НЕЙРОСЕТЕВОЙ АНАЛИЗ ФОРЕКС

Лучшие Форекс брокеры 2021:

Нейросети в трейдинге. Рано хоронить

Это мой расширенный ответ на недавнюю публикацию «Мечтают ли нейросети об электроденьгах?», в которой автор многословно и подробно объясняет почему нейросети точно не могут работать в трейдинге и почему предсказание цены невозможно.

Прежде чем обосную свое несогласие с такой позицией, давайте немного коснемся теории и приемов которые применяются в трейдинге. Основой большинства графиков цены является так называемая «свеча». Это период усреднения цены, внутри периода мы игнорируем колебания котировок, а оставляем только минимальное и максимальное значения, а так же котировки начала свечи (открытия) и окончания (закрытия). Свечи могут быть от 1 минуты до 1 года. Раскрашиваем свечу зеленым если цена двинулась вверх, красным если двинулась вниз. В итоге получаем упрощенный, читабельный график, а главное, информативный.

Есть такая профессия — трейдер. Это специалист который долго учился своему ремеслу имеет большой опыт и как результат, после анализа некоего количества предыдущих свечей может предсказать движение цены на следующей свече, т.е. предсказать будущее. Он конечно не просто смотрит на график, а использует дополнительные инструменты которые называются «индикаторы». В индикаторах ничего волшебного нет, они формализуют и математически описывают все то же опыт трейдеров накопленный поколениями. Работа с индикаторами называется «техническим анализом». В отличии от других видов анализа, технический анализ работает только с графиком, никаких новостей и прочего.

Уже понятно к чему веду? Я лично знаю нескольких трейдеров которые пользуясь только техническим анализом, годами успешно торгуют на бирже и даже стабильно зарабатывают себе на хлеб. Очевидный вывод из всего этого — цена актива в будущем как то связана с историей предыдущих цен и эта связь достаточная для того, что бы живой человек мог ее видеть и использовать это знание.

Так почему нейросети не могут? Кошку от собаки отличают, а тут не могут. Вроде все очевидно, должно работать, а не работает. С этого места я дам свое объяснение почему не работает, а точнее, у большинства не работает.

Раз уж вспомнили про классический в нейросетях «Hello world» — отличить на фотографиях кошку от собаки давайте вспомним, что там происходит. Нейросети для обучения показывают, например, 10’000 картинок на которых в разных ситуациях изображена собака, потом так же с кошкой. К каждой картинке дается правильный ответ кто на ней. Нейросеть внимательно много раз все это просматривает и выстаивает у себя в голове некие правила по которым она в будущем сможет правильно ответить на вопрос «Это кошка или собака?». И эта схема работает. Успешных распознаваний 99.9%, бинго! Значит применим это в трейдинге.

Лучшие Форекс брокеры 2021:

Давайте показывать нейросети скрины графиков и давать правильный ответ куда потом пошла цена, она так научится и все будет ОК, с кошкой же работает. Это пример входа в тему стандартного среднестатистического исследователя. И что же он получает на выходе? Ничего… Нейросеть не обучается. Но наш исследовать не прост и сразу не сдается: «Надо подавать правильные данный на вход!» и начинаются циклы «правильных данных» ввиде бесконечных вариантов хитроумных векторов. И вот процесс пошел… Что бы понять когда же наш исследователь устанет и напишет статью про то, что нейросети невозможно обучить трейдингу, надо взять среднее значение усердия исследователя и умножить на количество часов от одного разочарования до другого.

А какой же правильный ответ, почему не обучается?
На самом деле, под «исследователем» я описал себя, но только мне повезло, хватило усердия дотянуть до первых положительных результатов. И вот мое, сугубо объективное, возможно неправильное, объяснение проблемы.

Да, котировки это хаос, но не на 100%. Примерно в 2% случаев следующая свеча с вероятностью около 70% связана с предыдущей историей. На самом деле примерно этот же принцип эксплуатируют индикаторы, только в них это называется «паттерн» который, как раз, и бывает примерно с такой вероятностью и вероятность отработки у него тоже не 100%. Значения 2% и 70% — это то, что я получил на сегодняшний день. Уверен, что при правильном обучении нейросети эта связь намного больше. А подход к обучению как с кошками и собаками не работает по очень простой причине. Показывая нейросети графики и давая правильный ответ, на самом деле, мы не показываем ей условную кошку или собаку, а показываем облака, бабочек, знаки зодиака и только в двух процентах то, что нужно, т.е. на 98% наши данные это хаос.

Остается понять как выловить эти заветные 2% и только по ним потом принимать торговые решения. Вариант «обучаем показывая только индикаторы» не работает, по крайней мере у меня не получилось. В итоге, первые результаты я получил после 100500 подборов входных параметров плюс правильный анализ того, что выдает сеть. Более подробное объяснение технически сложное и не для этой статьи, здесь я просто попытался логическими рассуждениями поспорить с утверждением, что нейросети и трейдинг несовместимы.

Продолжение этой статьи здесь, здесь и здесь. Сайт с прогнозами нейросети здесь.

Распознавание фигур технического анализа с помощью нейронных сетей Текст научной статьи по специальности «Компьютерные и информационные науки»

Аннотация научной статьи по компьютерным и информационным наукам, автор научной работы — Шумков Евгений Александрович, Ботин Валерий Александрович, Карлов Дмитрий Николаевич

В статье предложен подход к решению задачи распознавания фигур технического анализа с использованием искусственных нейронных сетей. Также рассмотрена задача прогнозирования дальнейшего движения временного ряда

Лучшие Форекс брокеры 2021:

Похожие темы научных работ по компьютерным и информационным наукам , автор научной работы — Шумков Евгений Александрович, Ботин Валерий Александрович, Карлов Дмитрий Николаевич

RECOGNITION OF FIGURES OF THE TECHNICAL ANALYSIS BY MEANS OF NEURAL NETWORKS

In this article, the approach to the decision of a problem of recognition of figures of the technical analysis with use of artificial neural networks is offered. Also, the problem of forecasting of the further movement of time series is considered

Текст научной работы на тему «Распознавание фигур технического анализа с помощью нейронных сетей»

УДК 336.761.533 UDC 336.761.533

РАСПОЗНАВАНИЕ ФИГУР ТЕХНИЧЕСКОГО RECOGNITION OF FIGURES OF THE АНАЛИЗА С ПОМОЩЬЮ НЕЙРОННЫХ СЕТЕЙ

Шумков Евгений Александрович к.т.н.

Ботин Валерий Александрович

Карлов Дмитрий Николаевич

Кубанский Государственный Технологический Университет, Краснодар, Россия

В статье предложен подход к решению задачи распознавания фигур технического анализа с использованием искусственных нейронных сетей.

Также рассмотрена задача прогнозирования дальнейшего движения временного ряда

Ключевые слова: МНОГОСЛОЙНЫЙ ПЕРСЕПТРОН, ФОРЕКС, РАСПОЗНАВАНИЕ,

ТЕХНИЧЕСКИЙ АНАЛИЗ, ОБУЧЕНИЯ БЕЗ УЧИТЕЛЯ

Одним из наиболее популярных методов анализа финансовых временных рядов, как фондового, так и валютного рынков, является технический анализ, который можно разделить на две составляющие -технические индикаторы и фигуры технического анализа. В данной статье рассмотрим только фигуры технического анализа (далее ТА). Базовыми и наиболее распространенными фигурами ТА являются: нисходящий и восходящий треугольник, треугольник, нисходящий и восходящий каналы, нисходящий и восходящий клин, прямоугольник, голова и плечи, перевернутые голова и плечи, тройная вершина, тройное дно, флаг, вымпел, двойная вершина, двойное дно. Некоторые из данных фигур представлены на Рисунке 1. Также существуют и другие, менее распространенные фигуры ТА, например, «бриллиант» и другие [1]. Важность определения фигуры ТА состоит в том, что при окончании формирования фигуры обычно происходит либо прорыв уровня, либо цена остается в определенном канале, в зависимости от сформировавшейся фигуры. При построении механической торговой системы важными

TECHNICAL ANALYSIS BY MEANS OF NEURAL NETWORKS

Shumkov Eugene Alexandrovich Сand.Tech.Sci.

Botin Valery Alexandrovich

Karlov Dmitry Nikolaevich

Kuban State Technological University, Krasnodar, Russia

In this article, the approach to the decision of a problem of recognition of figures of the technical analysis with use of artificial neural networks is offered. Also, the problem of forecasting of the further movement of time series is considered

Keywords: MULTILAYERED PERCEPTRON, FOREX, RECOGNITION, TECHNICAL ANALYSIS, UNSUPERVISED LEARNING

являются те фигуры, которые совершают прорыв уровня, например фигуры «флаг» или «вымпел». Основная трудность при использовании методики фигур ТА является собственно их интерпретация на графике котировок. Один специалист может увидеть формирующийся нисходящий канал, другой в этот же момент времени интерпретирует нисходящий треугольник. Также отметим, что финансовые временные ряды имеют фрактальную природу [1] и на одном таймфрейме1 может формироваться фигура «флаг», а на другом, например следующем по старшинству таймфреме, может в этот же момент формироваться фигура «голова -плечи» и т.д. По сути, в каждый момент времени на рынке существует множество фигур с различными горизонтами. Существует большое количество специальной литературы и ресурсов в сети Интернет, которые излагают принципы определения фигур, при этом методы в них могут сильно отличаться, внося серьезную путаницу. Также существует большое количество программного обеспечения для помощи игрокам и в сети Интернет можно найти много отдельных скриптов для торговых терминалов, определяющих фигуры. Из отдельного программного обеспечения выделим: «Autochartist», «Wave 59» и «Elwave».

При этом отдельно укажем на следующий момент — важно определять фигуру ТА в процессе ее формирования, а не после того, как она сформировалась и временной ряд начал «рисовать» новую фигуру. То есть, по сути, прогнозировать, какая фигура формируется или какая фигура будет после.

1 Таймфрейм (англ. time — frame) — интервал времени, используемый для группировки котировок при построении элементов ценового графика (бары, японские свечи). Взято с http ://ru.wikipedia. org

Тройная вершина Двойная вершина

Рисунок 1. Фигуры технического анализа

Существует целая теория распознавания изображений (образов), являющаяся разделом кибернетики. Выделим следующие методы распознавания: распознавание методом потенциальных функций, метод множества эталонов, статистические, метод вычисления оценок, на основе исчисления высказываний, нейросетевой. Отметим нечеткозначные модели обработки графической информации в работе [3].

Для удаления субъективизма при определении фигур ТА в данной работе предлагается использовать нейронные сети. Нейронные сети в рассматриваемой задаче могут дать преимущество в связи с тем, что они:

• имеют аффинную инвариантность к представляемым данным, в частности к масштабу, углам, смещениям фигур ТА. Эти «некоторые» искажения будем считать «шумом», а нейронные сети изначально предназначались для работы с зашумленными изображениями;

• для любого курса котировок существует огромное количество входных примеров, например для курса EURUSD доступная история свыше 10 лет, то есть на минутном графике это около 4 миллионов баров ! По сути, с таким объемом информации в приемлемое время могут справиться только нейронные сети; Одним из первых вопросов при использовании нейронной сети для распознавания фигур ТА является — сколько входов должно быть у сети и, что на них подавать? Другим важным моментов является выбор типа нейронной сети, ее параметров и метода обучения. Рассматриваемая проблема относится к классу задач классификации, то есть, необходимо классифицировать к какой фигуре ТА относится текущее поведение ряда.

Одним из вариантов формирования входных образов является подача на вход «свечек», то есть цен OLHC бара: Open — цена открытия бара, Low — наименьшая цена, High — наивысшая цена, Close — цена закрытия. При этом необходимо подавать «скользящее окно», то есть значения OLHC некоторого количества баров, обычно подается от 30 до 100 баров [4].

В качестве входной информации для нейронной сети также можно использовать значения распространенного технического индикатора ZigZag [2]. То есть параметры: координаты начала отрезка, окончания отрезка и угол наклона отрезка (показано на Рисунке 2). Можно использовать только высоту отрезка и угол наклона. ZigZag с одной стороны убирает небольшие выбросы на ряде котировок, который можно трактовать как «шум», с другой стороны, возможно, этот «шум» есть элемент фигуры ТА.

2 Единицей измерения таймфреймов служит «бар» — одна японская свеча. Например, на 15-ти минутном интервале измерения, один бар равен 15 минутам.

3 Здесь возникает небольшая проблема с масштабированием по оси абсцисс, то есть шкалы времени.

Рисунок 2. Технический индикатор 7і§7а§

Сравнивая два вышеприведенных способа формирования входных образов видно, что в первом случае формируется входной вектор огромной размерности, во втором случае размерность значительно меньше. К плюсам первого метода можно отнести то, что подается полная информация о рассматриваемом участке графика, к минусам — получается нейронная сеть большой размерности, что приводит к серьезным вычислительным затратам. К плюсам второго способа можно отнести то, что убирается незначительный «шум» во входных данных и относительно малую размерность сети, к минусам — технический индикатор 71§7а§ кроме «шума» убирает также некоторые значимые именно для определения фигур ТА вершины и впадины на графике. Таким образом, перед применением к поставленной задаче необходимо немного модифицировать 71§7а§. Общая схема работы показана на Рисунке 3.

Рисунок 3. Последовательность действий при обработке временного ряда

где — последовательность данных баров временного ряда, <У>-результаты работы модифицированного технического индикатора 71§7а§, ^ — одна (или несколько распознанная) нейронной сетью (или

несколькими нейронными сетями) фигура.

Покажем распределения отрезков (для ОБРИБЭ, минутный интервал) — то есть <угол; высота>, найденных с помощью

модифицированного ТА 71§7а§ (Рисунок 4).

Разпределение по уникальным отрезкам

Номер типа отрезка

Рисунок 4. Распределение уникальных отрезков

Всего за годичный интервал найдено 43758 отрезков. Каждый отрезок характеризуется двумя параметрами — высота и угол. При этом высота в экспериментах округлялась до 4 знаков после запятой, а угол — до целого значения. В данном распределении учитывались, как отрезки направленные вверх, так и вниз. Найдено 2463 уникальных отрезка, то есть не совпадающих и по высоте и по углу. Таким образом, видно, что есть большое количество отрезков, в том числе и совпадающих, но для какой —

либо классификации их слишком много. Распределения для распространенных пар валют БИЯШВ, БИЯОБР, АИОШБ и ШБХРУ суть те же.

В рассматриваемой задаче можно выделить два пути решения. Первый — определение, какая фигура ТА в данный момент формируется или сформировалась. Назовем этот путь «Задача 1». Второй -прогнозирование дальнейшего поведения ряда («Задача 2»). Рассмотрим задачи раздельно.

Рассмотрим вопрос выбора парадигмы обучения нейронной сети для Задачи 1 — с учителем или без учителя. В случае обучения с учителем необходимо перед обучением сформировать эталонные выходные образцы. Но трейдеру сформировать эталонный образец фигуры, например, «флага» очень сложно, так как формируемые временными рядами фигуры различны по масштабу, имеют искажения (наклон, растяжение по осям) и «шум». Поэтому желательно предоставить этот процесс нейронной сети обучающейся без учителя, которая сама классифицирует поданные ей участки временного ряда на фигуры. Затем по получившимся выходам трейдер сам расставляет, какой выход, за какую фигуру отвечает. При этом вполне естественно, что нейронная сеть определит новые фигуры, отличные от стандартных «учебных». Таким образом, для экспериментов был выбран стандартный многослойный персептрон обучающийся без учителя по алгоритму Хебба.

Есть еще один важный момент — неизвестно, сколько отрезков подавать на вход нейронной сети. Можно высчитать среднее количество отрезков формирующих фигуры, но это будет неправильным путем. Авторы предлагают использовать конгломерат нейронных сетей, в связи с тем, что заранее не известно, сколько отрезков формируют ту или иную фигуру. Общая схема разработанной системы представлена на Рисунке 5.

Рисунок 5. Конгломерат нейронных сетей для распознавания фигур ТА

Как видно из Рисунка 5, система распознавания состоит из (К — 3) блоков нейронных сетей обучающихся без учителя и интерпретатора, который выбирает п фигур с наибольшей вероятностью. Блоки принципиально различаются тем, что у них разное количество входов. При обучении без учителя есть вариативный параметр — количество выходов, то есть на сколько классов разбивать входные примеры. Так как в данном случае мы не можем априори определить, на сколько классов разбивать входные примеры, то был применен принцип конкуренции нейронных сетей. Данный принцип заключается в том, что запускается несколько нейронных сетей для каждого блока, с разным количеством выходов. Количество выходов варьировалось от 4 до 10 штук. При этом возник вопрос — как трактовать выходы нейронной сети, в случае использования тангенсоиды4 в нейронах выходного слоя, который был решен, как показано в Таблице 1.

Для однозначной трактовки выходов в качестве функции активации можно было бы использовать «жесткую ступеньку», но такая функция активации сильно ограничивает емкость сети и приводит к задаче модификации метода обучения.

Таблица 1 — Трактовка выходов нейронной сети (для 2 выходных

Знак выхода Знак выхода Класс

1-го нейрона 2-го нейрона объекта

После обучения каждой нейронной сети выбиралась наиболее адекватная. Адекватность оценивалась по количеству распознанных валидационных примеров с точностью выше 80% относительно среднего в данной классификации. Наилучшие результаты показали нейронные сети с 8 и 10 входами с 5 и 6 выходами, то есть на 4 и 5 входных отрезков, разбивавших входные примеры на 5 и 6 классов.

Для второй задачи разумно в качестве нейросетевого ядра выбрать многослойный персептрон с обучением по методу обратного распространения ошибки [5]. Данный тип нейронной сети хорошо зарекомендовал себя в задачах прогнозирования. На входы нейронной сети подаются параметры нескольких последовательно идущих отрезков. На выходе параметры следующего отрезка (то есть 2 выхода). Результаты работы сети представлены в Таблице 2.

Таблица 2 — Результаты прогнозирования следующего отрезка

Количество отрезков подаваемых на вход Правильно угаданных направлений углов (%) Ср. точность прогнозирования углов (%) Ср. точность прогнозирования высоты (%)

5 Для большего количества выходов аналогично. http://ej.kubagro.ru/2022/01/pdf/25.pdf

То есть мы видим, что увеличение информации не ведет к улучшению качества прогнозирования.

Результаты работ систем для обеих задач можно объединить, то есть система для Задачи 1 выдает какая фигура, а система для Задачи 2 выдает направление и параметры прорыва, если он прогнозируется.

Таким образом, экспериментальным путем выявлено, что нейронные сети можно применять для распознавания фигур технического анализа, а также для прогнозирования дальнейшего движения временного ряда.

1. Акелис С. Технический анализ от А до Я. Финанс — Инвест. Электронный учебник. 1999.

2. Колби Р. Энциклопедия технических индикаторов рынка. Пер. с англ. — 2-е изд. М.: «Альпина Бизнес Букс», 2004. 837 с.

3. Леонов Е. А. Принятие решений на основе нечеткозначных моделей и алгоритмов обработки графических данных в технологии машинного обучения. Автореферат канд. техн. наук. МИСИС (ТУ). 2008. 26 с.

4. Плеханов Л., Плеханов С. Нейронные сети как инструмент распознавания фигур. Рынок ценных бумаг. №3 — 2005. с. 68-72.

5. Рутковская Д., Пилиньский М.. Рутковский Л. «Нейронные сети,

генетические алгоритмы и нечеткие системы». Пер. с польск., И.Д. Рудинского. М.: Горячая линия — Телеком, 2006. 452 с.

Нейросети на 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

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.

Нейросетевые прогнозы в техническом анализе

1 Нейросетевые прогнозы в техническом анализе Предсказание временного ряда цен сводится к аппроксимации функции многих переменных по заданному набору примеров. Нейросеть можно использовать для восстановления этой неизвестной функции по набору примеров, заданных историей данного временного ряда. При этом актуальной проблемой является выбор глубины погружения временного ряда. Под глуœ ÂÎ œ ÌÙËÎÓ Трейдер вызывает лифт. Лифт останавливается, и двери открываются. В кабине лифта стоят три знакомых аналитика. Трейдер: «Так, быстро. И без всяких «если» вверх или вниз?» Этот известный трейдерский анекдот показывает основной недостаток прогнозов аналитиков, которые включают в свои рекомендации массу условий и оговорок, касающихся будущих событий. В данной статье делается попытка прогнозирования фондового рынка с использованием нейронных технологий, которые позволяют уменьшить неопределенность в принятии решений. Выбор интервала прогноза Фондовый рынок не может быть описан с помощью линейных моделей традиционного технического анализа, так как имеет элементы нелинейности и хаотичности (фрактальности) в поведении котировок ценных бумаг и индексов. Как отмечалось в предыдущей статье («Введение в нейронные сети», СТ 2’2001), нейронные технологии позволяют учитывать эту нелинейность в создаваемых моделях и добиваться приемлемых прогнозов. Перед началом любого прогнозирования необходимо определиться с временным интервалом, на который делается прогноз. Величина этого интервала определяется следующими соображениями. Чем меньше интервал прогноза, тем меньше его ценность с практической точки зрения, но при этом возрастает его точность. Прогнозы на сверхкоротких интервалах времени вообще теряют практическое значение. Например, прогнозирование курса валюты на рынке Forex на 1 5 минут вперед со средней точностью 2 5 пипсов реально, но на практике эта точность «съедается» проскальзованием и комиссионными брокера и такие прогнозы невозможно использовать. С другой стороны, чрезмерное увеличение интервала прогнозирования проводит к уменьшению точности прогноза, и, более того, на больших интервалах времени нейросетевые прогнозы имеют такую ошибку, что теряется сам смысл их применения. Чтобы проиллюстрировать зависимость ошибки прогноза от длины временного интервала, спрогнозируем курс швейцарского франка и значение индекса S&P для разных интервалов. Результаты прогноза приведены в табл. 1. Из табл. 1 хорошо видно, что с увеличением интервала качество прогнозирования ухудшается и растет ошибка. Вероятность правильного прогнозирования направления с увеличением интервала стремится к 50 %, что равносильно отсутствию прогноза вообще. Из всего вышесказанного можно сделать вывод о целесообразности прогнозирования с использованием нейронных сетей в диапазоне от 30 минут до 1 3 дней. Причем прогнозы на коротких интервалах времени более эффективны как дополнение к уже имеющейся торговой системе, оптимизирующие входы и выходы из рынка. Для большей наглядности далее в данной статье прогнозы делаются на один день вперед, если не оговорено иное. Погружение временного ряда 24 Ó appleâïâìì È ÚappleÂÈ ËÌ n π

2 Îˈ 1 Тåõíè åñêèé àíàëèç Î ÔappleÓ ÌÓÁ Œ ÂÍÚ ÔappleÓ ÌÓÁ Ó ÌÓÒÚ ÔappleÓ ÌÓÁ (ÚÂÒÚÓ ˇ ÓappleÍ 200 appleó ) USD/CHF (Forex) 1 Ò Õ Ôapple ÎÂÌË 74 % (Ôapple ËÎ ÌÓ): 26 % (Ì Ôapple ËÎ ÌÓ) USD/CHF (Forex) 1 Ò ÂÌ appleâ Ìˇˇ Ó Ë Í : 0,0008 (8 ÔËÔÒÓ ) S&P 1 ÂÌ Õ Ôapple ÎÂÌË 69 % (Ôapple ËÎ ÌÓ): 31 % (Ì Ôapple ËÎ ÌÓ) S&P 1 ÂÌ ÂÌ appleâ Ìˇˇ Ó Ë Í : 7,3 ÔÛÌÍÚ S&P 5 ÌÂÈ Õ Ôapple ÎÂÌË 61 % (Ôapple ËÎ ÌÓ): 39 % (Ì Ôapple ËÎ ÌÓ) S&P 5 ÌÂÈ ÂÌ appleâ Ìˇˇ Ó Ë Í : 24,1 ÔÛÌÍÚ биной погружения понимается число прошлых временных отсчетов, используемых для формирования входных данных, подаваемых на входы нейросети для получения одного прогноза. Очевидно, что при малой глубине погружения нейросеть будет делать прогнозы с меньшей точностью, чем при большем погружении. Но очень большое погружение может затруднить обучение и опять же уменьшить точность получаемых прогнозов. Это объясняется тем, что увеличение числа не информативных или дублирующих входов приводит к усложнению задачи обучения, а также уменьшает внутреннюю нелинейность нейросети. Прогнозы нейросети с большим числом входов становятся похожими на результаты, получаемые с помощью линейной регрессии. Эксперименты по прогнозированию индекса SP500 на день вперед показали, что оптимальная глубина погружения находится в диапазоне 5 20 баров (дней). Результаты двух прогнозов на тестовой выборке с разными значениями глубин погружения показаны на рис. 1. Помимо глубины погружения входов, на качество прогнозов сильно влияет предобработка входных данных. Их необходимо подготавливать, прежде чем подавать на вход нейросети. Это вызвано несколькими обстоятельствами. Во-первых, все активационные функции нейронов работают в определенном диапазоне. Обычно это диапазон 1 +1, но возможны варианты. Например, для прогнозирования булевых переменных (прогноз направления) можно использовать нейроны с активационными функциями в диапазоне Поэтому входные данные нужно как минимум преобразовать (нормировать) в этот диапазон. Во-вторых, как уже отмечалось, входные данные содержат шум, который нельзя спрогнозировать и учесть в моделях. Также любой фондовый рынок в своей истории содержит аномальные (редкие) события, например падение индекса Доу-Джонса более чем 600 пунктов или падение рубля в августе 1998 года. Все это не «типичное» поведение рынка, которое встречается в истории 1 2 раза, и такие события нужно либо выбрасывать при прогнозировании, либо применять такие виды нормировки, которые позволяют сгладить эту аномальность. Методы отсеивания редких событий и нормировки данных имеют хорошо отработанный математический аппарат в теории вероятности и математической статистики. Что прогнозировать? Рисунок 1 интересен еще одним моментом полученная корреляция прогноза составляет величину большую, чем 0,999. При получении такого прогноза первая мысль такова: «отличный прогноз, но что-то не так». Да, не стоит забывать, что в этом эксперименте прогнозировалось абсолютное значение индекса SP500. Если вычислить среднее значение изменений SP500 за последние 400 дней, то оно составит 22,99 пункта. При абсолютной величине индекса результаты этого прогноза уже не будут казаться столь радужными. Здесь мы вплотную подошли к вопросу о том, какие характеристики прогнозируемой величины лучше использовать в качестве выхода нейросети при прогнозировании. На эту тему в специальной литературе по финансовому прогнозированию есть многочисленные рекомендации. В основном они сводятся к следующим моментам. ËÒ. 1. œappleó ÌÓÁ ËÌ ÂÍÒ S&P500 (High) ÔappleË ÎÛ ËÌ ÔÓ appleûêâìëˇ 5 Ë 10 appleó В качестве входов и выходов нейросети не следует использовать абсолютные значения цен. Значимыми для прогноза являются изменения цен (приращения). Такие изменения обычно гораздо меньше, чем абсолютные значения по амплитуде. Между ценами актива существует большая корреляция. Наиболее вероятной ценой будущего бара будет цена на предыдущем баре. Такая простая зависимость затрудняет нейросети найти более «тонкие» зависимости в финансовом ряде, описывающие его реальное поведение. Хорошим вариантом является использование нормированных приращений. При этом изменение цены делится на цену предыдущего бара. Для исторически длительных финансовых рядов (в которых сказываются инфляционные процессы) с целью уменьшения влияния инфляции рекомендуется брать логарифм относительного приращения цен. Стационарность ряда увеличивается, и при π n Ó appleâïâìì È ÚappleÂÈ ËÌ 25

3 ËÒ. 2. œappleó ÌÓÁ ÔappleËapple ÂÌˡ High Ρ ËÌ ÂÍÒ S&P 500 обучении можно использовать более «старые» данные. Все эти преобразования являются обратимыми и позволяют легко перейти от прогнозируемых величин к реальным ценам активов для их использования в трейдинге. Для иллюстрации этих рекомендаций было проведено прогнозирование не абсолютных значений цен High для индекса SP500 (рис. 1), а его приращений (High(будущего бара) High(текущего бара)). Результаты такого прогнозирования показаны на рис. 2. При этом использовался тот же набор входов и аналогичная структура нейросети, как и в предыдущем примере. Корреляция прогноза стала значительно меньше 0,684, но она более реально отражает его качество. При переходе к прогнозированию приращений стандартное отклонение ошибки прогноза уменьшилось с 8,1 до 7,11 пунктов. Все это подтверждает правильность использования приращений в нейросетевых прогнозах. Использование дополнительных входов ËÒ. 3. œappleó ÌÓÁ ÔappleËapple ÂÌˡ ˆÂÌ High Ρ ͈ËÈ Cisco Systems Inc. Нейросети предоставляют пользователю уникальную возможность самостоятельной регуляции «фундаментальности» получаемых прогнозов. Если вы убежденный «технарь» и работаете на рынке, используя технический анализ, то это ваш инструмент. Подавайте на вход нейронной сети только цены, индикаторы и осцилляторы технического анализа. При этом вы можете получать не только прогнозы цен и направлений движения, но и прогнозы величин индикаторов и осцилляторов. Если же вы тяготеете к «фундаментальному» анализу, то нейросети и вас не обойдут стороной. Подавайте на входы цены на смежных рынках, индексы, фундаментальные показатели экономики (GDP, PPI и т. д.) и вы получите свой фундаментальный прогноз. Для иллюстрации эффективности использования в прогнозе дополнительной информации помимо цен и индикаторов были натренированы две нейросети для прогноза приращения цены High акций Cisco Systems Inc. В одной использовались только классические данные технического анализа, в другой дополнительно к ним использовалось значение индекса SP500 и Доу-Джонса на предыдущий день. Результаты этих прогнозов на тестовой выборке отображены на рис. 3. Введение дополнительных входов (использовалось 4 входа функции от цены закрытия SP500 и Доу-Джонса) позволило увеличить корреляцию с прогнозируемой величиной с 0,651 до 0,761. Вышеприведенный пример наглядно демонстрирует, что при правильном подборе входов нейросети, которые наиболее полно описывают поведение прогнозируемого актива, можно получить прогнозы с высокой точностью. Подбор оптимального количества и списка входов для прогноза той или иной величины является ключевым моментом в прогнозе и требует определенных усилий и знаний в предметной области от разработчика нейросети. Определение числа выходов является более простой задачей, имеющей четкое решение. Нейронные сети можно применять как для одномерного, так и для многомерного анализа данных, то есть нейросеть может иметь несколько выходов, предназначенных для прогнозирования разных значений. Если вы используете при обучении алгоритм обратного распространения ошибки («Введение в нейронные сети», СТ 2’2001), то лучше всего использовать нейросеть с одним выходом. Это объясняется используемой целевой функцией суммарной квадратичной ошибки. Если использовать два и более выхода, то такая целевая функция усредняет ошибку по всем выходам и результаты будут хуже, чем у сети, имеющей единственный выход. Исключением из этого правила является случай использования нейросети в качестве классификатора бинарных событий, например, направления движения рынка («без всяких «если» вверх или вниз»). В этом случае нейросеть 26 Ó appleâïâìì È ÚappleÂÈ ËÌ n π

4 Îˈ 2 Тåõíè åñêèé àíàëèç ŒˆÂÌÍ Œ ˇÒÌÂÌË ÔÓ Â ÂÌˡ apple ÌÍ Ó ÓˆÂÌÍË 1 œ ÂÌË apple ÌÍ ËÎ ÌÓ ËÊÂÌË ÌËÁ -1 2 ÍÓapple ÌËÁ, ÂÏ Âappleı apple ÊÂÌÌ È ÚappleÂÌ ÌËÁ -0,5 3 ÓÍÓ Ó ËÊÂÌË ÓÔÚ Ì˪ apple ÌÍ Ì ÏÂÒÚ (Flat) 0 4 ÍÓapple Âappleı, ÂÏ ÌËÁ apple ÊÂÌÌ È ÚappleÂÌ Âappleı 0,5 5 ÓÒÚ apple ÌÍ ËÎ ÌÓ ËÊÂÌË Âappleı 1 может иметь два выхода прямой и инвертированный. Тогда два противоположных симметричных выхода могут быть оптимизированы с помощью одной целевой функции. имеет возможность корректировки прогнозов по мере развития событий. Более того, зная одну цену дня (например, Прогнозирование индикаторов В конце этой статьи коснемся вопроса о прогнозировании индикаторов и осцилляторов технического анализа. Насколько актуален данный вопрос? В техническом анализе есть отдельное направление механические торговые системы (МТС). Эти системы пользуются Технология ExpertLine Нейросеть изначально представляется пользователю «черным ящиком» с непонятным и закрытым алгоритмом функционирования. И одной из «претензий» трейдеров к нейросетям является невозможность учета его мнения о рынке. Разработанная автором этой статьи технология ExpertLine позволяет учитывать мнение трейдеров и, более того, скорректировать прогнозы по мере развития ситуации на рынке. Основная идея этой технологии заключается в том, что в нейросеть добавляется еще один вход, на который подается оценка эксперта трейдера. Оценка эксперта кодируется значением в диапазоне 1 +1, причем трейдер определяет текущее состояние рынка одним из пяти значений (табл. 2): При работе по этой технологии трейдер вводит свою оценку, и нейронная сеть строит прогноз. Более того, интересно построить все пять прогнозов (по всем экспертным оценкам) для одного состояния рынка и вывести их в виде графика. Пример такого графика приведен на рис. 4. На графике показаны две ExpertLine для швейцарского франка (прогноз часовые бары). На рисунке видна ярко выраженная нелинейность линий ExpertLine. Это объясняется влиянием на рынок поведения толпы и других психологических факторов. Отметим такой интересный момент из графика: при росте рынка минимальные цены будут ниже, чем при спокойном рынке. Основным недостатком технологии ExpertLine является тот момент, что трейдер фактически должен угадать поведение рынка, а нейросеть укажет «цели» движения. Но это компенсируется высокой точностью прогноза и возможностью корректировки прогноза внутри прогнозируемого интервала, например при выходе данных и неожиданных фундаментальных событиях, то есть трейдер high) можно путем проекции на графике ExpertLine определить другую (low). Результаты технологии ExpertLine очень схожи с типичными рекомендациями аналитиков: если рынок будет расти, то до уровня сопротивления XYZ. Эта технология позволяет уменьшить неопределенность в принятии решений и перейти от таких понятий, как рост, падение, продолжение тренда, к конкретным ценам актива. ËÒ. 4. œappleëïâapple apple ÙËÍ ExpertLine заслуженным уважением у трейдеров. Такие системы позволяют сочетать как различные правила торговли, так и контроль за капиталом, что делает их очень привлекательными для новичков на рынке. Любая МТС базируется на каком-то множестве индикаторов и торговых правилах, преобразующих эти индикаторы в сигналы покупки и продажи. Поэтому прогнозирование используемых в торговой системе индикаторов на бар вперед ËÒ. 5. œappleó ÌÓÁËappleÓ ÌË ÔappleËapple ÂÌˡ ÒÍÓÎ Áˇ ÂÈ Òapple ÌÂÈ π n Ó appleâïâìì È ÚappleÂÈ ËÌ 27

5 ËÒ. 6. œappleó ÌÓÁËappleÓ ÌËÂ ËÌ ËÍ ÚÓapple RSI позволит нам получать опережающие торговые сигналы и повысить общую эффективность МТС. На рис. 5 приведен прогноз приращения простой скользящей средней (функция mov в MetaStock) длиной 5 баров для акций Dell Computer Corp. на день вперед. При прогнозировании была достигнута корреляция 0,921, которая гораздо больше, чем корреляция прогноза прироста цен (например, рис. 2). Это объясняется тем, что индикатор «скользящая средняя» играет роль фильтра, сглаживая выбросы в выходных данных, и, соответственно, его прогнозируемость больше, чем цены бара. Качество полученного прогноза позволяет эффективно использовать его на практике как в качестве опережающего индикатора, так и в МТС. При прогнозировании осцилляторов, которые нормированы в каком-либо диапазоне величин, можно прогнозировать абсолютные значения осциллятора. На рис. 6 показаны результаты нейросетевого прогноза индикатора RSI (функция rsi в MetaStock) длиной 8 для акций Intel Corp. В качестве объекта прогноза была выбрана абсолютная величина индикатора RSI, которая лежит в диапазоне от 0 до 100. При прогнозировании была использована нейронная сеть с двумя внутренними слоями (6+2 нейрона) и достигнута корреляция прогноза 0,922. Причем, если посмотреть на график корреляции, то он представляет собой более размытое облако, чем график корреляций при прогнозе цен. Это объясняется нормировкой прогнозируемой величины в диапазоне от 0 до 100. Полученный прогноз также можно использовать в МТС и при анализе будущих событий на рынке. Высокое значение корреляции прогноза также объясняется тем, что при вычислении прогнозируемой величины (индикатор RSI) используется 7 прошлых цен и только одно будущее значение. Реальная сила нейронных сетей состоит в возможности находить сложные нелинейные зависимости в многомерных входных данных, которые не могут быть получены другими, «классическими» методами. Но для получения этих результатов от пользователя требуется определенный уровень знаний и навыков как в предметной области (фондовый рынок), так и в области технологии нейросетей. Только такое сочетание позволит эффективно применять эти перспективные методы на практике. 28 Ó appleâïâìì È ÚappleÂÈ ËÌ n π

Моделирование линейного тренда с помощью экспоненциальных скользящих средних

Моделирование линейного тренда с помощью экспоненциальных скользящих средних Станислав Булашев В этой статье рассматривается методика вычисления параметров линейного тренда с помощью экспоненциальных скользящих

Что такое нейросети?

В последнее время все большую популярность приобретают методы технического анализа. Рост популярности обоснован, в том числе и за счет использования компьютерных технологий. Человек, который хочет зарабатывать на рынке больше других вынужден использовать более передовые методы, позволяющие увеличить скорость принятия решений и вероятность правильного прогноза. И тот, кто обладает лучшими математическими методами извлечения закономерностей из зашумленных хаотических рядов, может надеяться на большую норму прибыли — за счет своих менее оснащенных собратьев. Поэтому постоянно усложняются методы, но, несмотря на это, очень быстро чье-либо удачное открытие находит применение в широких кругах.

Это полезно знать (финансовый ликбез)

Трейдеру приходится искать и учитывать в своем анализе новые закономерности поведения цены, которыми он до этого пренебрегал. Работа по анализу графиков становится все более тонкой и изощренной настолько, что человеку просто становится не под силу осуществление такого анализа, особенно в условиях быстрого изменения рыночных условий, когда нельзя просто все время пользоваться одними индикаторами, а нужно научиться их правильно комбинировать. Не стоит забывать еще и психологический фактор, тоже отрицательным образом влияющий на дальнейший анализ. Остается только переложить часть работы на плечи компьютера, не знающего усталости и боязни потерять деньги. Но как научить компьютер самостоятельно находить закономерности и давать им правильные оценки. В этом деле помочь трейдеру, да и не только ему, а также очень широкому кругу людей призваны нейронные сети.

Искусственные нейронные сети состоят из элементов, функциональные возможности которых аналогичны большинству элементарных функций биологического нейрона. Организация этих элементов напоминает человеческий мозг. Несмотря на такое поверхностное сходство, искусственные нейронные сети действительно демонстрируют удивительное число свойств, присущих мозгу. Например, они способны обучаться на основе опыта. После обучения сеть может быть до некоторой степени нечувствительна к небольшим изменениям входных сигналов. То есть она способна игнорировать шумы. В основу нейросети заложено понятие «искусственного нейрона», которое позволяет на практике реализовать нелинейную функцию многих переменных. Эта функция отображает совокупность входных переменных в вещественное число из отрезка [0,1] и зависит от набора G числовых коэффициентов (весов), рассматриваемого в качестве параметра этой функции. Она имеет вполне определенный вид и реализуется двумя элементами — сумматором и нелинейным преобразователем.

Нейросеть в общем виде обладает двумя замечательными для нас свойствами: обучаться на некотором множестве примеров и стабильно распознавать (прогнозировать) новые ситуации с высокой степенью точности, причем в условиях сильных внешних помех, например появления противоречивых или неполных значений. Обучение сводится к работе алгоритма подбора весовых коэффициентов, который действует без вашего непосредственного участия. То есть вы можете спокойно рассматривать нейросеть как некоторый «черный ящик» с известными способностями. Сфера финансовых приложений нейронных сетей практически безгранична.

Любая задача, связанная с манипулированием финансовыми инструментами — будь то валюта или ценные бумаги — сопряжена с риском и требует тщательного расчета и прогнозирования. Эти и сотни других вопросов приходится ежедневно решать аналитическим отделам финансовых (да и не только финансовых) компаний, привлекая все виды аналитических инструментов. В чем «изюминка» нейронных сетей, делающая их столь привлекательными для всевозможных задач прогнозирования и распознавания? В настоящее время известны четыре принципиально разных подхода к решению задач анализа. Во-первых, вы можете использовать классические методы анализа (например, корреляционные) — если данные взаимозависимы, а их объем относительно невелик. Во-вторых, можно построить экспертную систему, используя правила типа «если — то». В-третьих, можно воспользоваться методами нечеткой логики, оперируя качественными характеристиками типа «большинство», «надежный», «немного» и т.п. И, наконец, в-четвертых, когда объем входных данных огромен, об их взаимосвязях вы не имеете ни малейшего представления, к тому же часть информации искажена, а часть утеряна — в этих случаях на помощь приходят нейронные сети.

Ваша задача лишь перечислить факторы, существенным образом влияющие на прогнозируемую величину, и подобрать достаточное число примеров, описывающих поведение этих величин в прошлом. Нейронная сеть сама «настроится» на заданную совокупность примеров, сведя к минимуму суммарную ошибку прогнозирования. Более того, анализ настроенной сети позволяет находить скрытые зависимости между входными и выходными данными, зачастую остающиеся «за кадром» традиционных методов. Предполагая, что характер взаимосвязи между заданными параметрами еще некоторое время существенно не изменится, вы можете использовать настроенную и обученную сеть для краткосрочного (а иногда и долгосрочного) прогнозирования.

Сети могут обучаться чему угодно. В этом отношении они совершенно не отличаются от самого человека, так как используют именно его опыт обучения в процессе получения образования. Передайте опыт ваших лучших менеджеров нейросетевому предсказателю — и он будет делать это заведомо не хуже их, а когда обобщит и свои наработки, его ценность превысит все самые смелые мечты. Конечно, это пока очень не просто, как технологически, так и психологически. Но и тут уже есть первые успехи.

Нейронные сети, при всей внешней простоте их пользовательского интерфейса — инструмент тонкий и начинают слушаться своих владельцев лишь спустя 2-3 недели интенсивного освоения и «привыкания». Проблемой для задач высокой размерности оказывается само обучение сети, которое еще долго будет вопросом искусства, интуиции и удачи. Во-вторых, не оправдывает себя погоня за дешевизной при выборе инструментальных средств. Можно, конечно работать и с т.н. «студенческой» версией нейропакета ценой в три сотни долларов, однако для настройки на новую задачу необходим мощный профессиональный пакет. В-третьих, аналитические средства нейропакетов открывают новые возможности для исследования параметров задачи, поскольку настроенная сеть аккумулирует в себе скрытые закономерности предметной области. Появляется возможность обнаружить некоторые закономерности, выявление которых обычными методами довольно проблематично.

А как же быть с ответственностью за принятие решений — ведь цена ошибки в финансовых операциях запредельно высока? Если ваш нейропакет предсказывает какие-либо чрезвычайные ситуации, а все вокруг уверенны в обратном, то в данном случае можно посоветовать довериться профессионалам. А ваш нейропакет, правильно предсказавший финансовый крах, подскажет и выигрышную стратегию игры. В случае ошибки пакета вы также не проиграете — только лишний раз отметите про себя, что нельзя бездумно доверяться компьютеру. Но следует помнить, что есть масса задач, где цена разовой ошибки не столь высока и есть время для корректировки.

Кроме того, есть еще проблема, состоящая в том, что на первый взгляд простая задача может потребовать значительного времени. Нейросеть будет несколько часов, а то и дней обучаться при этом вы не сможете узнать заранее, правильный ответ она выдаст или нет. Хотя некоторые задачи сеть может неожиданно для вас решить очень быстро и довольно быстро обучиться. Очень эффективный способ быстрого обучения нейросети состоит в том, чтобы использовать специализированные ускоряющие платы, просто вставляемые в ПК. Такие платы в сотни и тысячи раз сокращают время работы нейросистем. Правда, и цена такого акселератора уже существенно выше, чем у IBM PC. Кроме того, существуют специальные нейрокомпьютеры, спроектированные и настроенные для работы с нейронными сетями, но их цена зашкаливает за десятки тысяч долларов и вообще не имеет верхней границы. Принцип работы таких нейрокомпьютеров отличается от работы обычных тем, что для выполнения задач ему не нужно четкого алгоритма, а также он способен анализировать огромные потоки информации. Очень удобно, что нейросетевые пакеты позволяют легко подключаться к базам данных, электронной почте и автоматизировать процесс ввода и первичной обработки данных.

Кроме того, внутренний параллелизм, присущий нейронным сетям, позволяет практически безгранично (насколько хватит кошелька) наращивать мощность нейросистемы. Можно начать с простого и дешевого пакета, затем перейти на профессиональную версию, потом добавить одну или несколько плат-ускорителей, потом и вовсе перейти на специализированный нейрокомпьютер — с гарантией полной преемственности всего ранее созданного программного обеспечения.

Различают многошаговый и одношаговый прогноз. Многошаговым прогнозом называют долгосрочный прогноз, цель которого состоит в определении основного тренда, для некоторого фиксированного промежутка времени в будущем. Одношаговым прогнозированием называют краткосрочный прогноз (на один шаг), при этом для получения прогнозированной величины используют только фактические данные. Ясно, что одношаговое прогнозирование более точно, но оно не позволяет выполнять долгосрочные прогнозы.

Нейронные сети

Подробности и консультации по телефону 8(926) 380 76 42 Смирнов Сергей.

Нейронные сети — тайное оружие получения превосходства на современных финансовых рынках.

История развития нейронных сетей, просочившаяся информация об опыте использования нейронных сетей.
Предсакзуем ли рынок.
Основные идеи, положенные в основу нейронных сетей, их преимущества и недостатки.

Нейронные сети — как же это работает.

Классификация нейронных сетей.
Архитектура, принцип работы, методы обучения, класс решаемых задач.
Сети обучаемые без учителя.
Самоорганизующиеся карты Кохонена.
Сети обучаемые с учителем.
Персептрон.

Нейронные сети в действии и тонкости их применения.

Что прогнозировать, что и в каком виде подавать на вход сети при прогнозировании Финансовых Временных рядов.
Программы для нейросетевого анализа. Краткий обзор.
Пакет «Дедуктор студио»: назначение, состав, основы работы.
Подготовка данных, построение прогнозов средствами пакета Дедуктор.
Практические занятия по прогнозированию с реальными финансовыми данными в пакете Дедуктор Студио Академик.
Изучение Statistic Neural Network. Подготовка данных, построение прогнозов средствами пакета Statistic Neural Network.
Практические занятия по прогнозированию ценовых временных рядов с помощью Statistic Neural Network.

Нейронные сети и технический анализ.

Анализ и оптимизация классических индикаторов технического анализа и построение новых индикаторов с использованием нейронных сетей.
Интеграция с техническим анализом.
Формирование торговых сигналов нейросетями.
Построение торговых планов с использованием нейронных сетей.
Применение нейросетей для построения механических торговых систем.
Использование информации с разных рынков для построения торговых сигналов и прогнозов.

Программые аспекты интеграции нейронных сетей с системами технического анализа.
Интеграция с Microsoft EXCEL и пакетами технического анализа MetaStock, Omega TS2000i, MetaTrader.

Нейронные сети в действии.
Нейросетевые пакеты. Краткий обзор.
Пакет «Дедуктор студио»: назначение, состав, основы работы. Подготовка данных, исследование данных, построение прогнозов средствами пакета Дедуктор (линейная регрессия, сеть Кохонена, нейронная сеть-Персептрон).
Изучение Statistic Neural Network.

Некоторые тонкости при работе с нейронными сетями. Прогнозируем ли рынок и чем кормить нейросеть и чего от неё желать.
Что прогнозировать и что подавать на вход сети при прогнозировании Финансовых Временных рядов. Практические занятия с модельными и реальными финансовыми данными в пакете Дедуктор Студио Академик.
Подготовка данных для Statistic Neural Network, работа с мастером построения сети в Statistic Neural Network, изучение результатов. Ручное построение и обучение сети в Statistic Neural Network. Практическое занятие с модельными и реальными данными.

Технический анализ рынка

Торговая система "FOREX-94" была создана специалистами Уралвнешторгбанка (Россия). Свои сигналы она основывает на индикаторе "Радуга рынка — Market Rainbow". Название обусловлено тем, что в компьютерной системе этот индикатор реализован в виде цветной полоски, приобретающей все более и более красный оттенок при подходе рынка к состоянию перепроданности и все более и более желтый — по мере приближения состояния перекупленности на рынке.

По описанию авторов индикатора "радуга рынка" он представляет из себя нейронную сеть, на входы которой автоматически поступают заключения наиболее распространенных и, как следствие, оказывающих наибольшее воздействие на настроения рынка методов анализа. Эти заключения взвешиваются по определенной методике, вследствие чего формируется окончательный показатель — RNBW.

В систему "FOREX-94" заложены нейросетевые технологии, предназначенные для обработки информации, поступающей от методов технического анализа и динамики цены. Термин "нейронные сети" используется для обозначения совокупности элементов — нейронов, связанных между собой и обменивающихся сигналами. В данном случае нейроны и сигналы между ними моделируются компьютером. Простейшая из нейросетей — так называемый персептрон — получает в качестве входной информации набор тех сигналов "Buy" или "Sell", которые вырабатывают методы технического анализа. Сравнивая набор полученных сигналов с теми наборами, которые имелись в прошлом, а также учитывая, как после этого вела себя цена, персепт-рон выдает некоторый обобщенный сигнал, который, как показало тестирование, всегда был более достоверен, чем сигнал наилучшего из методов технического анализа. Нейросети принимают решения о покупке или продаже товара на основе наблюдения за ценой в течение некоторого временного периода и сопоставления произошедших изменений курса с изменениями, имевшими место за эквивалентный период времени в прошлом.

Прежде чем анализировать текущие изменения цены, нейросеть обучается на историческом материале. Если нейросеть совершает ошибки в прогнозах, то соответствующие ситуации запоминаются для того, чтобы подобные ошибки не совершались в будущем.

Программа Trading Solutions. Нейронные сети для вашего анализа рынка

Нейронные сети — это искусственный интеллект, который способен анализировать полученные результаты и подобно человеку делать работу над ошибками.

Способность к самообучению и работе над ошибками делают нейронные сети просто незаменимыми алгоритмами в области автоматизации торговых стратегий.

Ведь постоянная рутинная работа вокруг оптимизации множества параметров алгоритма просто отпадает.

Программа Trading Solutions – это специальное приложение, благодаря которому вы можете создавать нейронные сети по ряду заложенных критериев и на их основе получать готовые торговые алгоритмы.

Торгуй по крупному только с ведущим брокером

Trading Solutions предназначена для прогнозирования рынка на основе нейронных сетей, благодаря чему вы сможете получать торговые сигналы на их основе, а также провести историческое тестирование, прежде чем воспользоваться алгоритмом.

Стоит заметить, что программа позволяет черпать исторические данные из нескольких источников, что позволяет охватить финансовые активы с всевозможных бирж.

Установка Trading Solutions

Программа Trading Solutions – это независимое приложение, от любой торговой платформы пользующееся популярностью как среди трейдеров торгующих на рынке форекс, так и на фондовой бирже.

Установка Trading Solutions ничем не отличается от установки любой другой программы на ваш персональный компьютер.

После скачивания установочного файла его следует запустить, после чего вам потребуется указать путь установки программы, а также согласится с лицензионным соглашением.

Поскольку программа на данном этапе не поддерживается разработчиком, для ее функционирования вам понадобится специальный ключ.

Ключ программы находится вместе с архивом, а для того чтобы его активировать необходимо сбросить файл в папку, куда вы установили программу и согласится с заменой файлов. Если вы все сделали верно, то после первого запуска вы получите вот такой вид программы:

Работа с программой Trading Solutions

К сожалению, Trading Solutions – это зарубежная разработка и в ней отсутствует поддержка русского языка, что вызывает некоторые трудности в ее использовании.

Не смотря на это, каждый шаг работы с программой сопровождается внутренними видео уроками, что значительно упрощает процесс ознакомления.

Первое, с чего необходимо начать при работе с программой — загрузка исторических данных. В программе присутствует возможность загружать историю с нескольких источников, а именно непосредственно с компьютера в текстовом формате, с сайта яху, а также с ряда других сервисов.

Для того чтобы загрузить историю в верхнем левом углу войдите в меню Data и нажмите на пункт меню Import Data, после чего выберите любой подходящий для вас вариант.

Для того чтобы задать критерии, по которому происходит создание нейронной сети нажмите правой кнопкой мыши на название актива и в появившемся меню выберите «Ad New Field».

Перед вами появится список вариантов, среди которых вы можете проанализировать полученные сигналы, создать оптимальные сигналы, создать звуковое оповещение и многое другое. Для того чтобы создать критерии для создания алгоритма выберите опцию «Apply Rules entry/exit systems».

Затем появится окно со списком различных стандартных индикаторов как макд, скользящее средне, стохастик и ряда встроенных стратегий.

После того как вы выберите один из вариантов по которому будет создаваться нейронная сеть вы сможете задать необходимые настройки, после чего получите результат созданного вами алгоритма.

Для того чтобы сгенерировать нейронную сеть по всем возможным критериям программы необходимо вызвать дополнительное меню правой кнопкой мыши на выбранном вами активе и выбрать опцию «Apply a Trading Solution».

После генерации вы получите в самом нижнем окне результаты, после чего щелкните два раза мышью на полученный отчет.

В появившимся окне вы сможете познакомиться с результатами предварительного теста, а именно увидеть информацию по просадке и росту депозита, соотношение прибыльных и убыточных сделок, профит фактор и многие другие показатели.

Помимо создания прогнозов на основе нейронных сетей программа способна находить корреляцию различных активов между собой.

Для того чтобы вычислить корреляцию вызовите дополнительное меню с помощью правой кнопки мыши на выбранном вами активе и среди предложенного списка опций нажмите на «Analyze Correlation».

Затем появится окно в котором вы сможете выбрать критерии для поиска корреляции, а именно цены закрытия, средние цены и ряд других параметров.

После того как программа проанализирует критерии вы получите таблицу со списком активов а также значением их корреляции.

В заключение стоит отметить, что программа Trading Solutions является полноценным продуктом, который позволяет анализировать, а также прогнозировать поведение финансовых активов на основе нейронных сетей.

Предупреждение о рисках.

Начиная торговлю CFD на любом из финансовых рынков вы должны четко понимать, что такой вид деятельности может привести не только к прибыли, но и к убыткам.

Искусственные нейронные сети и их применение на рынке Форекс

В то время, как большинство трейдеров бьется в поисках Грааля, совершенствуя механические торговые системы и графические методы анализа, небольшая, но прогрессивная часть занимается разработкой нейронных сетей в трейдинге и их продвижением. Что же такое нейронная сеть, и каковы перспективы ее использования на рынках ценных бумаг?

Что такое искусственная нейронная сеть?

Принципиальная схема нейросети.

Искусственная нейросеть построена по принципу биологических нейронных сетей, то есть, она копирует организацию нервных клеток живого организма и состоит из искусственных нейронов. Она представляет собой математическую модель и ее воплощение в аппаратном и программном обеспечении для осуществления сложных логических вычислений.

Обратите внимание! Из всех форекс брокеров, работающих на территории РФ, критериям действительно качественной компании удовлетворяют немногие. Лидером является – Альпари!

— более 20 лет на рынке Форекс;
— 3 международные лицензии;
— 75 инструментов;
— быстрый и удобный вывод средств;
— более двух миллионов клиентов;
— бесплатное обучение;
Альпари — это брокер №1 по версии Интерфакса! Все, что необходимо для начала — просто зарегистрироваться на сайте!

Интересно! Нейроны искусственной нейронной сети иногда называют сумматорами. Нейрон получает информацию, обрабатывает ее с помощью простых арифметических действий и передает ее дальше.

Простая нейросеть состоит из трех нейронов:

  • входного;
  • скрытого;
  • выходного.

Эта последовательность называется перцептроном. Если нейросеть сложная, то нейроны в ней могут образовывать слои (обычно не более трех). Ключевой способностью нейронной сети является способность к обучению.

Основные задачи, решаемые с помощью нейросетей:

  • классификация – распределение данных по параметрам;
  • прогнозирование – например, курса валют исходя из имеющихся данных;
  • распознавание образов;

Наиболее успешно нейронные технологии применяются для распознавания образов.

Для справки! Голосовые команды и фраза «окей, Гугл» — тоже нейросети.

Классификация нейросетей

Нейросети классифицируются по количеству слоев нейронов:

  • однослойные — с одним слоем;
  • многослойные — с несколькими скрытыми слоями.

Также по направлению движения информации они могут быть следующих видов:

  • прямого распространения – информация двигается только в одном направлении;
  • рекуррентные – с обратными связями;

Возможности рекуррентных сетей пока слабо изучены, так как анализировать их сложно. Потенциал у них очень велик.

Нейронные сети в трейдинге

Нейротехнологии пока не нашли себе широкого применения в трейдинге. Тем не менее, они имеют потенциал, так как позволяют обнаруживать в исходных данных любые повторяющиеся модели. Также в качестве источников данных для анализа можно использовать не только котировки, но, при необходимости, и любую информацию, вплоть до фаз луны и календаря индейцев Майя. При этом, можно комбинировать как технические данные, так и фундаментальные.

Важным преимуществом нейросетей в трейдинге перед механическими торговыми системами является возможность обрабатывать гигантские объемы информации, способность обучаться и адаптироваться к изменениям рынка.

Например, механические советники и торговые роботы периодически нужно перенастраивать, иначе они начинают приносить убытки. Существуют трендовые роботы и роботы хорошо работающие в боковике. Нейронная сеть способна подстраиваться под изменения рынка самостоятельно, без участия человека.

Программное обеспечение для создания нейросетей в трейдинге

Уже довольно давно на рынке присутствуют достаточно мощные пакеты и программные комплексы, позволяющие как проектировать нейронные сети для Форекс самостоятельно, так и включающие в себя готовые решения для торговли.

ExelNeuralPacckage Пакет, разработанный российскими специалистами расширяющий возможности MS Exel в области нейротехнологий.
Nero Brainmaker Несложная программа для проектирования сетей с большим количеством слоев.
NeuroLab Приложение для Wealth-Lab.
NeuralWorks Семейство продуктов для разработки сетей.
NeuroShell Продукты для решения широкого ряда задач, в том числе и в трейдинге.
Trading Solutions Специализированная программа для трейдеров, позволяющая им создавать и отлаживать нейронные сети.
Statistica Продукты компании StatSoft для статистического анализа, в том числе, с применением нейросетей.

Для Форекс-трейдеров существует возможность писать роботов и советников на языках MQL4 и MQL5. Для работы в этом направлении есть соответствующие библиотеки. Также можно использовать пакет NeuroSolutions который позволяет не только создавать нейронные сети, но и подключаться к MetaTrader.

Недостатки нейросетей, работающих на Форекс

К сожалению, на сегодняшний день нейронные сети в трейдинге показывают противоречивые результаты. Это связано со следующими причинами:

  1. Нейросети являются разновидностью статистического анализа и поэтому им свойственны все проблемы и болезни статистических методов: успешный анализ исторических данных не гарантирует успеха в будущем – это утверждение в полной мере справедливо и для нейросетей.
  2. По мере усложнения сети, количество вычислений растет по экспоненте.
  3. Нейронные сети работают по принципу черного ящика: загружая в сеть данные и получая результат, трейдер не понимает принципов, на основании которых она принимает решение, значит он не склонен доверять ей свои деньги, тем более, на таком рынке, как Форекс.

Для решения этой проблемы, разработчики нейросетей предусматривают вывод данных в виде математических формул. Но для того чтобы в них разобраться, нужно обладать серьезными знаниями в области математики.

В краткосрочной торговле, и, в частности, на Форекс, нейросети показывают слабую эффективность, тем самым подтверждая утверждение нобелевского лауреата Юджина Фама о хаотическом характере изменения цены и невозможности предсказаний в краткосрочном плане. Однако они могут быть полезны для анализа долгосрочных процессов и выработки инвестиционных прогнозов, а также при анализе инвестиционных рисков.

Уже сейчас банки и инвестиционные компании активно применяют нейротехнологии. Возможность обрабатывать большие массивы и способность к обучению, позволяют нейронным сетям на Форекс идентифицировать более сложные паттерны, чем это возможно с помощью механических и графических методов.

Не исключено, что нейросетям в будущем будет вполне по силам самостоятельно осуществлять поиск неэффективностей рынка – закономерностей, которые позволяют трейдеру зарабатывать. В настоящее время, использование на рынке стратегий, основанных на нейротехнологиях, возможно с применением грамотного риск-менеджмента и управления капиталом.

НЕЙРОСЕТЕВОЙ АНАЛИЗ ФОРЕКС

В трейдинге все должно быть математически обоснованно, конкретизировано и не допускать двойного толкования. Все должно работать как механическая торговая система.

Абсолютное большинство трейдеров при прогнозировании финансовых рынков используют технический анализ. Одним из наиболее популярных разделов ТА является анализ при помощи индикаторов. Даже если торговая система трейдера не основана на индикаторах, у него на экране все равно «дергаются» 3-5 «дежурных сигнальщиков».

Мечта заполучить систему, которая бы со 100% уверенностью выдавала сигналы на вход в рынок и выход из него, посещала большинство трейдеров. Однако мечты однозначно останутся мечтами, даже не смотря на свою обоснованность, индикаторы просто представляют рыночную картину в удобоваримом виде. Должен заметить, однако, что раздел ТА посвященный индикаторам, разрабатывался весьма давно и страдает излишней простотой подхода к интерпретации рынка по одной простой причине: в 50-е годы не каждый трейдер имел доступ к компьютеру и индикаторы рассчитывали в таблицах при помощи карандаша и бумаги. Современные компьютерные и аналитические технологии предоставляют в распоряжение трейдера гораздо больше возможностей.

Необходимо отметить, что прогнозирование — это не конечная цель. Прогнозирующая система — это часть большой системы управления и как подсистема, она взаимодействует с другими компонентами системы, играя немалую роль в получаемом результате.

Мы разработали Механические торговые системы, работающие с использованием нейросетей и генетических алгоритмов, которые показывает стабильный результат на любых временных интервалах.

Системы построенные на дневной информации. Эти системы дают сигнал один раз в сутки, в 23:00. Если Вы работаете или учитесь и не можете проводить всё время перед монитором, то это именно то, что Вам нужно. Системы есть на все валютные пары.

Системы построенные на 4 часовой информации. Системы дают сигнал 1 раз в 4 часа. Вы 90 процентов времени находитесь в рынке. Эти системы может применять как профессионал, так и человек новый в этом бизнесе.

Системы построенные на часовой информации. Системы дают сигнал один раз в час, но это не значит, что всё время Вы будете находиться в рынке. Этим системам характерно давать сигналы на нахождение вне рынка довольно часто. Данные системы есть на все валютные пары.

Все системы построенны на оптимизированных индикаторах, у каждой системы этот список свой. Для применения систем Вам необходим только доступ в интернет и реальные данные рынка Форекс.

Кроме того, для тех кто не хочет сразу покупать системы, мы предлагаем подписку на торговые сигналы. Торговые сигналы выходят ежедневно в 9-30 по Моссковскому времени.

Как это работает

Для успешной торговли каждый трейдер должен постоянно отслеживать огромное количество информации, в виде индикаторов и фундаментальных факторов. Но человек, даже с помошью компьютера не сможет оперативно отреагировать на изменение большого количества индикаторов и принять решение. Именно это мы доверяем нейросетям. Нейросети принимают торговое решение на основе 100-130 оптимизированных технических индикаторов.

Процесс происхидит так: Предварительно нейросеть обучается на исторических данных, она находит оптимальное сочетание индикаторов в определённых ситуациях, сложившихся на рынке. В зависимости от реальных данных поступивших к ней, нейросеть принимает торговое решение, с учётом всех зависимостей обучающего множества.

Фактически нейронная сеть обрабатывает все индикаторы и находит скрытые взаимосвязи между ними и данным значением цены, что и гарантирует нам правильное решение практически на 100%. Конечно сети не всесильны, поэтому забывать о фундаментальном анализе, который в некоторых ситуациях может сильно влиять на рынок нельзя. Это говорит о том, что применять сеть в момент выхода «сильных» новостей нерекомендуется. Используя это нехитрое правило система гарантирует 100% успех.

Если у вас возникли вопросы, задавайте их по нашему адресу master-forex@mail.ru ответим всем

Скачивайте самые последние книги по Forex ,бесплатно:

Наиболее полный список можно получить в разделе
Литература по ФОРЕКС

Лучшие Форекс брокеры 2021: