Метод генерации выходной выборки для задачи нейросетевой классификации рыночных ситуаций Текст научной статьи по специальности «Компьютерные и информационные науки»

Оригинальная статья / Original article УДК 004.85, 004.021

http://dx.doi.org/10.21285/1814-3520-2017-12-86-92

МЕТОД ГЕНЕРАЦИИ ВЫХОДНОЙ ВЫБОРКИ ДЛЯ ЗАДАЧИ НЕЙРОСЕТЕВОЙ КЛАССИФИКАЦИИ РЫНОЧНЫХ СИТУАЦИЙ

© Ю.В. Николаева1

Ижевский государственный технический университет имени М.Т. Калашникова, Российская Федерация, 426069, г. Ижевск, ул. Студенческая, 7.

РЕЗЮМЕ. ЦЕЛЬ. Рассмотрены недостатки распространенного подхода к нейросетевому анализу рынков (например, прогнозирование временных рядов) и предложен альтернативный подход - нейросетевая классификация рыночных ситуаций, при использовании которой встает вопрос о генерации выходной выборки для обучения нейронной сети. МЕТОДЫ. Описаны сложности формирования выходной выборки для обучения нейросетевого классификатора ситуаций на рынке конкретного финансового инструмента. При обучении нейронной сети для классификации ситуаций на финансовых рынках входная выборка вполне определена, но необходимо уточнить, что брать за критерий отнесения входного вектора к тому или иному классу. Критерием может служить оценка эксперта. Но для оценки правильности отнесения рыночной ситуации к классу необходим метод, который позволит системе обучаться независимо от эксперта. По этой причине в качестве критерия предложено брать процент достижения ожидаемой трейдером прибыли от сделки с корректировкой на повышение волатильности. РЕЗУЛЬТАТЫ. Предложен метод формирования выходной выборки на основе прибыли, задаваемой трейдером, достижение которой планируется в ограниченный период времени. Показано, что данный метод в среднем на 11% эффективнее метода, использующего оценки эксперта. Приводится корректировка данного метода с учетом повышения волатильности, связанного с выходом новостей и событий экономического календаря. ВЫВОДЫ. Разработанный метод генерации выходной выборки для обучения нейронной сети в задаче классификации рыночных ситуаций может быть использован в системах поддержки принятия решений трейдеров по заключению сделок на финансовых рынках.

Ключевые слова: нейронная сеть, классификация, рыночные ситуации, выходная выборка, многослойный пер-цептрон.

Формат цитирования: Николаева Ю.В. Метод генерации выходной выборки для задачи нейросетевой классификации рыночных ситуаций // Вестник Иркутского государственного технического университета. 2017. Т. 21. № 12. С. 86-92. DOI: 10.21285/1814-3520-2017-12-86-92

METHOD OF OUTPUT SAMPLE GENERATION FOR NEURONET CLASSIFICATION PROBLEM OF MARKET SITUATIONS Yu.V. Nikolaeva

Kalashnikov Izhevsk State Technical University, 7 Studencheskaya St., Izhevsk 426069, Russian Federation

ABSTRACT. PURPOSE. The article considers the shortcomings of the widely used approach to the neural network analysis of markets (e.g. forecasting of time series) and proposes an alternative approach consisting in the neural network classification of market situations, the use of which raises the problem of output sample generation for neural network training. METHODS. The paper describes the complexity of output sample formation for training a neural network classifier of market situations for a specific financial instrument. When training the neural network to classify situations in financial markets the input sample is completely determined, but the criterion of input vector classification to a particular class should be specified. This criterion can be represented by an expert's estimation. However, the evaluation of the correctness of market situation classification to a certain class requires the method enabling the system to be trained independently of the expert. For this reason, it is proposed to take the achieved percentage of the profit expected by the trader from the transaction with volatility increase adjustment as the criterion. RESULTS. The article proposes a method of output sample formation based on the profit set by the trader, which should be achieved in a limited period of time. It is shown that this method is on average 11% more efficient than the method using the expert's estimates. The proposed method has been adjusted with regard to the increase in volatility associated with economic news release and economic calendar events. CONCLUSIONS. The developed method of output sample generation for training a neural network in the problem of market situation classification can be used in trader's decisions support systems for concluding transa c-tions in financial markets.

Николаева Юлия Викторовна, соискатель ученой степени кандидата технических наук, e-mail: smail-nuv@mail.ru Yulia V. Nikolaeva, Competitor of a scientific degree of the Candidate of technical sciences, e-mail: smail-nuv@mail.ru

Keywords: neural network, classification, market situations, output sample, multilayer perceptron.

For citation: Nikolaeva Yu.V. Method of output sample generation for neuronet classification problem of market situations. Proceedings of Irkutsk State Technical University. 2017, vol. 21, no. 12, pp. 86-92. (In Russian) DOI: 10.21285/1814-3520-2017-12-86-92

Введение

В современной действительности автоматизация торговли на финансовых рынках приобретает все большее развитие, и особый интерес в этой связи вызывают инструменты, основанные на методах интеллектуального анализа данных, в особенности на нейронных сетях. Нейронные сети аналитиками финансовых рынков зачастую используются в качестве прогнозной модели, которая выдает в качестве ответа одно или несколько прогнозных будущих значений котировок анализируемого финансового инструмента. Распространенное наименование данного подхода к прогнозированию рынка - «метод окна» [1, 2]. В такой трактовке подбор входной и выходной выборки для обучения нейронной сети не является затруднительным: входами сети в данном случае будут цены (или приращения цен) финансового инструмента, а выходами одно или несколько следующих значений во временном ряду котировок финансового инструмента. Данный подход к нейросетевому анализу финансовых рынков позволяет трейдеру получить знания о последующих ценах конкретного финансового инструмента и на этой основе скорректировать свою торговую стратегию, то есть

принять решение по открытию сделки на покупку или продажу финансового инструмента. Трейдер ориентируется только на предполагаемые будущие значения цен, которые могут быть изменчивы под влиянием различных сиюминутных или значимых событий в макроэкономике, мировой политике. Также трейдеру по полученным данным необходимо провести дальнейший анализ, чтобы выяснить, каково направление тренда и насколько выгодно в данной ситуации заключить сделку в том или ином направлении. Таким образом, системы, основанные на нейросетевом прогнозировании временного ряда, являясь системой анализа данных, выдают в итоге пользователю в качестве ответа данные, которые трейдер вынужден самостоятельно повторно анализировать. Помимо недостаточно достоверных прогнозных данных (процент верно спрогнозированных значений цен колеблется от 58 до 772 [1], в данном случае трейдер не получает дополнительно важных критериев: как долго ему оставаться в открытой сделке или при получении какой прибыли сделку необходимо закрывать.

Нейросетевая классификация рыночных ситуаций

В связи с приведенными выше факторами автору работы видится в качестве выхода из сложившейся ситуации использование кардинально отличающегося подхода к нейросетевому анализу рынков, а именно нейросетевой классификации рыночных ситуаций. Под классификацией ры-

ночных ситуаций в данном контексте понимается отнесение текущей ситуации на рынке конкретного финансового инструмента к одному из 3 классов:

- 1-му классу (ситуация, подходящая для покупки финансового инструмента);

2

Головачев С.С. Прогнозирование доходности на фондовом и валютном рынках на основе моделей искусственных нейронных сетей: дис. ... канд. экон. наук: 08.00.10: защищена: 07.10.2014, утв.: 09.10.2014. Москва, 2014. 181 с. / Golovachev S.S. Forecasting returns on stock and currency markets based on artificial neural network models. Candidate's Dissertation in Economics: 08.00.10: defended 7 October 2014, confirmed 9 Octo ber 2014. Moscow, 2014. 181 p.

- 2-му классу (ситуация, подходящая для продажи);

- 3-му классу (ситуация ожидания).

Для целей классификации могут использоваться нейронные сети топологий адаптивного резонанса и многослойные перцептроны. Результатом работы нейросети в данном случае будет ответ, к какому из трех классов относится рыночная ситуация финансового инструмента в конкретный момент времени. Трейдер получает конкретную рекомендацию по покупке-продаже финансового инструмента, соответствующую классу, без необходимости дополнительного анализа данных, полученных от системы поддержки принятия решений. В такой постановке задачи обучения нейронной сети и, в частности, выбор и генерация выходной выборки становятся неопределенными и нуждаются в дополнительной проработке. При разработке метода генерации выходной выборки стоит принять во внимание ожидаемую пользователем прибыль от сделки и учесть влияние фундаментальных параметров, повышающих волатильность на рынке конкретного финансового инструмента.

Обозначим 2 формальную постановку задачи принятия торгового решения. 2 состоит из множества исходных данных I (предыдущие изменения цен финансового инструмента, значения технических индикаторов и прогнозной модели) и множества выходных объектов, подлежащих определению О. Для решения задачи классификации необходимо построить динамическую систему, функционирующую во времени. На вход данной системы подается множество I, а на выходе снимается множество О, в данной системе это решение о покупке-продаже финансового инструмента в текущей ситуации. В качестве ядра данной динамической системы может служить нейронная сеть. Нейросетевая классификация заключается в распознавании на основе входных данных закономерностей и отнесении к одному из образов {покупка, продажа, ожидание}, где Ь - вектор входных значений из входной выборки, О? - выходной вектор, состоящий из одного значе-

ния в диапазоне от 0 до 1, обозначающего степень близости к классу продажи (значения из множества {0;0,45}), классу ожидания (значения из множества {0,45;0,55}), к классу покупки (значения из множества {0,55; 1}). Архитектура нейронной сети и параметры, включаемые в обучающее множество, подбираются на основе степени релевантности к исходному временному ряду цен финансового инструмента [3]. Входные данные в контексте решаемой задачи могут быть различными: просто значения временного ряда котировок; значения приращений котировок или более сложно структурированная входная выборка, которая включает в себя как значения временного ряда, так и его производных, таких как технические индикаторы и значения по прогнозным моделям, что дает более полное описание предметной области для анализа нейросетевым аппаратом. Выходом должна служить экспертная оценка по степени близости рыночной ситуации, то есть текущего входного набора значений, к одному из классов. При первоначальной проработке методики нейросетевой классификации рыночных ситуаций привлечение эксперта для подготовки обучающей и тестовой выходной выборки вполне может присутствовать. Но в реальной системе поддержки принятия решений невозможно каждый раз привлекать эксперта для отнесения каждого из векторов входного множества к одному из классов, поскольку это будет занимать много времени, а качество обучения нейронной сети и ее функционирование будет зависеть от квалификации эксперта. Поэтому система должна быть независимой от эксперта, что наталкивает на разработку автоматического метода генерации выходной выборки, который будет эмулировать оценку эксперта по отнесению к классам рыночных ситуаций.

В качестве критерия классификации рынка конкретного финансового инструмента в определенный момент времени используется достижение прибыли, заданной пользователем, во временном интервале либо при продаже, либо при покупке

финансового инструмента в исходный момент.

Рассмотрим метод автоматизации процесса генерации выходной выборки для обучения нейронной сети с учетом ожидаемой трейдером прибыли. Вектор ^ состоит из входных значений, в которые включены в том числе и 15 предыдущих цен финансового инструмента, он является входом в обучающей паре. Обозначим ^ часть входного вектора, необходимого для формирования выхода сети. Метод генерации выходного значения на основе входного вектора ^ заключается в сравнении процента достижения ожидаемой прибыли при покупке и продаже на указанном временном промежутке. Визуальное пояснение приведено на рисунке.

Приведем алгоритм автоматизации процесса генерации выходного множества для обучения нейронной сети с учетом ожидаемой прибыли:

1. Задаем ожидаемый уровень прибыли Pr, который планируется достигнуть трейдером при заключении сделки по конкретному финансовому инструменту в следующие п периодов. За п возьмем 15 последующих периодов, поскольку на таком промежутке устанавливаются соответствия между входами и выходами.

2. Для каждого входного вектора It среди значений в Ct вычисляем максимальное повышение и понижение от первой цены закрытия в выборке Max high, Max low.

3. Для каждого входного вектора вычисляем процент максимального повышения и максимального понижения от ожидаемой прибыли Proc Max high, Proc Max low. Если получаем значение больше 1, округляем его до 1.

4. Если Proc Max high > Proc Max low, возвращает результат покупки:

R = 0,5 + 0,05 * Pr ocMaxHigh *100. (1)

5. Если Proc Max high < Proc Max low, возвращает результат продажи:

R = 0,5 - 0,05 * Pr ocMaxLow *100. (2)

6. Если Proc Max high = Proc Max low, возвращает результат ожидания: R = 0,5; если процент достижения прибыли менее 50, иначе анализируем направление покупки или продажи по тренду.

Таким образом, для каждого обучающего входного набора It формируется обучающий выход нейронной сети Ot в диапазоне от 0 до 1 по приведенному алгоритму.

Иллюстрация метода генерации выходного значения с учетом ожидаемой прибыли Illustration of the method of output value generation taking into account the expected profit

Результаты исследования и их обсуждение

Результаты экспериментов подтверждают более высокую достоверность данного метода по сравнению с использо-

ванием экспертных оценок в качестве выходной выборки, что отражено в таблице [4].

Результаты тестирования нейросети для классификации рыночных ситуаций

с экспертными оценками и по методу генерации выходной выборки Test results of the neural network for market situation classification with expert estimates _and by the method of output sample generation_

Рекомендация/ Recommendation Процент верных рекомендаций / Percentage of correct recommendations

Экспертная оценка / Expert estimate Метод генерации выходной выборки с учетом ожидаемой прибыли / Method of output sample generation taking into account the expected profit

Покупать / Buy 52,2% 69,7%

Ожидать / Wait 30% 58,8%

Продавать / Seil 72,2% 78,6%

Итого / Total 62,2% 73,2%

Использование метода генерации выходной выборки на основе эмуляции экспертных оценок с учетом ожидаемой прибыли нивелирует воздействие личной стратегии эксперта и уменьшает риски неверного обучения нейросети из-за некомпетентности учителя.

Также при обучении и формировании выходного значения стоит учитывать коэффициент повышения волатильности, который определяется на основе влияния событий экономического календаря на повышение волатильности в ряду цен финансового инструмента, так как более 94% исследованных случаев повышения вола-тильности вызваны реакцией на публикацию экономических показателей, индексов или выступлений представителей основных национальных финансовых институтов [5].

Пусть анализируется временной ряд котировок финансового инструмента X?. Задана желаемая прибыль Рг, относительно которой мы обучаем некоторую систему, когда нужно покупать финансовый инструмент, а когда продавать, выдавая в качестве ответа значение, зависимое от максимальных повышений и понижений. Если системе будет дан ответ в период, на который приходится экономическое событие, экстремальное значение обусловлено повышением волатильности, и оно может не повториться в выборке, предоставленной системе при ее функционировании в случае отсутствия аналогичной важности и степени влияния экономического события. Тот же результат получается, если в обу-

чающем примере повышенная волатиль-ность, а в анализируемом системой примере обычная волатильность. При обучении системы, если значение меры волатильности получается выше обычного (Рг-— >100), то обучение необходимо производить по скорректированной ожидаемой прибыли: kPr, где k - коэффициент повышения волатильности. Приведем алгоритм определения коэффициента повышения волатильности. Вычисляются следующие параметры:

1. Среднее значение квадрата отклонений от максимальных (high) и минимальных цен (low) в обучающей выборке с повышенной волатильностью:

а

2

highVolat

e

2

highVolat

Volat 2

(3)

а

lowVolat

lowVolat

n

Volat

где nvoiat - количество примеров в выборке с повышенной волатильностью.

2. Среднее значение квадрата отклонений от high и low для всех случаев в обучающей выборки с нормальной вола-тильностью:

а

2

highNorm

I

2

highNorm

а

I

Norm 2

(4)

lowNorm

lowNorm

2

2

где nNorm - количество примеров в выборке с обычной волатильностью.

3. Процент среднего значения квадрата отклонений от high для случаев с обычной волатильностью от среднего значения квадрата отклонений от high (low) для случаев с повышенной волатильно-стью:

i _ G highNorm ' 100 khigh = _2 '

G

highVolat

г

Ь _ GlowNorm ' 100 klow 2 .

G

(5)

4. Среднее значение между процентами отклонений обычной и повышенной волатильности для high и low:

k = 1 + Kgh + /100. 2

(е)

lowVolat

При резком повышении цены в условиях повышенной волатильности необходимо уменьшить процент максимального повышения на данный коэффициент. При понижении цены в условиях повышенной волатильности необходимо увеличить процент максимального понижения.

Заключение

Таким образом, предложенный метод генерации выходной выборки для обучения нейронной сети учитывает следующее:

- ожидаемую прибыль трейдера;

- влияние на повышение волатильности во временном ряду цен финансового инструмента событий экономического календаря.

Кроме того, применение метода нивелирует влияние квалификации эксперта

и устраняет в целом необходимость использования оценок эксперта.

Данный метод может быть использован при разработке методик нейросете-вой классификации рыночных ситуаций и их реализации в системах поддержки принятия решений трейдеров на финансовых рынках, интеллектуальным ядром которых являются нейронные сети. Примером такой системы может служить ИСППР «Нейро-Профит» [6], разработанная автором данной работы.

Библиографический список

1. Мицель А.А., Ефремова Е.А. Прогнозирование динамики цен на фондовом рынке // Известия ТПУ. 2006. Т. 309. № 8. С. 197-201.

2. Арсланов А. Прогнозирование финансовых временных рядов [Электронный ресурс]. URL: https://geektimes.ru/post/144405/ (25.09.2017)

3. Николаева Ю.В. Математическая постановка задачи обучения многослойного перцептрона для классификации рыночных ситуаций // Интеллектуальные системы в производстве. 2016. № 3. С. 10-12.

4. Николаева Ю.В. Методы нейросетевой классификации ситуаций на финансовых рынках относительно ожидаемой прибыли [Электронный ресурс] // Молодые ученые - ускорению научно-технического прогресса в XXI веке: сборник материалов IV Все-

российской научно-технической конференции аспирантов, магистрантов и молодых ученых с международным участием (Ижевск, 20-21 апреля 2016 г.) [Электронный ресурс]. Ижевск: ИННОВА, 2016. С. 562-566. Электрон. опт. диск (CD-ROM).

5. Николаева Ю.В. Исследование влияния событий экономического календаря на волатильность котировок EURUSD // Новая наука: от идеи к результату: международное научное периодическое издание по итогам международной научно-практической конференции (Сургут, 22 октября 2016 г.): в 3 ч. Стерлитамак: АМИ, 2016. Ч. 3. С. 76-81.

6. Николаева Ю.В. Методика нейросетевой классификации ситуаций на финансовых рынках и ее реализация в ИСППР // Интеллектуальные системы в производстве. 2017. № 2. С. 113-116.

References

1. Micel' A.A., Efremova E.A. Forecasting of price movement in stock market. Izvestiya Tomskogo politekhnicheskogo universiteta [Bulletin of the Tomsk

Polytechnic University]. 200е, vol. 309, no. pp. 197-201.

2. Arslanov A. Prognozirovanie finansovyh vremennyh ryadov (Forecasting financial time series) Available at: https://geektimes.ru/post/144405 (accessed 9 October 2017). (In Russian)

3. Nikolaeva Y.V. Mathematical formulation of the problem of training the multilayer perceptron for classification of market situations. Intellektual'nye sistemy v proizvodstve [Intelligent Systems in Manufacturing]. 2016, no. 3, pp. 10-12. (In Russian)

4. Nikolaeva Y. V. (2016). Metody neyrosetevoy klas-sifikatsii situatsiy na finansovykh rynkakh otnositel'no ozhidayemoy pribyli [Neural network classification methods of financial market situations relative to the expected profit]. Sbornik materialov IV Vserossiyskoy nauchno-tekhnicheskoy konferentsii aspirantov, magis-trantov i molodykh uchenykh s mezhdunarodnym uchastiyem "Molodyye uchenyye - uskoreniyu nauch-no-tekhnicheskogo progressa v XXI veke" [Proceedings of the IV All-Russian Scientific and Technical Conference of Postgraduate Students, Master Degree Stu-

Критерии авторства

Николаева Ю.В. подготовила статью и несет ответственность за плагиат.

Конфликт интересов

Автор заявляет об отсутствии конфликта интересов.

Статья поступила 17.11.2017 г.

dents and Young Scientists with International Participation "Young Scientists to Accelerate Scientific and Technical Progress in the 21st Century"]. Izhevsk: IINNOVA, 2016, pp. 562-566. 1 CD-ROM). (In Russian)

5. Nikolaeva Y. V. (2016). Issledovanie vliyaniya sobytij ehkonomicheskogo kalendarya na volatil'nost' kotirovok EURUSD [Research of the economic calendar event effect on the volatility of EURUSD quotes]. Mezhdunarodnoe nauchnoe periodicheskoe izdanie po itogam mezhdunarodnoj nauchno-prakticheskoj konfer-encii «Novaya nauka: ot idei k rezul'tatu» [International scientific periodicals on the results of the international scientific and practical conference "New Science: from Ideas to Results"]. Surgut, 2016, part 3, pp. 76-81. (In Russian)

6. Nikolaeva Y.V. The methodology of neural network classification of situations in financial markets and its implementation in ISPPR. Intellektual'nye sistemy v proizvodstve [Intelligent Systems in Manufacturing]. 2017, no. 2, pp. 10-12. (In Russian)

Authorship criteria

Nikolaeva Yu.V. has prepared the article for publication and bears the responsibility for plagiarism.

Conflict of interests

The author declares that there is no conflict of interests regarding the publication of this paper.

The article was received 17 November 2017