Aplicação de High Performance Computing em Finanças

Abstract

Resumo: Este estudo analisa a eficácia de algoritmos de High Frequency Trading (HFT) aplicando técnicas deMachine Learning, com foco nos modelos de Regressão Logística e Random Forest. Os dados utilizados foramcoletados da Binance Exchange, considerando transações de criptomoeda Solana. A análise incluiu a consideração do tempo de treinamento, latência e tratamento dos dados. Os resultados mostraram que, sem considerar a latência, o modelo Random Forest alcançou uma rentabilidade de 138,625%, enquanto a Regressão Logística atingiu 66,774%. No entanto, ao incluir o tempo de execução, a rentabilidade final do Random Forest caiu para 6,920%, enquanto a Regressão Logística apresentou um desempenho negativo de -0,58%. Esses resultados destacam a importância de considerar a latência em estratégias de HFT e indicam que o Random Forest émais robusto em termos de precisão e rentabilidade, embora a latência permaneça um desafio significativo.

Abstract: This study examines the effectiveness of High Frequency Trading (HFT) algorithms by applyingMachine Learning techniques, focusing on Logistic Regression and Random Forest models. Data was collected from the Binance Exchange, considering Solana cryptocurrency transactions. The analysis included training time, latency, and data processing considerations. Results showed that, without considering latency, the Random Forest model achieved a profitability of 138,625%, while Logistic Regression reached 66,774%. However, when execution time was included, the final profitability of Random Forest dropped to 6,920%, and Logistic Regression showed a negative performance of -0.58%. These findings highlight the importance of considering latency in HFT strategies and indicate that Random Forest is more robust in terms of accuracy and profitability, although latency remains a significant challenge.