Casual
РЦБ.RU

Нейронные сети как инструмент распознавания фигур

Февраль 2005


    В статье рассматривается применение нейросетевого технического анализа для проведения спекулятивных операция на валютном и фондовом рынках. Исследования проведены группой независимых аналитиков, все графические данные взяты из оригинального разработанного программного обеспечения для проведения исследований. Несмотря на то что описанные в статье исследования проводились на валютном рынке, аналогичные результаты получаются при применении индикаторов на сильно волатильных бумагах.

    Фигуры ценовых баров, такие как <голова-плечи>, <флаги продолжения трендов>, <алмаз> и другие, являются чрезвычайно распространенным методом анализа поведения рынка. Это один из первых инструментов, с которым знакомитcя начинающий трейдер. Однако наряду с очевидными достоинствами (простота анализа, доступность широкому кругу спекулянтов) этот метод имеет и существенные недостатки: названные фигуры встречаются нечасто, да и уверенно определить наличие фигуры обычно довольно затруднительно из-за незавершенности фигуры и накладывающихся на нее спекулятивных искажений.
    Естественным развитием идеи анализа рынка по фигурам является предположение о том, что весь ценовой график представляет собой последовательность некоторых фигур. При этом следует расширить понятие <фигура> и понимать под этим термином любую симметричную конструкцию на ценовом графике. Таким образом, обнаружив симметрию при формировании цен на определенном этапе можно прогнозировать дальнейшее движение цен.
    Но такой подход еще больше усложняет распознавание фигуры, реализующейся в данный момент на рынке, и возникает необходимость использования специальных инструментов для облегчения визуального определения фигур. В каждый момент времени на рынке присутствует множество тенденций с различными временными горизонтами (разнонаправленные и разномасштабные тренды). Такие тенденции вносят множество искажений в фигуру, и для ее определения необходимо найти инструмент, который работал бы инвариантно относительно аффинных преобразований ценовых графиков (т. е. независимо от растяжений и параллельных переносов графика). Такими свойствами обладают нейросети.
    Для предлагаемого инструмента оптимальным решением является трехслойная сеть прямого распространения (когда отсутствуют обратные связи между нейронами двух последовательных слоев), обучаемая методом градиентного спуска. В качестве активационной функции была использована сигмоидальная функция - гиперболический тангенс. Основной задачей при разработке инструментов на основе нейросетей является настройка сети. В предлагаемом индикаторе на вход нейросети подается разность цены закрытия текущей свечи и цен, характеризующих предыдущие свечи. Например, на вход сети для предыдущей свечи подаются значения O1, L1, H1, C1, для стоящей перед ней свечи - соответственно O2, L2, H2, C2 и т. д. (рис. 1).
    Обычно на вход подается от 30 до 100 свечей. В выходном слое каждому нейрону поставлен в соответствие ход цены, попадающий в некоторый диапазон (например, если мы выбираем шаг в 20 пипсов, тогда первому нейрону соответствует ход цены в интервале от 0 до 20 пипсов, второму нейрону - от 20 до 40 пипсов и т. д.). Высокое выходное значение одного из нейронов означает, что сеть прогнозирует высокую вероятность хода цены в соответствующем нейрону диапазоне. Таким образом, требуемое для нас распределение выходного сигнала при работе сети - это распределение вероятностей осуществления хода цены на определенное количество пипсов (рис. 2).
    Из-за конечного числа выходных нейронов полученное на выходе распределение дискретно. Минимальная ошибка нейросети равна диапазону, за который отвечает один нейрон. Ошибку можно минимизировать, взяв большое количество выходных нейронов (в пределе поставив в соответствие одному нейрону 1 пипс). Но при очень большом числе выходных нейронов возникает нехватка обучающей выборки, поскольку невозможно подобрать достаточное количество временных точек, после которых случился бы ход определенной величины (например, необходимо найти 1000 исторических примеров, в которых длина следующей свечи составила бы ровно 99 пипсов). Если обучающих примеров недостаточно, то обобщение случаев нейросетью не произойдет, вместо этого сеть просто <запомнит> эти примеры (т. е. только на выбранных точках сеть даст идеальный результат, на примере не из обучающей выборки сеть не способна дать правильный прогноз). При малом количестве выходных нейронов - одному нейрону соответствует некоторый диапазон цен - становится проблемой определить, какому нейрону соответствует прогнозное значение, когда оно лежит ровно на границе диапазона (например, одному нейрону поставлено в соответствие 40 пунктов хода, цена сделала 39-41 пункт хода - неясно, к первому или второму нейрону относится данный случай). Для устранения этих двух недостатков в качестве желаемого выходного сигнала при обучении нейросети используется не пик в желаемой точке, соответствующий ходу цены, а функция Гаусса с центром распределения в точке, соответствующей ходу цены (рис. 3).
    Однако при обычном методе обучения, когда для каждой входной последовательности свечей есть единственный и неизменный желаемый результат, соответствующий реальному ходу цены, нейросеть не поддается настройке. Это связано с тем, что в подавляющем большинстве случаев для отдельно выбранного нейрона желаемый выход близок к нулю, потому что он находится далеко от центров распределений, соответствующих всем остальным нейронам. При общепринятом методе обучения нейросеть просто не способна настроиться, поэтому был применен нестандартный прием. На очередном цикле обучения сначала вычисляется текущий выход нейросети, который затем суммируется с соответствующей функцией Гаусса. Получившиеся выходные значения принимаются в качестве желаемого выходного сигнала (рис. 4).
    При таком подходе для отдельно выбранного нейрона желаемое выходное значение может не быть близким нулю, даже если центр распределения желаемого выходного сигнала находится далеко от нейрона. Разработанная нейросеть настраивалась на часовых свечах USD/CHF. Охватываемый период составил 4 года - с 1999 по 2002 г. Диапазон выходных значений - от -150 до 150 пипсов, т. е. нейросеть в состоянии прогнозировать рост или падение цены в течение следующего часа на величину до 150 пунктов.
    В результате настройки нейросети описанным выше методом типичное выходное распределение вероятностей (прогноз) имеет вид <ступеньки> (рис. 5).
    Таким образом, нейросеть выявила важный факт: вероятности осуществления различных длин ходов в определенном направлении одинаковы. Это говорит о том, что техническими инструментами невозможно предсказать величину хода цены, но направление хода цены предсказуемо.
    Для дальнейшего использования разработанного инструмента построим индикатор следующим образом: для каждой свечи рассчитаем прогнозное значение и отобразим вероятность хода, предсказанную сетью, в данном направлении. Значение индикатора выше 0 будет говорить о большей вероятности хода вверх (чем выше значение, тем больше вероятность), соответственно значение ниже нуля будет означать более высокую вероятность хода вниз. Для повышения надежности инструмента будем использовать не один такой индикатор, а несколько индикаторов с разными временными горизонтами, т. е. несколько нейросетей, на вход которым подается разное количество свечей. Например, три сети с временными горизонтами, равными 30, 50 и 70 свечам (рис. 6).
    Рассмотрим часовой ценовой график с 6 по 16 апреля 2000 г. (см. рис. 6). Можно было выбрать и другие периоды, но возьмем для начала один из многих, который наглядно демонстрирует все возможности рассматриваемого инструмента. Под ценовым графиком отображены индикаторы с временными горизонтами 30, 50 и 70 свечей (синяя, черная и серая линии соответственно).
    Как видно, на самом ценовом графике весьма сложно разглядеть какие-либо фигуры, тем более на этапе их формирования. Для выявления фигур обратимся к нашим индикаторам. На индикаторах хорошо видна, например, симметричная конструкция, расположенная между вертикальными зелеными линиями (центр симметрии - синяя линия). Это и есть фигура.
    Если внимательно соотнести нижние графики с ценовым графиком, то на этапе формирования правой половины фигуры можно увидеть симметричную конструкцию и делать прогноз относительно дальнейшего движения цен. Например, на расстоянии в 33 свечи слева от центра фигуры - резкий восходящий ход (левая красная линия), следовательно, на расстоянии в 33 свечи справа от центра фигуры следует ожидать резкого хода вниз и открыть <короткую> позицию (момент открытия - правая красная линия). Также можно отыграть следующий ход вверх в течение 4 свечей, увидев симметрию по фигуре (слева между зеленой и красной линией видны 4 свечи вниз и 1 вверх; справа между красной и зеленой линией после свечи вниз следуют четыре свечи, образующие довольно сильное восходящее движение). Аналогично по симметрии фигуры далее можно открыть <короткую> позицию (момент открытия - правая зеленая линия). Таким образом, все сильные движения дня будут отыграны без предварительного технического анализа, несмотря на то, что на первый взгляд явно выраженных тенденций на рынке нет и развороты носят случайный характер.
    В приведенном интервале можно выделить и другие фигуры, например фигуру, расположенную перед описанной выше фигурой (рис. 7). Причем следует обратить особое внимание на то, что окончание этой фигуры одновременно являлось и началом новой фигуры, что подтверждает высказанную нами ранее мысль о том, что движения цен представляют непрерывную последовательность фигур. Более того, если рассмотреть на графике движение цены после 16 апреля, то увидим сильную восходящую тенденцию. Это движение можно также отыграть, увидев фигуру с еще несформировавшейся правой частью и состоящую из двух рассмотренных ранее фигур.
    Следует отметить, что, хотя мы использовали в разработке индикатора часовые данные, он таким же образом работает на других временных интервалах. То есть нейросеть, настроенная на часовых свечках, одинаково хорошо обрабатывает и другие временные горизонты. Так, при подаче на нейросеть (обученную по часовым свечам) дневных свечей по-прежнему четко видны фигуры и сохраняются все описанные выше моменты. Это говорит о том, что произошло именно обобщение нейросетью закономерностей рынка. Когда на рынке присутствует длинный явно выраженный тренд, индикатор не может <распознать> фигуры. В таких случаях сети с разными временными горизонтами показывают одно и то же максимальное (или минимальное) значение, что может использоваться для выявления длинных трендов и открытия соответствующих позиций.
    Приведем еще несколько примеров фигур, воспользовавшись часовым архивом котировок USD/CHF (рис. 8, а, б), а также продемонстрируем работу сети на дневных свечах (рис. 9).
    Конечно, не всегда индикаторы выглядят так <красиво> и фигуры бывают <сломленными> или сильно искаженными. Тем не менее рассмотренный инструмент позволяет более уверенно строить прогноз относительно точек входа и выхода из рынка и в сочетании с другими средствами технического анализа сформировать надежную торговую систему.

ЛИТЕРАТУРА

    1. Корнеев В. В., Гареев А. Ф., Васюткин С. В., Райх В. В. Базы данных. Интеллектуальная обработка информации / Под ред. С. В. Молгачева. 2001.
    2. Гареев А. Ф. Решение проблемы размерности словаря при использовании вероятностной нейронной сети для задач информационного поиска // Нейрокомпьютеры: разработка, применение. 2000. № 1. С. 60-63.
    3. Колби Р. В., Мейерс Т. А. Энциклопедия технических индикаторов рынка /Пер. с англ. А. М. Дзюра. М.: Издательский дом <Альпина>, 2000.
    4. Stornetta W. S., Huberman B. A. An improwed three-layer, backpropagation algrithm. In Proceedings of the IEEE First International Conference on Newral Networks. Eds M. Caudill, C. Butler. San Diego, CA: SOS Printing, 1987.
    5. Parker D. B. Second order back propagation: Implementing an optimal 0(n) approximation to Newton's method as an artificial newral network. 1987.

  • Рейтинг
  • 0
Оставить комментарий
Добавить комментарий анонимно, введите имя:

Введите код с картинки:
Добавить комментарий как авторизованный посетитель: Войти в систему

Содержание (развернуть содержание)
Факты и комментарии
Долговой рынок россии в 2005 г.: насыщение или продолжение роста?
Рынок облигаций: итоги 2004 г.
Год 2005-й - время локальных рынков
В начале 2005 г. возможен падающий тренд
Ликвидность - ключевой параметр
Итоги 2004 г. для мирового рынка IPO
Распакованные акции АО-энерго
Управление ликвидностью на зарубежных срочных биржах
Ипотека и ценные бумаги: изменения в налоговом законодательстве
Передача права на приобретение дополнительных акций общества: возможно ли это?
Правильные критерии для специализированных депозитариев
Применение технологии работы с сертификатами открытых ключей в ЭДО участников учетной системы
Жизнь после конкурса
Международный аспект проблем консолидации расчетных систем фондового рынка
Применение механических торговых систем как фактор ограничения влияния эмоций в торговле
Циклический анализ: выявление закономерностей
Нейронные сети как инструмент распознавания фигур
Високосный год - удачный год
Цыплят по осени считают: итоги года в цифрах
Группа центральных депозитариев Азиатско-Тихоокеанского региона, далекая и близкая
Первые результаты работы Фондовой биржи ММВБ
Укрепит ли рубль очередной инвестиционный рейтинг?
Место акций российских электроэнергетических компаний в инвестиционных портфелях
Рентабельность и оптимизация как слагаемые успеха
Плюсы и минусы Интернет-трейдинга
Еще раз о стратегии развития банковского сектора России
Этот многоликий инсайд
Благотворительная деятельность ММВБ
Подведение итогов конкурса годовых отчетов журналом "Эксперт"

  • Статьи в открытом доступе
  • Статьи доступны на платной основе
Актуальные темы    
 Сергей Хестанов
Девальвация — горькое лекарство
Оптимальный курс национальной валюты четко связан со структурой экономики и приоритетами денежно-кредитной политики. Для нынешней российской экономики наиболее логичным (и реалистичным) решением бюджетных проблем является девальвация рубля.
Александр Баранов
Управление рисками НПФов с учетом новых требований Банка России
В III кв. 2016 г. вступили в силу новые требования Банка России по организации системы управления рисками негосударственных пенсионных фондов.
Варвара Артюшенко
Вместе мы — сила
Закон синергии гласит: «Целое больше, нежели сумма отдельных частей».
Сергей Майоров
Применение blockchain для развития биржевых технологий и сервисов
Распространение технологий blockchain и распределенного реестра за первоначальные пределы рынка криптовалют — одна из наиболее дискутируемых тем в современной финансовой индустрии.
Все публикации →
  • Rambler's Top100