Lancio di un modello migliorato per i segnali

Personalmente considero i segnali generati dal nostro modello di AI il pilastro del nostro software. Anche se puoi trovare segnali sulle materie prime altrove, sono tutti basati solo sulla stagionalità. Come abbiamo spiegato più volte, usare solo la stagionalità è come guidare guardando solo nello specchietto retrovisore. Non una buona idea.

Ho deciso di fare di meglio. Non perché sia facile, ma perché è difficile, come diceva John F. Kennedy. Ho sviluppato un modello complesso di machine learning capace di generare segnali da vari tipi di dati, non solo dalla stagionalità.

Questo era nel 2019. A parte qualche correzione di bug, non ho toccato il modello da allora. È notevole che sia stato in grado di funzionare e produrre segnali sensati attraverso regimi di mercato totalmente diversi negli ultimi quattro anni senza riaddestramento.

In questi anni, ho pensato a una serie di miglioramenti che ho annotato. Finalmente, ho iniziato a lavorare sul modello migliorato all’inizio di quest’anno.

Avevo cinque obiettivi principali:

1. Migliorare l’efficienza computazionale (farlo funzionare più velocemente) e semplificare la struttura del codice.
2. Implementare alcune idee intelligenti riguardo ai dati di input che ho elaborato nel corso degli anni.
3. Esplorare se i risultati possono essere migliorati per i mercati “difficili da prevedere”, come l’energia.
4. Permettere al modello di trovare più segnali futures diretti.
5. Sviluppare strumenti per analizzare il flusso di dati e il contributo delle singole caratteristiche.

Ora che ho finito, posso dichiarare il primo obiettivo completato al 100%. Ho finito per scrivere un codice completamente nuovo da zero. Ogni operazione viene ora eseguita in modo leggermente diverso, dal preprocessamento e l’addestramento del modello all’inferenza. Ed è di un ordine di grandezza più veloce. Quello che prima richiedeva settimane di calcolo, ora richiede giorni.

Anche il secondo obiettivo è stato completato. Il modello prende questi tipi di dati come input:

• Azione dei prezzi
• Volatilità
• Dati sul sentiment e il posizionamento
• Seasonality
• Metriche di valutazione
• Dinamiche della struttura a termine

Le principali aggiunte e miglioramenti sono stati fatti nelle aree dei dati sull’azione dei prezzi, la volatilità e soprattutto le dinamiche della struttura a termine. Non entrerò nei dettagli poiché si tratta di informazioni sensibili che non voglio condividere apertamente.

Purtroppo, il terzo obiettivo è stato un fallimento. Nell’articolo introduttivo originale di quattro anni fa, avevo avvertito che il modello aveva difficoltà con certi mercati, un buon esempio erano i mercati energetici. Volevo scoprire se questi mercati sono davvero così difficili da prevedere (come avevo spiegato nell’articolo originale), o se il modello potesse fare meglio. Si è scoperto che non può. Sì, ci sono alcuni miglioramenti marginali in certi mercati grazie all’obiettivo numero cinque, ma in generale, alcuni mercati sono davvero difficili. Inoltre, nonostante i grandi cambiamenti nel modello, il pattern originale sembra reggere: i mercati che erano difficili da prevedere rimangono tali, e quelli più facili da decifrare continuano ad esserlo. Non è casuale.

Il successo con l’obiettivo numero quattro è ciò di cui sono più orgoglioso. Potresti aver notato che a differenza dei segnali inter-consegna, di solito non c’erano più di tre segnali per i futures diretti. Mi chiedevo se ci fossero naturalmente più buone opportunità negli spread, o se le prestazioni del modello fossero in qualche modo ostacolate sui futures diretti. La causa più ovvia sarebbe la dimensione intrinsecamente molto più piccola del dataset di addestramento per i futures diretti. Ho trovato un modo intelligente per aggirare questo ostacolo, e sembra funzionare davvero. Ora ci sono più segnali sui futures, almeno per il momento.

E infine, l’obiettivo numero cinque non era meno importante. Il modello originale era principalmente una scatola nera, e a parte confrontare le perdite di test, potevo fare ben poco per scoprire come stava performando il modello e, cosa più cruciale, come le singole caratteristiche contribuivano alle previsioni di successo. Ora, ho il mio set di strumenti per debuggare il modello, che senza dubbio ha contribuito a migliori prestazioni in alcune materie prime e a un maggiore successo nel trovare più segnali sui futures diretti.

Ora, non pretendo che ci saranno miglioramenti rivoluzionari nei segnali. Chiunque abbia esperienza nel machine learning ti dirà che spendere 10 volte più tempo e sviluppare un modello 3 volte più capace di solito porta a un miglioramento del 10% – 20% nella qualità delle previsioni. Lo stesso vale qui. Il nuovo modello porta sicuramente molti miglioramenti, ma non aspettatevi miracoli. Prevedere i mercati è difficile, e non è un caso che non abbia visto segnali del genere da nessun’altra parte.

Inoltre, ricorda che il modello dei segnali non è un sistema di trading, il che significa che non ci sono entrate/uscite o profitti/perdite. Il suo unico scopo è di avvisarti su potenziali opportunità di mercato interessanti, così non devi passare ore ogni settimana a setacciare i mercati. È stato molto efficace in questo ruolo, avendoci avvisato di molte ottime opportunità nel corso degli anni che altrimenti avremmo potuto trascurare. Ma devi fare la tua analisi appropriata di queste opportunità. Alcune potrebbero non svilupparsi in setup operativi, la situazione può cambiare improvvisamente a causa di qualche notizia fondamentale, o il modello può semplicemente sbagliare.

I segnali di trading sono generati da un complesso modello di machine learning e non sono destinati al trading reale. I segnali di trading dovrebbero essere usati solo a scopo educativo. SpreadCharts s.r.o. (la società) o i suoi rappresentanti non si assumono alcuna responsabilità per le azioni intraprese sotto l’influenza dei segnali di trading o qualsiasi altra informazione pubblicata ovunque su questo sito web o i suoi sotto-domini. C’è un rischio di perdita sostanziale nel trading di futures.

Regola CFTC 4.41: I risultati di performance ipotetici o simulati hanno alcune limitazioni. A differenza di un record di performance reale, i risultati simulati non rappresentano il trading effettivo. Inoltre, poiché le operazioni non sono state eseguite, i risultati potrebbero aver sotto o sovra compensato l’impatto, se esistente, di alcuni fattori di mercato, come la mancanza di liquidità. I programmi di trading simulato, in generale, sono anche soggetti al fatto che sono progettati con il beneficio del senno di poi. Non si sta facendo alcuna rappresentazione che qualsiasi conto otterrà o è probabile che ottenga profitti o perdite simili a quelli mostrati. Tutte le informazioni su questo sito web sono solo a scopo educativo e non intendono fornire consulenza finanziaria. Qualsiasi dichiarazione su profitti o redditi espressi o impliciti non rappresenta una garanzia. Il tuo trading effettivo potrebbe risultare in perdite poiché nessun sistema di trading è garantito. Accetti la piena responsabilità per le tue azioni, operazioni, profitti o perdite, e accetti di tenere SpreadCharts s.r.o. (la società) e qualsiasi distributore autorizzato di queste informazioni esente da responsabilità in qualsiasi modo.