Forex: просто о сложном Анализ рынка Форекс Торговля на Forex Технический анализ Форекс Forex-инвестиции Торговые стратегии Форекс Лучшие брокеры Форекс
В данной книге рассмотрены методы построения и обучения нейронных сетей. Описаны наиболее распространенные виды сетей и их применение к таким расчетам на финансовом рынке, как расчет цен опционов, оценка индексов акций и управление международным портфелем.
Лучший брокер бинарных опционов
ПРЕДВАРИТЕЛЬНАЯ ОБРАБОТКА ДАННЫХ И ПОДГОТОВИТЕЛЬНЫЕ ТЕСТЫ
Forex

Вся совокупность данных была разбита па три множества: обучающее, подтверждающее и тестовое. Так как историческая волатильность вычислялась по принципу движущегося окна размером в 15 торговых дней, обучающее множество охватывает промежуток времени с 11 февраля (вторник) до 13 марта (пятница) 1992 г. и включает в себя 24 рабочих дня и 2784 наблюдений (29 15-минутных периодов в день и 4 цены исполнения). Из них 300 наблюдений были выделены в подтверждающее множество. Перед тем, как это сделать, мы перемещали все 2784 записи, чтобы устранить аспект, связанный с временными рядами. Для того чтобы избежать эффектов дня и недели исполнения, мы взяли для тестов промежуток с 16 марта (понедельник) по 3 апреля (пятницы), и, таким образом, до исполнения (16 апреля) оставалось еще достаточно времени. На эти 15 дней торгов приходилось 1740 наблюдений.


Для беспроблемного трейдинга рекомендую брокера Forex4you – здесь разрешен скальпинг, любые советники и стратегии; также можно иметь дело с Альпари; для инвесторов – однозначно Альпари с его множеством инвестиционных возможностей. – примеч. главного админа (актуально на 09.05.2018 г.).


Все 33 входных переменных были перемасштабированы так, чтобы их значения менялись от 0 до 1. Предварительно были «подрезаны» крайние значения дохода (1-процентные выбросы с обеих сторон). В итоге значение 0.5 в новом масштабе соответствует нулевому доходу за соответствующий промежуток времени. Обратите внимание на то, что в проверочном множестве случаи нулевого дохода встречаются весьма часто.

Для того чтобы выяснить влияние разных переменных и определить степень пригодности линейной модели, была использована линейная OLS регрессия. В силу того, что подразумеваемая ставка IMPLRE оказалась мультиколлинеарной с соотношением длинных/коротких позиций MMPOSLO (выявлено с помощью теста на допустимые отклонения пакета SPSS+/PС версия 5.01), эта переменная была отброшена. Результаты для обучающею множества оказались весьма обнадеживающими.

Модель оказалась способной объяснять ситуацию примерно в 3% случаев — неплохой результат, когда речь идет об оценке дохода на наличном рынке на основании информации с рынка производных финансовых инструментов. Никакой корреляции ряда обнаружено не было. То обстоятельство, что на всем обучающем множестве акции Филипс медленно, но постоянно росли, учитывалось в значениях переменных TRAHOUR, H1SVOLA и RETLAG.

Регрессионные данные довольно хорошо отслеживали кривую реальных доходов на первых 87 записях (что соответствует 3 торговым дням) из тестового множества (коэффициент корреляции = 13%), но на оставшемся отрезке проявлялся отчетливый тренд на понижение (большие отрицательные доходы) при коэффициенте корреляции 2%. Поскольку средний доход по акциям за 15 минут — один и тот же для опционов всех серий, мы для каждого временного интервала вносили в график только одно значение целевой переменной, и, тем самым, число наблюдений в проверочном множестве сократилось с 1740 до 435.

Поскольку на данных, следующих за тремя днями торгов, результаты проверки все больше расходятся с целевой переменной по величине и направленности, периодическая перенастройка модели может улучшить результаты на тестовом множестве. Не "обновляя" регрессионную модель, мы повторно обучали нейронную сеть с помощью движущегося обучающего промежутка, который охватывал 2 торговых дня или 232 записи (2 дня по 29 интервалов и 4 серии опционов). Вначале мы обучали сеть на материале обучающею (2484 записи) и подтверждающею (300 записей) множеств в течение 18,000 эпох. Затем мы делали прогноз дохода по тестовому множеству на час вперед (4 записи). После этого сеть повторно обучалась на последних 232 записях, включая те 4 интервала, для которых на предыдущем шаге был сделан прогноз. Затем делался прогноз еще на четыре 15-минутиых интервала и т.д. Срок прогноза и 4 интервала и интенсивность повторного обучения в 100 эпох выбирались волевым порядком, и в дальнейшем эти параметры можно уточнить.

Содержание Далее

Мы сосредоточились именно на краткосрочном (максимум на 1 час вперед) прогнозе дохода, поскольку предметом всего исследования являются изменения показателей в течение одного торгового дня. Alpari
Forex: просто о сложном
Яндекс.Метрика
Литература по биржевой торговле:

Бестенс Д. и др. Нейронные сети и финансовые рынки

Ван Тарп и др. Биржевые стратегии игры без риска

Грант К. Управление рисками в трейдинге

Пайпер Д. Дорога к трейдингу

Резго Г.Я., Кетова И.А. Биржевое дело

Рэдхэд К., Хьюс С. Управление финансовыми рисками

Сафонов В. Трейдинг. Дополнительное измерение принятия решений

Торговая система Woodies CCI

Торговая стратегия «Трейдинг без головной боли»

Тощаков И. Forex: игра на деньги. Стратегии победы

Хатсон Дж. Метод Вайкоффа

Черепков А. Теория длинных волн Н.Д. Кондратьева

Бинарные опционы Альпари