機器學習如何在股票市場中使用

我們都看到，當我們在社交媒體上上傳圖片時，我們會在照片中標記用戶。值得注意的是，它也正確識別了這個人。這是在工作中使用機器學習的面部識別。

機器學習使機器能夠基於經驗，觀察和分析給定數據集內的模式自主學習，無需任何明確的編程。
普通演算法和機器學習演算法之間的區別在於「學習」模型，它允許機器從數據中學習，並做出自己的決定。這允許它執行否則不可能執行的任務。這樣的任務可以像識別人類手寫一樣簡單，也可以像自動駕駛汽車一樣複雜！

金融市場產生大量數據。因此，交易者很難研究數據以找到模式，然後設計一種適用於它的策略。機器學習演算法可用於遍曆數據並創建可幫助我們以極高的精度預測資產價格的策略

創建交易策略主要是為了預測我們是否應該在當前的市場情景中買入，賣出或保持中立。

我們首先創建一個股票歷史價格（或基本數據等其他相關輸入）的數據集。為了確保創建的演算法不是特定於時間段並且可以推廣，我們將數據分成部分，訓練數據和測試數據。

我們使用訓練數據來訓練我們的演算法並對股票的未來價格進行預測。一旦演算法開發出來，我們就會在測試數據上使用它，並通過將預測趨勢與庫存的實際性能進行比較來分析演算法的性能。

基於可靠的定量研究制定戰略並以科學方式反證其策略的交易者在實時交易中表現更好的機會更大。

讓我們看一個例子，其中機器學習演算法可以用於根據其與全球股票市場的關係來預測特定股票市場指數的趨勢。

在這個具體的例子中，我們使用主要股票市場指數的收盤價作為輸入。機器學習演算法獲取世界主要股票指數的數據（股票市場指數是交易所中特定數量股票的選擇），並將其與標準普爾500指數進行比較，標準普爾500指數由500家新公司組成。約克證券交易所（紐約證券交易所）。

我們正在尋找海外市場運動與美國股市之間的關係（標準普爾500指數）。如果我們發現這兩種工具的價格走勢與標準普爾500指數的走勢相同（或相反），我們說這兩者是相關的。作為培訓數據，我們使用2017年的數據。

使用機器學習，我們發現以下與標準普爾500指數密切相關：

最後，我們將模型的模擬結果與作為2018年的價格數據的測試數據進行比較。基於模擬價格與測試數據的比較，我們可以了解演算法的精確程度。

一旦我們對我們的演算法有合理的信心，我們就會將其用於交易。雖然實際的交易策略會很複雜，但對於這個例子，我們假設我們只是在預測價格會上漲的情況下買入，而在其他情況下賣出。

機器學習幫助人類自動完成任務，以便我們可以將更多時間用於策略的研究和開發。另一種方法是從經驗或研究中提出交易假設並對其進行測試的傳統方法。

在競爭激烈的交易世界中，這種傳統方法可能會給你一個微不足道的α（與整個市場的回報相比，戰略的超額回報）。機器學習使我們能夠在我們的交易和投資領域中發現潛在的新的和隱藏的alpha。