 |
О роботах
(ещё две статьи: методы тестирования, оценка МТС)
Аннотация
В статье описывается функция статистической модели прогнозирования Forex. Показаны некоторые ключевые детали определения структуры и оценки параметров статистических моделей. Приводятся примеры использования моделей в процессе торговли. Подробно описаны достижимые соотношения прибыльности и риска части моделей.
Математическими формулами постараемся Вас не загружать.
(Автор статьи наш партнёр и настоящий математик: Андрей Хомич)
Полный вариант статьи download (842.264К)
Функция статистической модели
Модель выполняет функцию индикатора, предсказывающего тенденцию изменения цены. На входе модель принимает обработанную историю котировок, а на выходе оценку вероятности движения цены вверх. Зная оценку вероятности движения цены вверх, можем легко оценить вероятность движения цены вниз.
Варианты моделей и анализируемые данные
Анализ соотношения вариабельности цен основных валютных пар и типичного спрэда показал, что для того, чтобы прибыль по сделке покрывала спрэд необходимо, чтобы позиция оставалась открытой не менее суток. В связи с этим, для анализа использовался суточный и часовой графики. Основными данными для анализа являлись суточные бары.
Поведение Forex крайне хаотично и трудно предсказуемо. Бороться с высоким уровнем случайного шума лучше всего увеличением количества обрабатываемых исторических данных. Однако здесь имеются ограничения:
• Фундаментальное поведение Forex меняется. Forex до 2000 года заметно отличается от Forex после 2003 года. В связи с этим нет смысла анализировать исторические данные, полученные до 2000 года.
• По одному суточному графику начиная с 2000 года можно получить примерно 2000 примеров для статистической оценки параметров модели. Этого мало для надежных оценок в условиях крайне высоких шумов в данных.
В тоже время можно предположить, что имеются фундаментальные зависимости, действующие на протяжении многих лет и наблюдаемых в той или иной степени на всех основных валютных парах. Действительно, вряд ли психология трейдера, работающего на EURUSD, радикально отличается от психологии трейдера, работающего на GBPJPY. Оба трейдера это люди, которые верят в тренд, понимают, что тренд не может продолжаться вечно, начинают волноваться при резком увеличении выигрыша или проигрыша по открытой позиции и т. п. В связи с этим, при создании модели ROBUSTDM совместно анализировались суточные исторические данные по 10 валютным парам начиная с 2000 года. То есть строилась модель, учитывающая зависимости, наблюдаемые все последние 8 лет на всех 10 валютных парах! Конечно, при этом теряются некоторые индивидуальные особенности валютных пар. Но, отчасти, учет особенностей выполняется при настройке параметров стратегии для конкретной валютной пары (смотри раздел «Приложение результатов моделирования»).
Дополнительно, из желания все-таки попытаться максимально учесть индивидуальность валютных пар, был создан ряд моделей, объединенных под псевдонимом DM. DM – это набор моделей, каждая из которых оценивает свои параметры по суточным историческим данным только одной валютной пары. Про DM можно утверждать, что с ее использованием может быть получена положительная средняя прибыль, что фактор прибыльности больше 1. Но, к сожалению, более точные оценки характеристик стратегий на основе DM дать пока нельзя. По прошествию некоторого времени (ведется демо-торговля) для DM можно будет дать более точные оценки. И ROBUSTDM, и DM прогнозируют направление движения цены закрытия по прошествию суток.
Специально для трейдеров, предпочитающих часовые графики, была создана модель ROBUSTDM HOUR. Параметры этой модели оценивались на почасовых исторических данных, начиная с 2000 года по 10 валютным парам (примерно 500000 примеров для оценки параметров!). ROBUSTDM HOUR прогнозирует направление движения цены закрытия по прошествию часа.
Выбор типа и структуры статистической модели
Прежде чем начать оценивать параметры моделей, необходимо определить их количество и как эти параметры будут использоваться. Арсенал прикладной статистики предлагает на выбор линейную регрессию, деревья решений, искусственные нейронные сети и др. Из статистики известно, что чем сложней модель, тем лучше она ведет себя на обучающих данных и тем менее надежно она себя ведет на новых данных (в нашем случае при демо или реал-торговле). С другой стороны, совсем уж простая модель не позволит обнаружить полезные зависимости. С точки зрения авторов этой работы и многих других специалистов по прикладной статистике, лучшим способом оценки характеристик выбранного типа модели является следующий прием. Все примеры разделяются случайным выбором на два набора, набор обучающих примеров и набор тестовых примеров . С использованием обучающих примеров выполняется оценка параметров модели, а с помощью тестовых примеров оцениваются характеристики полученной модели. Причем рекомендуется выполнять данную процедуру несколько раз , всякий раз меняя случайным выбором состав обучающих и тестовых примеров. Результаты тестов усредняют.
Оценка параметров статистической модели
Метод оценки параметров модели зависит от выбранного типа модели. Разработано немало методов оценки параметров моделей. Для линейной регрессии, например, имеются методы MSE, M, MM, LTS и S оценки параметров. Добавьте к этому различные методы выбора значимых переменных (BACKWARD, FORWARD, STEPWISE) и методы оптимизации (сопряженные градиенты, квазиньютоновский метод, метод Ньютона-Рафсона и др.) и станет ясно, какое здесь имеется обширное поле исследований. Конечно, поле исследований будет обширным только при наличии развитого современного пакета статистических программ. Таких, как SPSS, STATISTICA, SAS, KXEN и др. Легальные копии этих программ стоят в районе 50000$-500000$. Но, даже приобретя такой пакет, его еще надо освоить в совершенстве, а без глубоких теоретических и практических познаний в статистике это практически невозможно.
Для выбора типа модели и оценки ее параметров в данной работе использовался SAS (SAS/STAT и SAS Enterprise Miner). Авторы этой работы уже несколько лет профессионально работают с программным обеспечением SAS.
Важно отметить, что выбор типа модели и оценка ее параметров не выполняется единожды. Forex меняется со временем. По опыту авторов работы перестройку моделей следует выполнять через каждые 6 месяцев, в крайнем случае, каждый год, но не реже.
далее о результатах моделирования...
|
+7 (985) 923 47 54
