Forex: просто о сложном Анализ рынка Форекс Торговля на Forex Технический анализ Форекс Forex-инвестиции Торговые стратегии Форекс Лучшие брокеры Форекс
Forex: просто о сложном Технический анализ 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.

   Наши партнеры:   Альпари   NPBFX   Exness   Intrade.bar

   Наши партнеры:
Альпари   NPBFX   Exness

Программа лояльности лучшего Форекс-брокера – компании «Альпари». Более 2 млн. клиентов из 150 стран. На рынке – с 1998 года. Выгодные торговые условия, ECN-счета с доступом к межбанковской ликвидности и моментальным исполнением, спреды – от 0 пунктов, кредитное плечо – до 1:1000, положительные отзывы реальных трейдеров.

ВОСПРОИЗВЕДЕНИЕ ПРАВИЛА СМА НЕЙРОННОЙ СЕТЬЮ

Один из лучших Форекс-брокеров 2019 года – компания «Forex4you». Быстрое исполнение, более 150 торговых инструментов, технический анализ от «Trading Central». Разрешен скальпинг, любые торговые советники и стратегии. Один из лучших Форекс-брокеров 2019 года – компания «NPBFX». Банковский Форекс. На рынке – с 1996 года. До 2016 года обслуживание всех клиентов осуществлялось от лица банка с лицензией Банка России (АО «Нефтепромбанк»). В начале 2016 года был проведен ребрендинг и перевод обслуживания частных клиентов в международную компанию «NPBFX Limited» с лицензией IFSC. В банке продолжается обслуживание корпоративных клиентов.

Статическую нейронно-сетевую модель можно рассматривать как обобщение сети, изображенной на рис. 10.1, и поэтому она похожа на правило СМА с той разницей, что значения неличин L, l и параметра q заранее не фиксируются. Нейронная сеть должна выделять существенные показатели и оценивать эффективные значения. В соответствии с принципами технического анализа, требуется, глядя на временной ряд цен. выдавать сигнал на покупку, продажу или удержание полиции при каждом поступлении новых данных. При различной ширине временного окна и числе показателей принятые решения будут различными.

Чтобы уменьшить число возможных моделей, мы ограничились размером временного окна для прошлых цен в пять последних рабочих дней {1 неделя). Такой выбор в чем-то произволен, но он, во всяком случае, гарантирует, что даже при большом числе скрытых элементов мы будем иметь достаточный объем данных (2500 точек на обучение) по отношению к количеству весов (см. [35]). Каждая запись, состоящая из пяти последовательных цен, была перемасштабирована так, чтобы значения лежали от 0 до 1. При этом истинные значения утрачиваются, и все входные записи вкладываются в гиперкуб [0,1]s. Таким образом, при любом уровне цен гарантируется инвариантность преобразования входной записи. Если имеются две записи i и j, причем цены в j равны соответствующим ценам в i + f + 10 флоринов, то структура обеих записей будет одинакова. Такое перемасштабирование не лишено смысла, так как трейдер-человек обычно оценивает данные временного ряда в относительном выражении с помощью стандартных приемов. Результат описанного преобразования показан на рис. 10.2.


Знаете ли Вы, что: заняв с 1-го по 10-е место в конкурсе демо-счетов «Виртуальная реальность» от компании Альпари, Вы можете выиграть от $70 до $500. Призовая сумма доступна к снятию без ограничений. Победители, занявшие призовые места с 11-го по 30-е получат от 1000 до 10000 бонусных баллов.


Целевой переменной является направление завтрашнего сдвига цены, или знак дохода. Выходной сигнал кодируется следующим образом:

Как уже говорилось, правило CMA даст относительно лучшие результаты на неперемешанных данных. Тем самым мы неявно принимаем, что имеет место некоторая неэффективность (и, следовательно, предсказуемость) рынка. На это указывают небольшие отклонения от гиперплоскости s = 0.5, которые можно видеть на рис. 10.3. При эффективном рынке вероятность выдачи сигнала на покупку (или продажу) на основе информации, относящейся к прошлому, равна 50% (0.5). В такой ситуации решающая поверхность в пространстве задержек (входном пространстве сети) должна в точности совпадать с гиперплоскостью s = 0.5. В нашем случае определенная степень неэффективности приводит к тому, что некоторые области в пространстве входов соответствуют значениям, немного отличным от 0.5, так что решающая поверхность имеет небольшие локальные отклонения от гиперплоскости s = 0.5.

Нейронные сети хорошо приспособлены для отображения таких поверхностей в случаях, когда данные позволяют использовать достаточное количество нелинейных средств (скрытых элементов). Возникает следующая проблема: коль скоро мы определили неэффективность как малые отклонения от 0.5-гиперплоскости, нам, очевидно, не нужно, чтобы сеть чересчур точно приближала обучающее множество (светлая волнистая линия). Конкретнее, нам нужно найти такое решение в фазовом пространстве модели, которое бы несильно отходило от 0.5-гиперплоскости (жирная кривая), или, иначе говоря, такое решение, которое дало бы квадратный корень из среднеквадратичной ошибки RMSE, близкий к 0.5 (за вычетом нейтральных сигналов). Степень обучения трудно отследить с помощью подтверждающего множества, так как при исходных малых случайных весах (сплошная 0.5-линия) ошибка RMSE уже будет близка к 0.5. Мы не применяли известный метод перекрестного подтверждения, потому что процедура обучения обычно прекращалась сразу же, когда начинал работать обучающий алгоритм (в зависимости от порядка подачи образцов обучающего множества). Вместо этого мы использовали методы регуляризации.

Для того чтобы сеть не выдавала слишком сложную решающую поверхность, в критерий ошибки был добавлен штрафной член и соответствующим образом изменен алгоритм обучения. В результате мы минимизировали следующее выражение:

где d, — правильный сигнал для k-го образца, а s — сигнал, который выдает сеть. В формулу включен параметр т) для того, чтобы веса не могли принимать очень больших значений, — это сужало бы класс функций, которые сеть способна реализовать. Такой критерий ошибки уже обсуждался в гл. 1 (соотношение (17)).

Далее, был введен параметр в, чтобы уменьшить число сигналов о покупке/продаже, выдаваемых сетью. Смысл этого очевиден: количество сделок в течение одного дня ограниченно из-за расходов на совершение сделок (транзакционных издержек).

Для оценки качества работы сети использовались три показателя, аналогичные тем, которые были взяты в табл. 10.3:

• R(купить) — средний доход по сигналам на покупку,
• R(продать) — средний доход по сигналам на продажу,
• R(купить/продать) — средний доход по сигналам обоих видов.

Содержание Далее

Лучший Форекс-брокер – компания «Альпари». Более 2 млн. клиентов из 150 стран. На рынке – с 1998 года. Выгодные торговые условия, ECN-счета с доступом к межбанковской ликвидности и моментальным исполнением, спреды – от 0 пунктов, кредитное плечо – до 1:1000, положительные отзывы реальных трейдеров.

Сеть никогда не даст на выходе значение, в точности равное 0.5, и мы относили к нейтральным все сигналы, лежащие от 0.5 на расстоянии плюс/минус &.

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

Моррис Г. Японские свечи

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

«Intrade.bar» – бинарный брокер нового поколения. Админы активно общаются на профильных форумах и учитывают пожелания клиентов в дальнейшем развитии платформы и услуг. Вывод средств обычно происходит в течение 15 мин., менеджеры первыми не звонят клиентам (и не уговаривают пополнить торговый счет). Бесплатный демо-счет, депозит – от $10, опционы – от $1, торговля и вывод средств – без верификации.