МАТЕМАТИЧЕСКАЯ ТОРГОВЛЯ ФОРЕКС

Лучшие Форекс брокеры 2021:

Математическая стратегия Форекс

Современный рынок биржевых стратегий форекс достиг невероятных размеров. Выбор трейдером подходящей системы торговли стал настоящей проблемой. Почему биржевому спекулянту не удается быстро обзавестись качественной стратегией торговли? Дело в том, что прибыльность всех стратегий ограничена рамками определенных отрезков движения рынка, а новоявленные распространители торговых систем уверяют об исключительности и универсализме своего товара. Выбирая такую стратегию и получая прибыль от ее использования в течение некоторого промежутка времени, трейдер все равно теряет депозит за счет постоянных изменений на рыночных площадках. Удержать свой депозит здесь позволит лишь постоянная подстройка или полная смена любой подобной торговой системы. В результате трейдер становится постоянным искателем системы по заработку денег.

Какую выбрать торговую стратегию, чтобы получать стабильный доход?

Необходимо искать только универсальную торговую стратегию, действующую независимо от течения рыночных процессов. Однако существует мнение, что универсализм на форекс не проходит. Вернее сказать, не проходил до появления чисто математической модели торговли на бирже. В этом можно убедиться, если серьезно отнестись к торговой стратегии, основанной на цифрах. Ведь все биржевое пространство буквально напичкано цифровыми выкладками и математическими формулами.

Чтобы не быть голословным, сразу представим возможности применения такой системы.

7 основных особенностей и преимуществ математической стратегии Форекс

1. Возможность трейдера в итоге оставаться на рынке как минимум с первоначальным депозитом.

Лучшие Форекс брокеры 2021:

2. Трейдер может гарантировано снимать прибыль ежемесячно, если правильно выполнит все пункты стратегии.

3. Стратегия имеет очень простые условия выполнения, хоть и основана на математическом принципе.

4. Для внедрения стратегии в рынок нет необходимости пользоваться сложными формулами, вычислять направления движения и объемы финансового актива трейдера. Просто стоит запомнить несколько несложных цифр и манипуляций с ордерами.

5. В работе трейдера нет необходимости использовать индикаторы рынка, сигнализирующие зачастую с опозданием. К тому же система использует минимум инструментов для удачной торговли. Ведь здесь не потребуется досконально точного момента входа в опцион.

6. Цифровая система работы на рынке не позволяет трейдеру испытывать значимые стрессовые ситуации, что позитивно сказывается на его психологической устойчивости.

7. Тактика входа в рынок может стать одним из разделов стратегии форекс, уже имеющейся у трейдера. Применяя такое дополнение к стратегическому курсу торговли на рынке, трейдер способен многократно увеличить доходность своего трейдинга.

Лучшие Форекс брокеры 2021:

Тестирование математической стратегии

Невзирая на все положительные моменты применения математической стратегии, трейдеру необходимо досконально изучить и проверить на демонстрационном счете все нюансы, казалось бы, простой системы получения гарантированной прибыли. Такой подход к работе должен осуществляться по отношению к любой новой стратегии Форекс, появляющейся у трейдера. Иначе даже хорошее начинание может обернуться негативными последствиями для депозита биржевика. Изучение и проверка работоспособности системы должны проходить исключительно на виртуальных деньгах брокерской компании. Альтернативным вариантом может стать торговля на реальных незначительных денежных суммах, размещенных в терминале трейдера.

Какие предпосылки позволяют качественно использовать стратегию?

Универсальная система торговли не означает распространение потенциала ее действия на все участки и интервалы движения рынка. Работа системы возможна при создании на рынке определенных начальных условий, которые необходимо заметить и отметить.

Работа по системе начинается во флэте. Каждый может приметить, что движение в «коридоре» любого финансового актива продолжается от одного дня до недели. Такое наблюдение очень важно для трейдера, желающего заработать капитал при помощи математической стратегии. Причем увеличение депозита не будет сопровождаться вычислением направления движения актива при выходе из «коридора». Более того, нет даже смысла определять силу движения и возможные развороты. Стоит только усвоить несложные и немногочисленные действия.

Начало работы по математической системе торговли

Итак. Трейдер должен заметить и отметить момент консолидации рынка, а затем сосредоточиться на движении актива в «коридоре», что сравнительно часто происходит с любым валютным инструментом. Задержка актива во флэте с диапазоном, например, в 50 пунктов не может продолжаться очень длительное время, о чем уже говорилось выше. На графике следует зафиксировать ценовые уровни «коридора», после чего перейти к небольшой аналитической работе. В результате этого анализа стоит попробовать спрогнозировать приблизительное время возможного выход актива из консолидации.

Какой актив лучше выбрать для математической стратегии?

Желательно воспользоваться для торговли финансовым инструментом, отличающимся волатильностью. Например, кросс-курсы с японской йеной способны преодолеть 100–300 пунктов за биржевой день. У таких пар средняя волатильность составляет около 50 пунктов, что собственно показывает величину удаленности стоп-лосса от цены открытия, причем при любой торговой стратегии. Но цифры в системе позволяют исключить работу с убыточными стопами, так как их можно заменить отложенными ордерами.

Какая роль в стратегии отведена ордерам по исполнению?

Итак, трейдер вместо stop-loss выставляет ордера по исполнению на расстоянии всего 15 пунктов от уровней поддержи и сопротивления флэта.

На рисунке такие ордера отмечены как stop Buy и stop Sell. Ранее уже отмечалось, что важно выставить ордера перед выходом актива из флэта, который уже сформировался и находиться в конечной стадии развития. Иначе возможны ненужные ложные срабатывания ордеров, что ведет к накапливанию убытков. Выставляя инструменты для входа в рынок, трейдеру нет необходимости задумываться над возможным дальнейшим направлением и силою движения финансового актива. Основное внимание стоит сосредоточить на правиле выставления ордеров.

Как верно распределить количественные показатели отложенных ордеров?

Например, Buy и Sell будут весить по одному лоту каждый. Предположим, актив (смотреть рисунок) пробивает линию Buy, открывая тем самым ордер на его покупку. Здесь задача трейдера заключается в немедленном увеличении ордера на продажу (stop Sell) в два раза, то есть такой лот будет равняться 2 единицам.

Тактика трейдера в условиях меняющегося рынка

Будущее развитие событий на рынке позволит определить возможные последующие действия с ордерами. Если открытый лот на покупку стал удачным, то трейдеру необходимо снимать прибыль в зависимости от его системы управления капиталом. Другой вариант развития событий может вызвать разворот актива на рынке, вследствие чего откроется stop Sell с двумя лотами. Несложно подсчитать, что наш актив не изменит своего объема, так как окажется равным все тому же единичному значению. После открытия ордера на продажу необходимо быстро восстановить ордер stop Buy со значением объема, равным двум лотам. И в дальнейшем необходимо постоянно выставлять противоположные ордера, увеличивая их вдвое. Здесь уже любой трейдер сможет понять смысл математической стратегии, которая позволяет оставлять наш первоначальный лот в постоянном количественном значении (в нашем примере исходный лот равен 1).

Какую прибыль получает трейдер от использования математической стратегии?

В любом случае трейдер будет всегда зарабатывать тот лот, которым он зашел в рынок первоначально. В результате трейдеру не придется увеличивать объемы сделок, поэтому убытки останутся временными. В нашем примере заработок трейдера всегда будет равен 1 лоту.

Какие проблемы могут возникнуть в результате применения математической стратегии?

Естественно, любая стратегия не может быть идеальной, поэтому и математический вариант торговой системы содержит некоторые изъяны и неудобства.

Некоторые недостатки математической стратегии

Возможное влияние частоты колебания актива на размер прибыли

Существует потенциал накопления потерь в момент частого прохождения активом диапазона, образовавшегося между линиями stop Buy и stop Sell. Другими словами, большое количество разворотов на рынке уменьшает количество денег на депозите, так как актив часто попадает в затратную зону (флэт). Но здесь критических потерь вряд ли можно ожидать, ведь застойные явления на рынке не могут продолжаться очень длительное время. Скорое появление на бирже новостей, событий, технических предпосылок обязательно двинут рынок в каком-либо направлении. Более того, система не даст сбоя, если в торговле трейдером будут соблюдаться уровни рисков, установленных для своего капитала, о чем уже было сказано выше.

Возможное влияние брокера на доходы от стратегии

Некоторые брокеры форекс могут предпринять контрмеры к торговле трейдера, использующего математическую стратегию. Ведь всем известно, какие цели преследуют брокеры, работая на рынке. Это получение максимального дохода! Получить приличную прибыль за счет спредов или других комиссий от сделок трейдеров очень проблематично, что особенно актуально для небольших посреднических компаний. Поэтому полное разорение депозита трейдера позволяет добиться таким организациям необходимых материальных результатов от деятельности на рынке форекс. Появление разработок, подобных математическим стратегиям, брокером воспринимается как угроза собственному бизнесу. Посредники начинают всеми способами бороться с трейдерами, использующими такие системы. Например, в самый неприглядный момент отложенный ордер на покупку или продажу может открыться вне зависимости от совпадения его цены и ценового уровня актива. Другим действием недобросовестного трейдера может стать применение реквот, что увеличивает вероятность потерь по убыточным сделкам.

Следовательно, трейдеру необходимо более тщательно выбирать брокера. Выбор должен быть ориентирован на незапятнанную репутацию биржевого посредника.

Математическая стратегия Форекс: миф или реальность?

На некоторых профильных сайтах можно найти описания так называемой математической стратегии Форекс.

В 99% случаев на этих страницах представлены ложные сведения и при их применении на практике трейдер рискует лишиться депозита.

Математическую стратегию Форекс принято называть методом Мартингейла, который изначально был разработан для игры в рулетку.

Торгуй по крупному только с ведущим брокером

Этот стиль игры основан на теории вероятности и суть его заключается в следующем:

1. Игрок делает ставку на красное и в случае успеха ставит аналогичную сумму на черное;

2. Если ставка не сыграла, то следует удвоить сумму и повторно поставить на красное. Данный алгоритм действий повторяется до тех пор, пока ставка не сыграет.

Таким образом выигрыш компенсирует все допущенные ранее убытки и приносит ожидаемую изначально прибыль.

В соответствии с теорией вероятности, черное не может выпасть более 8 раз подряд.

На основании этих данных рассчитывается сумма первой ставки.

Единственное условие для успеха — это распределить капитал таким образом, чтобы средств хватило на 9 ставок, сумма которых будет увеличиваться в геометрической прогрессии.

Со временем этот метод был адаптирован для торговли на валютном рынке и стал называться математической стратегией.

Важно понимать, что математика предполагает точность, а принцип ценообразования финансовых активов хаотичен и в полной мере не поддается прогнозированию.

Как ни странно, но метод Мартингейла вполне возможно успешно применять на рынке Форекс.

Классическая тактика Мартингейла в торговле на Форекс

Классический метод Мартингейла изначально применялся для игры в рулетку. Его принцип был подробно расписан ранее. Применять эту классическую математическую стратегию на Форекс без дополнительных аналитических инструментов недопустимо.

Как показывает практика, это гарантированно приводит к потере депозита. Торговля по Мартингейлу может стать эффективным методом оптимизации убытков только в том случае, если применяется в комплексе с эффективной стратегией.

Под это определение попадают все стратегии заработка на финансовых рынках, которые отвечают следующим требованиям:

1. Потенциальная прибыль по каждой сделке больше или равна возможному убытку.

2. Число успешных сделок составляет не менее 80% по отношению к убыточным в течение года. Чтобы установить это значение, потребуется проанализировать историю котировок по выбранным активам за последние 12 месяцев.

Только на основании точных статистических данных возможно определить соотношение прибыльных сделок к убыточным.

Если стратегия не соответствует хоть одному из этих требований, то применение метода Мартингейла гарантированно приведет к потере инвестиций.

Тактика усреднения

Этот стиль торговли также следует использовать в комплексе с проверенной ТС. Основное назначение тактики усреднения — снизить вероятность фиксирования убытков к минимуму.
Принцип применения этого стиля торговли представлен на скриншоте:

В начале представленного отрезка виден восходящий тренд. По статистике после подобных ценовых импульсов начинается краткосрочная коррекция. Предположим, что трейдер открыл первый ордер Buy объемом 0,1 лот в отмеченном месте.

В результате прогноз не оправдался и нисходящий тренд продолжился. Далее формируются 2 локальных минимума, что косвенно указывает на смену тенденции и трейдер открывает 2 ордер Buy объемом уже в 0,2 лота.

Однако ожидания не оправдываются и после формирования нового локального минимума трейдер открывает 3 ордер Buy объемом в 0,4 лота. Все открытые позиции закрываются в отмеченном на скриншоте месте.

Чистая прибыль, за счет разницы объемов, составила порядка 30 пунктов. В основе этого примера лежит торговля по техническому анализу, проверенная десятилетиями.

Заключение

Математические стратегии Форекс – это лишь способ оптимизировать убытки. Применять подобные методы торговли в качестве независимых ТС недопустимо.

Математическая стратегия Форекс

Содержание данной статьи является исключительно частным мнением автора и может не совпадать с официальной позицией LiteForex. Материалы, публикуемые на данной странице, предоставлены исключительно в информационных целях и не могут рассматриваться как инвестиционный совет или консультация для целей Директивы 2004/39 /EC.

Нет возможности читать нас каждый день? Получайте свежие статьи на вашу электронную почту.

Написал

Вам кажется, что рынок по большому счету движется хаотично? Если вы новичок, то, скорее всего, так и есть, но на самом деле во всех этих движениях присутствует система. Разобраться в ней и научиться извлекать из нее выгоду поможет фрактальный анализ рынка Форекс.

Технический анализ является высокоэффективным инструментом торговли на рынке Форекс. Из этого материала вы узнаете, зачем он нужен и основные принципы его применения. Приятного чтения, и помните, ваши знания сегодня — это ваш доход завтра!

Я попробую применить полученные знания на демо-счете, доступном без регистрации

Покажите мне графики валют и как цена на рынке двигается в реальном времени

Я хочу начать копировать сделки профессиональных трейдеров на мой счет

Я готов начать зарабатывать на финансовых рынках и хочу открыть торговый счет

    LiteForex в ВКонтакте

Предупреждение о рисках: Торговля на финансовых рынках сопряжена с риском. Контракты на разницу («CFDs») являются сложными финансовыми инструментами, используемыми для маржинальной торговли. Торговля CFD имеет высокий уровень риска, так как кредитное плечо может работать как в Вашу пользу, так и против Вас. Вследствие этого торговля CFD подходит не всем инвесторам из-за высокого риска потери инвестированного капитала. Вы не должны рисковать большими средствами, чем Вы готовы потерять. Перед началом торговли Вы должны убедиться, что Вы понимаете все риски и учитываете их в совокупности с уровнем Вашего опыта при постановке Ваших инвестиционных целей. Перейти к полному документу «Предупреждение о рисках».

Данный веб-сайт является собственностью группы компаний LiteForex.

LiteFinance Global LLC зарегистрирована в государстве Сент-Винсент и Гренадины как общество с ограниченной ответственностью под номером 931 LLC 2022. Юридический адрес: First Floor, First St Vincent Bank Ltd Building, James Street, Kingstown, St. Vincent and the Grenadines. Email:

LiteFinance Global LLC не предоставляет сервис резидентам стран Европейской Экономической Зоны (ЕЭЗ), США, Израиля и Японии.

МАТЕМАТИЧЕСКАЯ ТОРГОВЛЯ ФОРЕКС

Пробойные стратегии относятся к числу самых прибыльных, однако они требуют от трейдера немало внимания и знаний. Ведь необходимо не просто обнаружить пробой, но и убедиться в его истинности. Ложное пробитие довольно частое явление на рынке форекс. Это обусловливается многими факторами, главным из которых является влияние крупных участников рынка, которые специально направляют цену в сторону важного уровня, чтобы заработать на стопах неопытных трейдеров. Избежать подобных ситуаций позволит математическая стратегия форекс по фильтрации ложных пробоев.

RoboForex — работайте с лучшими

  • 8000 американских и европейских акций
  • криптовалюты и криптоиндексы
  • 9 лет на рынке
  • Welcome бонус 30$
  • спреды на форекс от 0 пунктов

Чтобы вовремя идентифицировать ложный пробой, необходимо внимательно анализировать ценовое движение. Именно этим занимается стратегия «Фильтрация ложных пробоев». Она прекрасно подходит для рынков с сильным трендом, когда цена раз за разом пытается пробить минимум или максимум, но снова и снова возвращается, чтобы сформировать очередной экстремум в продолжение тренда. Таким образом, рассматриваемая математическая стратегия форекс позволяет торговать и зарабатывать на пробоях в условиях сильного тренда.

Правила математической стратегии форекс

Открытие сделки на покупку совершается при наличии следующих условий:

  1. Сформирован новый 20-дневный максимум.
  2. Дожидаемся разворота и отслеживаем в течение трех дней формирование 2-дневного минимума.
  3. Если после образования 2-дневного минимума прошло не более трех дней, и цена пробивает 20-дневный максимум, то открывается длинная позиция.
  4. Начальный стоп устанавливается на несколько пунктов ниже используемого в стратегии 2-дневного минимума.
  5. Риски математическая стратегия форекс ограничивает трейлинг-стопом. Прибыль фиксируется по достижению суммы в два раза превышающей риски.

Открытие сделки на продажу осуществляет следующим образом:

  1. Валютная пара сформировала 20-дневный минимум.
  2. Дожидаемся разворота и отслеживаем в течение трех дней формирование 2-дневного максимума.
  3. Если после образования 2-дневного максимума прошло не более трех дней, и цена пробивает 20-дневный минимум, то открывается короткая позиция.
  4. Начальный стоп устанавливается на несколько пунктов выше 2-дневного максимума, который идентифицирует математическая стратегия форекс во втором пункте.
  5. Риски регулируются трейлинг-стопом. Позиция фиксируется по достижению прибыли в размере двойного риска.

Примеры математической стратегии форекс

Первый пример представлен на рисунке 1. Валютная пара GBP/USD 17 ноября она достигла своего 20-дневного максимума на уровне 1.8631, после которого был сформирован 2-дневный минимум на уровне 1.8472. Это означает, что к данной паре может быть применима математическая стратегия форекс.

Теперь осталось дождаться последнего сигнала – пробития 20-дневного максимума. Это произошло 23 ноября. Открывается сделка на покупку на уровне 1.8640, т.е. на несколько пунктов выше пробитого максимума. Стоп устанавливается на уровне 1.8465 согласно правилам стратегии. Цена пошла в сторону пробития. В данном случае был применен трейлинг-стоп (2-баровый минимум). Сделка была зафиксирована 8 декабря на уровне 1.9363. Таким образом, математическая стратегия форекс «Фильтрация ложных пробоев» позволила получить прибыль в размере 722 пунктов.

На втором рисунке представлена математическая стратегия форекс «Фильтрация ложных пробоев» на примере открытия короткой сделки. 11 октября на графике валютной пары USD/JPY было зафиксировано образование 20-дневного минимума на отметке 109.11, а 13 октября был достигнут 2-дневный максимум на уровне 110.17.

Для того чтобы была применена рассматриваемая математическая стратегия форекс, необходимо дождаться пробития 20-дневного минимума в течение 3 дней. Пробитие было зафиксировано через 2 дня, что дало сигнал на открытие короткой позиции на уровне 109.02. Стоп установлен на уровне 110.26. Как и в предыдущих случаях, сделку можно закрыть либо по трейлинг-стопу, либо по достижению прибыли в размере двойного риска. В первом случае сделка закрылась бы только 2 ноября на уровне 106,76. В данной ситуации был использован второй вариант фиксации позиции по цели, что позволило получить 25 октября прибыль в размере 220 пунктов, так как цена достигла уровня 106.63.

Математика в трейдинге. Оценка результатов торговых сделок

Знание математики в минимальном объеме желательно для любого трейдера, и это утверждение даже не требует доказательств. Вопрос только в том, как определить этот минимальный объем. В процессе развития торгового опыта трейдер зачастую самостоятельно расширяет свой кругозор, читая сообщения на форумах или черпая информацию из книг. Одни книги написаны с меньшими требованиями к уровню подготовки читателя, другие, наоборот, стимулируют к изучению или восстановлению знаний в той или иной области математической науки. Мы попробуем дать некоторые оценки и их толкования в одной статье.

Из двух зол выбираем меньшее

Математиков в мире больше, чем успешных трейдеров, и этот факт часто приводят как аргумент противники сложных расчетов или методик в торговле. На это можно возразить, что торговля — это не столько умение разрабатывать торговые правила (умение анализировать), сколько способность соблюдать эти самые разработанные торговые правила (дисциплина). Кроме того, до сих пор не создана (и, думается, никогда не будет создана) теория, которая точно описывает процесс ценообразования на финансовых рынках. Само создание теории (открытие математической природы) финансовых рынков означает смерть этих рынков, что является неразрешимым парадоксом с точки зрения философии. Но если перед нами стоит вопрос — идти на рынок с багажом из не полностью удовлетворительного математического описания рынка или совсем без этого багажа, — то мы выбираем меньшее зло. Мы выбираем математические методы оценки торговых систем.

В чем ненормальность нормального распределения?

Одним из основных понятий в теории вероятностей является понятие нормального распределения. Почему оно названо именно так? Оказалось, что множество процессов в природе имеет нормальное распределение. Точнее, большинство процессов в природе в пределе сходятся к нормальному распределению. Рассмотрим это на простом примере. Пусть у нас имеется равномерное распределение на интервале от 0 до 100. Равномерное распределение означает, что вероятность выпадения любого значения на интервале одинакова для всех чисел этого интервала, и вероятность того, что выпадет 3.14 (число Pi), такая же, как и вероятность выпадения числа 77 (любимое число с двумя семерками). Современные компьютеры дают возможность генерировать достаточно хорошую последовательность псевдослучайных чисел.

Как из этого равномерного распределения получить нормальное распределение? Оказывается, если мы будем брать каждый раз несколько случайных чисел из равномерного распределения (например, 5 чисел) и находить среднее значение этой пятерки (это называется сделать выборку), то при большом количестве таких выборок новое полученное распределение будет стремиться к нормальному. Центральная предельная теорема гласит, что это относится не только к выборкам из равномерных распределений, но и к широкому классу других распределений. А так как свойства нормального распределения очень хорошо изучены, то представление многих процессов в виде процесса с нормальным распределением облегачает анализ. Но лучше один раз увидеть, чем сто раз услышать. С помощью простого индикатора на языке MQL4 мы можем увидеть подтверждение центральной предельной теоремы. Запускаем NormalDistribution.mq4 на любом графике с разным значением N (количество выборок) и видим, что эмпирическое частотное распределение становится все более гладким.

Рис.1. Индикатор,создающий нормальное распределение из равномерного.

Здесь N означает, сколько раз мы брали среднее из pile=5 равномерно распределенных чисел на интервале от 0 до 100. Мы получили четыре графика, которые очень похожи между собой, и если мы проведем в пределе некоторую нормировку (приведем к единому масштабу), то получим несколько реализаций стандартного нормального распеределения. Единственная горькая ложка дегтя в красоте такого подхода — цены на финансовых рынках (а точнее — приращения цен и другие производные от этих приращений), по большому счету, все же не укладываются в схему нормального распределения. Вероятность достаточно редкого события (например, падения цены на 50%) на финансовых рынках хоть и мала, но все же значительно больше, чем при нормальном распределении. Поэтому при оценке рисков на основе нормального распределения об этом все же надо помнить.

Количество переходит в качество

Даже на таком простом примере моделирования нормального распределения мы видим, что количество обрабатываемых данных имеет значение. Чем больше исходных данных, тем точнее и достовернее результаты. Считается, что минимальное число в выборке должно быть не меньше 30. То есть, если мы хотим оценить результаты торговых операций (например, эксперта в тестере), то количество сделок ниже 30 не является достаточным, чтобы делать статистически достоверные выводы о некоторых параметрах системы. Чем больше сделок мы анализируем, тем меньше вероятность того, что эти сделки являются просто удачно выхваченными звеньями не очень надежной торговой системы. Поэтому итоговая прибыль на серии из 150 сделок дает больше оснований для принятия на вооружение торговой системы, чем система, оцениваемая только по 15 сделкам.

Математическое ожидание и дисперсия как оценка риска

Две наиболее важные характеристики распределения — математическое ожидание (среднее) и дисперсия. Стандартное нормальное распределение имеет математическое ожидание, равное нулю. При этом центр распределения также приходится точно на ноль. Пологость или крутизна нормального распределения характеризуется мерой разброса случайной величины в районе математического ожидания. Дисперсия как раз и показывает нам разброс значений случайной величины вокруг ее математического ожидания.

Математическое ожидание находится просто: для счетных множеств суммируются все значения распределения, и полученная сумма делится на количество значений. Например, множество натуральных чисел является бесконечным, но счетным множеством, так как с каждым значением можно сопоставить его индекс (порядковый номер). Для несчетных множеств применяется интегрирование. Для оценки математического ожидания серии сделок мы сложим все результаты сделок и разделим на число сделок. Полученное значение показывает ожидаемый средний результат от каждой сделки. Если математическое ожидание положительно, в среднем мы зарабатываем. Если же оно отрицательно, то в среднем мы проигрываем.

Рис.2. График плотности вероятности нормального распределения.

Мерой разброса распределения является сумма квадратов отклонений случайной величины от его математического ожидания. Эту характеристику распределения называют дисперсией. Обычно математическое ожидание для случайно распределенной величины обозначают как M(X). Тогда дисперсию можно записать как D(X) = M((X-M(X))^2 ). Квадратный корень из дисперсии называют стандартным отклонением, другое его краткое наименование — сигма (σ). Именно нормальное распределение, у которого математическое ожидание равно нулю, а стандартное отклонение равно 1, называют стандартным нормальным распределением или распределением Гаусса.

Чем больше значение стандартного отклонения, тем большей изменчивости подвержен торговый капитал, тем больше риск для него. Если математическое ожидание положительно (стратегия выигрышная) и равно $100, а стандартное отклонение равно $500, то мы рискуем в несколько раз большей суммой, чтобы заработать каждый доллар. Например, мы имеем результаты 30 сделок:

Номер сделки X (Результат)
1 -17.08
2 -41.00
3 147.80
4 -159.96
5 216.97
6 98.30
7 -87.74
8 -27.84
9 12.34
10 48.14
11 -60.91
12 10.63
13 -125.42
14 -27.81
15 88.03
Номер сделки X (Результат)
16 32.93
17 54.82
18 -160.10
19 -83.37
20 118.40
21 145.65
22 48.44
23 77.39
24 57.48
25 67.75
26 -127.10
27 -70.18
28 -127.61
29 31.31
30 -12.55

Чтобы найти математическое ожидание этой последовательности сделок, сложим все результаты и разделим на 30. Получим среднее значение M(X), равное $4.26. Чтобы найти стандартное отклонение, вычтем из результата каждой сделки среднее, возведем в квадрат и найдем сумму квадратов. Найденную сумму разделим на 29 (количество сделок минус один). Получили дисперсию D, равную 9 353.623. Возьмем корень из дисперсии и получим стандартное отклонение sigma, равное $96.71.

Данные для проверки записаны в таблицу:

Номер
сделки
X
(Результат)
X-M(X)
(Разница)
(X-M(X))^2
(Квадрат разницы)
1 -17.08 -21.34 455.3956
2 -41.00 -45.26 2 048.4676
3 147.80 143.54 20 603.7316
4 -159.96 -164.22 26 968.2084
5 216.97 212.71 45 245.5441
6 98.30 94.04 8 843.5216
7 -87.74 -92.00 8 464.00
8 -27.84 -32.10 1 030.41
9 12.34 8.08 65.2864
10 48.14 43.88 1 925.4544
11 -60.91 -65.17 4 247.1289
12 10.63 6.37 40.5769
13 -125.42 -129.68 16 816.9024
14 -27.81 -32.07 1 028.4849
15 88.03 83.77 7 017.4129
16 32.93 28.67 821.9689
17 54.82 50.56 2 556.3136
18 -160.10 -164.36 27 014.2096
19 -83.37 -87.63 7 679.0169
20 118.40 114.14 13 027.9396
21 145.65 141.39 19 991.1321
22 48.44 44.18 1 951.8724
23 77.39 73.13 5 347.9969
24 57.48 53.22 2 832.3684
25 67.75 63.49 4 030.9801
26 -127.10 -131.36 17 255.4496
27 -70.18 -74.44 5 541.3136
28 -127.61 -131.87 17 389.6969
29 31.31 27.05 731.7025
30 -12.55 -16.81 282.5761

Что мы получили: математическое ожидание равно $4.26, стандартное отклонение равно $96.71. Не самое лучшее соотношение риска и средней сделки. График прибыли подтверждает этот вывод:

Рис.3. График изменения баланса по совершенным сделкам.

Случайно ли я торгую? Z-счет

Само предположение, что прибыль, полученная в результате серии торговых операций является случайной, для многих трейдеров может звучать издевательски. Проведя достаточно долгое время в поисках своей торговой системы, которая на практике уже дала реальную прибыль на достаточно ограниченном промежутке времени, трейдер получает подтверждение правильности найденного подхода к рынку. И теперь допустить, что все это было случайностью? Это уже слишком, особенно для новичков. Тем не менее, необходимость объективной оценки результатов торговли очень существенна. В этом случае на помощь снова приходит нормальное распределение.

Мы не знаем, каков будет результат каждой отдельной сделки. Мы только можем сказать, что мы либо получим прибыль (+), либо потерпим убыток (-). Чередование убытков и прибылей может происходить по-разному для каждой торговой системы. Например, если размер предполагаемой прибыли в 5 раз меньше размера предполагаемого убытка при срабатывании Stop Loss, то разумно предполагать, что прибыльных сделок (со знаком +) будет существенно больше, чем убыточных (со знаком минус). Z-счет позволяет оценить, насколько часто прибыльные сделки сменяются убыточными.

Z-счет для торговой системы вычисляется по формуле:

где:
N — общее число сделок в последовательности;
R — общее число серий выигрышных и проигрышных сделок;
P = 2*W*L;
W — общее число выигрышных сделок в последовательности;
L — общее число проигрышных сделок в последовательности.

Серия — это последовательность идущих друг за другом плюсов (например, +++) или минусов (например, —). R подсчитывает количество таких серий.

Рис.4. Сравнение двух серий выигрышей и проигрышей.

На рисунке синим цветом показана часть последовательности выигрышей и проигрышей эксперта, который занял первое место на Чемпионате Automated Trading Championship 2006. Z-score его конкурсного счета имеет значение -3.85, в скобках указана вероятность 99.74%. Это означает, что с вероятностью 99.74% сделки на этом торговом счете имели положительную зависимость между собой (Z-счет отрицателен): за одним выигрышем следовал другой выигрыш, за проигрышем опять шел проигрыш. Так ли это? Те, кто следил за Чемпионатом, помнят, что Roman Rich выставил на нем свою версию советника MACD, который часто открывал сразу по три сделки в одном направлении.

Красным цветом показана типичная последовательность положительных и отрицательных значений случайной величины для нормального распределения. Мы видим, что эти последовательности отличаются между собой, но как измерить это отличие? Z-счет дает нам ответ на этот вопрос: содержит ли ваша последовательность прибылей и убытков больше или меньше полос (серий выигрышей или проигрышей), чем можно было бы ожидать от действительно случайной последовательности, в которой нет зависимости между сделками. Если Z-счет близок к нулю, мы не можем сказать, что распределение торговых сделок отличается от нормального распределения. Z-счет последовательности сделок может дать нам информацию о возможной зависимости между результатами подряд идущих сделок.

При этом значения Z трактуются так же, как и вероятность отклонения от нуля случайной величины, распределенной по закону стандартного нормального распределения (среднее=0, sigma=1). Если вероятность попадания нормально распределенной случайной величины в диапазоне ±3σ равна 99.74 %, то попадание этого значения за пределы этого интервала с той же вероятностью 99.74% говорит нам о том, что эта случайная величина не принадлежит данному нормальному распределению. Поэтому «правило трех сигм» читают так: нормальная случайная величина отклоняется от своего среднего не более, чем на три сигмы.

Знак Z говорит нам о типе зависимости. Положительное говорит нам о том, что за прибыльной сделкой наиболее вероятна убыточная, а отрицательное — что за выигрышем последует выигрыш, а проигрыш повлечет за собой также проигрыш. Небольшая таблица иллюстрирует тип и вероятность зависимости между сделками по сравнению с нормальным распределением.

Z-счет Вероятность зависимости,% Тип зависимости
-3.0 99.73 Положительная
-2.9 99.63 Положительная
-2.8 99.49 Положительная
-2.7 99.31 Положительная
-2.6 99.07 Положительная
-2.5 98.76 Положительная
-2.0 95.45 Положительная
-1.5 86.64 Неопределенная
-1.0 68.27 Неопределенная
0.0 0.00 Неопределенная
1.0 68.27 Неопределенная
1.5 86.64 Неопределенная
2.0 95.45 Отрицательная
2.5 98.76 Отрицательная
2.6 99.07 Отрицательная
2.7 99.31 Отрицательная
2.8 99.49 Отрицательная
2.9 99.63 Отрицательная
3.0 99.73 Отрицательная

Положительная зависимость между сделками означает (Z-счет отрицателен), что выигрыш порождает выигрыш, а проигрыш порождает проигрыш. Отрицательная зависимость означает, что после выигрыша последует проигрыш, а после проигрыша последует выигрыш. Выявленная зависимость позволяет регулировать размеры открываемых позиций (в идеале) или даже пропускать некоторые из них и открывать их только виртуально для отслеживания последовательности сделок.

Прибыль за время удержания сделки (HPR)

В своей книге «Математика управления капиталом» Ральф Винс использует понятие HPR (holding period returns) — прибыль за время удержания сделки. Сделке, которая принесла 10% прибыли, соответствует HPR=1+0.10=1.10. Сделке же, принесшей убыток в 10%, соответствует HPR=1-0. 10=0.90. По-другому значение HPR для сделки можно получить, если разделить значение баланса после закрытия сделки (BalanceClose) на значение баланса на момент открытия сделки (BalanceOpen). HPR=BalanceClose/BalanceOpen. Таким образом, каждой сделке соответствует не только результат сделки в денежном выражении, но и HPR. Это позволяет сравнивать системы вне зависимости от величины торгуемых контрактов. Одним из показателей такого сравнения является среднее арифметическое — AHPR (average holding period returns).

Чтобы найти AHPR, нужно сложить все HPR и разделить на количество сделок. Рассмотрим эти расчеты используя предыдущий пример из 30 сделок. Предположим, что мы начали торговать, имея на счете $500. Составим новую таблицу:

Номер сделки Баланс, $ Результат, $ Баланс
по закрытии, $
HPR
1 500.00 -17.08 482.92 0.9658
2 482.92 -41.00 441.92 0.9151
3 441.92 147.80 589.72 1.3344
4 589.72 -159.96 429.76 0.7288
5 429.76 216.97 646.73 1.5049
6 646.73 98.30 745.03 1.1520
7 745.03 -87.74 657.29 0.8822
8 657.29 -27.84 629.45 0.9576
9 629.45 12.34 641.79 1.0196
10 641.79 48.14 689.93 1.0750
11 689.93 -60.91 629.02 0.9117
12 629.02 10.63 639.65 1.0169
13 639.65 -125.42 514.23 0.8039
14 514.23 -27.81 486.42 0.9459
15 486.42 88.03 574.45 1.1810
16 574.45 32.93 607.38 1.0573
17 607.38 54.82 662.20 1.0903
18 662.20 -160.10 502.10 0.7582
19 502.10 -83.37 418.73 0.8340
20 418.73 118.40 537.13 1.2828
21 537.13 145.65 682.78 1.2712
22 682.78 48.44 731.22 1.0709
23 731.22 77.39 808.61 1.1058
24 808.61 57.48 866.09 1.0711
25 866.09 67.75 933.84 1.0782
26 933.84 -127.10 806.74 0.8639
27 806.74 -70.18 736.56 0.9130
28 736.56 -127.61 608.95 0.8267
29 608.95 31.31 640.26 1.0514
30 640.26 -12.55 627.71 0.9804

AHPR находим как среднее арифметическое, оно равно 1.0217. Другими словами, мы в среднем зарабатываем (1.0217-1)*100%=2.17 % на каждой сделке. Так ли это? Если мы умножим 2.17 на 30, то получим, что доход должен составить 65.1%. Умножим первоначальный капитал $500 на 65.1% и получим $325.50. В то же время реальная прибыль составляет (627.71-500)/500*100%=25. 54%. Таким образом, среднее арифметическое от HPR не всегда позволяет правильно оценить систему.

Наряду со средним арифметическим Ральф Винс вводит понятие среднего геометрического, которое мы обозначили как GHPR (geometric holding period returns), которое практически всегда меньше среднего арифметического AHPR. Среднее геометрическое является фактором роста за игру и находится по формуле:

где:
N — количество сделок;
BalanceOpen — начальное состояние счета;
BalanceClose — конечное состояние счета.

Система с наибольшим средним геометрическим принесет наибольшую прибыль, если торговать на основе реинвестирования. Среднее геометрическое меньше единицы означает, что система будет терять деньги, если вы будете торговать на основе реинвестирования. Хорошей иллюстрацией разницы между AHPR и GHPR может служить счет sashken’а, который долгое время был лидером Чемпионата. AHPR=9.98% впечатляет, но итоговое GHPR=-27.68% все расставляет по своим местам.

Показатель Шарпа (Sharpe Ratio)

Эффективность инвестиций часто оценивают с точки зрения дисперсии доходов. Одним из таких показателей является коэффициент Шарпа (Sharpe Ratio). Этот коэффициент показывает, как соотносятся среднее арифметическое AHPR, уменьшенное на безрисковую ставку, и стандартное отклонение SD от ряда HPR. Значение безрисковой ставки RFR (Risk Free Rate) обычно принимают равным процентной ставке по доходу на депозит в банке или ставке дохода на казначейские обязательства. Для нашего примера, AHPR=1.0217, стандартное отклонение SD (HPR) равно 0.17607, а RFR=0.

где:
AHPR — средняя арифметическая прибыль за время удержания позиции;
RFR — безрисковая ставка;
SD — стандартное отклонение.

Sharpe Ratio=(1.0217-(1+0))/0.17607=0.0217/0.17607=0.1232. Для нормального стандартного распределения более 99% случайных величин находятся в диапазоне ±3σ (сигма=SD) вокруг среднего значения M(X). Из этого можно заключить, что значение Sharpe Ratio больше 3 является очень хорошим. Рисунок позволяет увидеть, что если результаты сделок распределены нормально, то при показателе Шарпа равном 3 вероятность получения убытка в каждой сделке меньше 1% — по правилу трех сигм.

Рис.5. Нормальное распределение результатов сделок с вероятностью проигрыша менее 1%.

Подтверждение этому можно увидеть на счете участника RobinHood: его эксперт совершил 26 сделок на Чемпионате Automated Trading Championship 2006, и среди них — ни одной убыточной. Показатель Шарпа (Sharpe Ratio) равен 3.07!

Линейная регрессия и коэффициент линейной корреляции

Можно и по-другому оценить стабильность торговых результатов. Показатель Шарпа позволяет оценить меру риска, которому подвергается торговый капитал, но можно попробовать оценить и степень гладкости кривой баланса. Если мы нанесем на график значения баланса по закрытии каждой сделки, то сможем провести ломаную линию. Можно аппроксимировать эти точки некоторой прямой линией, которая покажет нам среднее направление изменения торгового капитала. Рассмотрим эту возможность на примере графика баланса эксперта Phoenix_4, разработанного Hendrick’ом.

Рис.6. График баланса Hendrick — участника чемпионата Automated Trading Championship 2006.

Нам необходимо найти такие коэффициенты a и b, чтобы эта прямая линия проходила как можно ближе к аппроксимируемым точкам. Для нашего случая x — это номер сделки, y — значение баланса по закрытии сделки.

x (trades) y (balance)
1 11 069.50
2 12 213.90
3 13 533.20
4 14 991.90
5 16 598.10
6 18 372.80
7 14 867.50
8 16 416.80
9 18 108.30
10 19 873.60
11 16 321.80
12 17 980.40
13 19 744.50
14 16 199.00
15 17 943.20
16 19 681.00
17 21 471.00
18 23 254.90
x (trades) y (balance)
19 24 999.40
20 26 781.60
21 28 569.50
22 30 362.00
23 32 148.20
24 28 566.70
25 30 314.10
26 26 687.80
27 28 506.70
28 24 902.20
29 26 711.60
30 23 068.00
31 24 894.10
32 26 672.40
33 28 446.30
34 24 881.60
35 21 342.60

Обычно коэффициенты аппроксимирующей прямой находят по методу наименьших квадратов (МНК). Пусть у нас есть такая прямая с известными коэффициентами а и b. Для каждой точки x мы имеем два значения: y(x)=a*x+b и balance(x). Отклонение balance(x) от y(x) мы обозначим как d(x)=y(x)-balance(x). Сумма квадратов отклонений может быть посчитана как SD=Summ. Нахождение прямой по методу наименьших квадратов означает поиск таких коэффициентов a и b, чтобы SD была минимальна. Эту прямую также называют

(LR,Linear Regression) для данной последовательности.

Рис.7. Отклонение значения баланса от прямой y=ax+b

Получив коэффициенты прямой y=a*x+b по методу наименьших квадратов, мы можем оценить отклонение значений баланса от найденной прямой в денежном выражении. Если мы посчитаем среднее арифметическое для ряда d(x), то убедимся, что М(d(x)) близко к нулю (точнее, равно нулю с некоей степенью точности вычислений). В то же время сумма квадратов отклонений SD не равна нулю и имеет некое ограниченное значение. Корень квадратный из SD/(N-2) показывает разброс значений графика Баланса вокруг прямой линии и позволяет оценивать торговые системы при равных значениях начального состояния счета. Этот параметр мы назовем стандартным отклонением Баланса от линейной регрессии и обозначим как LR Standard error.

Вот каковы значения этого показателя для первых 15 счетов Чемпионата Automated Trading Championship 2006:

# Логин LR Standard error, $ Прибыль, $
1 Rich 6 582.66 25 175.60
2 ldamiani 5 796.32 15 628.40
3 GODZILLA 2 275.99 11 378.70
4 valvk 3 938.29 9 819.40
5 Hendrick 3 687.37 9 732.30
6 bvpbvp 9 208.08 8 236.00
7 Flame 2 532.58 7 676.20
8 Berserk 1 943.72 7 383.70
9 vgc 905.10 6 801.30
10 RobinHood 109.11 5 643.10
11 alexgomel 763.76 5 557.50
12 LorDen 1 229.40 5 247.90
13 systrad5 6 239.33 5 141.10
14 emil 2 667.76 4 658.20
15 payday 1 686.10 4 588.90

Но степень близости графика баланса к прямой линии можно измерить не только в денежном выражении, но и в абсолютном. Для этого можно использовать коэффициент корреляции. Коэффициент корреляции r измеряет степень связи между двумя последовательностями чисел. Значение этого параметра может быть в диапазоне от -1 до +1. Если значение r равно +1, то это значит, что обе последовательности ведут себя одинаково и корреляция положительна.

Рис.8. Пример положительной корреляции.

Eсли значение r равно -1, то две последовательности меняются в противофазе, корреляция отрицательна.

Рис.9. Пример отрицательной корреляции.

Если значение r равно нулю, значит, зависимости между последовательностями не обнаружено. То есть, нужно подчеркнуть, что нулевой коэффициент корреляции говорит не об отсутствии зависимости, а только о том, что зависимость не обнаружена. Нужно помнить об этом и не заменять одно утверждение другим. Для нашего случая нам необходимо соотнести две последовательности чисел: одна последовательность из графика баланса, а вторая — соответствующие точки на прямой линейной регрессии.

Рис.10. Значения баланса и точек на линейной регрессии.

В виде таблицы это будет выглядеть так:

Сделка Баланс Лин. регресс.
0 10 000.00 13 616.00
1 11 069.52 14 059.78
2 12 297.35 14 503.57
3 13 616.65 14 947.36
4 15 127.22 15 391.14
5 16 733.41 15 834.93
6 18 508.11 16 278.72
7 14 794.02 16 722.50
8 16 160.14 17 166.29
9 17 784.79 17 610.07
10 19 410.98 18 053.86
11 16 110.02 18 497.65
12 17 829.19 18 941.43
13 19 593.30 19 385.22
14 16 360.33 19 829.01
15 18 104.55 20 272.79
16 19 905.68 20 716.58
17 21 886.31 21 160.36

Значения баланса обозначим как X, а последовательность точек на прямой линейной регрессии обозначим как Y. Для того чтобы вычислить коэффициент линейной корреляции между последовательностями X и Y, сначала необходимо найти средние значения M(X) и M(Y). Затем создадим новую последовательность T=(X-M(X))*(Y-M(Y)) и вычислим среднее значение для нее M(T)=cov(X,Y)=M((X-M(X))*(Y-M(Y))). Найденное значение cov(X, Y) называется ковариацией X и Y и означает математическое ожидание от произведения (X-M(X))*(Y-M(Y)). Для нашего примера значение ковариации равно 21 253 775.08. Обратите внимание, что средние значения M(X) и M(Y) равны между собой и имеют значение 21 382.26. То есть, среднее значений Баланса и среднее значений аппроксимирующей прямой равны между собой.

где:
X — баланс;
Y — линейная регрессия;
M(X) — среднее от баланса;
M(Y) — среднее от линейной регрессии.

Теперь нам осталось вычислить значения Sx и Sy. Чтобы вычислить Sx, найдем сумму значений (X-M(X))^2, то есть найдем сумму квадратов отклонения величины X от его среднего значения. Вспомните, как мы вычисляли дисперсию и алгоритм метода наименьших квадратов(МНК), как видите, все они пересекаются. Найденную сумму квадратов разделим на количество чисел в последовательности — в нашем случае их 36 (от нуля до 35) — и возьмем из найденного значения квадратный корень. Значение Sx получено. Значение Sy вычисляем аналогично. Для нашего примера — Sx=5839.098245 и Sy=4610.181675.

где:
N — количество сделок;
X — баланс;
Y — линейная регрессия;
M(X) — среднее от баланса;
M(Y) — среднее от линейной регрессии.

Теперь мы можем найти значение коэффициента корреляции как r=21 253 775.08/(5839. 098245 * 4610.181675)=0.789536583. Это меньше единицы, но далеко не ноль. Таким образом, мы можем сказать, график баланса коррелирует с линией тренда со значением 0.79. При сравнении с другими системами мы постепенно научимся трактовать значения коэффициента корреляции. На странице «Отчеты» данный параметр обозначен как LR correlation. Единственная разница, которая была сделана для расчета параметра на страницах Чемпионата, — знак LR correlation указывает прибыльность торговли.

Дело в том,что мы могли вычислять коэффициент корреляции между графиком баланса и любой прямой линией. Для Чемпионата корреляция вычислялась для восходящей линии тренда, поэтому, если LR correlation больше нуля, — торговля прибыльна, если меньше нуля — убыточна. Бывает интересный эффект, когда на счете показана прибыль, но знак LR correlation отрицательный, что может говорить об убыточности торговли. Пример такой ситуации можно увидеть у Aver`а. Чистая прибыль (Total Net Profit) составляет $2 642, а LR сorrelation равна -0. 11. Хотя в данном случае речь скорее всего идет об отсутствии корреляции, то есть о невозможности сделать заключение о дальнейшей судьбе торгового счета.

Параметры MAE и MFE нам многое расскажут

Мы часто слышим: «Обрезайте убытки и дайте прибыли расти». Глядя на итоговый результат торговли, в котором представлены исходы торговых операций, мы не можем сделать никаких выводов о наличии защитных стопов (Stop Loss) или об эффективности фиксации прибыли. Мы видим только дату открытия позиции, дату закрытия и итоговый результат — прибыль или убыток. Это все равно что судить о жизни человека только по датам рождения и смерти. Не имея информации о плавающей прибыли в течение жизни каждой торговой позиции и обо всех позициях в совокупности, мы не можем вынести суждения о характере торговой системы. Насколько она рискованна, как достигалась прибыль, не упускалась ли бумажная прибыль? Ответы на эти вопросы в достаточной мере нам могут дать параметры MAE (Maximum Adverse Excursion) и MFE (Maximum Favorable Excursion).

Каждая открытая позиция до момента закрытия постоянно испытывает колебания прибыли. Каждая сделка в период между открытием и закрытием достигала максимальной прибыли и максимального убытка. MFE показывает максимальное движение цены в благоприятном направлении. Соответственно, MAE показывает максимально неблагоприятное движение цены. Логично было бы измерять оба показателя в пунктах, но если торговля велась на различных валютных парах, то для приведения к общему знаменателю мы будем использовать денежное выражение.

Каждой закрытой сделке соответствуют результат этой сделки (return) и два показателя — MFE и MAE. Если сделка дала прибыль в $100, но при этом MAE (максимальный плавающий убыток за время жизни позиции) достигала -$1000, то это не лучшим образом характеризует данную сделку. Наличие множества сделок с положительным результатом, но с большим отрицательными значениями MAE для каждой сделки говорят нам от том, что система пересиживает убыточные позиции, и рано или поздно такая торговля обречена.

Аналогично можно получить информацию и из значений MFE. Если позиция была открыта в правильном направлении, MFE (незафиксированная максимальная прибыль) по сделке достигала $3000, но в результате сделка была закрыта с результатом плюс $500, можно сказать, что неплохо было бы доработать систему защиты незафиксированной прибыли. Это может быть какой-то плавающий стоп (Trailing Stop), который мы можем подтягивать за ценой при благоприятном движении цены. Если недобор прибыли является систематическим, значит, торговая система может быть существенно улучшена. MFE расскажет нам об этом.

Для удобства визуального анализа лучше всего использовать графическое представление распределения значений MAE и MFE. Если мы нанесем каждую сделку на график, то мы увидим, каким образом был достигнут результат. Например, если мы опять посмотрим «Отчеты» участника RobinHood, у которого не было ни одной убыточной сделки, то увидим, что каждая из них имела просадку (MAE) от -$120 до -$2500.

Рис.11. Распределение сделок на плоскости MAE x Returns

Кроме того, мы можем провести прямую линию, которая аппроксимирует распределение Returns x MAE по методу наименьших квадратов. На рисунке она показана синим цветом и имеет отрицательный наклон (значения прямой уменьшаются при движении слева направо). Параметр Correlation(Profits, MAE)=-0,59 позволяет оценить, насколько близко к прямой линии распределены точки на графике, а отрицательное значение показывает отрицательный наклон аппроксимирующей линии.

Если Вы просмотрите счета других участников, то увидите, что обычно коэффициент корреляции является положительным. В данном примере нисходящий наклон линии говорит нам о тенденции получать все большие просадки в стремлении не допустить убыточных сделок. Теперь мы понимаем, какую цену пришлось заплатить за идеальное значение параметра LR Correlation=1!

Аналогично можно построить график распределения Returns и MFE, а также найти коэффиценты корреляции Correlation(Profits,MFE)=0.77 и Correlation(MFE, MAE)=-0.59. Значение коэффициента Correlation(Profits, MFE) является положительным и стремится к единице (0.77). Это говорит нам о том, что данная стратегия старается не допускать больших пересиживаний плавающих прибылей, скорее всего, прибыли не дают подрасти и сделки закрываются по фиксированному уровню Take Profit. Как видите, распределения MAE и MFE дают нам визуальную оценку, а значения коэффициентов корреляции Correlation(Profits, MFE) и Correlation(Profits, MAE) могут дать информацию о характере торговли даже без графиков.

Значения Correlation(MFE, MAE), Correlation(NormalizedProfits, MAE) и Correlation(NormalizedProfits, MFE) в «Отчетах» участников Чемпионата даны в качестве дополнительной информации.

Нормализация результатов сделок

Обычно при разработке торговых систем используют фиксированные размеры позиций. Так легче проводить оптимизацию параметров системы с целью нахождения наиболеее оптимальных по некоторым критериям параметров. Но после того как параметры были найдены, неизбежно встает вопрос о том, какую систему управления размерами позиций применить (Money Management, MM). Размер открываемых позиций напрямую связан с размером денежных средств на торговом счете, поэтому неразумно торговать на счете размером $5 000 такими же объемами позиций, как на счете с $50 000. Кроме того, система ММ может открывать не прямо пропорциальные позиции, то есть позиция на депозите $50 000 не обязательно должна быть в 10 раз больше позиции, открываемой на депозите $5 000.

Размеры позиций могут варьироваться также, исходя из текущей фазы рынка, анализа результатов нескольких последних сделок и так далее. То есть применяемая система управления капиталом может существенно изменить первоначальный облик торговой системы. И как нам оценить влияние примененной системы управления капиталом, пошла она во благо или только усугубила отрицательные стороны торгового подхода? Как нам сравнить результаты торговли на нескольких счетах с равными начальными условиями — размером депозита? Один из возможных вариантов решения этой задачи — сделать нормализацию результатов сделок, привести их к одному знаменателю.

где:
TradeProfit — прибыль со сделки в денежном выражении;
TradeLots — размер позиции (лоты);
MinimumLots — минимально допустимый размер позиции.

Нормализация будет заключаться в том, что результат каждой сделки (прибыль или убыток) мы будем делить на объем позиции и затем еще умножать на минимально допустимый размер для открытия торговой позиции. Например, ордер #4399142 BUY 2.3 lots USDJPY закрыт с прибылью $4 056. 20 + $118.51 (swaps) = $4 174.71. Пример взят со счета GODZILLA (Nikolay Kositsin). Разделим результат на 2.3 и умножим на 0.1 (минимально допустимый размер позиции), получим прибыль $4 056.20/2.3 * 0.1 = $176.36 и swaps = $5.15. Такие результаты имел бы ордер, открытый объемом 0.1 лот. Проделаем такую операцию с результатами всех сделок и получим нормализованные результаты (Normalized Profits, NP).

Первое, что приходит в голову, — найти значения Correlation(NormalizedProfits, MAE) и Correlation(NormalizedProfits, MFE), и сравнить их с первоначальными Correlation(Profits, MAE) и Correlation(Profits, MFE). Если разница между параметрами будет значительна, то, возможно, примененный метод управления капиталом существенно изменил первоначальную систему. Говорят, что применение ММ (Money Management) может «убить» прибыльную систему, но не превратит проигрышную систему в выигрышную. На Чемпионате счет TMR явился редким исключением, когда изменение значения Correlation(NormalizedProfits, MFE) c 0.23 до 0.63 позволило остаться в плюсе.

Как оценить агрессивность стратегии?

Мы можем извлечь еще большую пользу из нормализованных сделок для измерения степени влияния примененного метода управления капиталом. Очевидно, что если размеры открываемых позиций увеличить в 10 раз, то и конечный результат будет отличаться от первоначального в 10 раз. А если увеличивать размеры сделок не в заданное число раз, а в зависимости от текущей ситуации? Результаты, полученные управляющими фондами, принято сравнивать с неким эталоном, обычно — с каким-либо фондовым индексом. Коэффициент Beta показывает, во сколько раз сильнее изменяется торговый счет по сравнению с индексом. Если в качестве индекса мы возьмем нормализованные сделки, то сможем узнать, во сколько раз волатильнее стали результаты сделок по сравнению с первоначальной системой со сделками в 0.1 лот.

Итак, сначала мы вычислим ковариацию cov(Profits, NormalizedProfits). Затем — дисперсию нормализованных сделок, обозначив последовательность нормализованных сделок как NP. Для этого мы найдем математическое ожидание нормализованных сделок, которое обозначим как M(NP). M(NP) показывает результат средней сделки для нормализованных сделок. Затем найдем сумму квадратов отклонений нормализованных сделок от M(NP), то есть просуммируем величины (NP-M(NP))^2. Полученную сумму разделим на количество сделок и обозначим как D(NP). Это и есть дисперсия нормализованных сделок. Разделим ковариацию между измеряемой системой Profits и эталонным индексом NormalizedProfits cov(Profits, NormalizedProfits) на дисперсию индекса D(NP) и получим значение параметра, которое позволит нам оценить, во сколько раз сильнее колеблется торговый капитал от результатов оригинальных сделок (сделок на Чемпионате) по сравнению с нормализованными сделками. В «Отчетах» Чемпионата этот параметр назван Money Compounding и в какой-то степени является показателем агрессивности торговли.

где:
Profits — результаты сделок;
NP — нормализованные результаты сделок.
M(NP) — среднее от нормализованных сделок.

Теперь мы можем взглянуть на таблицу участников Чемпионата Automated Trading Championship 2006 немного другими глазами.

# Логин LR Standard error, $ LR Correlation Sharpe GHPR Z-score (%) Money Compounding Прибыль, $
1 Rich 6 582.66 0.81 0.41 2.55 -3.85(99.74) 17.27 25 175.60
2 ldamiani 5 796.32 0.64 0.21 2.89 -2.47 (98.65) 28.79 15 628.40
3 GODZILLA 2 275.99 0.9 0.19 1.97 0.7(51.61) 16.54 11 378.70
4 valvk 3 938.29 0.89 0.22 1.68 0.26(20.51) 40.17 9 819.40
5 Hendrick 3 687.37 0.79 0.24 1.96 0.97(66.8) 49.02 9 732.30
6 bvpbvp 9 208.08 0.58 0.43 12.77 1.2(76.99) 50.00 8 236.00
7 Flame 2 532.58 0.75 0.36 3.87 -2.07(96.06) 6.75 7 676.20
8 Berserk 1 943.72 0.68 0.20 1.59 0.69(50.98) 17.49 7 383.70
9 vgc 905.10 0.95 0.29 1.63 0.58(43.13) 8.06 6 801.30
10 RobinHood 109.11 1.00 3.07 1.74 N/A (N/A) 41.87 5 643.10
11 alexgomel 763.76 0.95 0.43 2.63 1.52(87.15) 10.00 5 557.50
12 LorDen 1229.40 0.8 0.33 3.06 1.34(81.98) 49.65 5 247.90
13 systrad5 6 239.33 0.66 0.27 2.47 -0.9(63.19) 42.25 5 141.10
14 emil 2 667.76 0.77 0.21 1.93 -1.97(95.12) 12.75 4 658.20
15 payday 1686.10 0.75 0.16 0.88 0.46(35.45) 10.00 4 588.90

Стандартная ошибка отклонения от линейной регрессии баланса LR Standard error у Победителей Чемпионата была не самая маленькая. В то же время графики баланса у большинства прибыльных экспертов были достаточно гладкими, так как значения LR Correlation не так далеки от 1.0. Показатель Шарпа в основном был в диапазоне от 0.20 до 0.40. Единственный эксперт с экстремальным значением Sharpe Ratio=3.07, как оказалось при ближайшем рассмотрении, имеет не самые лучшие показатели MAE и MFE.

Среднее геометрическое сделки в основном располагается в диапазоне от полутора до трех процентов. При этом победители имеют не самые большие значения GHPR, но и не самые малые. Эстремальное значение GHPR=12.77% опять говорит нам об аномалии в торговле, и мы видим, что этот счет испытывал самые большие колебания с LR Standard error=$9 208.08.

Z-score не дает нам каких-либо обобщений о первых 15 участниках Чемпионата, но большие значения |Z|>2.0 могут привлечь наше внимание к истории торговли, чтобы разобраться в природе зависимости между сделками на счете. Так, мы уже знаем, что Z=-3.85 для счета Rich’а на самом деле достигнут за счет одновременного открытия трех позиций, а как дело обстоит на счете ldamiani?

Колонка Money Compounding также имеет широкий диапазон значений от 8 до 50. Причем, значение 50 является максимальным для чемпионата, так как размер максимально допустимой сделки составлял 5.0 лота, что в 50 раз больше размера 0.1 минимального лота. Но, как ни странно, этот параметра не самый большой у победителей, первые три места имеют значения 17.27, 28.79 и 16.54. Неужели победители не в полной мере использовали максимальный разрешенный размер торговых сделок? Но нет же, использовали. Вероятно, дело в том, что примененные методы управления размером позиций не так сильно увеличили риски на торговом счете при общем увеличении размеров контрактов. То есть мы наглядно увидели, насколько система управления капиталом важна для торговой системы.

На 15-м месте находится счет payday. Советник, торговавший на нем, из-за небольшой ошибки в коде не мог открывать сделки с объемом более 1.0 лота. А если бы этой ошибки не было и размеры позиций были бы увеличены в 5 раз до 5.0 лота, увеличилась бы в той же пропорции и прибыль с $4 588.90 до $22 944.50? Занял бы он второе место на Чемпионате или пережил бы непоправимый DrawDown из-за возросших рисков? А может, первое место занял бы alexgomel? Его советник также торговал только 1.0 лотом. Или победа могла бы достаться vgc, эксперт которого чаще всего открывал сделки с объемом менее 1.0 лота. Все трое имеют хорошие показатели плавности хода графика баланса. Как видите, интрига Чемпионата не исчезла даже с его окончанием!

Заключение: Не выплеснуть ребенка вместе с водой

Сколько людей — столько и мнений. В этой статье приведены лишь самые общие подходы к оценке торговых стратегий. Можно придумать еще множество критериев, призванных оценивать результаты торговых операций. Каждая характеристика в отдельности не может дать полной и объективной оценки, но совокупность характеристик поможет нам избежать однобокого подхода в этом деле.

Можно сказать, что любой положительный результат (прибыль, полученную на достаточной последовательности сделок) мы можем подвергнуть дополнительному «допросу с пристрастием», дабы выявить негативные моменты в процессе торговли. То есть все эти критерии не столько могут охарактеризовать эффективность данной торговой стратегии, сколько, скорее, сообщат нам о слабых местах в торговле, на которые мы должны обращать внимание, не удовлеторяясь абсолютным конечным результатом — чистой прибылью, полученной на торговом счете.

Да, идеальной торговой системы не добиться, и в каждой торговой системе можно найти не только положительные стороны, но и жирные минусы. Критерии оценки нужны не для того, чтобы безапелляционно забраковать некий торговый подход, а для того чтобы знать, в каком направлении двигаться при разработке торговых систем и экспертов. В этом отношении статистика, накопленная на Чемпионате Automated Trading Championship 2006, является большим подспорьем для каждого трейдера.

Математическая стратегия «Спецназ» – точно в цель!

Приветствуем подписчиков нашего Форекс портала! Не секрет, что существует две категории трейдеров, первые из которых пытаются заработать на Форекс путем проведения технического анализа, поиска ценовых паттернов и графических моделей, а вторые – ищут слабые места рынка, которые позволят им получать прибыль без специальных знаний. Сегодня мы поговорим именно об этой категории трейдеров. Зачем проводить сложный технический анализ, когда можно зайти в любой точке на графике и получить хорошую прибыль? Так появилась система Мартингейла, стратегии усреднения и сетки ордеров. Но все это уже уходит в прошлое. Появляются новые математические стратегии, основанные на поведении цены и статистике. Сейчас мы рассмотрим одну из таких стратегий, позволяющих зарабатывать независимо от направления цены.

Смотрите также наш независимый рейтинг брокеров.

Математическая стратегия «Спецназ»

Эта стратегия была разработана одним практикующим трейдером и выложена им на Форекс форуме. Мы не знаем, почему он назвал ее так необычно, но главное не в этом, а в том, что она реально работает. По заверениям ее создателя она приносит 70-80% прибыли в месяц. Внимание! В ней не используются стоп-лоссы, а просадка может быть весьма ощутимой, но благодаря высокой доходности на это можно закрыть глаза. Если торговля без стопов для вас неприемлема, то поищите другую торговую систему в нашем разделе Форекс стратегий. Итак, в чем суть математической стратегии «Спецназ»? В одно время открываются две сделки – на покупку и продажу. Тейк-профит для каждой из них выставляется на расстоянии 20 пунктов для четырехзнака (для пятизначных брокеров тейк-профит будет равен 200 пунктам), стоп-лосс не ставим. Как только сработает тейк-профит по одной из сделок, открываем еще одну позицию в том же направлении и с тем же тейк-профитом в 20 пунктов. Убыточную позицию не закрываем. И так делаем до конца дня. Утром следующего дня снова открываем два ордера по текущей цене – на покупку и продажу. При этом тейк-профит по убыточным позициям усредняем таким образом, чтобы при развороте рынка получить по каждой из них свои 20 пунктов прибыли. Для этого рассчитываем совокупный тейк-профит для убыточных позиций по следующей формуле:

(a + b + с) / h ± 20 пунктов,

где, a, b и c – цены открытия по убыточным сделкам;
h – количество убыточных сделок по одному направлению;
20 пунктов прибавляем для сделок Buy и отнимаем для сделок Sell.

Рассмотрим подробнее на примере. Допустим, в понедельник в 8 утра по Московскому времени вы открыли сделки на покупку и продажу по цене 1.3200. Через некоторое время сделка на Buy была закрыта по тейк-профиту 1.3220. Вы снова должны открыть сделку на покупку по цене 1.3220 с тейк-профитом 1.3240 и так далее до конца дня. То есть вы фиксируете прибыль через каждые 20 пунктов, при этом ваша заработанная прибыль компенсирует убытки по второй сделке на Sell. На следующий день также в 8 часов утра вы снова открываете две сделки на покупку и продажу по текущей цене, например, 1.3280. Для сделки на покупку вы выставляете стандартный тейк-профит 20 пунктов. А для двух имеющихся в наличии убыточных сделок на Sell вы выставляете усредненный тейк-профит, рассчитанный по формуле:

(1.3200 + 1.3280) / 2 – 0.002 = 1.3220.

Таким образом, для обеих убыточных позиций на продажу мы выставляем одинаковый тейк-профит, который позволит нам получить по 20 пунктов с каждой сделки. При этом для первой сделке будет зафиксирован убыток в размере 20 пунктов, а по второй сделке – прибыль 60 пунктов, что в итоге нам даст 40 пунктов прибыли за две сделки. Если этого не произойдет во вторник, то в среду мы снова открываем две новых сделки на покупку и продажу по текущей цене и пересчитываем тейк-профит уже для трех убыточных сделок. Суть данной стратегии состоит в том, что мы постоянно фиксируем прибыль по тем сделкам, которые идут в нашем направлении, а тейк-профит по убыточным сделкам каждый день подтягивается вслед за ценой, поэтому достаточно небольшого отката, чтобы просадка превратилась в прибыль.

Рассмотрим еще один реальный пример со скриншотом, которым поделился автор математической стратегии «Спецназ»:

Как мы видим на скриншоте (кстати, это реальный счет автора стратегии), в течение 10 дней было открыто 10 сделок на продажу, по сделке на каждый день. Если посчитать по нашей формуле, то мы получим следующий тейк-профит:

(1.0460 + 1.0600 + 1.0611 + 1.0645 + 1.0697 + 1.0678 + 1.0739 + 1.0752 + 1.0727 + 1.0757) / 10 – 0.002 = 1.0646.

Если вы посмотрите на колонку T / P, то увидите, что все 10 сделок на продажу имеют общий тейк-профит 1.0646. На следующем скриншоте видно, как отрабатываются сделки математической стратегии Форекс «Спецназ».

Особенности стратегии «Спецназ»

  • Стратегия оптимизирована под валютную пару EURUSD;
  • Таймфрейм не имеет значения, но удобнее торговать на H1;
  • Время начала торговли 08.00 по Московскому времени (плюс / минус час);
  • Время окончания торговли – конец Американской торговой сессии;
  • Риск на каждую сделку не должен превышать 1% от депозита;
  • Рекомендуемый объем лота – 0.01 на 1000$ (если у вас нет такой суммы, то можете открыть центовый счет );
  • В стратегии не предусмотрено увеличение объема сделок;
  • Во время выхода важных новостей (Non-Farm, изменения процентных ставок ФРС и ЕЦБ, пресс-конференции ФРС и ЕЦБ, выступления Йеллен и Драги, а также другие значимые экономические события) необходимо отменять тейк-профиты по меньшему количеству ордеров. Например, у вас открыто две сделки на Buy и восемь сделок на Sell, необходимо отменить только тейк-профиты по сделкам на покупку. Делается это для того, чтобы не произошел сильный разрыв между сделками на покупку и продажу. Через 30 минут после выхода новости можно активировать тейк-профиты или фиксировать имеющуюся прибыль и открывать новые сделки.

Советник по стратегии «Спецназ»

Трейдерами, торгующими по данной стратегии, был написан советник, который вы сможете скачать в конце обзора. Обращаем ваше внимание, что данный советник может быть еще достаточно сыроват, поэтому протестируйте его сначала на демо-счете. Сам автор стратегии торгует по ней вручную.

Выводы

Таким образом, математическая Форекс стратегия «Спецназ» позволяет брать прибыль независимо от направления цены. Главный ее недостаток заключается в том, что на безоткатных движениях может быть довольно большая просадка, но это встречается крайне редко. С другой стороны, высокая доходность 70-80% в месяц делает эту стратегию очень прибыльной, и можно достаточно быстро отбить первоначальные вложения. В любом случае протестируйте стратегию сначала на демо-счете, прежде чем переходить на реал. Прибыльной вам торговли!

Математические методы разработки и оценки стратегий торговли на межбанковском валютном рынке Forex тема диссертации и автореферата по ВАК РФ 08.00.13, кандидат экономических наук Муравьев, Дмитрий Георгиевич

Оглавление диссертации кандидат экономических наук Муравьев, Дмитрий Георгиевич

1. ОБЗОР МЕТОДОВ ПРОГНОЗА БИРЖЕВЫХ КОТИРОВОК И ОЦЕНКИ РИСКА ИНВЕСТОРА.

1.1. Методы фундаментального и технического анализа

1.2. Методы авторегрессионного анализа.

1.3. Метод оценки риска Value-at-Risk, теория оптимального портфеля и сценарные подходы к управлению риском.

2. ЗАДАЧИ КЛАССИФИКАЦИИ И ВОССТАНОВЛЕНИЯ РЕГРЕССИИ В УСЛОВИЯХ ВЫБОРКИ ОГРАНИЧЕННОГО ОБЪЕМА

2.1. Постановка задач

2.2. Минимизация среднего риска.

2.3. Минимизация эмпирического риска.

2.4. Метод структурной минимизации риска.

2.5. Алгоритмы задания структуры на параметрическом множестве функций

2.6. Общие замечания к задачам восстановления зависимостей.

3. МЕТОДЫ И АЛГОРИТМЫ ПОСТРОЕНИЯ ТОРГОВЫХ СТРАТЕГИЙ НА РЫНКЕ FOREX.

3.1. Искусственные нейронные сети

3.2. Методы повышения качества нейросетевого прогноза рынка валют.

3.3. Риск и доходность стратегии торговли.

3.4. Критерий оптимального роста капитала в условиях рынка Forex.

3.5. Многомерный регрессионный метод прогноза котировок валют.

3.6. Программные средства прогнозирования тенденций на рынке валют.

3.7. Построение торговой системы с известным риском и доходностью на примере валютной пары EUR/USD.

Рекомендованный список диссертаций по специальности «Математические и инструментальные методы экономики», 08.00.13 шифр ВАК

Модели доходности и прогнозирование риска портфеля инвестора на международном валютном рынке: На примере рынка FOREX 2003 год, кандидат экономических наук Зинин, Александр Николаевич

Статистическое прогнозирование для построения эффективных торговых стратегий на валютном рынке 2003 год, кандидат экономических наук Литинский, Денис Семенович

Разработка модели эволюции валютных котировок 2022 год, кандидат экономических наук Анненков, Александр Петрович

Минимизация рисков дилерской деятельности 2006 год, кандидат экономических наук Господарчук, Сергей Александрович

Современный валютный рынок Forex: динамика и методы ее оценки 2008 год, кандидат экономических наук Кулаков, Никита Владимирович

Введение диссертации (часть автореферата) на тему «Математические методы разработки и оценки стратегий торговли на межбанковском валютном рынке Forex»

В течение последних десятилетий теория и практика финансов во все большей степени опирается на математические методы. Это привело к более интенсивному использованию математического аппарата при изучении поведения финансовых рынков.

Едва ли не главнейшей задачей исследования различных процессов в финансовой сфере является прогнозирование. Разнообразные коммерческие данные поступают зачастую в форме временных рядов, значения которых подчиняются некоторым закономерностям. Целью выявления этих закономерностей служит построение моделей временных рядов, позволяющих предсказывать их будущие значения. Глубокое понимание явлений, протекающих в реальной экономике на финансовых рынках, а, значит, и умение предугадать пути развития имеющейся ситуации, невозможно без наличия простых и понятных инструментов описания и анализа финансовой информации.

Проблема анализа временных рядов, моделируемых случайными процессами, начала исследоваться давно. Фундаментальные основы строгой теории случайных процессов были заложены еще А. Н. Колмогоровым. Во многом благодаря работам известных русских ученых были детально изучены свойства стационарных процессов с дискретным и непрерывным временем и их прогноз. Систематическое изложение результатов, методов и приложений общей теории случайных процессов содержится в монографии И. И. Гихмана и А. В. Скорохода [1]. В дальнейшем углубленной проработке подвергались нестационарные процессы, как лучшим образом описывающие действительные явления. Была предложена модель временных рядов со стационарными разностями (модель ARIMA), подробно описанная Дж. Боксом и Г. Дженкинсом [2]. Нестабильность рынков в 70-е и 80-е годы потребовала моделей, адекватно отражающих резкие колебания экономических показателей.

Появился новый класс моделей временных рядов, учитывающих изменения дисперсии и, тем самым, предугадывающих возможные сильные изменения значений временного ряда. Введенный тип моделей впервые был описан Энглом [3] и получил название моделей авторегрессионной условной гетероскедастичности (ARCH). В последующих работах этого же и других авторов (см., например, [4], [5], [6]) семейство ARCH было тщательно изучено, при различных допущениях строились и рассматривались самые разнообразные модели.

В последнее время появилось несколько новых подходов идентификации моделей сложных систем: подход В.Н. Вапника основанный на методе структурной минимизации риска (В.Н. Вапник, 1979, 1984); методика идентификации на основе непараметрических коллективов решающих правил, предлагаемая в работах А.Г. Ивахненко (1971) и В.А. Лапко (2002); подход к оцениванию на основе рандомизированных алгоритмов (Б.Т. Поляк и О.Н. Граничин, 2003). Похожая методика на основе адаптивных алгоритмов случайного поиска использовалась в начале восьмидесятых в работах J1.A. Растригина (1981). Кроме того, весьма популярны методы, основанные на искусственных нейронных сетях. По этой теме имеется многочисленные работы, охватывающие различные области применения.

Тем не менее, задача построения алгоритмов идентификации моделей финансовых рынков в условиях значительной априорной неопределенности остается актуальной. В данном случае проблема заключается в том, что приходится выполнять оценивание параметров по малому числу наблюдений. При малом числе наблюдений основное условие предельных теорем теории вероятностей (существование большого числа случайных явлений) не выполняется. Поэтому основанная на них теория статистического оценивания и рассматриваемые в рамках этой теории методы построения оценок оказываются недостаточно обоснованными. При малом числе наблюдений, даже если вероятностные характеристики ошибок известны, построенные на их основе статистические выводы будут ненадежны.

Развиваемые в данной работе методы и алгоритмы опираются на идеи В.Н. Вапника поиска правила, близкого к наилучшему в классе для заданного объема выборки с оценкой качества правила на генеральной совокупности с заданной надежностью.

В настоящей работе рассматривается межбанковский валютный рынок Forex. Такой выбор обусловлен несколькими причинами. С развитием информационных технологий упрощается и ускоряется доступ к различным электронным торговым площадкам. Развивается рынок услуг для частных инвесторов. Так, на сегодняшний день только на территории России существуют десятки брокерских контор, предоставляющих доступ на валютный рынок Forex. Условия работы, предлагаемые этими брокерами приемлемы для широкого круга инвесторов. Они сочетают достаточно небольшой начальный капитал, низкие комиссионные издержки (узкий спрэд), возможность торговли неполными лотами и потенциально высокий уровень ожидаемого дохода. На серверах Internet-брокеров для начинающих трейдеров предлагается круг статей, посвященных техническому и фундаментальному анализу, а также стратегиям торговли. Однако применимость таких стратегий и анализа остается под вопросом.

Сегодня невозможно представить профессионального участника финансового рынка, который не использовал бы прогнозирование в том или ином виде. Однако качество прогноза существующих методов в прикладных задачах требует дальнейшего повышения. Недостаточное качество прогнозов связано в первую очередь с глобализацией финансовых рынков, увеличением волатильности валют, процентных ставок, курсов ценных бумаг и цен на сырье. В целом финансовые рынки стали более нестабильными, сложными в анализе и дерегулированными. Это особенно влияет на транснациональные корпорации, имеющие филиалы в разных странах, и, соответственно, активы и обязательства в различных валютах, что может привести к общим убыткам, несмотря на эффективность своей деятельности в конкретной валюте. Даже несмотря на наличие большого количества готовых нейросетевых пакетов для предсказания курса, их жесткие структурные ограничения не позволяют получить достоверные прогнозы в быстро меняющейся обстановке сегодняшнего рынка. С другой стороны, применяемые инвестиционные стратегии, а также популярные подходы риск — менеджмента не позволяет с точки зрения теории вероятностей дать приемлемую оценку риску и ожидаемой прибыли при т.н. "активной" стратегии торговли.

Таким образом, является актуальной разработка эффективных стратегий торговли, которые могут применяться, в частности, на межбанковском валютном рынке Forex, который считается одним из самых плохо прогнозируемым финансовым рынком.

Цель работы и задачи исследования

Целью настоящей диссертационной работы является разработка новых методов построения стратегий торговли на валютном рынке Forex и оценки ожидаемой прибыли и риска для найденных стратегий с заданным уровнем надежности, опирающихся на предсказание будущего состояния нестационарного временного ряда с помощью нелинейного регрессионного аппарата.

В рамках диссертационной работы решаются следующие задачи.

1. Разработка и исследование линейных и нелинейных моделей прогнозирования эконометрических рядов.

2. Разработка и исследование алгоритмов прогнозирования котировок валют на основе нелинейных регрессионных методов.

3. Разработка и исследование подходов к определению и оценки риска и доходности стратегий торговли.

4. Исследование методов и алгоритмов поиска решающего правила с оценкой качества найденного решения.

5. Разработка и исследование алгоритмов оптимизации реинвестируемой части рискового капитала, нахождения параметров защитных ордеров для максимизации прибыли на заданном периоде торговли.

6. Применение разработанных методов в торговле на рынке Forex.

Объектом исследования является межбанковский рынок Forex.

Предметом исследования являются методы разработки и оценки стратегий торговли на валютном рынке Forex.

Результаты проведенных и представленных в диссертации исследований получены с использованием теории вероятностей и математической статистики, теории нейронных сетей, методов восстановления функциональных зависимостей и методов мат. моделирования.

Научную новизну работы составляют:

1. Предложенный алгоритм прогноза биржевых котировок на основе многомерного нелинейного регрессионного метода, для которого слоистые нейронные сети являются частным случаем.

2. Полученные эффективные методы прогнозирования рынка валют с помощью многослойных нейронных сетей, обеспечивающие решение задачи повышения доходности валютных операций.

3. Созданный подход к определению риска и доходности стратегий торговли, позволяющий наиболее верно отразить практические потребности инвестора при оценке своей деятельности.

4. Комплексный метод разработки стратегий торговли на межбанковском валютном, рынке Forex с оценкой доходности и риска, основанный на указанных выше подходах.

Практическая ценность работы

Практическая значимость работы состоит в разработке формальной методики, обеспечивающей возможность ее использования широким кругом организаций. Подход, предложенный в работе, может быть применен не только на рынке Forex, но, после некоторой адаптации, и к любому финансовому рынку, что делает материал ценным с точки зрения практического применения в качестве составной части комплекса поддержки принятия решений любого инвестиционного учреждения.

Созданные в рамках диссертационной работы программные средства могут быть использованы для автоматизации деятельности организаций, сталкивающихся с необходимостью учета неформализуемых зависимостей при прогнозировании нестационарных временных рядов.

Работа состоит из введения, трех глав, заключения, списка литературы и приложений. Дальнейшее изложение организовано следующим образом.

Во введении обоснована актуальность исследуемой проблемы, определены цели, задачи, объект и предмет исследования, показана научная новизна и практическая значимость работы.

В Главе 1 произведен обзор методов прогноза биржевых котировок и оценки риска. Рассмотрены основы технического и фундаментального анализа, классические методы авторегрессионного анализа — ARIMA и GARCH, методы оценки риска Value-at-Risk, теория оптимального портфеля и сценарные подходы к управлению риска. Произведен критический пересмотр указанных методов и выявлены недостатки, предполагающие дальнейшее совершенствование подходов.

Глава 2 посвящена теоретическому описанию задач классификации и восстановления регрессии в условиях выборок ограниченного объема. Здесь также приведены алгоритмы задания структуры на множестве функций, в которых происходит поиск решения.

В Главе 3 показаны вычислительные возможности искусственных нейронных сетей и алгоритмы их обучения, рассмотрены некоторые методы повышения качества нейросетевого прогноза рынка валют. Дано новое определение риска и доходности торговой стратегии, рассмотрен критерий Келли в условиях торговли, предоставляемых дилинговыми центрами и банками на рынке Forex. Приведен новый многомерный нелинейный регрессионный метод, частным случаем которого являются многослойные нейронные сети, произведена оценка дисперсии параметров модели и доверительных интервалов. Описаны программные средства, реализованные в рамках работы над диссертацией, и показан пример построения торговой системы, которая позволяет с заданной степенью надежности ответить на вопрос о степени риска и ожидаемой прибыли на известном периоде торговли, определяющая оптимальную часть рискового капитала, участвующую в игре, а также параметры защитных ордеров для максимизации ожидаемой прибыли и снижения уровня риска.

В Заключении сформулированы основные результаты работы и намечены пути дальнейших исследований по теме диссертации.

Похожие диссертационные работы по специальности «Математические и инструментальные методы экономики», 08.00.13 шифр ВАК

Методика анализа алгоритмов управления валютным портфелем 2003 год, кандидат физико-математических наук Котенко, Александр Евгеньевич

Применение стабильных агрегированных валют для анализа рынка Forex 2022 год, кандидат наук Колодко Дмитрий Владимирович

Торговая стратегия как инструмент минимизации риска индивидуального инвестирования 2005 год, кандидат экономических наук Ханин, Илья Захарович

Разработка информационной технологии управления финансовыми ресурсами кредитных организаций 2000 год, доктор технических наук Пугачев, Сергей Викторович

Оптимизация портфеля опционных контрактов на основе выявленных предпочтений инвесторов 2022 год, кандидат экономических наук Гордейчук, Егор Николаевич

Заключение диссертации по теме «Математические и инструментальные методы экономики», Муравьев, Дмитрий Георгиевич

Анализ подходов риск-менеджмента и классических подходов к прогнозированию и оценки эффективности торговых стратегий, проведенный в рамках настоящей работы, показывает, что ни одна из общепринятых на сегодняшний день методологий управления рыночным риском и оценки доходности не может считаться оптимальной. Для построения адекватной системы мониторинга рисков во все возрастающей волатильности финансовых рынков необходимо применять комплексный подход. От финансовых моделей требуются скорее количественная оценка эффективности применяемой стратегии управления активами. Именно на этот результат была нацелена настоящая работа.

В настоящей работе предложен подход к прогнозированию валютных рынков, основанный на предсказании будущего состояния нестационарного временного ряда с помощью нелинейного регрессионного аппарата, позволяющего решать выделенный класс задач прогнозирования.

Цель диссертации — разработка методов построения стратегий торговли на валютном рынке Forex и оценки ожидаемой прибыли и риска для найденных стратегий можно считать достигнутой. Эти методы позволяют с заданной надежностью ответить на вопрос о степени риска и ожидаемой прибыли при заданном периоде и осуществлении "активной" стратегии торговли, определяют оптимальную часть капитала, подлежащую инвестированию, а также параметры защитных ордеров для максимизации ожидаемой прибыли при снижении уровня риска.

Предложенный алгоритм прогноза биржевых котировок на основе нелинейного регрессионного метода, в результате экспериментальных исследований показал лучшие результаты по сравнению с известными методами прогноза рынка валют.

Полученные методы прогнозирования рынка валют с помощью нейронных сетей позволяют дополнительно повысить качество нейросетевого прогноза.

Созданный подход к определению риска и доходности активных стратегий торговли, позволяет наиболее верно, с точки зрения автора, отразить степени рисков и доходности торговой деятельности.

В рамках предложенного комплексного метода разработки и оценки стратегий на рынке Forex, можно подобрать индивидуальную тактику управления рисковым капиталом для различных категорий инвесторов.

Разработанный программный комплекс, реализующий предложенные в работе методы, подтвердил справедливость основных результатов диссертации на исторических данных.

Предложенный период прогноза обусловлен тем, что прогноз пересматривается достаточно часто и в кризисных ситуациях не позволяет получить возможные значительные убытки, в тоже время однодневный период является достаточным для элиминации внутридневных шумов, препятствующих получению качественного прогноза.

Практическая значимость работы состоит в разработке формальной методики, обеспечивающей возможность ее использования широким кругом организаций. Созданные в рамках диссертационной работы программные средства могут быть использованы для обеспечения системы поддержки принятия решений качественными прогнозами. Подход, предложенный в работе, может быть применен не только на рынке Forex, но, после некоторой адаптации, и на любом финансовом рынке, что делает материал ценным с точки зрения практического применения для любого инвестиционного учреждения.

Разработанный подход к определению риска и доходности инвестиционной деятельности при заданном рисковом капитале и периоде торговли позволяет в каждом конкретном практическом случае производить оценку стратегии с различных точек зрения. Для каждой категории инвесторов согласно разработанным методам можно подобрать свою тактику управления рисковым капиталом с учетом индивидуального отношения к риску.

Использование методов, предложенных в работе, позволит осуществлять более эффективную инвестиционную деятельность организаций, осуществляющих операции на финансовых рынках, т.к. в настоящее время применение отечественными финансовыми структурами эффективных методов прогнозирования, основанных на теории вероятностей и математической статистике, находится на стадии интенсивного развития.

В настоящей работе не рассмотрены инвестиционные стратегии с применением опционов на некоторый актив. Использование опционов становится все более популярным и исследование опционных стратегий весьма актуально и интересно с точки зрения оценки финансового результата. Исследованию таких стратегий будут посвящены последующие работы автора.

Список литературы диссертационного исследования кандидат экономических наук Муравьев, Дмитрий Георгиевич, 2006 год

1. Гихман И.И., Скороход А.В. Теория случайных процессов. М.: Наука, 1971.

2. Бокс Дж., Дженкинс Г. Анализ временных рядов: в 2-х вып., вып.2. Прогноз и управление. М.: Мир, 1974.

3. Engle R.F. Autoregressive conditional heteroscedasticity with estimates of the variance of the United Kingdom inflation. Econometrica, 1982, v.50, p. 9871007.

4. Bollerslev T. A conditional heteroscedastic time series model for speculative prices and rates of returns. Rev. Economics and Statistics, 1987, v.69, p. 542547.

5. Panorska A.K., Mittnik S., Rachev S.T. Stable GARCH models for financial time series. Appl. Math. Lett., 1995, v.8, No. 5, p. 33-37.

6. Baillie R.T., Bollerslev Т., Mikkelsen H.O. Fractionally integrated generalized autoregressive conditional heteroscedasticity. J. Econometrics, 1996, v.74, p. 330.

7. Мэрфи Д.Д. Технический анализ фьючерсных рынков. М.: Диаграмма, 1998.

8. Мэрфи Д.Д. Межрыночный технический анализ. М.: Диаграмма, 2002.

9. Вильяме JI. Долгосрочные секреты краткосрочной торговли. М.: ИК Аналитика, 2001.

10. Ю.Швагер Д. Технический анализ. Полный курс. М.: Альпина Паблишер, 2001.11 .Вильяме Б. Торговый Хаос М.: ИК Аналитика, 2000.

11. Вильямс Б. Новые измерения в биржевой торговле. М.: ИК Аналитика, 2002.

12. Ширяев А.Н. Вероятность. М.: Наука, 1989

13. Уотшем Т.Дж., Паррамоу К. Количественные методы в финансах. М.: Финансы, ЮНИТИ, 1999.

14. Mansfield P. GARCH in question . and as a benchmark. Int. Rev. of Financial Analysis, 1999, v.8,No. l,p.l-20.

15. Bollerslev Т., Engle R., Wooldridge J.M. A capital asset pricing model with time-varying covariances. J. Political Economy, 1998, v.96, Iss. 1, p. 116-131.

16. Andersen T.G., Bollerslev T. Answering the sceptics: yes, standard volatility models do provide accurate forecasts. Int. Economic Rev., 1998, v.39, Iss. 4, p. 885-905.

17. Fang Y., Zhang J. Performance of control charts for ARCH processes. J. Applied Statistics, 1999, v.26, No 6, p.701-714.

18. Bollerslev T. Generalized autoregressive conditional heteroscedasticity. Journal of Econometrics, 1986, v. 51, p. 307-327.

19. Bollerslev T. Modeling the coherence in short-run nominal exchange rates: multivariative generalized ARCH approach. Rev. Economics and Statistics, 1990, v.72, p. 498-505.

20. Шепард H. Статистические аспекты моделей типа ARCH и стохастическая волатильиость. // Обозрение прикладной и промышленной математики, том 3, вып. 6,1996.

21. Risk Management A Practical Guide // J.P. Morgan-Reuters RiskMetrics, LLC, -1998

22. Amendment to the Capital Accord to incorporate market risks // Basel Committee on Banking Supervision, Bank for international settlements, January, 1996 http://www.bis.org

23. The New Basel Capital Accord // Basel Committee on Banking Supervision at the Bank for International Settlements, April, 2003 http://www.bis.org

24. Crouhy M., Galai D., Mark R. Risk Management. McGrow Hill, N.Y., 2001

25. RiskMetrics™ Technical Document Fourth Edition. Part II: Statistics of Financial Market Returns, pp.43-100, Morgan Guaranty Trust Company of New York, Reuters Ltd, New York, 1996

26. Вапник В. H. Алгоритмы и программы восстановления зависимостей.- М.: Наука, 1984.

27. Вапник В. Н. Восстановление зависимостей по эмпирическим данным.- М.: Наука, 1979.

28. К. Хартман, Э. Лецкий, В. Шефер. Планирование эксперимента в исследовании технологических процессов.- М.: Мир, 1977.

29. Vapnik V.N. Estimation of dependencies based on empirical data. Springer, New York, 1982.

30. Pitts W. McCulloch W. W. How we know universals. Bulletin of Mathematical Biophysics, 1947 9:127-47.

31. Rosenblatt R. Principles of neurodynamics. New York: Spartan Books, 1959.

32. Sankar K. Pal, Sushmita Mitra, Multilayer Perceptron, Fuzzy Sets, and

33. Classification //IEEE Transactions on Neural Networks, Vol.3, N5,1992, pp.683696.

34. Rumelhart D. E., Hinton G. E., Williams R. J. 1986. Learning internal reprentations by error propagation. In Parallel distributed processing, vol. 1, pp. 318-62. Cambridge, MA: MIT Press.

35. Колмогоров A.H. О представлении непрерывных функций нескольких переменных суперпозициями непрерывных функций меньшего числа переменных.Докл. АН СССР, 1956. Т. 108, №. 2 С. 179-182.

36. Арнольд В.И. О функциях трех переменных. Докл. АН СССР, 1957. Т. 114, №4. С. 679-681.

37. Колмогоров А.Н. О представлении непрерывных функций нескольких переменных в виде суперпозиции непрерывных функций одного переменного. Докл. АН СССР, 1957. Т. 114, № 5. С. 953-956.

38. Витушкин А.Г. О многомерных вариациях. М.: Физматгиз, 1955.

39. Stone M.N. The generalized Weierstrass approximation theorem. Math. Mag., 1948. V.21. PP. 167-183,237-254.

40. Шефер X. Топологические векторные пространства. М.: Мир, 1971.

41. Горбань А.Н.Обобщенная аппроксимационная теорема и вычислительные возможности нейронных сетей. Сибирский журнал вычислительной математики, 1998. Т.1, № 1. С. 12-24.

42. Cybenko G. Approximation by superposition of a sigmoidal function. Mathematics of Control, Signals, and Systems, 1989. Vol. 2. PP. 303 314.

43. Hornik K., Stinchcombe M., White H. Multilayer feedforward networks are universal approximators. Neural Networks. 1989. Vol. 2. PP. 359 366.

44. Kochenov D.A., Rossiev D.A. Approximations of functions of CA,B. class by neuralnet predictors (architectures and results). AMSE Transaction, Scientific Siberian, A. 1993, Vol. 6. Neurocomputing. PP. 189-203. Tassin, France.

45. Gilev S.E., Gorban A.N. On completness of the class of functions computable by neural networks. Proc. of the World Congress on Neural Networks (WCNN'96). Sept. 15-18, 1996, San Diego, CA, Lawrens Erlbaum Accociates, 1996. pp. 984991.

46. Горбань A.H., Россиев Д.А. Нейронные сети на персональных компьютерах. Новосибирск: Наука, 1996.

47. Жданов А.И., Муравьев Д.Г. Об одном регрессионном методе прогноза котировок валют. // Вестник Самарского государственного аэрокосмического университета имени академика С. П. Королева.- Вып.7. -Самара: СГАУ, 2005. С. 68-71.

48. Markowitz Н. Portfolio Selection // Journal of Finance, 7, no.l, March 1952.

49. Feller, W., An Introduction to Probability Theory and Its Applications, Vol. 1, John Wiley, New York,-1966.

50. Kelly, J.L. Jr. A new interpretation of information rate // Bell System Technical Journal, 35, -1956.

51. Breiman, L. Optimal Gambling systems for favourable games. Fourth Berkeley Symposium on Mathematical Statistics and Probability -Univ. Calif. Press, Berkeley, CA., 1961, pp. 65-78.

52. Муравьев Д.Г. Модификация метода окон для нейросетевого прогноза курсов валют. // О научных проблемах, которые предстоит решать молодым // Сборник статей молодых ученых и студентов. Самара: СИУ, 2004. — С. 115-119.

53. Муравьев Д.Г. Предобработка финансовых данных. // О научных проблемах, которые предстоит решать молодым. // Сборник статей молодых ученых и студентов.- Самара: СИУ, 2004. С. 119-124.

54. Муравьев Д.Г. О некоторых методах повышении эффективности нейросетевого прогноза валют. // О научных проблемах, которые предстоит решать молодым. // Сборник статей молодых ученых и студентов. Самара: СИУ, 2004.-С. 124-129.

55. Ф. Уоссермен "Нейрокомпьютерная техника: Теория и практика" М.:Мир, 1992

56. Демиденко Е.З., Линейная и нелинейная регрессия,.- М.: Наука, 1981.

57. Ширяев, А.Н. Основы стохастической финансовой математики. Том I:

58. Факты.Модели, М., ФАЗИС, 1998

59. Колмогоров А.Н., Фомин С.В. Элементы теории функций и функционального анализа. М.: Наука, 1968.

60. Гнеденко Б.В. Курс теории вероятностей. М.: Наука, 1988

61. Baillie R.T., Bollerslev Т. Intra-day and interday market volatility in foreign exchange rates. The review of Economic Studies, 1991, v.58, Iss. 3, p. 565-585.

62. Bollerslev Т., Engle R.F. Common persistence in conditional variances. -Econometrica, 1993, v.61,p. 167-186.

63. Davidian M., Carrol R.J. Variance function estimation. J. Amer. Statist. Assoc., 1987, v.82, p. 1079-1091.

64. Bollerslev Т., Chou R.Y., Kroner K.F. ARCH modeling in finance: a review of the theory and emirical evidence. J. Econometrics, 1992, v.52, p. 5-59.

65. Lachenbruch P.A., Mickey M.R., Estimation of error rates in discriminant analysis, Technometrics, 10, № 1 (1968).

66. Хемминг Р.В. Численные методы. М.: Наука, 1972

67. Коварцев А.Н. Численные методы. Самара: Самарский муниципальный комплекс непрерывного образования, 1997

68. Artificial Neural Networks: Concepts and Theory, IEEE Computer Society Press, 1992.

69. Richard P. Lippmann, An Introduction to Computing withNeural Nets, IEEE Acoustics, Speech, and Signal ProcessingMagazine, April 1987.

70. Иванченко А.Г. Персептрон системы распознавания образов.// К.: Наукова думка, 1972.

71. Минский М., Пейперт С. Персептроны. М.: МИР, 1971. С. 261.

72. Fogelman Soulie F. Neural networks, state of the art,neural computing.// London: IBC Technical Services, 1991.

73. Jeffery W., Rosner R. Neural network processing as a tool for friction optimization.//Neuronet Comput. Conf., Snowbird, Utah, Apr. 13-16, 1986. New York,N.Y., 1986-p. 241-246.

74. Lippmonn Richard P. Gold Ben Neuronet classifiers useful for speech recognition.// IEEE 1st. Conf. Neural Networks, San Diego, (Calif), 1987 p. 417-425.

75. Картавцев B.B. Нейронная сеть предсказывает курс доллара?//Компьютеры+ программы 1993 — N 6(7) — с. 10-13.

76. Масалович А.И. От нейрона к нейрокомпьютеру.// Журнал доктора Добба -1992 N 1 — с. 20-23.

77. Цуприков С. Нейронные вычисления берутся на вооружение финансистами. // Computerworld Moscow — 1985 — N 7 — с. 57-58.

78. Artificial Intelligence. // Amsterdam: Time Life — Books, 1986.

79. Hecht-Nielsen R. Neurocomputing: picking the human brain.// IEEE SPECTRUM 1988 V. 25. N 3 — p. 36-41.

80. Neural Computing.// London: IBE Technical Services, 1991.

81. Treliven P. Neurocomputers.// London: University college, 1989.

82. Барцев С.И. Некоторые свойства адаптивных сетей (программная реализация).-Красноярск: Институт физики СО АН СССР, 1987.

83. Барцев С.И., Охонин В.А. Адаптивные сети обработки информации. -Красноярск: Институт физики СО АН СССР, 1986.

84. Суворов С.В., Матихина Н.Ю. Программное моделирование нейроподобных структура/Распределенная обработка информации.-Улан-Уде, 1989,-с. 28.

85. Fox G.C., Koller J.G. Code generation by a generalized neural networks: general principles and elementary examples.//J. Parallel Distributed Computing. 1989. V. 6. N2. P. 388-410.

86. Cross Michael. Brain ware hits Japanese computers.// NewSci. 1988 — 120, 640 -p. 33.

87. Burr D. J. 1987. Experiments with a connecnionlist text reader. In Proceedings of the IEEE First International Conferense on Neural Networks, eds. M. Caudill and C.Butler, vol. 4, pp. 717-24. San Diego, CA: SOS Printing.

88. Cottrell G. W., Munro P., Zipser D. 1987. Image compression by backpropagation: An example of extensional programming. ICS Report 8702, University of California, San Diego.

89. Wasserman P. D. Combined backpropagation/Cauchy machine. Proceedings of the International Newral Network Society. New York: Pergamon Press, 1988.

90. Geman S., Geman D. 1984. Stohastic relaxation, Gibbs distribution and Baysian restoration of images. IEEE Transactions on Pattern Analysis and Machine Intelligence 6:721-41.

91. Шульц P., Печальная история фонда LTCM почему риск-менеджмент не похож на точные науки? // Financial Times, 27 июня 2000 г.

92. Банковская энциклопедия/Под ред. С.И. Лукаш, Л.А. Малютиной. — Днепропетровск: Баланс-Аудит, 1994.

93. Мелкумов Я.С. Экономическая оценка эффективности инвестиций. — М.: ИКЦ "ДИС", 1997.

94. Муравьев Д.Г. Оценка активных инвестиционных стратегий на валютном рынке Forex // Корпоративное управление в России: состояние, проблемы, развитие // Сб. науч. тр. Вып.2 Самара: МАКУ, 2005. — С. 155-161.

95. Дубров А. М., Мхитарян В. С, Трошин Л. И. Многомерные статистические методы, М., Финансы и статистика, 1998.

96. Муравьев Д.Г. Применение искусственных нейронных сетей для анализа финансовых рынков. // Тез. докл. VII межвузовской научно-практической конференции студентов и аспирантов. Самара: СИУ, 2001. — С. 20-24.

97. Муравьев Д.Г. Общие подходы к прогнозированию курсов валют на основе стохастических методах в нейронных сетях. // Сборник материалов VIII межвузовской научно-практической конференции студентов и аспирантов. -Самара: СИУ, 2002. С. 80-86.

98. Основные фигуры технического анализа

99. Рис. 1. Линии поддержки и сопротивления1. Рис. 2. Линия тренда1. Рис. 3. "Канал'1. Фигуры смены тенденции1. Щ . иЖШШШЖШ!1. GBP AO-FX LAST-120 min1.6150•1.6100 •1.6050 ■1.6000 •1.5950 •1 59001. JPY AO-FX LAST-Daily113.00109.00107.00105.00103 00

100. TiadeStatmn Chart (JPY AO-FX> Jap. H1. Рис. 4. "Голова плечи"

101. Рис. 5. Двойная вершина (дно)1. JPY АО-FX LAST-430 min

102. Рис. 6. Тройная вершина (дно)1. Фигуры продолжения тренда1. Рис. 7. "Флаг"Ш

103. CHF ^O-FX LAST-15 rnin •1.5250•1.5150 ■1.5050н 1.4850 ■1 4750н 1. То/22. ШЙ5 10/26 10/271. Рис. 8." Вымпел".

104. Здесь Н ценовая база. Считается, что цена "пробивает" линии на ценовую базу Н.

105. Список реальных сделок на рынке Forex

106. Currency Ope ration Volum e Open Rate Close Rate Commis sions Interes t Total P/L Open Date Close Date Reason

107. EUR/USD BUY 100 000 1.0872 1.0609 -10 -60 -2630 13.03.2003 17.03.2003 Asking

108. EUR/GBP SELL -200 000 0.681 0.6862 -20 -480 -1673.36 24.02.2003 12.03.2003 Limit

109. EUR/USD SELL -200 000 1.0488 1.0569 -20 -90 -1620 10.01.2003 13.01.2003 Asking

110. EUR/USD SELL -200 000 1.0754 1.0819 -20 -30 -1300 20.02.2003 21.02.2003 GTC

111. EUR/GBP SELL -200 000 0.6689 0.6717 -20 -150 -894.1 14.02.2003 19.02.2003 GTC

112. EUR/USD BUY 100 000 1.0824 1.0745 -10 -60 -790 07.02.2003 11.02.2003 GTC

113. EUR/USD BUY 100 000 1.0824 1.075 -10 -75 -740 07.02.2003 12.02.2003 GTC

114. EUR/GBP SELL -100 000 0.6598 0.6642 -10 -30 -712.62 11.02.2003 13.02.2003 Asking

115. EUR /USD SELL -100 000 1.0979 1.1049 -10 -90 -700 05.03.2003 11.03.2003 GTC

116. EUR/USD SELL -100 000 1.0981 1.1049 -10 -90 -680 05.03.2003 11.03.2003 GTC

117. EUR/USD BUY 100 000 1.0623 1.0585 -10 -30 -380 17.03.2003 19.03.2003 Asking

118. EUR/GBP BUY 200 000 0.6767 0.6756 -20 -60 -344.48 18.03.2003 20.03.2003 GTC

119. EUR/GBP SELL -100 000 0.6756 0.6766 -10 -60 -157.31 20.03.2003 24.03.2003 Asking

120. EUR/GBP SELL -100 000 0.6633 0.6642 -10 -45 -145.76 10.02.2003 13.02.2003 Asking

121. GBP /JPY SELL -100 000 188.7 188.83 -10 0 -110.23 13.03.2003 13.03.2003 Asking

122. EUR/GBP SELL -100 000 0.6756 0.6759 -10 -75 -47.29 20.03.2003 25.03.2003 GTC

123. EUR /USD BUY 200 000 1.1049 1.1048 -20 -30 -20 11.03.2003 12.03.2003 Limit

124. EUR/USD BUY 200 000 1.0488 1.0488 -20 -30 0 09.01.2003 10.01.2003 GTC

125. EUR/USD SELL -200 000 1.0785 1.0782 -20 -30 60 26.02.2003 27.02.2003 GTC

126. EUR/USD BUY 100 000 1.0743 1.075 -10 -15 70 11.02.2003 12.02.2003 GTC

127. EUR/USD BUY 100 000 1.0012 1.0023 -10 -15 110 21.11.2002 22.11.2002 Asking

128. EUR/USD BUY 100 000 1.0089 1.0113 -10 -15 240 12.11.2002 13.11.2002 Asking

129. EUR/USD BUY 200 000 1.0737 1.075 -20 -30 260 11.02.2003 12.02.2003 GTC

130. Currency Ope ration Volum e Open Rate Close Rate Commis sions Interes t Total P/L Open Date Close Date Reason

131. EUR/GBP BUY 100 000 0.6717 0.6734 -10 -15 271.66 19.02.2003 20.02.2003 Asking

132. EUR/GBP BUY 100 000 0.6717 0.6734 -10 -15 271.66 19.02.2003 20.02.2003 Asking

133. EUR/USD SELL -100 000 1.0085 1.0044 -10 -15 410 14.11.2002 15.11.2002 Asking

134. EUR/GBP BUY 200 000 0.6792 0.681 -20 -90 568.66 21.02.2003 24.02.2003 GTC

135. EUR/USD BUY 100 000 0.9939 1.0016 -10 -120 770 27.11.2002 05.12.2002 Limit

136. EUR/USD SELL -100 000 1.0091 1.0012 ' -10 -45 790 18.11.2002 21.11.2002 Asking

137. EUR/USD SELL -100 000 1.0028 0.9947 -10 -45 810 22.11.2002 25.11.2002 Asking

138. EUR/USD BUY 100 000 1.0014 1.0113 -10 -60 990 06.12.2002 10.12.2002 Limit

139. EUR/USD BUY 100 000 1.0737 1.084 -10 -45 1030 11.02.2003 14.02.2003 GTC

140. EUR/USD SELL -100 000 1.084 1.0727 -10 -75 1130 14.02.2003 19.02.2003 Asking

141. EUR/USD BUY 200 000 1.0827 1.0887 -20 -180 1200 30.01.2003 05.02.2003 Asking

142. EUR/GBP BUY 200 000 0.6742 0.678 -20 0 1209.84 14.03.2003 14.03.2003 Limit

143. EUR/USD BUY 100 000 1.0782 1.0907 -10 -75 1250 27.02.2003 04.03.2003 Asking

144. EUR/USD BUY 100 000 1.0573 1.0725 -10 -90 1520 16.01.2003 22.01.2003 Asking

145. EUR/GBP BUY 200 000 0.6642 0.6689 -20 -30 1524.3 13.02.2003 14.02.2003 GTC

146. EUR/USD BUY 100 000 1.0564 1.0726 -10 -90 1620 16.01.2003 22.01.2003 Asking

147. GBP /JPY SELL -100 000 189.25 186.71 -10 -285 2151.45 13.03.2003 01.04.2003 Asking

148. GBP /JPY SELL -100 000 189.9 186.7 -10 -285 2710.95 13.03.2003 01.04.2003 Asking

149. EUR/USD BUY 200 000 1.0698 1.0843 -20 -150 2900 22.01.2003 27.01.2003 Asking

150. EUR/GBP BUY 200 000 0.6759 0.6897 -20 -180 4351.14 25.03.2003 31.03.2003 Asking

151. Описание пакета NeuroPro 0.25

152. Подключение к нейропроекту файла (базы) данных в формате dfb (dBase, FoxBASE, FoxPro, Clipper) или db (Paradox);

153. Редактирование файла данных изменение существующих значений и добавление новых записей в базу данных; сохранение файла данных в другом формате;

154. Добавление в проект нейронной сети слоистой архитектуры с числом слоев нейронов от 1 до 10, числом нейронов в слое до 100 (что достаточно для большинства задач);

155. Тестирование нейронной сети на файле данных, получение статистической информации о точности решения задачи;

156. Вычисление показателей значимости входных сигналов сети, . сохранение значений показателей значимости в текстовом файле на диске;8. Упрощение нейронной сети;

157. Генерация и визуализация вербального описания нейронной сети, сохранение вербального описания в текстовом файле на диске;

158. Выбор алгоритма обучения, назначение требуемой точности прогноза, настройка нейронной сети.

159. При упрощении нейронной сети возможно выполнение следующих операций:

160. Сокращение числа входных сигналов нейронной сети путем удаления входных сигналов, наименее значимых для принятия сетью решения.

161. Сокращение числа нейронов сети путем удаления нейронов, наименее значимых для принятия сетью решения.

162. Комплексное равномерное упрощение нейронной сети. Для каждого нейрона сети выполняется сокращение числа приходящих на него сигналов до максимально возможного числа, задаваемого пользователем.

163. Сокращение числа связей в нейронной сети путем удаления связей, наименее значимых для принятия сетью решения.

164. Бинаризация связей в нейронной сети приведение весов синапсов к значениям -1 и 1 или значениям из более широкого набора выделенных значений.1. Е ЛСЫ20 npp1. Нейронные сети:

165. Network28 Network29 Network30 Network31 Network32 Network33

166. Входы и выходы j структур» сети |1

Обратите внимание, представленные выше научные тексты размещены для ознакомления и получены посредством распознавания оригинальных текстов диссертаций (OCR). В связи с чем, в них могут содержаться ошибки, связанные с несовершенством алгоритмов распознавания. В PDF файлах диссертаций и авторефератов, которые мы доставляем, подобных ошибок нет.

Научная электронная библиотека disserCat — современная наука РФ, статьи, диссертационные исследования, научная литература, тексты авторефератов диссертаций.

Математика на рынке Форекс

По какой-то причине некоторые из новичков утверждают, что знания, полученные в высших учебных заведениях, им никак не пригодились на валютном рынке. Конечно, занятий по трейдингу в государственном ВУЗе не встретишь, это правда. Только не одни навыки торговли могут пригодиться на Forex, еще желательно иметь представление о статистике, а так же о некоторых математических параграфах.

Например, если посмотреть на технический анализ, то многие построения и фигуры это есть не что иное, как геометрия. В то же время, расчеты рисков при настройке ММ так же являются математическими действиями. Получается, что не так уж бесполезны, полученные нами ранее знания.

Даже экономика дает меньше полезной информации валютному спекулянту, чем теория вероятностей и математика. Весь рынок это и есть последовательность значений цены во времени. Графическое отображение изменения цены является предметом анализа.

Любые стратегии основаны на статистике, собранной трейдером. Весь технический анализ это история, которая и дает нам необходимые данные для прогнозирования будущего. Вероятность наступления того или иного события, опять же, может рассчитываться с помощью наших знаний, полученных ранее. Все это почему-то упускается из виду, когда люди пренебрежительно говорят о знаниях, полученных вне рынка.

На Forex существует большое количество математических моделей, используемых трейдерами в своей работе. Даже если взять любимый многими начинающими спекулянтами Ilan, ведь это и есть математическая модель в чистом виде. Здесь нет, как таковых, условий рынка, закономерностей и так далее. Трейдер постоянно в той или иной степени использует математику для своих целей, при этом, не забывая жаловаться, что ему совершенно негде было учиться торговле на валютном рынке. Да, многие знания спекулянт получит только на Форекс, но он при этом может использовать то, чему уже научился.

Применение математики в трейдинге

Все индикаторы представляют собой математические формулы, рассчитывающие значения программы. Советники написаны на языке программирования, но по математическим алгоритмам, как и скрипты. Получается, что математика занимает важное место в трейдинге, если начать детально рассматривать все процессы, с которыми сталкивается валютный спекулянт.

Как мы видим, привычные вспомогательные материалы, которыми многие уже привыкли пользоваться, есть ни что иное, как математические вариации. Разбираясь в статистике, человек уже упростит себе работу, связанную с тестированием и оптимизацией торговых систем, например.

На Форекс тоже никто не разбежится рассказывать нечто полезное для торговли, так что, остается лишь полагаться на себя, используя все нам доступное. В итоге, пренебрегая тем, чему уже учились, мы часто стремимся найти что-то принципиально новое, что волшебным образом повысит эффективность нашей торговли.

Блог ArtiCOOLa
Отзывы

Смотрите также

Информация о финансовом регуляторе Великобритании FSA.

Роль ПАММ счетов на инвестиционном рынке.

Что такое сроки исполнения бинарного опциона и какие варианты сроков исполнения бывают?

Разработка математической модели торговли на рынке Форекс в ситуациях ГЭП. Варианты программно-алгоритмической реализации модели Текст научной статьи по специальности «Экономика и бизнес»

Аннотация научной статьи по экономике и бизнесу, автор научной работы — Ананченко Игорь Викторович

Рассматриваются вопросы построения торговой системы для работы с финансовыми инструментами на рынке Форекс в ситуациях возникновения ценового разрыва ( ГЭП )

Похожие темы научных работ по экономике и бизнесу , автор научной работы — Ананченко Игорь Викторович

Текст научной работы на тему «Разработка математической модели торговли на рынке Форекс в ситуациях ГЭП. Варианты программно-алгоритмической реализации модели»

________МЕЖДУНАРОДНЫЙ НАУЧНЫЙ ЖУРНАЛ «СИМВОЛ НАУКИ» №7/2022 ISSN 2410-700Х______________________

4. Damodaran, A. Investment valuation. The tools and techniques of valuation of any assets. — M.: Alpina Business Books, 2022. — 1342 S.

5. Ermolovich, L. L. Analysis of economic activity of the enterprise: Textbook/ L. L. Ermolovich. — M.: Publishing house "InterpressNews", 2022. — 574 p.

6. Popova, T. A. the Definition of risk within the concept of acceptable risk // Scientific notes NSUEM. — 2022.

7. Murray, S. L. Grantham, K. Development of a Generic Risk Matrix to Manage Project Risks // Journal of Industrial and Systems Engineering. — 2022. №5(1) . — pp. 35-51;

© Karandina I.K, Orekhov V. I, Orekhova T.R.,2022

Ананченко Игорь Викторович

канд. техн. наук, доцент, Университет ИТМО,

г.Санкт-Петербург, РФ E-mail: igor@anantchenko.ru

РАЗРАБОТКА МАТЕМАТИЧЕСКОЙ МОДЕЛИ ТОРГОВЛИ НА РЫНКЕ ФОРЕКС В СИТУАЦИЯХ ГЭП. ВАРИАНТЫ ПРОГРАММНО-АЛГОРИТМИЧЕСКОЙ РЕАЛИЗАЦИИ

Рассматриваются вопросы построения торговой системы для работы с финансовыми инструментами на рынке Форекс в ситуациях возникновения ценового разрыва (ГЭП)

ГЭП, валютный рынок Форекс, торговые роботы, торговая система, ценовой разрыв, финансовый

Предлагаемая модель основана на том, что цена закрытия торгуемого финансового инструмента в пятницу и цена при открытии рынка в понедельник, как правило, не совпадают, то есть имеет место ценовой разрыв — ГЭП, обусловленный тем, что во время выходных произошли изменения в мировой экономической и политической обстановке и эти изменения учитываются новым значением цены. Трейдерами, торгующими на Форекс, отмечается, что часто в течении относительно короткого времени цена инструмента возвращается к тому значению, на котором завершились торги предыдущей недели. Пусть Cnew — цена открытия, а Cold -цена закрытия, тогда разница между ними характеризует величину ценового разрыва (ГЭП) Gap=|Cnew-Cold|. Если рассчитывать, что цена вернется к своему первоначальному значению Cold, то следует открывать ордер на продажу, если Cnew>Cold, и на покупку, если Cnew<Cold. Следует отметить, что ГЭП будет “закрыт” относительно быстро только если он достаточно выражен, т.е. больше некого значения epsl (разное для различных финансовых инструментов), но в тоже время значение ценового разрыва меньше eps2 (разное для различных финансовых инструментов), то есть выполняется условие, при котором eps1<|Cnew-Cold\<eps2. В упрощенном варианте учетом eps2 можно пренебречь, однако следует заметить, что слишком большое и нехарактерное для данного финансового инструмента значение ценового разрыва свидетельствует о том, что произошли важные фундаментальные изменения, связанные с оценкой торгуемого инструмента и, скорее всего, цена в обозримом будущем не вернется к первоначальному значению и открывать ордер, рассчитывая на возврат цены, не целесообразно, более вероятно дальнейшее продолжение движения цены именно в текущем направлении. Изменения финансового инструмента нельзя предсказать точно, т.к. невозможно учесть все факторы, оказывающие влияние на динамику изменения финансового инструмента. Для ограничения убытков используется параметр закрытия ордера StopLoss, фиксируется полученная прибыль после достижения значения, задаваемого параметром TakeProfit, возможная прибыль или убыток определяются не только этими значениями, но зависят также от объема лота открытого ордера, задаваемого

________МЕЖДУНАРОДНЫЙ НАУЧНЫЙ ЖУРНАЛ «СИМВОЛ НАУКИ» №7/2022 ISSN 2410-700Х_______

параметром Lot. Объем рассчитывается исходя из допустимого уровня риска (значения убытка), который может принять трейдер. В случае использования больших значений Lot, не соизмеряемых с величиной депозита, возрастает вероятность полной потери депозита.

Была разработана программа (исходный код доступен по ссылке http://mctrewards.ru/files/gap-aiv-mq4.zip), ориентирующаяся на возникновение ситуации ГЭП и открывающая торговый ордер или ордера с учетом разработанной математической модели. Разработанный торговый робот оптимизирован для работы с парой GBPUSD, для работы с другими парами, например, EURUSD — следует использовать другие коэффициенты, которые можно подобрать, используя тестер стратегий торгового терминала MetaTrader. Было разработано несколько версий программы, одна из которых зарегистрирована в ОФЕРНИО. Из файла РТО (http://www.ofemio.ru/rto_files_ofemio/18759.doc) можно взять данные по настройкам и инструкцию по работе с программой. Ниже представлен сильно упрощенный, но работоспособный, исходный программный код, написанный на языке MQL вер. 4.0 для терминала торговой платформы MetaTrader 4.

#property copyright "Copyright 2022, Igor Anantchenko"

#property link "http://www.mctrewards.ru"

#property version " 1.00"

double punkt; extern double Lot=0.01; extern double StopLoss=0.0017;

extern double TakeProfit=0.0040; extern double min_gapsize=0.0025; extern int Magic=123; int signal=0; int flag=0; int den; int ticket=-1; void OnTick() < den=DayOfWeek(); if (den==1) < // Торгуем только в понедельник

открылись в понедельник

double zakritie = iClose(Symbol(), PERIOD_D1, 1); // Цена закрытия в пятницу double gap=NormalizeDouble(MathAbs(zakritie-otkritie),Digits()); if ((otkritie > zakritie)&&(gap>min_gapsize)) signal=1; // Продаем if ((otkritie < zakritie)&&(gap>min_gapsize)) signal=2; // Покупаем

Разработанный торговый робот реализует одну из возможных торговых стратегий [1-3], основанную на оценке вероятностных исходов событий с учетом концепции пространства состояний [4].

Список использованной литературы:

1. Программный комплекс Magistr (AIV). Ананченко И.В. Хроники объединенного фонда электронных ресурсов Наука и образование. 2022. т. 1. № 1 (56). с. 56.

2. Программа для торговли на рынке Форекс на основе скользящих средних. Ананченко И.В., Мусаев А.А. В сборнике: Векторы развития современной науки Материалы Международной научно-практической конференции. Искужин Т.С. (отв. редактор). Уфа, 2022. с. 14-18.

3. Технология построения мультиплатформенных торговых роботов. Ананченко И.В. В сборнике: Приоритетные научные направления: от теории к практике Материалы Международной научнопрактической конференции. под общей редакцией А. И. Вострецова. 2022. с. 134-136.

4. Моделирование процессов изменения состояний рынков капитала на основе концепции пространства состояний. Ананченко И.В., Мусаев А.А. В сборнике: Современная наука: теоретический и практический взгляд Материалы Международной (заочной) научно-практической конференции. под общ. ред. А.И. Вострецова. Нефтекамск, 2022. с. 110-117.

© И.В. Ананченко 2022

_______МЕЖДУНАРОДНЫЙ НАУЧНЫЙ ЖУРНАЛ «СИМВОЛ НАУКИ» №7/2022 ISSN 2410-700Х_____

Астапова Галина Викторовна

докт. экон. наук, профессор НАУ г. Киев, Украина Абазина Оксана Андреевна аспирант НАУ г. Киев, Украина Омельяненко Сергей Леонидович канд. экон. наук, младший научный сотрудник Государственного музея авиации НАУ г. Киев, Украина E-mail: Galla7171@mail.ru

ОБЕСПЕЧЕНИЕ ЭНЕРГОЭФФЕКТИВНОСТИ ФУНКЦИОНИРОВАНИЯ АВИАТРАНСПОРТНЫХ ПРЕДПРИЯТИЙ

В материале статьи представлены результаты исследований по усовершенствованию стимулирования деятельности по энергосбережению и повышению энергоэффективности авиатранспортных предприятий. Разработаны рекомендации по внедрению методических разработок по организации материального стимулирования деятельности работников по энергосбережению в практику работы авиакомпаний.

энергосбережение, энергоэффективность, стимулирование, деятельность, трудовое участие, творческая

активность, авиатранспортное предприятие.

Повышение энергоэффективности авиатранспортных предприятий (авиакомпаний, аэропортов) возможно в результате внедрения в практику их деятельности системы материального стимулирования работ по энергосбережению. Материальное стимулирование деятельности работников по энергосбережению (далее по тексту ДЭС) в условиях авиатранспортных предприятий, как правило, осуществляется на основе пропорционального подхода уравнительным методом, что исключает экономическую заинтересованность в обеспечении энергоэффективности.

Целью исследования выступает обоснование на основе дифференцированного подхода коэффициентного метода расчета сумм материальных поощрений работников авиапредприятий, занятых ДЭС и обеспечивающих энергоэффективность деятельности.

На основе использования формулы (1) осуществляется расчет значения сводного коэффициента трудового участия работника подразделения по энергосбережению (ЕКзвг):

где: Крв — коэффициент трудового участия в зависимости от уровня ответственности в процессе осуществления ДЭС; Кст — коэффициент трудового участия в зависимости от стажа работы в направлении осуществления ДЭС; Кс — коэффициент трудового участия в зависимости от сложности условий работы по осуществлению ДЭС с точки зрения безопасности жизнедеятельности; Кпр — коэффициент трудового участия в зависимости от возможности получения профессионально обусловленных заболеваний; Кта -коэффициент трудового участия в зависимости от проявления инновационной (творческой) активности работников. Для расчета значения данного коефициента предлагаются следующие критерии творческой активности: 1) применение (или попытки применения) новых подходов и методов в работе, наличие результативных предложений по совершенствованию выполняемой работы. Максимально оценивается в 11 баллов по каждому предложению; 2) наличие положительных отзывов о выполнении обязанностей работником от не заинтересованных в этом лиц. Максимально оценивается в 11 баллов по каждому предложению; Ксит — коэффициент трудового участия по степени ориентации работника в различных ситуациях, возникающих в процессе ДЭС.

Данные для расчета коэффициента степени ориентации в различных ситуациях разрабатываются

ТОП 3 торговые стратегии для внутридневного трейдинга

Процесс торговли финансовыми активами с целью получения прибыли в рамках одного дня называется внутридневной торговлей. В данной статье мы рассмотрим три самые популярные стратегии для дневной торговли на рынке Форекс.

Что отличает внутридневных трейдеров от прочих спекулянтов на внебиржевом рынке? Дневные трейдеры пытаются воспользоваться небольшими колебаниями цен тех или иных валют для получения прибыли. В отличие от долгосрочных инвесторов, дневные трейдеры не позволяют транзакциям оставаться открытыми более 24 часов.

Таким образом, внутридневная торговля, это стиль торговли на Форекс, который ограничивается конкретным торговым днем и не выходит за его рамки. Дневные трейдеры закрывают свои позиции в тот же день, что открыли их. Они также могут совершать несколько транзакций для одного и того же актива в течение дня, либо для нескольких разных активов. То есть, они закрывают все сделки до конца торгового дня и не удерживают открытые позиции в течение ночи. Волатильность выбранных торговых активов и средний дневной диапазон являются двумя ключевыми факторами, влияющими на эффективность торговли дневных трейдеров. Они являются экспертами в области быстрого и эффективного входа в сделки и выхода из них, что позволяет им обеспечивать прибыль, получаемую от торговой деятельности.

Дневная торговля может быть весьма прибыльной, если все делать правильно. Тем не менее, данный метод трейдинга может также привести к существенным потерям по причине импульсивных торговых решений. Хотя существует множество причин, почему большинство начинающих трейдеров терпят неудачу, главная в списке это жадность, а также отсутствие надлежащей подготовки. Отсутствие надежной торговой стратегии приводит к тому, что большое число неопытных трейдеров теряет свой капитал за считанные дни.

Успешные внутридневные трейдеры годами практикуются, чтобы понимать, что представляет собой внебиржевой финансовый рынок, а также осознавать связанные с ним риски. Тем не менее, хорошие торговые стратегии — одна из причин, почему большинство из них все еще в деле.

Если вы рассматриваете дневную торговлю, то ниже приведены некоторые из лучших дневных торговых стратегий, которые освоить несложно освоить даже начинающему трейдеру.

Скальпинг

Скальпинг без преувеличения является самой старой и самой популярной стратегией, применяемой в дневной торговле. Эта простая стратегия включает в себя технический анализ финансового актива, которым вы хотите торговать. Как только вы определились с четким направлением движения цены актива, вы должны открыть позицию и закрыть ее через несколько минут.

Например, когда цена на актив движется вверх, скальперы могут войти в позицию на покупку. Сразу же после того, как цена начнет корректироваться, они выходят из транзакции и входят в позицию продажи актива. Процесс покупки и продажи продолжается многократно, пока не будет достигнута цель скальпера.

Скальпинг — это идеальная торговая стратегия в периоды низкой волатильности. При низкой волатильности активы, как правило, торгуются в боковом направлении, обеспечивая прочные позиции входа и выхода.

Профессиональные скальперы открывают и закрывают десятки позиций в течении одного дня. Тем самым они генерируют небольшую прибыль от каждой сделки за считанные минуты. Шанс получить прибыль по каждому небольшому движению цены является конечной целью этой стратегии. Одним из преимуществ стратегии скальпинга является то, что она ограничивает вашу подверженность значительным рискам при быстром входе в сделку и выходе из неё.

Скальпинг также выделяется среди прочих внутридневных торговых стратегий, поскольку он не требует больших фактических знаний о торгуемом активе. Единственное, что вам необходимо для ясного понимания, это направление, в котором цена актива может двигаться.

Тем не менее, вы всегда должны подходить к скальпингу с большой осторожностью. Например, вы никогда не должны открывать позиции непосредственно перед публикацией важных экономических данных. Рынки имеют тенденцию быть чрезвычайно изменчивыми, когда публикуются значительные экономические данные.

Хотя не все брокеры допускают применение данной стратегии, многие всё же позволяют своим клиентам её применение. Низкие спреды, предлагаемы некоторыми брокерами, позволяют трейдерам входить в сделки и выходить из них без значительных финансовых издержек, что очень важно при использовании торговой стратегии внутри одного дня.

Алгоритмическая торговля

Алгоритмическая торговая стратегия, это относительно новый вид стратегии, включающая в себя сложные математические алгоритмы. Эта стратегия может быть не идеальной для начинающих трейдеров, которые предпочитают торговать внутри дня, но она может быть отличным выбором, если у вас есть опыт в трейдинге, а также опыт в области математических наук и компьютерных технологий.

Трейдеры используют свой компьютер и сложную математику для разработки алгоритмов, генерирующих торговые сигналы. Для тех, кто хочет усовершенствовать эту стратегию, есть онлайн-программы, которые позволяют трейдерам создавать торговые алгоритмы.

Тем не менее, ни один алгоритм не является идеальным, учитывая, что финансовые рынки постоянно развиваются и меняются. Такие алгоритмы хороши только для тех, кто их разрабатывает. Тестирование алгоритмов на демо-счетах является обязательным, прежде чем использовать их при торговле с реальным депозитом. Тонкая настройка алгоритмов время от времени также важна для обеспечения их актуальности.

Пробой и ложный пробой

Умение идентифицировать пробои и ложные пробои обеспечивает простой способ получения прибыли для внутридневного трейдера. Однако при применении этой стратегией необходимо иметь четкое представление о некоторых технических индикаторах. Список индикаторов, которые используются с этой стратегией, включает в себя линии Боллинджера, двойные скользящие средние, а также индикаторы RSI и MACD.

В течение дня актив может торговаться в заданном диапазоне, в рамках определенного индикатора, скажем, линий Боллинджера. Однако с течением дня актив может попытаться выйти за пределы диапазона, то есть в сторону повышения или понижения. В этих случаях актив может попытаться выйти в области перекупленности или перепроданности.

В случае, если актив пытается пробиться вверх в линиях Боллинджера, говорят, что актив находится в области перекупленности. Дневной трейдер может использовать эту возможность, чтобы продать актив обратно в диапазон. В случае, если один и тот же финансовый актив пытается выйти из торгового диапазона, возникает перепроданность. Когда это происходит, трейдеры видят это на нижней стороне линий Боллинджера. Дневной трейдер может использовать эту возможность, чтобы открыть позицию на покупку. Это потому, что цена в большинстве случаев пытается вернуться к диапазону в случае ложного пробоя.

Чтобы иметь возможность использовать торговые пробои и ложные пробои, трейдеры должны иметь четкое понимание фундаментального анализа торгуемого актива. Это включает в себя понимание экономических и финансовых данных, определяющих цену актива. Многие форекс брокеры предоставляют трейдерам экономический календарь, который можно использовать, чтобы быть в курсе различных экономических событий, которые могут повлиять на движение цен различных финансовых активов.

Внутридневная торговля требует времени, навыков и дисциплины, но она определенно входит в список стратегий для трейдеров, которые планируют добиться успеха и получать значительную прибыль. Помните, что не существует идеальной стратегии. Будьте готовы изменить, улучшить и объединить различные подходы, чтобы получить наиболее многообещающие результаты. Дневная торговля это прекрасная возможность получить значительную прибыль в форекс торговле, если вы правильно регулируете свои риски и придерживаетесь стратегии. Обязательно проверяйте свой процент прибыльных сделок и поддерживайте его выше 50%, а также выбирайте кредитное плечо, в соответствии с используемой стратегией, и дневная торговля будет приносить вам 5–15% прибыли в месяц.

Лучшие Форекс брокеры 2021: