yandex rtb 1
ГоловнаЗворотній зв'язок
yande share
Главная->Фінанси->Содержание->2.3.3. Классификация рыночных ситуаций по достижимости значимых уровней.

Прогнозирование финансовых рынков с использованием искусственных нейронных сетей

2.3.3. Классификация рыночных ситуаций по достижимости значимых уровней.

Как было отмечено выше, первоочередной задачей технического анализа является определение направления движения цены в будущем. Тем не менее, для получения полного представления о состоянии рынка желательно знать, до какого уровня может дойти цена в ближайшее время. Если в финансовом ряде существуют функциональные зависимости, то ИНС, как универсальный инструмент аппроксимации, может оказаться полезным инструментом для предсказания уровней цены через некоторое количество периодов в будущем.

Обучающее правило для прогнозирования достижимости значимых уровней формируется в виде классов. Рассмотрим процесс формирования обучающего правила для часовой динамики курса евро/доллар за 1999 год. Указанная динамика имеет следующие характеристики (за 24 часа): максимальный достигнутый верхний уровень +0.0292, средний достигнутый верхний уровень +0.0049, предельно достигнутый нижний уровень -0.0276, средний достигнутый нижний уровень -0.0056, т.е. в среднем за сутки цена проходит около 50 пунктов (вверх или вниз) и максимальное суточное движение цены близко к 300 пунктам (вверх или вниз). Статистически большинство значений достигнутых уровней не превосходят 80-100 пунктов. Исходя из указанных значений, можно формировать классы по достижимости ценой некоторых уровней (каждые 20 пунктов), т.е. образ попадает в первый класс, если за следующие 24 часа цена выросла/упала не более, чем на 20 пунктов, во второй класс, если цена выросла/упала более, чем на 20 пунктов, но не более, чем на 40 и т.д. Распределение количества образов по классам, при классификации по описанному принципу, представлено на рисунке 2.13.

Рис. 2.13. Распределение образов по классам при классификации по признаку достижимости значимых уровней (евро/доллар 1999 г.)

Остается закодировать значения классов в соответствии с принципом максимизации энтропии (информационной насыщенности) выходных значений обучающего множества, описанном выше. Так, при полученном распределении ожидаемых выходных значений, коды классов примут следующие значения:

а.) для верхних уровней: x1 = 0.1125, x2 = 0.3706, x3 = 0.6162, x4 = 0.7743, x5 = 0.8635, x6 = 0.9474.

б.) для нижних уровней: x1 = 0.0810, x2 = 0.2896, x3 = 0.5229, x4 = 0.6973, x5 = 0.8126, x6 = 0.9297.

2.2.4. Аппроксимация отношения текущего положения цены к коридору будущих цен

Полезной в плане предсказания является величина, характеризующая положение цены в настоящий момент относительно коридора из максимальной и минимальной цен через некоторое количество периодов в будущем. Знание текущего положения цены в коридоре будущих цен позволило бы принимать решения о торговле при приближении значений прогнозируемой величины к максимальным и минимальным значениям ряда.

Рассмотрим результат расчета временного ряда, построенного по описанному правилу на основе динамики курса евро/доллар в 1999 году при прогнозировании на 24 часа вперед (см. рис. 2.14). Данный вид прогнозируемой информации на выбранном коридоре обладает распределением близким к равномерному, но при условии наличия в обучающей выборке данных о периодах роста, падения и застоя прогнозируемого инструмента в равной пропорции. В 1999 году евро больше падала в цене, и на диаграмме можно заметить, что значений прогнозируемой величины, показывающих потенциал снижения цены больше (количество значений близких к максимуму).

Рис. 2.14. Распределение ожидаемых значений при постановке задачи прогнозирования отношения текущего положения цены к коридору будущих цен (евро/доллар 1999 г.)

 

22