FX-AI
FINTECH RJEŠENJE ZA AUTOMATIZIRANO FOREX TRGOVANJE ZASNOVANO NA SAMOUČEĆIM PREDIKTIVNIM AI MODELIMA
Projekt je sufinancirala Europska unija iz Europskog fonda za regionalni razvoj usklopu Operativnog programa Konkurektnost i kohezija
Naziv projekta:
Opis projekta:
Ciljevi projekta:
Ukupna vrijednost:
Razdoblje provedbe:
Kontakt osoba:
Izrade modela strojnog učenja za predikciju uvjeta te određivanja strategije kod automatiziranog trgovanja na međunarodnim tržištima kapitala povećane volatilnosti.
Istraživanje i razvoj modela za FX-AI rješenje – faza 3
Usavršiti i doraditi postojeće modele primjenom inovativnih metoda i tehnologija strojnog učenja što će omogućiti lansiranje FINTECH softverskog rješenja „FX-AI“.
148.210,55 HRK - iznos EU financiranja: 75.000,00 HRK
21.10.2021. – 19.01.2022.
Ivan Nikolić, koordinator projekta
FX-AI je FINTECH softversko rješenje koje korisnicima povezanim s međunarodnim tržištima valuta omogućava tržišnu kompetitivnost zasnovanu na aplikaciji modela strojnog učenja za predikciju uvjeta trgovanja te implementaciji pametne strategije automatiziranog trgovanja. Ovaj proizvod temeljem tehnologija i metodologija umjetne inteligencije (AI) omogućava predviđanje trendova kretanja indeksa i cijena te optimizaciju i automatizaciju trgovanja na tržištima kapitala.
Zbog volatilnost kretanja indeksa cijena unutar vremenskih serija promatranih ciljanih tržišta kapitala za koje profiliramo naše „FX-AI“ rješenje, do sad razvijena 1. generacija modela strojnog učenja, unatoč aplikaciji velikog domenskog iskustva te provedenim analizama i inženjeringu značajki, ne mogu postići stabilnu razinu profitabilnosti. Uzrok tome je latencije pri učenju karakteristika promjena trendova kao i promjena trendova međuovisnosti različitih ekstrapoliranih značajki kao i pondera njihovog utjecaja na buduće promjene. Stoga je utvrđeno da je potrebno primijeniti modele dubokog pojačanog učenja na kojem se počelo eksperimentirati unatrag nekoliko godina. Provedbom projektnih aktivnosti želimo izraditi metodologiju izgradnje modela koji će biti znatno održiviji, fleksibilniji, a u aplikaciji robusniji i trajniji tj. više samoodrživi u produkcijskoj primjeni u usporedbi s postojećim rješenjima.
Ciljani kupci: financijske ustanove poput banaka, kapitalnih fondova i brokerskih kuća, uredi za savjetovanje pri trgovanju na tržištima kapitala te druge FINTECH tvrtke.
TEHNIČKE KARAKTERISTIKE
Momentum strategija
- Skupovi podataka uključuju 10 Gb po valutnom paru
- Implementacija Crossover strategije
- Kalibrirani utjecaj λ parametra na strukturu indikatora
- Kombiniranje indikatora promjene zamaha s pokazivačem smjera zamaha
- Grupiranje tržišnih razdoblja (pozitivni i negativni trendovi i ekstremni događaji)
- Implementacija pokretnog prosjeka optimalne negativne težine (ONWMA)
- Implementacija vijesti iz forexcalendar za razdoblje 2007-2021
Strategija trgovanja
- Upravljanje rizicima
- Upravljanje novcem
- Implementacija politika učenja imitacije (DAGGER algoritam)
Značajke
- Modeli se zasnivaju na izdvojenih 364 značajki koje tvore 11 tipova grupa:
- n-minutni povratak
- zbrojeni eksponencijalno raspadnuti prinosi
- Visoko − Nisko širenje
- Tehnički indikatori: RSI, CCI, ADX, CMO, MACD, STOCH, ULTOSC, ATR
- Značajke se izračunavaju i za sirove i za filtrirane cijene
Arhitektura FX-AI sustava za trgovanje
Aktivnosti istraživanja i razvoja 2. generacije rješenja za automatizirano trgovanje na valutnim tržištima započele su u ožujku 2020. godine.
Aktivnosti 3. faze istraživanja i razvoja – listopad 2021. – siječanj 2022.
Istraživanje FX-AI modela strojnog učenja za kontinuirano trgovanje
- Model je treniran nad podacima valutnih parova (pretvaranje podataka iz knjige naloga (engl. limit order book - LOB) u otvorene, visoke, niske i zaključne minutne cijene (engl. open-high-low-close minute price - OHLC), interpolacija nedostajućih vrijednosti, filtriranje nepredvidljivih trenutaka direktno vezanih uz Forex kalendar, tj. događaje najavljene i bitne za trgovanje valutnim parovima).
- Napravljeno je algoritmiranje označavanja valutnog tečaja.
- Odabrano je više od 360 značajki za model strojnog učenja.
- Odabran je adekvatni modela strojnog učenja za trgovanje valutnim parovima: nadzirano učenje, stabla odluke, slučajne šume, duboke neuronske mreže, podržano učenje.
Istraživanje strategije trgovanja utemeljene na FX-AI modelu
- Interpretacija izlaza modela strojnog učenja u kontekstu vjerojatnosti obavljanja akcija trgovanja (kupnje, prodaje), definiranje mogućih pozicija (kratke, duge, neutralne), utvrđivanje spremnosti na rizik (granica za zaustavljanje prevelikog gubitka (engl. stop-loss) i granica za preuzimanje profita (engl. take-profit) koje nas osiguravaju u visoko volatinim periodima trgovanja).
- Istraživanje različitih strategija upravljanja novcem (engl. money management), odnosno količine uloženog novca ovisno o izlazu modela strojnog učenja.
Razvoj produkcijskog modela za kontinuirano testiranje i samoučenje (engl. self-learning)
- Implementacija REST aplikacijskog programskog sučelja za FX-AI model
- Definiranje arhitekture i krajnjih točaka.
- Generiranje značajki iz unazadnog prozora tečaja valutnog para u stvarnom vremenu (engl. feature pipeline).
- Predviđanje vjerojatnosti buduće akcije u strategiji trgovanja (uvođenje prethodno treniranih modela i evaluacija u stvarnom vremenu).
- Test implementacija FX-AI modela i strategije trgovanja u stvarnom okruženju preko MetaTrader5 platforme.
Razvoj je trenutno u 4. fazi – demonstracije u ciljanom okruženju (TRL5).
- Introduction of calibrated models and real-time evaluation
Plan nastavka aktivnosti:
- 5. faza – testiranje u ciljanom okruženju (TRL6) – travanj-svibanj 2022.
- 6. faza – prva implementacija u produkciji (TRL7) – svibanj-lipanj 2022.
Komercijalizacija rješenja planirana je za 2. pol. 2022.
STATUS RAZVOJA
Vještine projektnog tima:
Stručno-tehnička znanja i iskustvo pri razvoju dubokih neuralnih mreža, uspostavi sustava koji sami uče, baratanjem više-dimenzionalnim financijskim vremenskim serijama, kvantitativnim metodama, inženjeringu značajki korištenjem tehničkih indikatora, statističkoj arbitraži, razvojem značajki trendova te u analizi podataka iz domena ekonomije i financija.
Partneri:
Za razvoj projekta tvrtka je aplicirala vještine trgovaca na tržištima kapitala s iskustvom više od 10 god udruženih s ekspertizom razvojnih timova koji se više od 10 godina bave izradom rješenja strojnog učenja za potrebe klijenata iz financijskog sektora (banke, brokerske kuće i sl.). te Za razvoj i treniranje pojačanih modela dubokog strojnog učenja (eng. Deep Reinforcement Learning) na podatkovnim setovima većim od 1TB tvrtka je osigurala pristup resursima super računala.
- IDEUS d.o.o. Slovenija – klijent "early-adopter"
- Fakultet elektrotehnike i računarstva (FER), Sveučilište u Zagrebu – istraživanje i razvoj modela