机器学习如何在股票市场中使用

我们都看到，当我们在社交媒体上上传图片时，我们会在照片中标记用户。值得注意的是，它也正确识别了这个人。这是在工作中使用机器学习的面部识别。

机器学习使机器能够基于经验，观察和分析给定数据集内的模式自主学习，无需任何明确的编程。
普通算法和机器学习算法之间的区别在于“学习”模型，它允许机器从数据中学习，并做出自己的决定。这允许它执行否则不可能执行的任务。这样的任务可以像识别人类手写一样简单，也可以像自动驾驶汽车一样复杂！

金融市场产生大量数据。因此，交易者很难研究数据以找到模式，然后设计一种适用于它的策略。机器学习算法可用于遍历数据并创建可帮助我们以极高的精度预测资产价格的策略

创建交易策略主要是为了预测我们是否应该在当前的市场情景中买入，卖出或保持中立。

我们首先创建一个股票历史价格（或基本数据等其他相关输入）的数据集。为了确保创建的算法不是特定于时间段并且可以推广，我们将数据分成部分，训练数据和测试数据。

我们使用训练数据来训练我们的算法并对股票的未来价格进行预测。一旦算法开发出来，我们就会在测试数据上使用它，并通过将预测趋势与库存的实际性能进行比较来分析算法的性能。

基于可靠的定量研究制定战略并以科学方式反证其策略的交易者在实时交易中表现更好的机会更大。

让我们看一个例子，其中机器学习算法可以用于根据其与全球股票市场的关系来预测特定股票市场指数的趋势。

在这个具体的例子中，我们使用主要股票市场指数的收盘价作为输入。机器学习算法获取世界主要股票指数的数据（股票市场指数是交易所中特定数量股票的选择），并将其与标准普尔500指数进行比较，标准普尔500指数由500家新公司组成。约克证券交易所（纽约证券交易所）。

我们正在寻找海外市场运动与美国股市之间的关系（标准普尔500指数）。如果我们发现这两种工具的价格走势与标准普尔500指数的走势相同（或相反），我们说这两者是相关的。作为培训数据，我们使用2017年的数据。

使用机器学习，我们发现以下与标准普尔500指数密切相关：

最后，我们将模型的模拟结果与作为2018年的价格数据的测试数据进行比较。基于模拟价格与测试数据的比较，我们可以了解算法的精确程度。

一旦我们对我们的算法有合理的信心，我们就会将其用于交易。虽然实际的交易策略会很复杂，但对于这个例子，我们假设我们只是在预测价格会上涨的情况下买入，而在其他情况下卖出。

机器学习帮助人类自动完成任务，以便我们可以将更多时间用于策略的研究和开发。另一种方法是从经验或研究中提出交易假设并对其进行测试的传统方法。

在竞争激烈的交易世界中，这种传统方法可能会给你一个微不足道的α（与整个市场的回报相比，战略的超额回报）。机器学习使我们能够在我们的交易和投资领域中发现潜在的新的和隐藏的alpha。