Testige kauplemisstrateegiaid Amazon Kinesise andmevoogude pikaajalise säilitamise ja Amazon SageMakeriga

Taasavaldanud Platon

järgijaid: 0

Reaalajas ülevaade on kauplemisstrateegiate koostamisel kriitilise tähtsusega. Mis tahes viivitus andmete ülevaates võib kauplejatele maksta palju raha. Sageli peate tulevase kauplemismustri ennustamiseks ja õige pakkumise tegemiseks vaatama ajaloolisi turusuundumusi. Mida rohkem ajaloolisi andmeid analüüsite, seda paremad kauplemisennustused saate. Voogesituse andmete tagasi jälgimine võib olla keeruline, kuna see nõuab keerukaid salvestus- ja analüüsimehhanisme.

Amazon Kinesise andmevood võimaldab meie kliendil salvestada voogesituse andmeid kuni ühe aasta. Amazon Kinesise andmevoogude pikaajaline säilitamine Andmete voogedastus (LTR) võimaldab kasutada sama platvormi nii reaalajas kui ka vanemates Amazon Kinesis Data Streamsis säilitatavate andmete jaoks. Näiteks saab õpetada masinõppe algoritme finantskauplemise, turunduse isikupärastamise ja soovitusmudelite jaoks ilma andmeid teise andmesalve teisaldamata või uut rakendust kirjutamata. Kliendid saavad pikaajalist säilitamist kasutades järgida ka teatud andmete säilitamise eeskirju, sealhulgas HIPAA ja FedRAMP alusel. See lihtsustab seega andmete sisestamise arhitektuuri meie kauplemisjuhtumi jaoks, mida me selles postituses arutame.

Postituses Algoritmiliste kauplemisstrateegiate loomine Amazon SageMakeriga, näitasime, kuidas kauplemisstrateegiaid testida Amazon SageMaker kus on salvestatud ajaloolised aktsiahinna andmed Amazoni lihtne salvestusteenus (Amazon S3). Selles postituses laiendame seda andmete voogesituse lahendust ja kirjeldame, kuidas seda kasutada Amazon kinesis.

Lisaks tahame kasutada Amazon SageMakeri automaatne häälestus et leida optimaalne konfiguratsioon liikuva keskmise crossover strateegia jaoks. Selles strateegias arvutatakse kaks libisevat keskmist aeglase ja kiire perioodi kohta ning tehing sooritatakse siis, kui toimub üleminek. Kui kiiresti liikuv keskmine ületab aeglase keskmise, teeb strateegia pika tehingu, vastasel juhul läheb strateegia lühikeseks. Leiame nende liikuvate keskmiste jaoks optimaalse perioodi pikkuse, käivitades ajaloolise andmestiku kohta mitu erineva pikkusega tagasitesti.

Lõpuks käivitame selle libiseva keskmise ristumisstrateegia jaoks optimaalse konfiguratsiooni erineva testiandmestiku kaudu ja analüüsime toimivustulemusi. Kui kasumis ja kahjumis (P&L) mõõdetud tootlus on testperioodi jooksul positiivne, võime seda kauplemisstrateegiat kaaluda forvardtestiks.

Et näidata teile, kui lihtne ja kiire on AWS-iga alustamine, pakume ühe klõpsuga juurutamist laiendatavale kauplemise järeltestimise lahendusele, mis kasutab andmete voogesitamiseks Kinesise pikaajalist säilitamist.

Lahenduse ülevaade

Kasutame Kinesise andmevooge nii reaalajas voogesituse kui ka ajalooliste turuandmete salvestamiseks. Kasutame Jupyteri sülearvuteid oma keskse liidesena uute kauplemisstrateegiate uurimiseks ja järeltestimiseks. SageMaker võimaldab teil seadistada Jupyteri märkmikke ja neid nendega integreerida AWS CodeCommit strateegiate erinevate versioonide salvestamiseks ja teiste meeskonnaliikmetega jagamiseks.

Kasutame Amazon S3 mudelite artefaktide ja järeltestimise tulemuste salvestamiseks.

Oma kauplemisstrateegiate jaoks loome Dockeri konteinerid, mis sisaldavad järeltestimiseks vajalikke teeke ja strateegiat ennast. Need konteinerid järgivad SageMaker Dockeri konteineri struktuuri, et neid SageMakeris käitada. Lisateavet SageMakeri konteinerite struktuuri kohta vt SageMakeri koolituse ja järelduste tööriistakomplektide kasutamine.

Järgmine diagramm illustreerib seda arhitektuuri.

Käivitame andmete ettevalmistamise etapi SageMakeri sülearvutist. See kopeerib ajaloolised turuandmed S3 ämbrisse.

Me kasutame AWS-i andmete migratsiooniteenus (AWS DMS), et laadida turuandmed andmevoogu. The

SageMakeri sülearvuti ühendub Kinesise andmevoogudega ja käitab kauplemisstrateegia algoritmi SageMakeri koolitustöö kaudu. Algoritm kasutab osa andmetest koolituseks, et leida optimaalne strateegia konfiguratsioon.

Lõpuks käivitame kauplemisstrateegia, kasutades eelnevalt kindlaksmääratud konfiguratsiooni testandmestikul.

Eeldused

Enne alustamist seadistame oma ressursid. Selles postituses kasutame us-east-2 Piirkond näiteks.

Juurutage AWS-i ressursse, kasutades pakutavat AWS CloudFormation mall.
eest Virna nimi, sisestage oma virna nimi.
Ajalooliste turuandmete salvestamiseks sisestage olemasolev S3 ämbri nimi.

Andmed laaditakse sellest S3 ämbrist Kinesise andmevoogudesse. Teie ämber peab asuma samas piirkonnas, kus teie virn on üles seatud.

Nõustuge kõigi vaikeseadetega ja valige järgmine.
Võtke teadmiseks, et AWS CloudFormation võib luua AWS-i identiteedi- ja juurdepääsuhaldus (IAM) kohandatud nimedega ressursid.
Vali Loo virn.

See loob kõik vajalikud ressursid.

Andmete laadimine Kinesise andmevoogudesse

Andmete laadimiseks toimige järgmiselt.

SageMakeri konsoolil, all märkmik valige navigeerimispaanil Märkmiku eksemplarid.
Otsige üles märkmiku eksemplar AlgorithmicTradingInstance-*.
Vali Avage Jupyter selle juhtumi jaoks.
Mine algorithmic-trading->4_Kinesis kausta ja valige Strategy_Kinesis_EMA_HPO.pynb.

Nüüd käivitate sülearvutis andmete ettevalmistamise etapi.

Laadige andmestik.

Määrake olemasolev salm, kuhu testiandmed salvestatakse. Veenduge, et testkast oleks samas piirkonnas, kus te virna üles seadsite.

Käivitage kõik märkmiku sammud kuni 2. etapp Andmete ettevalmistamine.
Valige AWS DMS-i konsoolil Andmebaasi migratsiooni ülesanded.
Valige AWS DMS-i ülesanne dmsreplicationtask-*.
Kohta Meetmete menüüst valige Taaskäivita/Jätka.

See alustab andmete laadimist S3 ämbrist andmevoogu.

Oodake, kuni replikatsiooniülesanne näitab olekut Load complete.

Jätkake Jupyteri märkmiku samme.

Lugege andmeid Kinesise pikaajalisest säilitamisest

Loeme igapäevaseid avatud, kõrge, madala, sulgemishinna ja mahu andmeid voo pikaajalisest säilitamisest AWS SDK Pythoni jaoks (Boto3).

Kuigi me ei kasuta täiustatud ventilaator (EFO) selles postituses võib olla soovitatav seda teha olemasolev rakendus, mis juba loeb voost. Nii ei sega see järeltestimise rakendus olemasolevat rakendust.

Saate oma andmeid visualiseerida, nagu on näidatud järgmisel ekraanipildil.

Määratlege oma kauplemisstrateegia

Selles etapis määratleme oma libiseva keskmise crossover-kauplemisstrateegia.

Dockeri kujutise loomine

Loome oma järeltestimise töö Dockeri kujutisena ja lükkame selle edasi Amazon ECR.

Hüperparameetrite optimeerimine treeningandmetel SageMakeriga

Liikuva keskmise ristkauplemisstrateegia jaoks soovime leida selle strateegia optimaalse kiire ja aeglase perioodi ning pakume otsimiseks päevade vahemikku.

Optimeeritud hüperparameetrite leidmiseks kasutame mõõdikuna strateegia kasumit ja kahjumit (P&L).

Näete häälestustöö soovitatud väärtust 7 ja 21 päeva kiireks ja aeglaseks perioodiks selle kauplemisstrateegia jaoks, arvestades koolitusandmestikku.

Käivitage strateegia testandmete optimaalsete hüperparameetritega

Nüüd käitame seda strateegiat katseandmete optimaalsete hüperparameetritega.

Kui töö on lõpetatud, salvestatakse jõudlustulemused Amazon S3-sse ja saate diagrammil vaadata läbi jõudlusmõõdikud ning analüüsida oma strateegia ostu- ja müügitellimusi.

Järeldus

Selles postituses kirjeldasime, kuidas kasutada Kinesis Data Streamsi pikaajalise säilitamise funktsiooni aktsiahindade ajalooliste andmete salvestamiseks ja kuidas kasutada voogesituse andmeid kauplemisstrateegia järeltestimiseks SageMakeriga.

Voogedastusandmete pikaajaline säilitamine võimaldab teil kasutada sama platvormi nii reaalajas kui ka vanemates Kinesise andmevoogudes säilitatavate andmete jaoks. See võimaldab teil seda andmevoogu kasutada finantskasutuseks, näiteks järeltestimiseks või masinõppeks, ilma andmeid teise andmesalve teisaldamata või uut rakendust kirjutamata. Pikaajalise säilitamise abil saate täita ka teatud andmete säilitamise eeskirju, sealhulgas HIPAA ja FedRAMP-i alusel. Lisateabe saamiseks vt Amazon Kinesis Data Streams võimaldab andmevoogu säilitada kuni ühe aasta.

Riskist loobumine

See postitus on mõeldud ainult hariduslikel eesmärkidel ja varasemad kauplemistulemused ei garanteeri tulevast tulemuslikkust.

Autoritest

Sachin Thakkar on Amazon Web Services'i vanemlahenduste arhitekt, töötades koos juhtiva globaalse süsteemiintegraatoriga (GSI). Ta toob endaga kaasa üle 22-aastase kogemuse IT-arhitekti ja suurte asutuste tehnoloogiakonsultandina. Tema fookus on andmetel ja analüüsil. Sachin pakub arhitektuurilisi juhiseid ja toetab GSI partnerit strateegiliste tööstuslahenduste loomisel AWS-is

Amogh Gaikwad on lahenduste arendaja prototüüpimise meeskonnas. Ta on spetsialiseerunud masinõppele ja analüütikale ning tal on laialdased kogemused ML-mudelite arendamisel reaalkeskkonnas ning AI/ML-i ja muude AWS-teenuste integreerimisel suuremahulistesse tootmisrakendustesse. Enne Amazoniga liitumist töötas ta tarkvaraarendajana, arendades ettevõtterakendusi, keskendudes ettevõtte ressursside planeerimisele (ERP) ja tarneahela juhtimisele (SCM). Amogh on saanud arvutiteaduse magistrikraadi, mis on spetsialiseerunud suurandmete analüüsile ja masinõppele.

Dhiraj Thakur on Amazon Web Servicesi lahenduste arhitekt. Ta teeb koostööd AWS-i klientide ja partneritega, et anda juhiseid ettevõtte pilve kasutuselevõtu, migratsiooni ja strateegia kohta. Ta on kirglik tehnoloogia vastu ning talle meeldib Analyticsi ja AI/ML-ruumis ehitada ja katsetada.

Oliver Steffmann on New Yorgis asuva AWS-i Enterprise Solutions'i arhitekt. Tal on üle 18-aastane kogemus IT-arhitekti, tarkvaraarenduse juhi ja rahvusvaheliste finantsasutuste juhtimiskonsultandina. Konsultandina töötades kasutas ta oma laialdasi teadmisi suurandmete, masinõppe ja pilvetehnoloogiate kohta, et aidata oma klientidel oma digitaalset ümberkujundamist alustada. Enne seda oli ta New Yorgi esimese astme investeerimispanga munitsipaalkauplemistehnoloogia juht ja alustas karjääri Saksamaal oma idufirmas.