نحوه انجام تجزیه و تحلیل عمل قیمت با Amazon Finspace

تجزیه و تحلیل اقدامات قیمت یک روش تجارت است که صرفاً بر حرکات قیمت اخیر اوراق بهادار متمرکز است. این امر به معامله گران این امکان را می دهد تا ساختار فعلی بازار را در الگوهای درک و ضبط کنند ، و بیشتر به عنوان سیگنال های معاملاتی خدمت می کنند. اقدام قیمت خواندن به صورت شهودی یک روش مؤثر برای به حداکثر رساندن سود معاملات برای بازرگانان خرده فروشی ، معامله گران نهادی و مدیران صندوق های پرچین است.

اگرچه معامله گران عمل قیمت "آن را احمق ساده نگه می دارند" ، شناسایی الگوهای عمل "واقعی" ساده نیست. دلیل اصلی این است که تجزیه و تحلیل عملکرد قیمت در اصل یک تمرین خواندن نمودار است. شناسایی الگوهای قیمت در نمودارها ذهنی و دستی است و این باعث می شود تجزیه و تحلیل اثربخشی و خودکار سازی تجارت به چالش کشیده شود. تا حدودی به همین دلیل ، تحقیقات در مورد الگوهای اقدام قیمت محبوب از طریق شواهد قابل اثبات فقط بر اساس داده های با فرکانس پایین استوار است. به عنوان مثال ، مطالعه ای که توسط دفتر ملی تحقیقات اقتصادی منتشر شده است [2] نشان می دهد که الگوهای اقدام قیمت ممکن است برای یک پنجره نورد 38 تا 63 روز کار کند. چنین پنجره ای طولانی فرصت های معاملاتی را که در آن داده های فرکانس بالاتر در دسترس است ، به طرز چشمگیری محدود می کند.

آمازون Finspace با تسکین معامله گران مدیریت داده های سنگین و توانمندسازی آنها با بلوک های ساختاری غنی تحلیلی برای پردازش داده ها و منابع محاسباتی مقیاس پذیر برای مدل سازی یا شبیه سازی پیشرفته ، این کار را بسیار ساده تر می کند.

الگوی سر و شانه ها

در این پست از الگوی معروف سر و شانه ها (HS) برای نشان دادن چگونگی استفاده از Finspace برای انجام تجزیه و تحلیل عملکرد قیمت استفاده می شود. معامله گران به طور گسترده ای از HS به عنوان یکی از قابل اطمینان ترین الگوهای اقدام قیمت برای پیش بینی معکوس روند صعودی به خریداران پیروی می کنند. الگوریتم های مختلفی برای شناسایی الگوهای HS وجود دارد. ما یک الگوریتم [1] را انتخاب می کنیم که با هموار کردن حرکات قیمت و پیدا کردن حداکثر و حداکثر محلی ، الگوهای HS را در یک پنجره زمانی مشخص مشخص می کند. الگوهای HS حاصل می تواند در هر فرکانس پشتیبانی شده توسط مجموعه داده های اساسی ایجاد شود و برای معامله گران برای تأیید اعتبار آنها تجسم شود. این چارچوب عمومی است ، و کاربران Finspace می توانند با انتخاب الگوریتم های شناسایی خود ، سایر الگوهای عمل قیمت را ارزیابی کنند.

می توانید تعاریف الگوی HS دقیق و استراتژی های تجاری مرتبط را در بسیاری از وب سایت ها و کتاب ها پیدا کنید. در زیر نمودار نمونه HS در Investopedia. com [4] است.

جریان کار

در زیر گردش کار اجرا شده در این پست است:

1. بارگیری داده ها: برای پردازش و تجزیه و تحلیل بیشتر ، داده های قیمت امنیتی خام را در Finspace بارگیری کنید
2. فرکانس داده را انتخاب کنید: فرکانس معاملات مورد نظر را انتخاب کنید
3. داده ها را تهیه کنید: داده ها را برای الگوریتم/مدل شناسایی الگوی آماده کنید
4. الگوهای عملکرد قیمت را مشخص کنید: الگوریتم/مدل را برای شناسایی الگوهای عملکرد قیمت اجرا کنید
5. تجسم الگوها: برای تأیید الگوی را در نمودار قیمت ترسیم کنید

بررسی اجمالی

در زیر معماری سطح بالا چارچوب تحلیل عمل قیمت است. ما از یک نوت بوک Jupyter و خوشه Managed Spark تهیه شده توسط Finspace برای اجرای الگوریتم شناسایی HS و انجام تجزیه و تحلیل استفاده می کنیم.

1. داده های بارگیری: ما داده های "سهام عدالت ایالات متحده - AMZN 6 ماه" را بارگیری می کنیم ، که بخشی از بسته داده نمونه بازارهای سرمایه است که به طور پیش فرض در محیط Finspace نصب شده است.
2. پردازنده داده-فرکانس داده را انتخاب کنید: داده های خام بارگذاری شده در مرحله 1 نمونه ریز دانه در سطح نانو ثانیه است. علاوه بر این ، ما داده های قیمت را در فرکانس های مختلف پایین تر جمع می کنیم و مواردی را که الگوهای عمل قیمت برای آنها تلفظ و قابل معامله می شوند ، شناسایی می کنیم.
3. پردازش و آماده سازی داده ها: ما با فراخوانی مجموعه نوار زمان Finspace ، خلاصه و توابع پر و فیلتر ، داده ها را به فرکانس انتخاب شده جمع می کنیم. ما بیشتر سری قیمت های حاصل را با استفاده از توابع ارائه شده در کتابخانه تحلیلی Finspace (به عنوان مثال ، میانگین حرکت نمایی) صاف می کنیم
4. شناسه الگوی قیمت: الگوریتم HS ما [1] از دو مرحله تشکیل شده است. اول ، این الگوریتم تمام حداقل و حداکثر محلی از سری قیمت صاف به دست آمده در مرحله 3 در یک پنجره زمانی را پیدا می کند. دوم ، الگوهای HS و هدر معکوس و شانه (IHS) را مشخص می کند.
5. تجسم HS و IHS: ما تمام الگوهای HS و IHS مشخص شده را در نمودار سری قیمت ترسیم می کنیم تا تجارت بتواند اعتبار آنها را تأیید کند.

معماری مبتنی بر Finspace مزایای زیر را دارد:

سادگی: Finspace قابلیت مدیریت و پردازش داده های با راندمان بالا را به عنوان بلوک های ساختمانی خارج از قفسه ارائه می دهد. به طور خاص ، به سرعت جمع آوری و هموار سازی داده های با حجم بالا و با فرکانس بالا می تواند از طریق عملیات نوار داخلی انجام شود. این ویژگی ها به معامله گران این امکان را می دهد تا تجزیه و تحلیل اقدامات قیمت را انجام دهند و به سرعت الگوهای قابل معامله را با حداقل توسعه و تلاش های مدیریت داده تأیید کنند.

قابلیت گسترش: هسته اصلی تجزیه و تحلیل عملکرد قیمت الگوریتم شناسایی الگوی است. اگرچه ما یک الگوریتم ساده را پیاده سازی می کنیم ، اما می توانید به راحتی راه حل های پیچیده تری را وصل کنید. به عنوان مثال ، با وارد کردن کتابخانه های مربوطه ، می توان الگوریتم ساده ای را که در این پست نشان داده شده است با مدل مبتنی بر یادگیری ماشین (ML) یا پردازش سیگنال دیجیتال (DSP) جایگزین کنید.

امنیت و انطباق: این راه حل با یک مدل امنیتی جامع مطابقت دارد و ویژگی های امنیتی خاصی مانند رمزگذاری داده ها در ترانزیت و در حالت استراحت ، گزینه های هویت از جمله SSO مبتنی بر SAML و قابلیت شنیدن با استفاده از گزارش ها و گزارش های حسابرسی موجود در برنامه وب Finspace را ارائه می دهد. می توانید جزئیات بیشتری را در راهنمای امنیتی آمازون Finspace پیدا کنید.

قابلیت همکاری: راه حل شرح داده شده در این پست از زبان استاندارد Pyspark استفاده می کند و API های سری زمانی Finspace را که فقط از خوشه های Finspace Spark در دسترس است ، استفاده می کند. سازگاری با Spark به شما امکان می دهد تا از راه حل های جرقه ای موجود استفاده کنید که قبلاً باید از کشش یا ادغام با سایر خدمات AWS استفاده کنید (مانند خدمات هوش مصنوعی (AI) برای تشخیص کلاهبرداری یا تجزیه و تحلیل متن/اسناد). Finspace همچنین API ها را فراهم می کند که می توانید برای ادغام با سایر برنامه های کاربردی در AWS یا در محل کار استفاده کنید ، از این طریق گزینه های ابر ترکیبی را به طور موثری امکان پذیر می کند.

دستورالعمل های گام به گام

برای ثبت نام در AWS می توانید مستندات Finspace را دنبال کنید و یک محیط Finspace ایجاد کنید. دستورالعمل های زیر نحوه تشخیص الگوهای HS را با داده های نمونه از پیش نصب شده و کتابخانه های Finspace نشان می دهد.

1. در صفحه سمت چپ صفحه Finspace ، "بازارهای سرمایه" را انتخاب کنید ، سپس "سهام آمریکا TAQ - AMZN 6 ماه" را انتخاب کنید.
2. برای اجرای نوت بوک نسخه ی نمایشی ، به شناسه های نمایش داده و داده ها نیاز دارید. برگه "All Data Views" را انتخاب کرده و به صفحه زیر مراجعه کنید.

1. "جزئیات" را انتخاب کرده و مقادیر شناسه View View و Dataset را در پنجره بازشو پیدا کنید. توجه داشته باشید که مقادیر شما ممکن است متفاوت باشد.

1. در مرحله بعد ، پنجره پاپ آپ را ببندید و با انتخاب "برو به نوت بوک" در گوشه بالا سمت راست (به تصویر نگاه کنید) نوت بوک را باز کنید. اگر با یک پیام پاپ آپ "برای تجزیه و تحلیل به برخی از داده ها نیاز خواهید داشت" ، "ادامه به نوت بوک" را انتخاب کنید.

1. در استودیو ، کد منبع نسخه ی نمایشی را در مخزن GitHub کلون کنید.

1. پرونده نوت بوک "Price-Action. ipynb" را باز کنید. اگر از تنظیم محیط نوت بوک خواسته شد ، برای شروع هسته نوت بوک ، تصویر finspace-sparkmagic را انتخاب کنید. توجه داشته باشید که پسوندهای نام تصویر ممکن است متفاوت باشند.

1. اکنون شما آماده اجرای نوت بوک برای یافتن الگوهای HS با اجرای سلولهای کد یک به یک هستید. ابتدا باید خوشه جرقه و داده های بار را شروع کنیم.
   1. راه اندازی و اتصال به یک خوشه جرقه: یک خوشه جرقه را برای اولین بار راه اندازی کنید و به آن وصل شوید ، که 8-12 دقیقه طول می کشد.

   

   1. 1. تنظیم مجموعه داده ها و مشاهده: شناسه DataSet و DataView را با مقادیر کپی شده در مرحله 3 در بالا تنظیم کنید.

      

      1. داده های پیش پردازش را بدست آورید و
         1. کتابخانه های مشترک پایتون و فین اسپای را بارگیری کنید

         

         1. 1. به مدیر تجزیه و تحلیل Finspace متصل شوید و داده ها را در Spark DataFrame بخوانید

            

            

            

            1. 1. جمع آوری داده های با فرکانس بالا در میله ها یک نوار به عنوان یک پنجره یک دقیقه ای در هر تیک و نوع رویداد تعریف می شود. در این نسخه ی نمایشی ، ما فقط یک تیک ، AMZN داریم و بهترین نقل قول را به عنوان قیمت انتخاب می کنیم.

               

               کتابخانه Finspace دارای بسیاری از کارکردهای تجمیع مشترک مانند STD و VWAP است. ما از آنها برای ایجاد ویژگی های جدید داده استفاده می کنیم. سرانجام ، ما تجزیه و تحلیل خود را به یک پنجره زمانی سه ماهه از 10/01/2019 تا 12/31/2019 محدود می کنیم.

               

               1. 1. برای عملکرد بهتر ، ما داده ها را با استفاده از الگوریتم ساختمان EMA صاف می کنیم. توجه داشته باشید که اجرای اصلی الگوی HS [1] توابع مشابه پردازش داده ها را ارائه می دهد. از آنجا که Finspace قبلاً پردازش را در بازیابی داده ها ادغام کرده است ، که هر دو روی خوشه اجرا می شوند ، عملکرد بهتری را ارائه می دهد ، به خصوص برای مجموعه داده های بزرگ مانند داده های با فرکانس بالا. بنابراین ، در اجرای ما ، از Finspace استفاده می کنیم.

                  

                  1. الگوهای HS را تشخیص دهید:
                     1. برای این منظور تمام Minima و Maxima محلی را پیدا می کنیم. سپس ، ما با انتخاب حداقل و ماکسیما از یک پنجره ، صافی بیشتری را انجام می دهیم: حداقل/حداکثر محلی باید حداقل/حداکثر در پنجره هفت میله محور خود باشد. این امر به این دلیل است که در هنگام برخورد با سریال های بی ثبات به سر و صدا کمک می کند.

                     

                      

                     سه شرط فوق برای همه حداقل و حداکثر محلی مشخص شده برای شناسایی الگوهای بررسی شده است.

                     

                     1. 1. پیدا کردن الگوهای HS یک الگوی HS با پنج نقطه مشخص می شود که در آن

                            

                        1. 1 ، 3 و 5 حداکثر محلی هستند و 2 و 4 حداقل هستند
                        2. مدت زمان کل از نقطه اول تا آخر باید در حد مجاز باشد. در غیر این صورت ، این الگوی برای اهداف تجاری از ارزش کمی برخوردار است. بنابراین ، در نسخه ی نمایشی ما ، از پارامتر max_unit و واحد استفاده می کنیم تا حد ، به عنوان مثال ، دو ساعت را مشخص کنیم.
                        3. گردنبند در معمولی ترین الگوهای HS معمولاً مسطح است ، یعنی نقاط 2 و 4 نزدیک هستند. بنابراین ، ما کد سخت (برای سادگی) یک سطح تحمل کوچک (0. 015 از میانگین مقدار دو حداقل).
                        1. طرح HS با گردنبند: دو الگوی شناسایی شده است. ما از دوم برای نشان دادن مفهوم و استفاده استفاده می کنیم.
                           1. شانه چپ ، شانه راست و سر دارای نقاط قرمز و حداکثر محلی است که سر از آن بزرگترین است.
                           2. نقاط گردن به رنگ آبی است.
                           3. خط گردن خط متراکم از طریق دو نقطه گردن است. در این مثال ، گردنبند به سمت بالا کج می شود.
                           4. هنگامی که قیمت گردنبند را می شکند ، الگوی HS افت بیشتر قیمت را پیش بینی می کند و در نتیجه یک سیگنال کوتاه ایجاد می کند. این مثال نشان می دهد که این سیگنال معتبر است (یعنی سودآور).

                           

                           پاک کردن

                           AWS برای قیمت گذاری Finspace یک رویکرد Pay-As-You Go را ارائه می دهد. اگر دیگر نیازی به آنها ندارید ، می توانید این مراحل را برای خاتمه خوشه جرقه و/یا حذف محیط Finspace دنبال کنید.

                           1. Terminate Spark Cluster: یک سلول Jupyter را در انتهای نوت بوک اضافه کرده و آن را اجرا کنید. توجه داشته باشید که شناسه خوشه ای در تصویر زیر از مرحله 7. a در بالا است.

                           

                           1. محیط Finspace را حذف کنید: Finspace را از آن باز کنید ، محیط را در منطقه AWS خود انتخاب کنید ، سپس دکمه "حذف" را انتخاب کنید. توجه داشته باشید که تمام دارایی های ایجاد شده در محیط Finspace را حذف خواهید کرد.

                           با نگاه به آینده

                           در حالی که این مثال فقط روی یک سهام متمرکز است ، Finspace خود را به گسترش این تجزیه و تحلیل به بخش مقطع سهام در طول زمان می دهد. یک رویکرد معمولی برای اعتبار سنجی اگر یک الگوی خاص بتواند یک سیگنال معاملاتی سودآور را شناسایی کند ، می تواند از سیگنال استفاده کند و اهمیت آماری عملکرد قیمت سابق پست را تعیین کند. Finspace به تحلیلگران کمی اجازه می دهد تا داده های کنه را به فرکانس های مورد نظر پردازش و جمع کنند ، سیگنال ها را تولید کنند ، پشتی را بر روی یک جهان بزرگ از سهام انجام دهند و به سرعت تکرار شوند تا سیگنال ها و سناریوها را آزمایش کنند.

                           نتیجه

                           این پست نحوه انجام تجزیه و تحلیل عملکرد قیمت را با استفاده از Finspace و Pyspark نشان داد. ما این روش را از طریق الگوی HS نشان دادیم و یک الگوریتم ساده را بر اساس [1] پیاده سازی کردیم تا این الگوهای را با استفاده از داده های معاملاتی با فرکانس بالا تاریخی ارائه شده در Finspace شناسایی کنیم.

                           می توانید از راه حل شرح داده شده در این پست به عنوان پایه و اساس استفاده کنید و آن را با استفاده از تنظیمات و مدل های شناسایی الگوی خود شخصی سازی کنید. همچنین می توانید از سایر مجموعه داده های موجود در Finspace استفاده کنید یا مجموعه داده های خود را بارگیری کنید.

                           ما از هرگونه بازخورد در مورد پسوندهای احتمالی و موارد استفاده اضافی که می خواهید ببینید استقبال می کنیم. این پست فقط برای اهداف آموزشی است. با این حال ، عملکرد معاملات گذشته عملکرد آینده را تضمین نمی کند.

                           می توانید اطلاعات بیشتری در مورد مستندات Amazon Finspace و نوت بوک های آماده استفاده Jupyter در Amazon Finspace Github پیدا کنید.

                           کتابشناسی - فهرست کتب

                           [1] Chong ، Terence Tai Leung and Poon ، Ka-Ho (2014) ، یک الگوریتم جدید تشخیص برای الگوهای قیمت "سر و شانه" ،. https://mpra. ub. uni-muenchen. de/60825/

                           [2] Lo ، A. W. ، Mamaysky ، H. and Wang ، J. (2000). مبانی تجزیه و تحلیل فنی: الگوریتم های محاسباتی ، استنباط آماری و اجرای تجربی. مجله مالی ، 55 (4) ، 1705-1765.

                           [4] آدام هیز ، 23 اوت 2022 ، الگوی سر و شانه ها چیست؟

                           چنگ زو

                           چنگ زو یک معمار اصلی راه حل با خدمات وب آمازون است که دارای 20+ سال تجربه صنعت مالی است. او با یکپارچه سازان سیستم جهانی در زمینه توسعه راه حل استراتژیک برای مشتریان بانکی و بیمه به دنبال بهترین شیوه های AWS همکاری می کند. هنگام کار نکردن ، او از غذاهای خیابانی ، سفر RV و بهبود خانه لذت می برد.

                           گاوین زو

                           گاوین رئیس جهانی اعتبار و بازارها بررسی مدل های خزانه داری HSBC است. او یک مدیر ریسک مالی (FRM) است و یک تحلیلگر مالی منشور (CFA) ، چندین تیم جهانی از تحلیلگران کمی را برای ارزیابی و مدیریت خطرات مدل و توسعه مدل های جایگزین برای بانک هدایت می کند. در اوقات فراغت ، او مربی ارشد روباتیک است و از دویدن لذت می برد.