On a Data-Driven Optimization Approach to the PID-Based Algorithmic Trading
Notice bibliographique
Résumé
This paper proposes an optimal trading algorithm based on a novel application of conventional control engineering (CE). We consider a fundamental CE concept, namely, the feedback control, and apply it to algorithmic trading (AT). The concrete feedback control strategy is designed in a form of the celebrated proportional–integral–derivative (PID) model. The highly fluctuating nature of the modern financial markets has led to the adoption of a model-free realization of the generic PID framework. The control theoretical methodology we propose is combined with the advanced statistics for the historical market data. We obtain a specific log-normal probability distribution function (pdf) associated with the specific quantities associated with the available stock data. The empirical log-normal pdf mentioned above enables the necessary PID gains optimization. For this aim, we apply the data-driven optimization approaches and consider the corresponding Monte Carlo solution procedure. The optimized PID trading algorithm we propose is also studied in the Fourier analysis framework. This equivalent frequency domain representation involves a new concept in financial engineering, namely, the “stock market energy” concept. For the evaluation, we implement the proposed PID optimal trading algorithm and develop a Python-based prototype software. We finally apply the corresponding prototype software to a data set from the Binance BTC/USDT (Bitcoin/Tether) stock market. The experimental result illustrates the implementability of the proposed optimal PID trading scheme and also shows the effectiveness of the proposed CE methods in the modern AT.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».