Une IA pour predicting the evolution of the marchés financiers? Le trading prédictif fait un bond de géant

Des chercheurs de l’Université d’Oxford ont mis au point in partnership with Man Group PLC a program d’apprentissage automatique capable of predicting the cours des actions. Les chercheurs affichent a taux de réussite of 80% on a period of 30 seconds of trading en direct.

Prediction of the evolution of the prix des actions is the rêve de tout fonds of investment and trader. À ce jour, les predictions les plus performantes portent sur une évolution à 1 ou 2 millisecondes – ce qui est peu. Les travaux des chercheurs de l’Oxford-Man Institute of Quantitative Finance pourraient changer women. En utilisant des approches fondées sur le traitement du langage naturel et des processeurs IPU (Intelligence Processing Unit) de Graphcore, l’équipe de chercheurs à largement réduit le temps d’entraînement des modèles de prévisions multihorizon pour prédire l’évolution des marchés.

Les carnets d’ordre: source de données

Pour entraîner leur modèle, les chercheurs puisent dans le carnet d’ordre à cours limité qui recense tous les ordres d’achat à un instant T, soit plusieurs millions d’ordres behavant chacun des informations sur le prix d’achat et de vente ainsi qu’un marqueur temporel (timestamp) pour l’exécution. En passant au tamis algorithmique there is a carnet de liquidité, the est alors possible de déterminer a trajectoire pour des mouvements du marché dans un sens ou dans l’autre et surtout the moment décisif pour réaliser une opération.

Passer d’un seul horizon à un horizon multiple

Pour gagner en précision, l’équipe d’Oxford a mis en œuvre une analyze multihorizon, là où ce type d’analyse par the AI ​​to jusqu’alors recouru à une preview mono horizon pour corréler les prix des ordres et les prix du marché dans une fenêtre temporelle définie et surtout unique. Indeed, the apprentissage supervisé monohorizon est limité par la multitude de facteurs à take en compte et le rapport signal / bruit pour obtenir une provision fiable. It is the inverse, the prévision multihorizon étudie les mouvements de prix sur une series of intervalles, les résultats de chaque horizon informant le suivant. En agrégeant ces fenêtres, les predictions portent ainsi sur un temps plus long.

IA Trading Graphcore Prévision multihorizon
Prévision multihorizon

Le NLP au secours du multihorizon

Pour développer cette approche multihorizon, l’équipe de chercheurs s’est inspirée du traitement en langage naturel en ayant recours aux modèles Seq2seq et Attention fondés sur des couches neuronales récurrentes complexes comprenant un encodeur et un décodeur. L’encodeur Seq2Seq résume les informations des séries temporelles passées et le décodeur combine les états cachés avec les entrées futures connues pour générer des predictions. The modèle Attention permet pour sa part de remédier aux limitations des modèles Seq2Seq adaptés au traitement de séquences courtes.

Pourquoi ce modèle NLP? Selon l’équipe, the recurring structure of the combination Seq2Seq / Attention permet de s’aligner parfaitement avec la nature des séries temporelles dans la predicion multihorizon. An ideal alignment for synthesizing information on the pass and the projeter at one date last.

Stefan Zohren, chercheur à l’Oxford-Man Institute (OMI), et récemment fait sociétaire du Alan Turing Institute souligne que ce modèle peut être comparé à un program qui traduit une phrase de l’anglais au français en construisant des inférences de manière incrémentielle .

Pour effectuer les calculs, les chercheurs de l’OMI, Zihao Zhang et Stefan Zohren, ont exploité l’architecture de l’IPU, beaucoup plus proche des couches neuronales récurrentes utilisées dans les prévisions multihorizons, évitant ainsi les goulets d’étranglement généralement constatés sur ce type de calcul par les CPU et GPU classiques saturés par le rythme des échanges de données.

“Nous avons effectué des tests comparatifs avec a large éventail de pointe intéressants et nous avons constaté que les IPU sont au moins plusieurs fois plus rapides que les GPU courants. Pour donner un chiffre, je pense que c’est au moins 10 fois plus rapide ”, to déclaré le Dr Zhang.

IA trading Graphcore Mécanisme d'attention
Mécanisme d’attention

A gain de plus de 30 secondes sur les predictions

De fait, les données LOB ont été utilisées pour entraîner un certain nombre de modèles sur l’IPU, dont un – DeepLOB – développé par la même équipe de l’OMI (Zhang et al, 2019). En termes de prévision multihorizon, les chercheurs ont testé deux variantes de DeepLOB, nommées DeepLOB-Seq2Seq, et DeepLOB-Attention, qui utilisent respectivement des modèles Seq2Seq et Attention comme décodeurs.

Ces nouveaux modèles ont fourni une précision de prediction supérieure à la fois à des horizons plus courts, tels que K = 10, et, surtout, à des horizons plus longs, tels que K = 50 et K = 100. Dans ce cas, K représente le “tick time”, l’heure à laquelle les messages sont reçus à la bourse. Il s’agit d’un temps naturel qui tique plus rapidement pour les actions plus liquides et plus lentement pour les actions moins liquides. En particulier, les modèles multihorizons DeepLOB-Seq2Seq et DeepLOB-Attention ont attitudes plus hauts niveaux d’exactitude et de précision lorsqu’ils ont été utilisés pour faire des predictions à des horizons plus larges.

Pour le dire autrement, the algorithm to réussi à déterminer la direction de prix sur une période de 100 ticks, soit environ une prediction pouvant aller de 30 secondes à 2 minutes selon les conditions du marché! Au regard de ces premiers résultats, the Dr Zohren is very optimistic for the suite:

“The algorithmes d’apprentissage par renforcement constituent an excellent cadre pour appliquer ces prévisions multihorizons dans un contexte d’exécution optimale ou de tenue de marché. Étant donné la complexité de calcul de ces algorithmes, les gains de vitesse obtenus avec les IPU pourraient même être plus importants dans cette configuration “.

Vous pouvez lire leur article de recherche actuel publié sur ArXiv et voir leur code sur Github.

Leave a Reply

Your email address will not be published.