I nostri algoritmi - FERT experienced solutions

Vai ai contenuti

I nostri algoritmi

Idee

È intuitivo dire che sia logico che le fluttuazioni del mercato non siano guidate dalle serie temporali, ma piuttosto da altre variabili, come i fondamentali, i mercati mondiali ed il sentiment di persone, operatori, banchieri, politica e così via.
La prima domanda che abbiamo affrontato è come possiamo mettere tutti questi potenziali input in un algoritmo che li possa usare per prevedere i movimenti futuri? In matematica come in statistica, è chiaro a tutti che non possiamo aggiungere pere alle mele! Come unire dati da Twitter, con serie temporali? Come confrontare sentiment e indici di mercato?
Prima dell'introduzione dell'AI ai calcoli finanziari ciò era possibile solo creando più indici e vedendo le loro correlazioni interne ed esterne, ma di solito c'è una scarsa correlazione matematica tra loro. Ma il nostro buon senso dice no, non è vero. Ci deve essere qualche correlazione!
La risposta che vogliamo fornire è guidata dagli algoritmi di Machine Learning e AI. Questi sono più di algoritmi matematici, sono qualcosa che può iniziare ad apprendere (creare pesi per variabili) e imparare di più, giorno dopo giorno (ripetere calcoli n volte e ridurre progressivamente gli errori), tale comportamento simula in modo equo quello del nostro cervello.
Il nostro cervello sa che deve esserci qualche correla tra quelle entità, e l'intelligenza artificiale fa lo stesso. La differenza è che non possiamo mettere su un algoritmo i pesi creati dal nostro cervello (la nostra sinapsi), ma possiamo farlo con quelli creati dai nostri computer.
Questo è il punto di partenza.


Gli algoritmi di AI fanno uso di modelli cognitivi.

I dati di training possono essere dei tipi più variabili, ad es. dati storici di fluttuazioni delle azioni, indici di mercato, dati fondamentali, dati sentimentali, ecc. che possono essere trovati e recuperati dai caratteri più rilevanti e affidabili. Una volta raccolti i dati, questi devono essere organizzati in vettori di caratteristiche, o meglio in tensori di caratteristiche, il che significa che sono normalmente matrici a dimensione n.
L'apprendimento viene quindi eseguito eseguendo la o le reti neurali per un determinato numero di epoche sul dataset di addestramento o per un numero indeterminato di epoche, ad esempio in modo continuo una volta che il modello ha raggiunto il livello desiderato di accuratezza.


Una volta che il modello è ben addestrato (questo significa che la curva di errore è minimizzata), ad es. sui dati storici, è possibile eseguire previsioni. A questo punto i calcoli sono molto più rapidi in quanto l'output della fase di apprendimento è un modello che potrebbe essere in qualche modo ridotto a una formula matematica con dipendenze e moltiplicazioni ponderate, dove i pesi sono dati dalla fase di addestramento (ciò che prima avevamo confrontato con la nostra sinapsi).



L'output finale è dato dalla predizione, che potrebbe essere uno o più giorni di scenario, in base a come è stato eseguito l'allenamento e alle funzionalità create.


I nostri sistemi.


L'architettura è basata su reti neurali artificiali di diversa conformazione, struttura e setup, con ricalcolo dei dati ogni giorno e più volte al giorno.
I nostri dati sono costantemente recuperati da varie fonti sul web e memorizzati su database non relazionali ad alto potenziale. Tutti i nostri algoritmi sono basati su linguaggi open source, principalmente python e librerie come Tensorflow, Pandas e NumPy.
Un server è dedicato alla raccolta e all'organizzazione dei dati, un altro è dedicato alla formazione delle reti, che viene ripetuto su base settimanale e giornaliera, in base al tipo di nework, al suo obiettivo e ai programmi settimanali. Tutto il sistema è ridondato su un'architettura di mirroring di backup. Le due architetture vengono mantenute separate per evitare problemi di sicurezza dell'intero sistema.

La nostra intenzione è immediatamente quella di fornire un servizio molto resiliente e strutturato e nei tempi di migliorare costantemente gli algoritmi e introdurre almeno due nuove reti ogni semestre, al fine di garantire un costante miglioramento delle prestazioni.
FERT experienced solutions is a registered trade mark. All rights reserved.
Contacts: fert.experienced.solutions@fertes.eu
Torna ai contenuti