Диссертация (1152468), страница 18
Текст из файла (страница 18)
Данный графическийанализ представляет собой проверку необходимую для исключения возможностейвозникновения явления мнимой регрессии (spurious regression) [21, с. 282]. Такжев этих приложениях представлены выходные значения соответствующих тестовДикки-Фуллера. Полученные результаты свидетельствуют о том, что остатки всехпостроенных моделей являются стационарными для всех рассмотренныхвалютных пар, так как p-значения тестов Дикки-Фуллера при использовании какрядов астрономического, так и рыночного времени оказались меньше 0,05, аавтокорреляционные функции остатков быстро убывают на первых шагах.В качестве основных итогов данного параграфа необходимо отметитьследующие:1.
Всепостроенныеэкономико-математическиемоделипродемонстрировали высокие прогнозные способности для всех рассмотренныхвалютных пар по сравнению со специально введенной моделью случайногоблуждания (RW), в особенности с точки зрения процента правильныхнаправлений прогноза.2. При оценке моделей с помощью классического фильтра Калмана былоустановлено следующее: модели локального уровня и локального уровня сдрифтом обладали статистически более значимыми коэффициентами, в то времякак базовая модель обладала более высокой прогнозной способностью.3.
При оценке моделей с помощью фильтра Калмана со встроеннойнейронной сетью было установлено следующее: все рассмотренные модели имелиприблизительно одинаковую статистическую значимость коэффициентов исхожую прогнозную способность.1084. Применение предварительной процедуры агрегации финансовых рядов спомощью предложенного в параграфе 2.1 метода позволило значительнымобразом увеличить качество построенных моделей с точки зрения их прогнозныхспособностей и статистической значимости коэффициентов как для оценки спомощью простого фильтра Калмана, так и фильтра Калмана со встроеннойнейронной сетью.Выводы к главе 2В данной главе были представлены предложения, направленные насовершенствование методов анализа и моделирования динамики финансовогорынка в рамках решения поставленной задачи по разработке комплексногоподхода к принятию торговых решений. В качестве основных итогов необходимоотметить следующие:1.
Предложен универсальный метод первоначальной агрегации данныхфинансового рынка в соответствии с существующей теоретической концепциейотносительности скорости хода рыночного времени, позволяющий значительнымобразом увеличивать однородность статистических свойств рассматриваемыхпроцессов.2. Разработаны экономико-математические модели динамики финансовогорынка, функциональная форма которых позволяет использовать любые методыэконометрического оценивания адекватные рассматриваемым процессам, а такжематематически реализует методы стохастического моделирования и приемытехнического анализа, синтезируя их преимущества в целях повышениядостоверности описания рыночных закономерностей.1093.
Для разработанных моделей были получены оценки коэффициентов спомощью традиционной калмановской фильтрации и фильтра Калмана совстроенной нейронной сетью.4. Установлено, что применение фильтра Калмана со встроенной нейроннойсетью позволяет улучшать качество построенных моделей как с точки зренияпрогнозной способности, так и статистической значимости коэффициентов.5. Напримерепостроенныхмоделейподтвержденаэффективностьпредварительной агрегации финансовых рядов с помощью предложенного методав целях повышения достоверности получаемых прогнозов рыночной динамики.110Глава 3 Возможности инструментальной реализации и практическогоиспользования построенных экономико-математических моделейПредыдущая глава была посвящена построению экономико-математическихмоделей, позволяющих прогнозировать динамику финансового рынка на основеодновременногоиспользованияприемовтехническогоанализа,методовэконометрического и стохастического моделирования в рамках поставленнойзадачи по выработке комплексного подхода к принятию торговых решений.Также был предложен универсальный метод первоначальной агрегации данныхфинансового рынка, позволивший значительным образом повысить точностьпрогнозов построенных моделей, оцененную с точки зрения показателя процентаправильныхнаправлений.Настоящаяглавапосвященарешениюзадачипрактической реализации теоретических разработок предыдущей главы спомощью прикладных инструментальных средств в целях их реальногоэкономического использования.
В главе будет представлена созданная на базепопулярной среди участников финансового рынка платформе MetaTrader 4обучаемая автоматизированная система, формирующая торговые решения наосновепрогнозовразработанныхэкономико-математическихмоделейипредложенном методе агрегации данных. Для созданной системы будутопределены процедуры обучения, обеспечивающие наилучшую результативностьеереальногоразработанныйпрактическогометод,использования.позволяющийТакжебудетповышатьпредставленадаптируемостьавтоматизированных торговых систем к постоянно меняющимся конъюнктурнымособенностямрыночнойдинамикинаосновеагрегацииматематических моделей и инструментов технического анализа.прогнозов1113.1 Создание обучаемой автоматизированной торговой системы на основепостроенных экономико-математических моделейНастоящий параграф посвящен созданию обучаемой автоматизированнойторговой системы [3, с.
133-180; 85, с. 43-52; 91, с. 105-125; 170, с. 237-265] дляплатформыMetaTrader4(MT4)набазеразработанныхэкономико-математических моделей, представленных в главе 2. Суть поставленной задачисводитсякнаписаниюторговогоалгоритма[76,с.31-92]наязыкепрограммирования MQL, основой логики [53, с. 2-8] которого будет являтьсясоответствующая разработанная модель.
Получаемая программа для платформыMT 4 называется торговым советником (expert adviser) и может бытьиспользована для проведения торговых операций в автоматическом режимелюбыми пользователями платформы MT 4 независимо от выбора брокера.Для более подробного описания торговой платформы MT 4 и еевозможностей можно использовать следующий пользовательский мануал [144].Для ознакомления с основами языка программирования MQL неплохим пособиемявляется работа [171, с.
32-85] или интернет-ресурс [146].Необходимо отметить, что описанные далее результаты значительнымобразом опираются на выводы, которые будут представлены в следующемпараграфе 3.2. Как было отмечено выше, данный параграф посвящен созданиюторговых советников, разработке программного кода [81, с. 101-130], а такжепоследующему тестированию их финансовой результативности на историческихданных. Однако, одним из важнейших этапов создания советника, помимопрограммного кода, является задача его оптимизации, или, другими словами,выбор наиболее подходящих параметров советника, позволяющих удовлетворятьпредъявляемым к его работе пользовательским требованиям, таким как,например, наибольшая прибыль или наименьшая просадка счета, проверяемым наданных обучающего множества.
Таким образом, исследованию вопросов задачи112оптимизации советников посвящен параграф 3.2, результаты которого будутиспользованы в текущем параграфе для соответствующего обучения ипоследующего тестирования советников на исторических данных.Оценка прогнозных способностей разработанных в параграфе 2.2 моделейпроводиласьвсоответствииспринципомограниченногогоризонтапрогнозирования.
Другими словами, на каждом шаге получаемый прогноздвижения цены имел фиксированный горизонт действия, ограниченный выборомтаймфрейма как для рядов равного астрономического, так и рыночного времени.Например, при использовании рядов с таймфреймом в 30 минут получаемыепрогнозы имели горизонт действия (шаг) также равный 30 минутам. Помимоограниченного горизонта прогнозирования данные модели использовали вкачестве входных данных абсолютные значения своих предикторов.
Такоймеханизм построения (оценки) моделей является традиционным подходом,используемым в большинстве академических исследований. Далее для егообозначения будет использоваться термин «абсолютного эффекта». В общем видепостроенные в параграфе 2.2 модели используют абсолютные значенияизменений своих предикторов для получения прогнозов, строго ограниченных повремени.
С точки зрения академического интереса, разработанные моделидействительно позволяют описывать и прогнозировать динамику финансовыхрынков, однако, с точки зрения экономического прикладного использования,имеет смысл изменить как принцип ограниченного горизонта прогнозирования,так и используемый дляпроведения описанных вычислений механизм«абсолютного эффекта». Таким образом, для расширения возможностейэкономическойреализациипредставленныхмоделейбудутрассмотреныследующие основные модификации: неограниченный горизонт прогнозированияи механизм «присутствия эффекта», лежащий в основе вычислений получаемыхпрогнозов. Принцип неограниченного горизонта прогнозирования, как следует изназвания, заключается в том, что прогнозное направление движения рынка неимеет заранее известного фиксированного горизонта и должно сохраняться до113выполненияопределенныхусловий,связанныхсизменениемзначенийпредикторов модели или их знаков.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
