Modellbauer
Die Mannequin Builder-Komponente spielt eine entscheidende Rolle bei der Entwicklung und Pflege der vom Buying and selling Bot verwendeten Handelsmodelle. Schauen wir uns die verschiedenen Komponenten genauer an:
A. Historische Daten von der Alpaca Commerce API: Um genaue und zuverlässige Modelle zu erstellen, werden historische Daten von der Alpaca Commerce API gesammelt. Dazu gehören Daten wie Aktienkurse, Handelsvolumen und andere relevante Marktindikatoren. Die historischen Daten dienen als Grundlage für das Coaching der Modelle und das Verständnis von Markttrends.
B. Zwischengespeicherte Daten in S3: Um die Leistung zu optimieren und die Datenabrufzeit zu verkürzen, werden die historischen Daten in einem S3-Speicher-Bucket zwischengespeichert. Dieser Caching-Mechanismus gewährleistet einen schnellen Zugriff auf die Daten während der Modelltrainings- und Bewertungsprozesse. Durch die Reduzierung der Abhängigkeit vom Datenabruf in Echtzeit kann der Mannequin Builder effizienter arbeiten.
C. Datenaufbereitung: Die gesammelten historischen Daten werden einer Vorverarbeitung unterzogen, um sicherzustellen, dass sie für das Modelltraining geeignet sind. Dieser Schritt umfasst Aufgaben wie die Datenbereinigung, den Umgang mit fehlenden Werten und die Umwandlung der Daten in ein Format, das mit den ausgewählten Algorithmen für maschinelles Lernen kompatibel ist. Durch die entsprechende Aufbereitung der Daten können die Modelle aus qualitativ hochwertigen und konsistenten Eingaben lernen.
D. Datenanreicherung und -skalierung: Um die Leistung der Modelle zu steigern, werden zusätzliche Merkmale oder Indikatoren aus den vorhandenen Daten abgeleitet. Diese angereicherten Datensätze liefern wertvolle Einblicke in die Marktdynamik und potenzielle Handelssignale. Darüber hinaus werden die Daten skaliert, um Einheitlichkeit und Vergleichbarkeit über verschiedene Eingabevariablen hinweg sicherzustellen, sodass die Modelle effektiv lernen können.
e. Modellschulung: Anhand der aufbereiteten und angereicherten Daten werden maschinelle Lernalgorithmen trainiert, um Vorhersagemodelle zu erstellen. Ziel dieser Modelle ist es, Marktmuster, Developments und potenzielle Handelsmöglichkeiten zu erfassen. Abhängig von den zu entwickelnden spezifischen Handelsstrategien können Techniken wie Regression, Klassifizierung oder Zeitreihenanalyse eingesetzt werden.
F. Backtesting: Um die Wirksamkeit der Modelle zu überprüfen, wird ein Backtesting anhand historischer Daten durchgeführt. Dieser Prozess simuliert Handelsszenarien basierend auf vergangenen Marktbedingungen und ermöglicht so eine Bewertung der Leistung der Modelle. Backtesting hilft dabei, potenzielle Schwachstellen oder Verbesserungsbereiche zu identifizieren und ermöglicht so eine iterative Modellentwicklung.
G. Modellveröffentlichung in S3: Sobald die Modelle trainiert und getestet wurden, werden sie veröffentlicht und in einem S3-Bucket gespeichert. Dadurch sind sie für die Buying and selling Bot-Komponente für Echtzeit-Handelsaktivitäten zugänglich. Die veröffentlichten Modelle fassen das aus historischen Daten gewonnene Wissen und die Erkenntnisse zusammen und können im Stay-Handelsbetrieb genutzt werden.
