CC BY
59
Зб
РЫНОК ФОРЕКС: НЕЙРОННЫЕ СЕТИ В АЛГОРИТМАХ ТОРГОВОГО РОБОТА ДЛЯ ТОРГОВЛИ ФИНАНСОВЫМИ ИНСТРУМЕНТАМИ
И.В. Ананченко 1,2, канд. тех. наук, доцент П.А. Чагина 2, магистрант
1 Санкт-Петербургский государственный технологический институт (технический университет)
2Национальный исследовательский университет ИТМО (Россия, г. Санкт-Петербург)
DOI:10.24412/2411-0450-2021-4-1-36-38
Аннотация. Данная работа посвящена рассмотрению перспективны направления в области искусственного интеллекта и создания нейронных сетей. Их разработка и использование в алгоритмах торговых роботов. Показывается перспектива использования нейронных сетей в алгоритмах торговых роботов для валютного рынка, позволяющая избавиться от присущих недостатков в существующих подходах и снизить их влияние на результат.
Ключевые слова: нейронная сеть, нейрон, торговый робот, Форекс.
В реалиях современного мира искусственный интеллект прочно вошел в нашу жизнь, помогая решать большое количество задач.
Предметом внимания и наиболее перспективным направлением в области искусственного интеллекта является создание нейронных сетей, поскольку они обладают способностью к обучению. Нейронные сети (НС) доказали свою эффективность при решении сложных задач.
Одной из областей применения торговых роботов (ТР) являются валютные рынки. К таким рынкам относится и Фо-рекс, который считается крупнейшим финансовым рынком в мире. Валютный рынок является важнейшим компонентом современной рыночной экономики и имеет положительную связь с уровнем ВВП государства. На современном этапе Форекс -самый популярный и самый большой в России по объему внебиржевой межбанковский рынок обмена валют. Одновременно с этим Форекс является самым большим мировым рынком и составляет 90% рынка капиталов. Биржевая торговля на рынке требует высокой концентрации и
психологической устойчивости трейдера, что решается с помощью автоматических торговых систем (АТС) [1].
Основная задача при разработке торговых роботов заключается в том, чтобы с помощью искусственных нейронных сетей, использующих предварительную обработку входных данных, сконструировать такой инструмент (программу), имитирующий механизм принятия решений репрезентативным агентом, который позволит осуществлять успешное прогнозирование торгов на финансовом рынке в целях государственного интереса национального банка [5].
Нейронные сети способны решать объемные, сложные интеллектуальные задачи, и именно поэтому НС отличается от алгоритма. Компьютерная нейронная сеть -массив искусственных нейронов с организованной связью между ними (рис. 1).
В ходе функционирования нейронная сеть формирует выходной сигнал Y, реализуя некоторую функцию Y = G(X). При заданной архитектуре сети вид функции G определяется значениями синаптических весов и смещенной сети [4].
Рис. 1. Модель нейронной сети
Математическая модель нейрона может быть построена с использованием двух функций, суммирующих произведение коэффициентов входных данных и самих данных, а затем полученное решение вычисляется с использованием функций активации: пороговой активационной функ-
ции (функция Хевисайда), сигмоидальной активационной функции и гиперболического тангенса. Объединение блока таких нейронов формирует нейронную сеть. Простейшую ИНС можно описать как показано на рисунке 2, в виде одного «слоя» нейронов, соединенных между собой [4].
Рис. 2. Простейшая нейронная сеть из трех нейронов
Для проектирования нейронной сети необходимо: определить количество нейронов на входном слое, спроектировать скрытые слои, определить количество нейронов на выходном слое.
Сверточные нейронные сети состоят из нейронов содержащие переменные веса и смещения. Каждый нейрон получает некоторые входные данные, вычисляет скаляр-
ное произведение и при необходимости использует нелинейную функцию активации. Слои располагают нейроны в 3 измерениях: ширине, высоте, глубине. Нейроны в одном слое связаны с небольшим количеством нейронов в предыдущем слое как показано на рисунке 3, вместо того чтобы быть связанными со всеми предыдущими нейронами слоя.
Рис. 3. Модель сверточной нейронной сети
Каждый слой свёрточной нейронной сети преобразует 3D-представление входных данных в 3D-представление выходных данных в виде нейронов активации. Свертка - операция в функциональном анализе, которая при применении к двум функциям f и g возвращает третью функцию, соответствующую взаимокорреляционной функции Дх) и g(-x).
Рекуррентные нейросети работают с нефиксированным объемом данных и выступают в роли краткосрочной памяти минимизируя затраты вычислительных ресурсов, что позволяет использовать их при создании нейронной сети торговых роботов. Учет текущего и предыдущего состояние нейрона происходит как показано на рисунке 4.
Рис. 4. Схема однойслойной рекуррентной нейронной сети
С точки зрения трейдинга на вход ней- которая полностью удовлетворяла бы по-ронной сети можно подать различные ин- требности Форекс.
дикаторы - макроэкономические, фунда- Таким образом, перспективно исполь-
ментальные и технически и обучить её зование сверточной нейронной сети как предсказывать будущий возврат рынка, более устойчивой к изменениям изобра-волатильность, ликвидность, состояния и жения для дальнейшего распознавания, т.д. что может быть использовано для созда-
В данный момент не существует мно- ния нейронной сети ТР. Также можно ис-гофункциональной торговой платформы, пользовать и рекуррентные нейронные сети.
Библиографический список
1. Агапова Т.А. Макроэкономика: Учебник / Агапова Т.А., Серегина С.Ф. - М.: МФПУ Синергия, 2013. - 560 с.
2. Букумов С.В. Автоматизированная торговая система для работы на финансовых рынках / С.В. Букумов, П.Ю. Климин // Инженерный вестник Дона. - 2019. - № 4. - С. 3232.
3. Ананченко И.В., Чагина П.А. Практическое применение нейронных сетей в трейдинге: проблемы и решения // EUROPEAN RESEARCH. Сборник статей XXIX Международной научно-практической конференции. Пенза, 2020. - С. 27-30.
4. Ростовцев В.С. Искусственные нейронные сети: учебник. - Киров: Изд-во ВятГУ, 2014. - 208 с.
6. Самохина Е.Г. Торговые роботы как инструмент эффективной системной торговли для развития национальных финансовых систем // Архитектура финансов: геополитические дисбалансы и потенциал развития национальных финансовых систем: межд. конф. (Санкт-Петербург, 14-15 апреля 2015). - СПб.: Изд-во Санкт-Петербургский государственный экономический университет, 2015. - C. 454-458.
FOREX MARKET:NEURAL NETWORKS IN TRADING ROBOT ALGORITHMS FOR
TRADING FINANCIAL INSTRUMENTS
I.V. Ananchenko 1 ' 2 , Candidate of Technical Sciences, Associate Professor P.A. Chagina 2, Graduate Student
"St. Petersburg State Technological Institute (Technical University) 2National Research University of ITMO (Russia, St. Petersburg)
Abstract. This work is devoted to the consideration ofpromising areas in the field of artificial intelligence and the creation of neural networks and their development and use in the algorithms of trading robots. The paper shows the prospect of using neural networks in the algorithms of trading robots for the foreign exchange market, which allows us to get rid of the inherent shortcomings in existing approaches and reduce their impact on the result. Keywords: neural network, neuron, trading robot, Forex.
