช้ subsystem ในการเทรด ให้เหมาะพฤติกรรมตลาดที่เกิด
ที่สำคัญ ยังใช้ประยุกต์งานด้านต่างๆได้มากมาย เช่น strategies, Money management, Risk management, Portfolio management เป็นต้น
สีเขียว แดง เหลือง ขาว ไม่ใช่ สัญญาณซื้อขาย แต่เป็น map ผลการจำแนกเข้ากับกลุ่มข้อมูล ราคา เพื่อแสดงการจำแนกพฤติกรรม ข้อมูล (โดยไม่ได้เกี่ยวกับการ คาดเดาทิศทางราคาแต่อย่างไร)
เพื่อให้เห็นว่าระบบเทรดทำงานได้จริง เรานำไปทดสอบกับ robot trading เทรดในตลาดจริง ผลที่ผ่านมา ถือว่าเป็นที่พอใจ บางคนคิดลบอาจจะมองว่าทำมาเยอะแยะ ไม่เห็นเป็นระบบเทพทำกำไรได้ 100% 1000% อะไรเลย นั้นเพราะ มันไม่ใช่ประเด็นที่เราไปสนใจพัฒนาไปทางนั้นครับ
ไม่ได้เน้นการทำกำไร แต่เน้นที การคุม Risk Score เพื่อ บริหารความสมดุล ของความเสี่ยงและผลตอบแทนที่เหมาะสม กล่าวคือ รับความเสี่ยงความผันผวนของตลาด อยู่รอดระยะยาว ทดสอบมาแล้วมากกว่า 11 เดือน รวมถึงคุมขนาด Drawdown และ risk score ได้ต่ำ แม้ทำการเทรดแบบ active เช่นเดียวกัน เราสร้างผลตอบแทน ทำกำไรต่อเนื่อง ผลตอบแทนจริงเกิดจากการ เก็บ ระยะสะสม(pip score)
นี้คือ ไอเดีย ขั้นตอนคราวๆ บางส่วนที่เปิดเผยได้ในการวิจัยพัฒนาของ cway lab ด้าน machine learning น้องที่สนใจลองไปศึกษาดู