Uczenie maszynowe (ang. machine learning, ML) to dziedzina sztucznej inteligencji, w której algorytm uczy się zależności na podstawie danych, zamiast wykonywać ręcznie zapisane reguły. Zamiast pisać „kup, gdy RSI spadnie poniżej 30”, podajesz modelowi historię cen i wskaźników, a on sam szuka związków z późniejszym ruchem ceny.
W finansach uczenie maszynowe stosuje się od lat: w ocenie zdolności kredytowej, wykrywaniu oszustw, zarządzaniu ryzykiem i handlu ilościowym. Jednocześnie żadna dziedzina nie jest tak podatna na złudzenie, że model „odkrył” zyskowny wzorzec, który w rzeczywistości jest szumem.
Rodzaje uczenia maszynowego
| Rodzaj | Na czym polega | Przykład w finansach |
|---|---|---|
| Nadzorowane | model uczy się na danych z etykietą (znany wynik) | przewidywanie, czy cena wzrośnie w ciągu 5 dni; scoring kredytowy |
| Nienadzorowane | model szuka struktury w danych bez etykiet | grupowanie spółek o podobnym zachowaniu, wykrywanie reżimów rynku |
| Przez wzmacnianie | agent uczy się metodą prób, dostając nagrody i kary | optymalne wykonanie dużego zlecenia |
Popularne algorytmy to regresja liniowa i logistyczna, drzewa decyzyjne i ich zespoły (random forest, gradient boosting) oraz sieci neuronowe. Głębokie sieci neuronowe (deep learning) stoją też za dużymi modelami językowymi.
Jak wygląda projekt ML w tradingu
- Dane – notowania, wolumen, wskaźniki, dane fundamentalne, funding czy sentyment. Muszą być czyste i dostępne w chwili podejmowania decyzji.
- Cechy (features) – zmienne wejściowe, np. stopy zwrotu z ostatnich dni, zmienność, odległość od średniej.
- Podział danych – część do uczenia, część walidacyjna i część testowa, której nie dotykasz do końca. W szeregach czasowych dzielisz chronologicznie, a nie losowo.
- Trening i walidacja – najlepiej metodą walk-forward: uczysz na okresie A, testujesz na następującym po nim B, przesuwasz okno.
- Backtest z kosztami – prowizje, poślizg, funding, podatek.
Przykład: 55% trafności to za mało
Załóżmy, że model przewiduje kierunek ruchu z trafnością 55%. Średni zysk z trafionej transakcji i średnia strata z chybionej wynoszą po 0,4%. Koszt jednej transakcji w obie strony (prowizja i poślizg) to 0,12%.
| Składnik | Obliczenie | Wynik na transakcję |
|---|---|---|
| Oczekiwany wynik brutto | 0,55 × 0,4% − 0,45 × 0,4% | +0,04% |
| Koszty | — | −0,12% |
| Oczekiwany wynik netto | 0,04% − 0,12% | −0,08% |
Model, który „wygrywa częściej, niż przegrywa”, traci pieniądze po kosztach. Drugi problem to wielokrotne testowanie: jeśli sprawdzisz 200 losowych wariantów strategii przy poziomie istotności 5%, to średnio około 10 z nich wyjdzie „istotnych” czysto przypadkiem.
Overfitting – główny wróg
Overfitting (przeuczenie) oznacza, że model zapamiętał szum z danych historycznych zamiast trwałej zależności. Objawy: świetny wynik na danych treningowych, słaby na nowych; wiele parametrów przy niewielkiej liczbie transakcji; wynik mocno zależny od drobnej zmiany ustawień. Rynki dodatkowo zmieniają charakter, więc nawet prawdziwa zależność może zniknąć, gdy wykorzysta ją więcej uczestników.
Najczęstsze błędy
- Losowy podział szeregu czasowego, przez który model „widzi przyszłość”.
- Użycie danych niedostępnych w chwili decyzji (look-ahead bias).
- Ocena modelu po trafności zamiast po wyniku netto i obsunięciu kapitału.
- Wielokrotne poprawianie modelu po obejrzeniu wyników na zbiorze testowym.
- Wiara w boty „AI” sprzedawane z obietnicą stałego miesięcznego zysku.
Perspektywa tradera
Uczenie maszynowe to narzędzie do testowania hipotez, a nie generator pewnych sygnałów. Zanim sięgniesz po sieć neuronową, sprawdź prosty model – jeśli regresja nie widzi żadnej zależności, skomplikowany model najczęściej dopasuje się do szumu. Oceniaj wynik po kosztach, na danych spoza próby i przez odpowiednio długi okres. Uważaj na produkty „tradingu AI”: gwarantowany zysk, brak audytowanych wyników i nacisk na szybką wpłatę to typowe sygnały oszustwa. Nawet dobry model potrzebuje zarządzania ryzykiem – ryzyko serii strat oszacujesz w kalkulatorze ruiny gracza.
Najczęstsze pytania
Czym uczenie maszynowe różni się od sztucznej inteligencji?
Sztuczna inteligencja to szeroka dziedzina, a uczenie maszynowe jej częścią – tą, w której system uczy się na danych.
Czy uczenie maszynowe pozwala przewidzieć ceny?
Czasem daje niewielką przewagę statystyczną, zwykle krótkotrwałą. Pewnych prognoz nie daje, a koszty transakcyjne często zjadają całą przewagę.
Jakie narzędzia są potrzebne na start?
Najczęściej Python z bibliotekami pandas i scikit-learn, dane historyczne i środowisko do backtestów.
Co to jest walk-forward?
Metoda walidacji, w której model uczysz na jednym okresie i testujesz na kolejnym, a potem przesuwasz oba okna w czasie. Lepiej niż jeden test odwzorowuje realne działanie.
Czy boty AI do tradingu działają?
Większość ofert dla klientów detalicznych nie publikuje weryfikowalnych wyników. Obietnica stałego zysku bez ryzyka to sygnał ostrzegawczy.
Tekst ma charakter edukacyjny i nie stanowi rekomendacji inwestycyjnej.
