yandex rtb 1
ГоловнаЗворотній зв'язок
yande share
Главная->Фінанси->Содержание->2.4.2. Классификация рыночных ситуаций

Прогнозирование финансовых рынков с использованием искусственных нейронных сетей

2.4.2. Классификация рыночных ситуаций

В двух предыдущих опытах в качестве прогнозируемой величины была использована величина сглаженного MPP, другим словами решалась задача нелинейной регрессии при помощи ИНС. Фактически предпринималась попытка при помощи комитета нейроэкспертов получить максимально приближенную к «идеальной» кривую. Однако, как упоминалось выше, нейронные сети могут быть использованы также в качестве классификатора, необходимо лишь правильно закодировать значения классов.

Рассмотрим процедуру кодирования желаемых выходных значений в обучающей выборке, в соответствии с сигналами MPP для динамики курса евро/доллар в 1999 году. Общее количество образов в обучающей и тестовой выборке 6328. Практический метод кодирования был рассмотрен в подразделе 2.3.1. При кодировании обучающего правила, в первую очередь, необходимо выполнить подсчет количества образов для каждого из классов. На рисунке 2.22 в виде гистограммы показано распределение сигналов по классам в обучающей выборке. Рассчитанные таким образом длины отрезков составили:  Dx1 = 0,1473; Dx2 = 0,4550; Dx3 = 0,2841; Dx4 = 0,1136. На основании рассчитанных длин интервалов можно вычислить значения, соответствующие ординальным классам: x1 = 0,0736; x2 = 0,3748; x3 = 0,7443; x4 = 0,9432. Эти значения можно использовать в качестве обучающего правила для ИНС.

Цель опыта: сформировать комитет нейроэкпертов, который бы решал задачу классификации рыночных ситуаций (на основе MPP) по сигналам индикаторов технического анализа, базирующихся на часовой динамике курса евро/доллар. Входная информация: значения индикаторов ТА. Выходная информация: значения классов образов: «Покупка», «Продажа», «Ожидание».

Рис. 2.22. Распределение ожидаемых значений при постановке задачи классификации рыночных ситуаций по сигналам MPP (евро/доллар 1999 г.)

В рамках решения поставленной задачи было обучено 21 ИНС (результаты обучения см. в приложении 1). Для обучения нейросетей был использован метод, базирующийся на генетических алгоритмах, что сказалось на качестве обучения. MSE нейросетей, задействованных в эксперименте, в среднем оказалась меньше, чем в предыдущих опытах. В качестве результирующего значения будем использовать мнение комитета обученных нейросетей. Поскольку MSE нейросетей различаются мало (см. приложение 1), при расчете среднего мнения комитета воспользуемся формулой простой средней. Полученное среднее мнение комитета можно использовать как непосредственно для классификации ситуаций, так и для построения индикатора. Тестирование, как и в предыдущих опытах, будем проводить на входных данных, построенных на основе динамики курса евро/доллар за январь 2000 г.

Полученные при тестировании предсказываемые значения, как и в прошлых опытах, изобразим в виде точечной диаграммы. В целях обеспечения базы сравнения по оси абсцисс отложим значения MPP, сглаженные 6-типериодной скользящей средней (рис. 2.23).

Рис. 2.23. Диаграмма, отражающая качество распознавания комитетом нейроэкспертов рыночных ситуаций

Поскольку в качестве активационной функции нейронов ИНС была использована функция типа «сигмоид», значения, получаемые на выходном нейроне сетей, не будут дискретными. Поэтому относить образ (рыночную ситуацию) к тому или иному классу необходимо по некоторому правилу, например, по признаку попадания выходного значения ИНС в интервал класса Dxi. По результатам тестирования была получена следующая статистика:

а) 300 - количество верно предсказанных ситуаций из 618 (48,54%);

б) 415 - количество ситуаций с верно предсказанным направлением движением рынка -  «скорее покупать» или «скорее продавать» (67,15%);

в) 446 - количество ситуаций с верно предсказанным действием «ожидание», всего ситуаций с продолжением «ожидание» - 466 (72,17% к общему количеству ситуаций; 95,71% к общему январскому количеству ситуаций с действием «ожидать»);

г) 6 из 152 (»4%) - абсолютно точно предсказанных сигналов на «торговлю» (покупка или продажа);

д) 104 из 152 (68,42%) - верно предсказанных направлений рынка для потенциальных сигналов на «торговлю» -  т.е. сигналы «скорее покупать» или «скорее продавать»;

е) 0,1736 - среднее отклонение выходных значений от сглаженного 6-типеродной скользящей средней MPP.

В целом, обобщая полученный результаты, можно говорить о наличии внутренних зависимостей в ценовой динамике,  почти в 70% случаев однозначно было предсказано будущее направление движения рынка.

Кроме непосредственно классификации полученные прогнозные значения можно использовать для построения индикатора (см. рис. 2.24). Стрелками на графике отмечены моменты открытия и закрытия позиций по избранной системе торговли (длинных и коротких соответственно). Индикатор комитета изображен красной линией в нижней части, результат торговли - красной линией в верхней части рисунка.

Как и в предыдущих опытах, для моделирования торговли построим простейшую торговую систему. После процесса оптимизации значимые уровни расставим следующим образом:

а) открытие «длинных позиций» - пересечение уровня +0,15 вверх;

б) открытие «коротких позиций» - пересечение уровня -0,15 «вниз».

Рис. 2.24. Индикатор комитета и результат торговли в январе 2000 г. на рынке евро/доллар

Как видно из рисунка, результат торговли в январе 2000 г. по курсу евро/доллар составил +780 пунктов (или 7,8 «фигур»), с учетом того, что по выбранной системе, торговля с ожидаемым сигналом принесла доход в размере +1428 пунктов (14,28 «фигур») - максимум, который можно было заработать в январе 2000 г.

 

24