Sistema de trading algorítmico utilizando un modelo de machine learning generado por auto machine learning como regla de filtro

Abstract

En el presente trabajo se mejora el rendimiento de un sistema o estrategia de trading algorítmico, basado en indicadores técnicos, mediante la incorporación de un modelo de clasificación que permite discriminar operaciones potenciales de la estrategia entre ganadoras y perdedoras. Las características utilizadas como entrada del modelo de machine learning son generadas a partir de indicadores técnicos en el instante que se abre una operación, obtenidas mediante una simulación de mercado con datos de en formato Open, High, Low, Close en la divisa del eurodólar.

Para el proceso de búsqueda del modelo clasificación adecuado, se plantean dos mecanismos basados en automachine learning y algoritmos evolutivos, utilizando la librería Evaluation of a Tree-Based Pipeline Optimization Tool for Automating Data Science (TPOT) y una propuesta basada en el Elitist Non-dominated Sorting Genetic Algorithm (NSGA-II) y TPOT, donde se orienta la búsqueda multiobjetivo con la métrica del accuracy y el System Quality Number (SQN) una métrica para evaluar sistemas de trading.

En los experimentos realizados, los modelos de clasificación elegidos por NSGA-II mejoraron significativamente el rendimiento de la estrategia de trading, con un 32.5% de los modelos fuera de muestra que mostraron rendimientos positivos y un comportamiento similar dentro y fuera de muestra. Mientras que con TPOT, los clasificadores encontrados tendieron a tener buen rendimiento dentro de muestra, pero no consistente fuera de muestra. La estrategia final elegida por NSGA-II tuvo un 60-61% de operaciones rentables tanto dentro como fuera de muestra, mientras TPOT tuvo un 98% y un 62% respectivamente. (Texto tomado de la fuente)

This paper improves the performance of an algorithmic trading system or strategy, based on technical indicators, by incorporating a classification model that allows discriminating potential trades of the strategy between winners and losers. The characteristics used as input of the machine learning model are generated from technical indicators at the moment a trade is opened, obtained through a market simulation with data in Open, High, Low, Close format in the Eurodollar currency.

For the search process of the appropriate classification model, two mechanisms based on automachine learning and evolutionary algorithms are proposed, using the Evaluation of a Tree-Based Pipeline Optimization Tool for Automating Data Science (TPOT) library and a proposal based on the Elitist Non-dominated Sorting Genetic Algorithm (NSGA-II) and TPOT, where the multi-objective search is oriented with the accuracy metric and the System Quality Number (SQN), a metric to evaluate trading systems.

In the experiments conducted, the classification models chosen by NSGA-II significantly improved the performance of the trading strategy, with 32.5% of the out-of-sample models showing positive returns and similar in-sample and out-of-sample behavior. Whereas with TPOT, the classifiers found tended to perform well in-sample, but not consistently out-of-sample. The final strategy chosen by NSGA-II had 60-61% profitable trades both in-sample and out-of-sample, while TPOT had 98% and 62% respectively.