“Achilles, Neural Network to Predict the Gold Vs US Dollar Integration with Trading Bot for Automatic Trading”
预测股市是一个巨大的挑战。机器学习在资产预测中广受关注，但准确性不高，尤其在加密货币、外汇和股票市场。
本文提出Achilles，预测黄金对美元的市场波动。并基于Achilles实现了一个交易机器人。使用1000美元作为启动资金，我们在一个月内获得了总计1623.52美元的利润。
论文地址：https://arxiv.org/pdf/2410.21291v2
摘要
对机器学习领域来说，预测股市是一个巨大的挑战。部分架构能够捕捉到股票的规律，但大多数都不能应用到真实世界。Achilles使用经典的LSTM（长短期记忆）神经网络架构，模型能够预测黄金和美元的商品。基于此模型，我们实现了一个交易机器人并且测试运行了一个月时间的测试。在测试期结束时，我们获得了1623.52美元的利润。
简介
机器学习在资产预测中广受关注，但准确性不高，尤其在加密货币、外汇和股票市场。本文提出一种新方法，利用LSTM模型（Achilles）预测黄金对美元的市场波动，认为黄金市场更易于模型理解。现有模型如ARIMA和Prophet主要针对单只股票的日预测，而我们关注每分钟的商品价格预测。本文计划将预测结果与交易机器人结合，实时买入和卖出以获取利润。
相关工作
股票市场预测逐渐流行，投资者希望在不深入了解市场波动的情况下获利。Saber Talazadeh和Perakovi?使用随机森林和FinGPT情感分析提升股票预测，本文实现了情感分析组件。Alamu和Kamrul Siam采用LSTM、GRU、ARIMA和ARMA模型进行股票价格预测，LSTM因其理解非线性模式的能力而表现优于传统方法。
许多研究集中于模型准确性，但很少投入生产，本文关注实际应用。本文计划在一个月的模拟交易中测试LSTM模型，专注于黄金与美元的预测，并整合Achilles预测和FinBERT新闻到交易机器人中。
方法
数据
选择ETH-USD（以太坊）作为模型训练市场，因其数据量大且波动性强。2016年3月以太坊价格为$10.04，目前为$2,580.72。使用三种时间框架的数据：15分钟、5分钟和1分钟。训练数据包含682,434行，使用的特征包括开盘价、最高价、最低价、收盘价、成交量、RSI和EMA。
数据来源。15分钟和5分钟数据从2018年1月开始，1分钟数据从2024年1月开始。
技术指标
使用RSI和EMA作为技术指标提升模型预测能力。采用不同时间框架以学习数据的季节性。
相对强度指数（RSI）
RSI计算中，向上变化U和向下变化D被计算。上涨期定义为收盘价高于前一收盘价。
SMMA（平滑或修正移动平均）用于计算相对强度或相对强度因子（Rs）。Rs 的计算公式为：
相对强度因子转换为相对强度指数（RSI），范围在0到100之间。RSI 的计算公式为：
指数移动平均线（EMA）
指数移动平均（EMA）适用于预测加密货币、股票和外汇的波动性。EMA 计算公式：
数据预处理
使用滑动窗口方法对数据进行预处理，将数据分成小的子序列以输入LSTM模型。预测公式为：
通过使用过去120分钟的数据来预测下一分钟的数据，以提高预测准确性。
Achilles模型
Achilles模型包含输入层、隐藏层和输出层，具有9,544个参数，适合训练和预测。输入层形状为(None, 120, 35)，第一层35个神经元，隐藏层20个神经元，输出层1个神经元，结构优化了计算速度和准确性。采用逐分钟预测，辅助交易机器人决策投资。在以太坊、黄金、S&P500和美元对港元的预测中表现最佳。
预测
预测对交易机器人至关重要，决定投资时机。预测两个月的股票需预测33,000分钟。采用堆叠预测方法：基于过去120分钟的数据预测下一分钟，并逐步推进。该模型能准确预测黄金对美元的未来价格。
使用FinBERT进行情感分析
实施FinBERT模型，专门用于金融新闻情感分析。从Benzinga.com、Investing.com和Ft.com三个网站获取实时新闻，均被认为是无偏见的。每15分钟检索并估计这三个网站的情感。数据包括概率和情感，使用公式计算平均概率：
情感评估。正面=1，负面=-1，中性=0，转换为数值后计算平均情感。
实验
交易机器人连接到交易终端，运行每分钟和每15分钟的无限循环。实验使用的是模拟账户，未考虑真实账户的费用和佣金。
内循环
内循环每15分钟提取来自不同网站（如Benzinga、Investing.com、FT.com）的数据，供FinBERT分析。提取市场分析师的头条和内容，解析为文本格式，获取市场上涨或下跌的概率和情绪。概率高表示市场将上涨，低则表示下跌；使用平均情绪决定交易策略。情绪为正时买入，情绪为负时卖出。
外循环
外层循环每分钟运行，内层循环每15分钟运行。
提取数据
数据处理。每20分钟滑动一次，提取当前时间前后各10分钟的价格数据。
问题定义。将价格预测视为回归问题，目标是获取每分钟的实际价格。
最大最小值提取。从滑动窗口中提取最低和最高价格，用于后续买卖决策。
条件判断。定义最大值和最小值的条件，分别用于买入和卖出。
实时数据使用。使用MetaTrader 5获取的实时价格数据，关注最后17分钟的价格以决定投资量和判断当前价格的高低。
位置大小
计算交易量的公式为：
其中，V 是交易量，B 是账户余额（设为1000），R 是风险（设为0.3），P 是商品当前价格。
发送命令
使用MetaTrader 5进行纸账户交易，投资逻辑基于情绪和概率。情绪积极且概率>0.87时买入，情绪消极且概率<0.5时卖出，其他情况继续循环。开仓时，买单在预测数据中当前价格为最高时平仓，卖单在当前价格为最低时平仓。
概述
我们使用Achilles的预测以及Finbert的情绪和概率输入我们的交易机器人。我们在黄金兑美元市场中运行了这一程序，因为它是一种有限的商品，相对容易预测。我们每15分钟从三个网站提取概率和情绪，并在一个月内（工作日除外）每分钟运行我们的交易机器人。
结果
在测试期间，我们在一个月内完成了总计1623.52美元的利润。我们使用1000美元的初始预算和0.3的风险。
解释
交易机器人对结果影响显著，使用30%余额进行交易。9月2日至14日利润较低，9月17日至19日因正确平仓利润显著上升，9月20日至23日表现良好，9月25日最后5天判断不值得交易。
交易机器人会优先关闭利润最高的前两个订单，即使预测数据框显示价格较高。实际价格较低时，交易机器人不会自动关闭订单，以避免损失。确定何时平仓是投资中的主要挑战，交易机器人成功应用了这些原则。
交易机器人在低价时开单并获利，短期内实现高收益。该方法基于FinBERT情绪分析，尽管有效，但仍有损失风险。超过70%的人在交易中亏损。短线策略能带来高利润，但也可能在短期内几乎耗尽余额。
交易机器人根据市场趋势进行买卖：市场看跌时卖出，看涨时买入。LSTM模型在预测黄金与美元市场方面表现出色，能够实现高效盈利。理想交易是在价格低时买入，策略在一个月内实现162%的利润。LSTM模型可集成到交易机器人中，实现自动化下单，且无需人工干预。
总结
交易机器人使用Achilles预测的数据框，采用逐分钟短线交易策略，结合三家网站的市场情绪判断进行下单。市场中性时不下单，实验最后几天表现不佳，亏损119.57美元。整体表现良好，纸面账户在测试期内盈利1623.52美元，9月2日至14日盈利，9月17日至23日盈利1655.51美元，9月25日结束时亏损。表7显示模型与其他模型的比较，模型在集成新闻的最新模型中表现优越，平均绝对误差和平均绝对百分比误差均优于其他模型。
总结
Achilles模型在预测黄金对美元市场表现良好，初始资金1000美元，最终盈利1623.52美元。采用交易机器人在合适时机平仓，模型仅针对黄金市场，未在外汇或股票上测试。模型参数仅9.544，数据集较小，且为模拟账户，不建议真实交易。LSTM模型的预测不稳定性可能导致不良结果，需进一步验证其在商品市场的有效性。研究表明，LSTM与交易机器人结合可在短期内实现盈利。