Диссертация (1152468), страница 24
Текст из файла (страница 24)
Для каждой целевой функции выбор наилучшего сценарияопределялся с помощью описанного выше принципа близости баланса к среднемузначению для всех сценариев.Из представленных результатов видно, что максимальная прибыльдостигается путем оптимизации с помощью целевой функции «expected payoff»(математическое ожидание), и уменьшается в два раза при использованиипараметра «profit factor» (прибыльность).Таблица 3.10 – Результирующая статистика эффективности использованияразличных целевых функций оптимтизации для советника ТС1 в режименеограниченного горизонта прогнозирования*Оптимизируемыйпараметрexpected payoffprofit factormaximal drawdownbalancedrawdown percentПрибыль,долл.10,665,142,180,81-8,92Числосделок862132Просадка,долл.1,642,771,9411,4110,40Баланс6,501,861,120,07-0,86Положительныесценарии, %50,0060,0040,0080,0010,00 Источник: Составлено авторомПредставленные результаты позволяют сделать вывод о том, что дляобучения советников в режиме неограниченного горизонта прогнозирования, вчастности ТС1, предпочтительным является использовании целевой функцииоптимтизации «expected payoff» (математическое ожидание).В качестве основных итогов данного параграфа необходимо отметитьследующие:1.
Выявлены наиболее подходящие пути обучения автоматизированныхторговых систем, на примере советника ТС1, позволяющие им демонстрироватьнаилучшие финансовые результаты в зависимости от выбора горизонтапрогнозирования, используемого для принятия торговых решений.2.
Показано, что наилучшие результаты применения советника ТС1 врежиме ограниченного горизонта прогнозирования получаются при оптимизации146с помощью целевой функции «profit factor» (прибыльность) генетическогоалгоритма, заложенного в платформу MT4.3.
Для советника ТС1 в режиме ограниченного горизонта прогнозированиябылапродемонстрированаэффективностьобученияитестированиянаодносторонних позициях (например, только на покупку «only long»), в отличие ототкрытия традиционных двусторонних позиций («long & short»).4. Показано, что наилучшие результаты применения советника ТС1 врежименеограниченногогоризонтапрогнозированияполучаютсяприоптимизации с помощью целевой функции «expected payoff» (математическоеожидание) генетического алгоритма, заложенного в платформу MT4.5. Показано, что наилучшие результаты для советника ТС1 как в режимеограниченного, так и неограниченного горизонта прогнозирования получаютсяпри выборе сценария из спектра, отсортированного по убыванию получаемойприбыли.
В свою очередь, поиск потенциально лучшего сценария для ТС1 врежиме ограниченного горизонта прогнозирования необходимо проводить вобласти минимальных значений баланса, а для режима неограниченногогоризонта – в области средних.6. Продемонстрирована предпочтительность использования одинаковыхвременных периодов для обучения и тестирования автоматизированных торговыхсистем вне зависимости от применяемого горизонта прогнозирования.3.3 Разработка метода по повышению адаптируемости автоматизированныхторговых систем к меняющимся условиям рыночной конъюнктурыНастоящий параграф посвящен разработке метода, позволяющего повышатьадаптируемость автоматизированных торговых систем к постоянно меняющимсяусловиям рыночной конъюнктуры на основе агрегации прогнозов математических147моделей и инструментов технического анализа.
В параграфе 1.2 были приведеныссылки на источники, позволяющие убедиться в эффективности использованиядля прогнозирования агрегированных регрессионных моделей. Данные работы,представляя больше академический интерес, иллюстрируют значительныйпотенциал одновременного использования различных прогнозных моделей дляреального экономического применения.Для агрегации различных прогнозных моделей не всегда требуется заданиеопределенных математических уравнений. Простейшей формой агрегацииявляется использование нескольких индикаторов или несвязанных друг с другомпредикторов для подтверждения того или иного прогноза направления движенияфинансового рынка.
Иллюстрацией популярности подобного подхода являетсясуществование в сети Internet онлайн ресурсов, например, описанного в параграфе3.1 сайта [112], предоставляющих прогнозы будущего направления движенияфинансового рынка на основе простого подтверждения друг друга классическимиинструментами технического анализа [37, с. 246-282]. Зачастую, при созданииавтоматизированныхторговыхсистем,используетсяименнопростоеподтверждение, состоящее в получении сигналов на покупку или продажу снескольких индикаторов одновременно. Данный подход был реализован вразработанном в рамках данной работы советнике ТС2, рассмотренном впараграфе 3.1, а также в другом не представленном в данной работе в силуиспользования в нем альтернативной прогнозной модели торговом советнике«Алгоритмический волновой торговый советник», имеющем свидетельство огосударственной регистрации программы для ЭВМ [36], приведенное вПриложении У.
В практических пособиях по торговле на финансовых рынкахпредставлено множество различных комбинаций одновременного использованиясуществующих индикаторов. Однако, большинство данных пособий приводит«красивые» примеры, в то время как при реальном использовании подобногоподходавозникаетпредоставляютмножестволожныеилиситуаций,хаотичныекогданесколькоиндикаторовсигналы.Ложноесрабатывание148одновременно нескольких индикаторов может возникать по следующимпричинам: нахождение рынка в боковом движении, при котором цена можетзначительным образом меняться в различных направлениях, оставаясь при этомвнутриопределенногоинтервала;продолжительныепериодыснизкойволатильностью и большим количеством незначительных флуктуаций цены возлесреднегозначения;статистическиевыбросы,обусловленныерезкимизначительными изменениями цены вследствие выхода определенных новостей,низкой торговой ликвидностью и т.д.
Таким образом, преимущество отодновременного использования подтверждающих сигналы друг друга несколькихпредикторов исчезает при описанных выше условиях. Возможным решениемданной проблемы является введение долгосрочных индикаторов, независящих отлокальнойконъюнктурырынка.Однако,втакомслучаевозникаетпротивоположная проблема запаздывания, при которой сигналы о покупке илипродаже будут возникать со значительной задержкой после начала направленногодвижения,снижаявозможностизаработка.Данныйпараграфпосвященпредставлению потенциального решения данной проблемы с использованиемвозможностей агрегации сигналов различных прогнозных индикаторов и моделейна основе регрессионного принципа.В общем виде представляемое решение основано на агрегации несколькихпрогнозов, получаемых от различных моделей, в один обобщенный прогноз ивведении для него порогового принципа срабатывания [33, с.
936-939]. Похожийподход используется в традиционных моделях логистической регрессии,используемых, например, в банковском скоринге [43, с. 92-109], при которомрешение о выдачи или невыдачи кредита в общем виде определяетсяагрегированием множества параметров клиента в одно число, представляющеесобой вероятность «благонадежности» данного клиента.
В случае, если значениевероятности, присвоенное конкретному клиенту, превышает заданный порог –принимается положительное решение о выдачи. Аналогичный подход возможен и149в применении к процессу принятия торговых решений на финансовом рынке, взависимости от значений различных предикторов (индексов).В отличие от классических скоринговых моделей, предоставляющихбинарное решение проблемы (заемщик благонадежен или нет), предлагаемый впараграфе подход позволяет получать решение, состоящее из трех возможностей– сигнал на покупку, сигнал на продажу и отсутствие сигнала. В общем виде,разработанный механизм агрегации состоит из следующих шагов:Шаг 1: всем используемым прогнозам присваивается переменная, котораяможет принимать как бинарные значения (1 или -1 для сигналов на покупку ипродажу соответственно), так и значения, определяемые заданной функцией оттекущей величины предиктора или его исторических значений.Шаг 2: для каждой переменной из шага 1 задается вес, меняющийся современем и определяющий значимость данного предиктора относительноостальных.Значимостьпредиктораопределяетсяегопредсказательнойспособностью для выбранного финансового рынка.Шаг 3: все переменные умножаются на соответствующие им веса, аполученные значения складываются.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
