• Bot
  • Estrutura do projeto
  • Estimativa do modelo
  • Treino da rede

Bot

Estrutura do projeto

Estrutura do núcleo do sistema

Seja $\mathcal{N}_\Omega = \{\text{node}_1, \cdots \text{node}_{|\mathcal N|}\}$ conjunto de todos os nós (unidades de processamento) recolhendo informação do mercado, estimando então um conjunto de modelos $\mathfrak M=\mathfrak M_1, \cdots, \mathfrak M_n$ e agindo usando um conjunto de estratégias $\mathfrak S=\mathfrak S_1, \cdots, \mathfrak S_m$ de forma independente.

Nó é uma unidade que opera usando uma conta de exchange e alguns ativos atrelados ao mesmo, podendo gerenciar apenas uma posição.

Para cada nó arbitrariamente configurado temos

Estimativa do modelo

Essa parte é dedicada à construção de um modelo abstrato com fundamentos econômicos.
Seja a dupla bid-ask no tempo denotada por $\mathcal{\Big(B,A\Big)}_t = \Big( ([w'_1,b_1],\cdots,[w'_n,b_n]) , ([w''_1,a_1],\cdots,[w''_n,a_n]) \Big)_t$ o livro de ofertas em uma escala abitrária( 5%, 7%…etc) ; elementos do book são preço e volume.

O objetivo final quando construir a rede neural é criar um modelo
$\mathfrak M : X \rightarrow Y$
Ou equivalentemente
$\mathfrak M : S_t \rightarrow S_{t+h}$
Ou equivalentemente neste caso particular:
$\mathfrak M : \Theta\Big( \mathcal{B_t,A_t} \Big) \rightarrow \text{GBM} \Big(\mu , \sigma\Big )_{t+h}$
onde $\Theta(\mathcal U)$ é conjunto das estatísiticas arbitrárias para um conjunto $\mathcal U$ qualquer e $h$ é o tamanho do intervalo que estamos tentando prever.

Gerando assim informações que serão salvas em disco para melhorar a performance do treino.

Treino da rede

Seja $\mathfrak{M} : X \rightarrow Y$ uma rede neural com entrada de dimensão $d$ e saída com dimensão igual à 2, arquitetura de acordo com um grafo fixo $G$ , definamos explicitamente o modelo:

$\mathfrak M_G : \dim^{-K}\Big[X \subset \mathbb R^d\Big]_t \rightarrow \text{GBM} \Big[\mu , \sigma\Big ]_{t+h} \subset \mathbb{R}^2$

• $\dim^{-K}$ denota o operador de redução de dimensão para uma nova dimensão de tamanho $K$ com intuito de minimizar a complexidade do treino durante os ajustes de pesos da rede . Os principais métodos populares de redução de dimensão são PCA e o t-SNE.
• $\text{GBM} \Big[\mu , \sigma\Big ]_{t+h}$ é o espaço dos parametros estimados para simular um Geometric Brownian Motion com drift $\mu$ e volatilidade $\sigma$ para um tempo futuro $t+h$

Script de treino

Na prática é basicamente: