CC BY
124
Секция
«ПРОГРАММНЫЕ СРЕДСТВА И ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ»
УДК 004.849
НЕЙРОСЕТЕВОЙ АНАЛИЗ ФИНАНСОВЫХ ВРЕМЕННЫХ РЯДОВ
В. В. Андреев Научный руководитель - К. В. Богданов
Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева
Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31
Е-mail: jcjet88@gmail.com
Рассматриваются аспекты создания алгоритмов прогнозирования финансовых временных рядов на основе нейронных сетей, выбора и нормализации входных данных.
Ключевые слова: фондовый рынок, нейронные сети, прогнозирование.
NEURAL NETWORK ANALYSIS OF FINANCIAL TIME SERIES
V. V. Andreyev Scientific Supervisor - K. V. Bogdanov
Reshetnev Siberian State Aerospace University 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation E-mail: Anohin93@bk.ru, pburleva@gmail.com
The aspects of creating forecasting algorithms for fmancial time series based on neural networks, selection and normalization of input data.
Keywords: stock market, neural network, forecast, prediction.
Фондовый рынок - область высокой сложности. Данных очень много, и среди этих данных то появляются, то исчезают различные закономерности. Обнаружить подобные закономерности в реальном времени человеку довольно сложно, а зачастую и вовсе невозможно, так как требуется учитывать слишком много данных, которые меняются слишком быстро. Это является одной из причин высокой актуальности использования автоматизированных систем при работе на финансовых рынках.
Одним из алгоритмов автоматизированной торговой стратегии может быть алгоритм на основе принципа искусственных нейронных сетей. Преимуществом данного алгоритма в его способности адаптироваться к постоянно изменяющимся условиям финансового рынка, а также способность алгоритма находить скрытые закономерности в многомерных рыночных данных.
Как и в любой другой предметной области, нейросетевой анализ на финансовых рынках имеет свои особенности. Далее приведены рекомендации, которые следует учитывать при разработке автоматизированной торговой стратегии на основе нейронных сетей.
В качестве входных данных может быть различная рыночная информация, а также экономические и политические новости.
Самое первое, на что стоит обратить внимание - это значения цен инструмента. В качестве входа необходимо использовать относительные значения цен (приращения, дельту очередной цены закрытия, открытия, минимума и максимума, delta(c)), а не абсолютные (c). Также можно использовать логарифм относительного приращения log(c(t)/c(t + 1)). Последний способ актуален при анализе длительных периодов, где влияние инфляции на цены существенно [1].
Дополнительными данными, подаваемые на входы нейронной сети могут быть данные об объёме торгов и открытом интересе. Это данные, которые приходят вместе с котировками, которые не являются преобразованием этих котировок, как в случае с индикаторами технического анализа.
Секция «Программные средства и информационные технологии»
Следующей особенностью является то, что следует помимо текущего графика также анализировать данные с других инструментов и другого таймфрейма анализируемого инструмента. На рынке очень много скрытых закономерностей, и всё так или иначе может быть связано между собой: изменение курса одной валюты может влиять на курс другой валюты, цены на различное сырьё оказывают влияние на страны, которые это сырьё поставляют, погода и настроение людей в социальных сетях может оказывать влияние на цены, и так далее. Некоторые из подобных закономерностей хорошо известны, а некоторые скрыты и носят временный характер.
Под входным графиком подразумевается все данные временного ряда, которые нужно анализировать: дельты открытия, закрытия, минимума и максимума, а также объём торгов и открытый интерес - 6 входов для каждого интервала на временном ряду.
Затем следует определить, сколько предыдущих периодов (баров) используется для прогнозирования следующего. Размер подобного окна можно определить экспериментальным путём.
Помимо основного графика, можно использовать и данные графика более крупного масштаба для анализа долгосрочных тенденций, которые могут оказывать влияние на более краткосрочные.
Графиков может быть намного больше. Например, несколько компаний из одного сектора могут иметь общие закономерности. Также при анализе цен фьючерса на индекс можно по отдельности учитывать цены акции компаний, которые входят в этот индекс.
Индикаторы технического анализа могут использоваться в качестве входных данных, однако следует проявлять осторожность, так как эти индикаторы - это линейные преобразования значений цен, а нейронная сеть - это линейное преобразование высокой сложности, поэтому нейронная сеть в состоянии сама найти необходимые индикаторы и их параметры [2].
Рынок - это нестационарный процесс с большой долей случайного шума [3]. Из этого следует:
- при создании любой торговой стратегии необходимо помнить об управлении рисками;
- выбирать алгоритм обучения и размер обучающей выборки так, чтобы минимизировать вероятность переобучения нейронной сети и при этом сохранить работоспособность на примерах вне обучающей выборки;
- найти оптимальный набор входных данных для прогнозирования, чтобы в наборе было как можно меньше шума, но при этом был какой-то сигнал. Одним из способов достижения этого может быть сбор статистики по качеству прогнозирования в зависимости от входных данных: ухудшается или улучшается ли качество прогнозирования при добавлении новых переменных [3].
Библиографические ссылки
1. Чеботарёв Ю. Торговые роботы на российском фондовом рынке. М. : SmartBook, 2011. 208 с.
2. Poul Trade: Нейронная сеть и генетический алгоритм - опыт использования [Электронный ресурс]. URL: http://forex.kbpauk.rU/showflat.php/Cat/0/Number/326975/page/0/fpart/8/vc/1 (дата обращения: 20.02.2016).
3. Сильвер Н. Сигнал и шум. Почему одни прогнозы сбываются, а другие - нет. М. : КоЛибри, Азбука-Аттикус, 2015. 608 с.
© Андреев В. В., 2016
