Machine learning (máy học) trong trading: Nên áp dụng đơn giản hay phức tạp?

Tiến sĩ Daniel Fernandez là một Forex trader dày dạn kinh nghiệm và là nhà thiết kế hệ thống giao dịch tự động.

Anh tham gia vào thị trường Forex từ cuối năm 2017. Bằng cách phân tích thị trường, anh đã đưa ra các chiến lược giao dịch rất đơn giản, nhưng mạnh mẽ và đáng tin cậy. Quan trọng hơn, anh tìm cách phân tích kết quả giao dịch và không ngừng học hỏi kinh nghiệm của mình để đưa ra kết luận mới và trả lời các câu hỏi mới trong giao dịch thuật toán.



Sau đây là chia sẻ của Tiến sĩ Daniel về việc áp dụng machine learning vào trading. Mời mọi người cùng theo dõi nhé!

***

Trong vài năm qua, tôi đã thực hiện nhiều thử nghiệm machine learning (máy học) trong trading, phát triển nhiều chiến lược dựa trên chúng và giao dịch chúng trên thị trường thực. Sự phát triển khủng nhất của tôi trong suốt thời gian này là bước ra xa khỏi những gì mà các học giả vẫn đang làm và chuyển sang cơ chế machine learning đơn giản hơn nhiều so với những gì được xuất bản trong các bài báo trên tạp chí.

Mặc dù điều này có vẻ hơi mâu thuẫn - vì machine learning thường có xu hướng phức tạp hơn mới phải - nhưng đây là cách duy nhất tôi có thể đạt được kết quả thử nghiệm thoả đáng với mức độ sai lệch tương đối thấp. Trong bài viết hôm nay, chúng ta sẽ nói đến sự phức tạp, vì nó liên quan đến machine learning trong trading, và lý do tại sao càng phức tạp không đồng nghĩa với kết quả càng tốt hơn.


Những ai quan tâm đến việc áp dụng machine learning vào trading thường bắt đầu bằng cách tiếp cận vấn đề dưới dạng một bài toán mô tả chức năng. Điều này giả định rằng, thị trường hoạt động theo một số chức năng phức tạp tuỳ ý, nhưng có thể mô tả được - thứ chúng ta có thể tìm ra để đạt được kết quả khả thi tiếp theo. Từ quan điểm này, thị trường có thể được mô tả bằng toán học và vấn đề chỉ là thu về các mô tả đó, rồi mở rộng sang yếu tố tiếp theo để có được câu trả lời cho câu hỏi liệu thị trường sẽ làm gì.

Các nỗ lực trong lĩnh vực này sẽ lấy tất cả dữ liệu thị trường và cố gắng tạo ra các hàm có thể dự đoán tất cả các hành vi thị trường trong quá khứ như một hàm của một số tập hợp các biến. Vì vậy, hãy lấy tất cả dữ liệu thị trường của bạn, tính toán bất kỳ một chỉ số (indicator) nào mà bạn muốn, đưa nó vào một số thuật toán machine learning và bạn sẽ có một mô hình được đào tạo để dự đoán mọi thứ đã xảy ra trong quá khứ, và do đó có thể dự đoán được tương lai.

Chà, mọi chuyện đâu có đơn giản như vậy. Machine learning đã thất bại ngay lập tức khi áp dụng theo cách này. Các mô hình được tạo ra thường rất phức tạp và thiếu mức độ dự đoán khi thử nghiệm với dữ liệu thực sự không nhìn thấy được (dữ liệu thị trường mới). Rõ ràng là - nếu được áp dụng theo cách này - machine learning thực sự không thể trích xuất thông tin hữu ích và những gì bạn đang làm về cơ bản là một bài tập điều chỉnh đường cong rất mạnh mẽ, không thực sự tổng quát hoá được hành vi thị trường cơ bản và do đó, không thể dự đoán tương lai với mức ý nghĩa thống kê liên quan.


Tuy nhiên, việc tìm kiếm độ phức tạp vẫn tiếp tục với sự phát triển của machine learning cho phép máy tính không chỉ học từ một tập hợp các tính năng được xác định trước - như các thuật toán machine learning ban đầu đã làm - mà thay vào đó, thực hiện khai thác tính năng và thậm chí xây dựng thuật toán machine learning của riêng chúng. Theo nghĩ này, một máy tính sẽ tiếp cận trading như một trò chơi máy tính mà nó không biết gì về nó, nó trích xuất các tính năng có liên quan từ thị trường khi nó thu thập kinh nghiệm từ các ví dụ và cuối cùng, nó phát triển tầm nhìn của riêng mình về những gì có liên quan khi giải quyết vấn đề giao dịch. Điều này có nghĩa là, cấu trúc sẽ không cứng nhắc, các thuật toán không chỉ có thể điều chỉnh cách nó thích ứng, mà còn có thể điều chỉnh những gì nó sử dụng để chơi trò chơi.

Những điều trên đòi hỏi phải học sâu và những cải tiến lớn trong machine learning đã dẫn đến sự phát triển của những tiến bộ to lớn như AlphaGo. Tuy nhiên, bản chất của thị trường - một trò chơi mà những người chơi khác liên tục thay đổi thay vi của họ và tất cả người chơi đều có thông tin đầy đủ - cho đến nay vẫn tỏ ra là một thách thức đối với việc học sâu. Việc thiếu khả năng tạo mẫu vô tận - bạn không thể tạo thêm các kịch bản giao dịch - khiến vấn đề trở nên khó khăn hơn theo nghĩa việc học bị giới hạn trong phạm vi thông tin có sẵn và khả năng học hỏi từ các tín hiệu nhiễu bên trong thông tin này vẫn là một thách thức quan trọng đối với các thuật toán machine learning ngày nay.


Rốt cuộc, machine learning đã đạt được những tiến bộ to lớn về độ phức tạp, nhưng những tiến bộ đó dường như vẫn chưa được thích ứng để tạo ra các chiến lược giao dịch có thể dẫn đến hành vi sinh lời trong các điều kiện giao dịch live mới. Sự phức tạp trong machine learning dẫn đến cơ hội tốt hơn để giải quyết các vấn đề tất định hoặc thậm chí đánh bại những người chơi hành xử khó đoán trong trò chơi vốn có thể được chơi liên tục. Tuy nhiên, việc không có đủ mẫu và thiếu thông tin trong trading khiến trò chơi giao dịch trở nên đặc biệt khó khăn. Các vấn đề khác như khai thác dữ liệu bị chệch và việc truy tìm dữ liệu cũng đóng một vai trò rất lớn trong việc đạt được những tiến bộ triển khai thuật toán.

Nếu bạn muốn tìm hiểu thêm về cách chúng tôi giải quyết vấn đề bằng cách sử dụng các thuật toán machine learning đơn giản hơn, vui lòng ghé vào trang web Asirikuy.com, nơi cung cấp các video giáo dục, hệ thống giao dịch, phát triển bằng một cách tiếp cận hợp lý, trung thực và minh bạch về các chiến lược giao dịch tự động.


Đừng quên THẢ TIM, SHARE VÀ COMMENT để ủng hộ mình nhiều hơn nữa nhé!! Nice day cả nhà