Detecting Regime Change in Computational Finance: Data Science, Machine Learning and Algorithmic Trading

بر اساس تحقیقات بین رشته ای در "تغییر جهت"، یک رویکرد داده محور جدید برای تجزیه و تحلیل داده های مالی، تشخیص تغییر رژیم در امور مالی محاسباتی: علم داده، یادگیری ماشین و تجارت الگوریتمی از یادگیری ماشینی برای نظارت بر بازار مالی و معاملات الگوریتمی استفاده می کند. تغییر جهت یک روش جدید برای خلاصه کردن تغییرات قیمت در بازار است. به جای نمونه‌برداری از قیمت‌ها در فواصل زمانی ثابت (مانند بسته شدن روزانه در سری‌های زمانی)، زمانی که بازار تغییر جهت می‌دهد (\"زیگزاگ\") از قیمت‌ها نمونه‌برداری می‌کند. با نمونه‌برداری از داده‌ها به روشی متفاوت، این کتاب مفاهیمی را ارائه می‌کند که استخراج اطلاعاتی را امکان‌پذیر می‌سازد که سایر فعالان بازار ممکن است قادر به دیدن آن نباشند. این کتاب شامل پیش‌گفتاری از ریچارد اولسن است و موضوعات زیر را بررسی می‌کند:

• علم داده: به عنوان جایگزینی برای سری‌های زمانی، حرکت قیمت در بازار را می‌توان به صورت خلاصه کرد. تغییرات جهت دار
• یادگیری ماشین برای تشخیص تغییر رژیم: تغییرات رژیم تاریخی در بازار را می توان با مدل پنهان مارکوف کشف کرد
• توصیف رژیم: رژیم‌های عادی و غیرعادی در داده‌های تاریخی را می‌توان با استفاده از شاخص‌های تعریف‌شده تحت تغییر جهت مشخص کرد
• نظارت بازار: با استفاده از ویژگی‌های تاریخی رژیم‌های عادی و غیرعادی، می‌توان نظارت کرد. بازار برای تشخیص اینکه آیا رژیم بازار تغییر کرده است یا نه
• تجارت الگوریتمی: اطلاعات ردیابی رژیم می تواند به ما در طراحی الگوریتم های معاملاتی کمک کند

برای محققان در امور مالی محاسباتی، یادگیری ماشین و علم داده بسیار مورد توجه قرار گیرد.

درباره نویسندگان

Jun Chen دکترای خود را در رشته مالی محاسباتی از مرکز مالی محاسباتی و عوامل اقتصادی دریافت کرد. ، دانشگاه اسکس در سال 2019.

ادوارد پی کی تسانگ، استاد بازنشسته در دانشگاه اسکس است، جایی که او مرکز مالی محاسباتی و عوامل اقتصادی را در سال 2002 تأسیس کرد.

Based on interdisciplinary research into "Directional Change", a new data-driven approach to financial data analysis, Detecting Regime Change in Computational Finance: Data Science, Machine Learning and Algorithmic Trading applies machine learning to financial market monitoring and algorithmic trading. Directional Change is a new way of summarising price changes in the market. Instead of sampling prices at fixed intervals (such as daily closing in time series), it samples prices when the market changes direction ("zigzags"). By sampling data in a different way, this book lays out concepts which enable the extraction of information that other market participants may not be able to see. The book includes a Foreword by Richard Olsen and explores the following topics:

• Data science: as an alternative to time series, price movements in a market can be summarised as directional changes
• Machine learning for regime change detection: historical regime changes in a market can be discovered by a Hidden Markov Model
• Regime characterisation: normal and abnormal regimes in historical data can be characterised using indicators defined under Directional Change
• Market Monitoring: by using historical characteristics of normal and abnormal regimes, one can monitor the market to detect whether the market regime has changed
• Algorithmic trading: regime tracking information can help us to design trading algorithms

It will be of great interest to researchers in computational finance, machine learning and data science.

About the Authors

Jun Chen received his PhD in computational finance from the Centre for Computational Finance and Economic Agents, University of Essex in 2019.

Edward P K Tsang is an Emeritus Professor at the University of Essex, where he co-founded the Centre for Computational Finance and Economic Agents in 2002.