Автореферат (1152467), страница 4
Текст из файла (страница 4)
В качестве данных для построениябыли использованы оригинальные ряды равного астрономическоговремени и агрегированные в соответствии с предложеннымметодом ряды равного рыночного времени валютных пар USDJPY,USDRUB и EURUSD, взятых за период первых 10 месяцев 2017года. В целях иллюстрации в таблице 1 приведены результатыоценки коэффициентов моделей с помощью фильтра Калмана снейронной сетью на примере валютной пары USDRUB.Таблица 1 – Оценки коэффициентов моделей 1, 2 и 3Время:МодельМодель1Модель2Модель3Коэффициент22АстрономическоеСт.pЗначеошиб значениекание0,6370,023 0,0000,0000,000 0,0150,0100,004 0,017-0,009 0,000 0,0000,6300,004 0,000-0,001 0,000 0,0000,0230,002 0,000-0,011 0,001 0,0000,0000,000 0,0000,6280,004 0,000-0,001 0,000 0,0000,0330,002 0,000-0,013 0,001 0,0000,0010,000 0,000РыночноеСт.Значеошибниека0,3170,0040,0000,0000,0620,003-0,003 0,0000,3190,0010,0000,0000,0640,001-0,003 0,0000,0000,0000,3220,0020,0000,0000,0640,001-0,063 0,0100,0000,000pзначение0,0000,0000,0000,0000,0000,0000,0000,0000,0000,0000,0000,0000,0000,000Приведенные результаты свидетельствуют о статистическойзначимости оцененных коэффициентов, значения которых можно18использовать для представления моделей в удобном для реальногоиспользования виде (на примере рыночного времени):Модель 1 (базовая):dYt k {0,317 [Yt * Yt k ] 0, 000 [h(k , Yt ) Yt k ]1 *0, 062 [r(k , Yt ) Yt ] 0.003 [Yt Yt *1 ]}dt.2 t(11)kМодель 2 (локального уровня):dYt k {0,319 [Yt * Yt k ] 0, 000 [h(k , Yt ) Yt k ]0, 064 [r(k , Yt ) Yt k ] 0.003 1 *[Yt Yt *1 ]}dt.2 t(12)Модель 3 (локального уровня с дрифтом):dYt k {0,322 [Yt * Yt k ] 0, 000 [h(k , Yt ) Yt k ]0, 064 [r(k , Yt ) Yt k ] 0.063 1 *[Yt Yt *1 ]}dt.2 t(13)Несмотря на то, что коэффициенты моделей имеютприблизительно одинаковые значения, сами модели обладаютразличными прогнозными способностями, проиллюстрированнымив таблице 2, содержащей значения процента правильныхнаправлений прогнозов моделей 1, 2 и 3 в сопоставлении спрогнозами модели случайного блуждания (RW).Таблица 2 – Результаты прогнозных способностей моделей 1, 2 и 3ТипмоделиМодель 1Модель 2Модель 3Процент правильных направлений прогнозаАстрономическое времяРыночное времяМодельRWМодельRW58,0%71,8%57,3%46,5%71,5%50,7%55,3%70,1%Приведенные результаты демонстрируют высокие прогнозныеспособности построенных экономико-математических моделей напримере рынка USDRUB по сравнению с моделью случайногоблуждания (RW) с точки зрения одного из важнейшихкачественных показателей – процента правильных направленийпрогноза, свидетельствующего о достоверности описания моделямизакономерностей рыночной динамики.
Аналогичные результатыбыли получены для всех рассмотренных в диссертационномисследовании валютных пар, в том числе USDJPY и EURUSD.19Структурамоделейпозволяетучитыватьтрендовые,моментные и стохастические локально-уровневые эффектырыночного ценообразования, а также применять предложенныйметод предварительной агрегации финансовых рядов. Верификациямоделей на реальных исторических данных международноговалютногорынкапродемонстрировалаихзначительныевозможностиподостоверномуописаниюрыночныхзакономерностей, что, в свою очередь, свидетельствует об ихприменимости в рамках комплексного подхода к принятиюторговых решений.3.
Создана автоматизированная система для популярнойсреди участников финансового рынка платформы MetaTrader4, позволяющая формировать торговые решения, используяпредложенный метод агрегации финансовых рядов и прогнозыразработанныхэкономико-математическихмоделей,исовершать соответствующие этим решениям торговыеоперации без непосредственного участия пользователя, но подего контролем.В рамках поставленной в диссертационном исследованиизадачи по прикладной реализации разработанных экономикоматематических моделей с помощью инструментальных средствбыла создана автоматизированная торговая система, основанная напрогнозах модели 1 из построенного комплекса с применениемпредложенного метода первоначальной агрегации финансовыхрядов.
Разработка системы была проведена на базе популярнойсреди участников финансового рынка торговой платформыMetaTrader 4 (MT 4) со встроенным языком программированияMQL. Программный код созданной системы находится вприложении к диссертации и может быть использован любымпользователем платформы MT 4. В вычислительную логикусистемы заложены следующие пользовательские опции:1. Прогнозы модели 1 могут формироваться в соответствии содним из двух вычислительных механизмов – «абсолютногоэффекта» или «присутствия эффекта», отличие между которымисостоит в использовании абсолютных значений предикторов илизнаков их приращения соответственно.2. Система позволяет осуществлять торговые операции врамкахограниченногоилинеограниченногогоризонта20прогнозирования, отличие между которыми состоит в выходе изторговой сделки через заранее заданное пользователем время илипосле получения прогноза будущего направлении движения цены,противоположного направлению открытой ранее позиции.Для апробации экономических возможностей системы былииспользованы международный валютный рынок FOREX и смежныйс ним рынок бинарных опционов для рассмотренных в работевалютных пар USDJPY, EURUSD и USDRUB за период с 2012 по2017 год.
В диссертационной работе детальным образом описаныосновные параметры проведенного тестирования, включающиеустановленные размеры брокерских спредов, торговых лотов,тестового депозита и т.д. Результирующие доходности (процент отразмера тестового депозита) за 2017 год при торговле на рынкеFOREX с использованием половины средств депозита парамиUSDJPY, EURUSD и USDRUB составили 29,6%, 23,8% и 18,2%соответственно, в свою очередь, среднегодовая доходность для всехрассмотренных пар за период с 2012 по 2016 составила 15,2%. Врезультате применения системы для торговли на смежном с рынкомFOREX рынке бинарных опционов парами USDJPY, EURUSD иUSDRUB доходности за 2017 год составили 24,3%, 20,3% и 17,9%соответственно, в свою очередь, среднегодовая доходность для всехрассмотренных пар за период с 2012 по 2016 составила 14,5%.4. Разработаны процедуры обучения автоматизированныхторговых систем для платформы MetaTrader 4, состоящие всогласованном применении заложенных в платформу целевыхфункций оптимизации генетическим алгоритмом и способовпоследующего выбора подходящего сценария, содержащегозначения оптимизируемых параметров обучаемой системы,обеспечивающих наилучшую результативность ее реальногопрактического использования.В общем виде процесс обучения автоматизированных торговыхсистем, в частности на платформе MT 4, может быть сведен кпоследовательности следующих действий: выбор целевой функцииоптимизации, проведение соответствующей оптимизации наисторических данных и получение спектра сценариев, содержащихзначения оптимизируемых параметров обучаемой системы, выборподходящего сценария.
В силу того, что подобные спектры длялюбой целевой функции могут содержать значительное число21сценариев в зависимости от количества оптимизируемыхпараметров и частоты их дискретизации, возникает необходимостьвыработки определенных процедур обучения, позволяющих делатьадекватный выбор как целевой функции, так и подходящегосценария, обеспечивающего обучаемым системам наилучшуюрезультативность их последующего использования. В работе былапроведена разработка универсальных процедур обученияавтоматизированных торговых систем на базе генетическогоалгоритма платформы MT 4, обеспечивающих соответствующимсистемам наилучшую результативность их реального практическогоиспользования в зависимости от логики формирования имиторговыхрешений,связаннойсвыборомгоризонтапрогнозирования. Основные полученные результаты могут бытьописаны следующим образом в терминах «profit factor» и «expectedpayoff», обозначающих в MT 4 целевые функции прибыльности иматематического ожидания сделок соответственно:1.
Для систем с ограниченным горизонтом прогнозированиянаиболееперспективным,сточкизренияфинансовойрезультативности, является обучение с использованием целевойфункции оптимизации «profit factor» и при открытииисключительно односторонних позиций. Поиск подходящегосценария необходимо проводить в области предварительноотсортированного по убыванию чистой прибыли сценарногоспектра, соответствующей минимальным значениям соотношенияразмера данной прибыли к максимальной просадке счета.2.
Для систем с неограниченным горизонтом прогнозированиянаиболееперспективным,сточкизренияфинансовойрезультативности, является обучение с использованием целевойфункции оптимизации «expected payoff». Поиск подходящегосценария необходимо проводить в области предварительноотсортированного по убыванию чистой прибыли сценарногоспектра, соответствующей средним значениям соотношенияразмера данной прибыли к максимальной просадке счета.5. Разработанметод,позволяющийповышатьадаптируемость автоматизированных торговых систем кпостоянноменяющимсяконъюнктурнымособенностямрыночной динамики и улучшать результативность ихреального практического использования за счет агрегации22прогнозовматематическихмоделейиинструментовтехнического анализа с учетом оценки адекватности каждогопрогноза конъюнктуре рассматриваемого рыночного процесса,формируемой путем обучения соответствующей системы наисторических данных.Простейшим способом объединения любых прогнозныхмоделей и инструментов технического анализа является иходновременное применение для подтверждения того или иногопрогноза направления движения цен на финансовом рынке.
Однако,эффективность подобного простого подтверждения в ряде случаев,описанных в диссертационной работе, может значительноснижаться в силу индивидуального характера зависимостивозможностей рассматриваемых способов прогнозирования отпостоянно меняющихся условий рыночной конъюнктуры.В работе предложен метод агрегации прогнозов рыночнойдинамики, базирующихся на использовании математическихмоделей и инструментов технического анализа, позволяющий путемвариации присвоенных им весов и критериев принятия торговыхрешений с помощью генетического алгоритма MT 4 подстраиватьчувствительность автоматизированных систем к особенностямконъюнктуры рассматриваемого финансового рынка и улучшатьрезультативность их реального практического использования.
Вобщем виде разработанный метод состоит из следующих шагов:Шаг 1:Всем используемым прогнозам присваиваетсяотвечающая переменная, которая может принимать какфиксированные значения (1 или -1 для сигналов на покупку илипродажу соответственно), так и значения, функциональным образомзависящие от исторических величин соответствующего предиктора.Шаг 2:Для каждой переменной из шага 1 путем проведенияпроцедуры оптимизации определяется вес, меняющийся современем и отражающий значимость данного предиктораотносительно остальных для выбранного финансового рынка ипериода времени.Шаг 3:Все переменные умножаются на соответствующиеим веса, а полученные значения складываются.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
