Как найти прибыльную торговую стратегию

Введение


Процесс обнаружения успешных торговых стратегий с применением технического анализа можно разделить на несколько этапов:

1. присоединить к окну графика цены финансового инструмента несколько технических индикаторов и выявить закономерности в виде корреляций рынка и сигналов индикаторов;
2. сформулировать полученные на предыдущем этапе корреляции;
3. переложить стратегию на соответствующий язык программирования, получив тем самым механическую торговую систему;
4. прогнать торговую систему через симулятор на исторических данных и попытаться подобрать ее входные параметры, то есть оптимизировать;
5. если предыдущий этап не дал прироста баланса, то перейти к п. 1;
6. применять полученную на предыдущих этапах систему на демонстрационных счетах с целью ее проверки;
7. если предыдущий этап не принес прибыли на виртуальных деньгах, то перейти к п. 1;
8. использовать систему в реальной торговле, время от времени подстраивая ее входные параметры под изменяющиеся условия рынка.

Вот в принципе и все. Полученная таким образом система может использоваться как для автотрейдинга, так и в качестве советника для ручной торговли, подсказывая наиболее важные сигналы, подаваемые техническими индикаторами.

А что если попробовать весь этот процесс полностью переложить на плечи компьютера?

В данной статье будет рассмотрено использование простейшей однослойной нейронной сети для идентификации будущего направления движения котировок по показаниям осциллятора Acceleration/Deceleration (AC).

Нейронная сеть

Что такое нейронная сеть или Perceptron? Это алгоритм, использующий уравнение линейного неравенства (линейного фильтра), с помощью которого можно причислить исследуемый объект к тому или иному классу или, наоборот, исключить его из этого самого класса объектов. Само неравенство выглядит так:

w1 * a1 + w2 * a2 + ... wn * an > d,

где:

wi - весовой коэффициент с индексом i,

ai - численное значение признака с индексом i исследуемого объекта,

d - пороговое значение, чаще всего равное 0.


Если левая часть неравенства окажется выше порогового значения, то объект принадлежит к определенному классу, если ниже, то не принадлежит. В случае, когда классификация объектов подразумевает разделение всего на два класса, вполне достаточно однослойной нейросети.

Многим может показаться, что используемое в нейронной сети неравенство чем-то схоже с шаманским заклинанием относительно весовых коэффициентов. На самом деле это не так. Принцип действия нейронной сети имеет геометрический смысл.

Дело в том, что геометрически плоскость описывается линейным уравнением. Например, в трехмерном пространстве уравнение плоскости относительно координат X, Y и Z имеет вид:

A * X + B * Y + C * Z + D = 0

Координаты всех точек, расположенных по одну сторону от плоскости в этом пространстве, удовлетворяют неравенству:

A * X + B * Y + C * Z + D > 0


А координаты всех точек, лежащих по другую сторону от плоскости, удовлетворяют неравенству:

A * X + B * Y + C * Z + D = 0; i--)
{
OrderSelect(i, SELECT_BY_POS, MODE_TRADES);
// check for symbol & magic number
if(OrderSymbol() == Symbol() && OrderMagicNumber() == MagicNumber)
{
int prevticket = OrderTicket();
// long position is opened
if(OrderType() == OP_BUY)
{
// check profit
if(Bid > (OrderStopLoss() + (sl * 2 + spread) * Point))
{
if(perceptron() < 0)
{
// reverse
ticket = OrderSend(Symbol(), OP_SELL, lots * 2, Bid, 3,
Ask + sl * Point, 0, \"AI\", MagicNumber,
0, Red);
Sleep(30000);
if(ticket < 0)
{
prevtime = Time[1];
}
else
{
OrderCloseBy(ticket, prevticket, Blue);
}
}
else
{
// trailing stop
if(!OrderModify(OrderTicket(), OrderOpenPrice(),
Bid - sl * Point, 0, 0, Blue))
{
Sleep(30000);
prevtime = Time[1];
}
}
}
// short position is opened
}
else
{
// check profit
if(Ask 0)
{
// reverse
ticket = OrderSend(Symbol(), OP_BUY, lots * 2, Ask, 3,
Bid - sl * Point, 0, \"AI\", MagicNumber,
0, Blue);
Sleep(30000);
if(ticket 0)
{
//long
ticket = OrderSend(Symbol(), OP_BUY, lots, Ask, 3, Bid - sl * Point, 0,
\"AI\", MagicNumber, 0, Blue);
if(ticket < 0)
{
Sleep(30000);
prevtime = Time[1];
}
}
else
{
// short
ticket = OrderSend(Symbol(), OP_SELL, lots, Bid, 3, Ask + sl * Point, 0,
\"AI\", MagicNumber, 0, Red);
if(ticket < 0)
{
Sleep(30000);
prevtime = Time[1];
}
}
//--- exit
return(0);
}
//+------------------------------------------------------------------+
//| The PERCEPRRON - a perceiving and recognizing function |
//+------------------------------------------------------------------+
double perceptron()
{
double w1 = x1 - 100.0;
double w2 = x2 - 100.0;
double w3 = x3 - 100.0;
double w4 = x4 - 100.0;
double a1 = iAC(Symbol(), 0, 0);
double a2 = iAC(Symbol(), 0, 7);
double a3 = iAC(Symbol(), 0, 14);
double a4 = iAC(Symbol(), 0, 21);
return (w1 * a1 + w2 * a2 + w3 * a3 + w4 * a4);
}
//+------------------------------------------------------------------+}

Осталось только подобрать весовые коэффициенты линейного уравнения разделительной плоскости для нейросети. Запустим тестер стратегий нажатием на клавиши Ctrl + R:
Как найти прибыльную торговую стратегию
Во вкладке Settings выберем модель эмуляции рынка быстрым методом только по ценам открытия (ведь у нас в советнике сигналы считываются только по сформировавшимся барам). Поставим галочки на Recalculate и Optimization. После чего нажмем кнопку Expert properties.

Вкладка Testing:Как найти прибыльную торговую стратегию[thumb=left]Выводы

Хорошо, а как же тогда относиться к выводам относительно нейросетей сделанным Д. Катцем и Д. Маккормиком в их книге \"Энциклопедия торговых стратегий\"?

Во первых существует принцип: доверяй, но проверяй. Так называемая деятельность Д. Катца и Д. Маккормика построена в том ключе, чтобы максимально исключить возможность такой проверки. Попросту антинаучный подход, исключающий репродукцию. Что вполне понятно, когда некие деятели занимаются издательским бизнесом, а не трейдингом. Их задача в том, чтобы удачно продать рукопись, вне всякой зависимости от содержимого. Чтобы разобраться в этом, достаточно понять, по какому пути они шли, дабы создать набор макулатуры, написанный в стиле \"500 бесполезных советов\" вперемежку с цифрами. Давайте разбираться.

* Постановка задачи Д. Катца и Д. Маккормика заключалась в том, чтобы создать некий в природе несуществующий индикатор, а точнее обращенный во времени стохастик с медленным %K, который, по сути, представляет из себя машину времени, то есть берет информацию на 10 баров вперед и по ним выдает свои показания на 10 баров назад. Будь у меня такой индикатор, Билл Гейтс и Джордж Сорос вряд ли бы могли со мной конкурировать;
* Следующий шаг заключался в том, чтобы взять некие данные и получить по ним предсказания этого самого стохастика с телепатическими способностями. Проще говоря, они ставили уже задачу аппроксимации, то есть зная аргументы функции, получать ее значение. Аппроксимация - это самая что ни на есть подгонка, про которую Катц и Маккормик столь многозначительно с умным видом рассуждают на страницах своего \"фолианта\";
* Не суть важно, как была получена аппроксимация, сколь важно то, что для этой цели нейронные сети в основе своей не пригодны. Гораздо проще было бы выполнить ту же самую задачу, например, через спектральный анализ;
* Еще хуже нейронные сети ведут себя в задачах интерполяции и экстраполяции, а если брать данные вне репрезентативной выборки, то экстраполяция налицо, когда пытаются вычислить значение, а не принадлежность объекта к какому либо классу;
* Получив некую аппроксимацию телепатического стохастика, в реализации которой имелись явные погрешности, Катц и Маккормик пошли дальше и по показаниям этого самого \"кривого\" прибора создали \"торговую стратегию\", которая должна была еще и интерпретировать показания заведомо неисправного прибора,, а именно, если %K зашкаливает за некие пределы, то вероятно котировки достигли максимума или минимума. После чего вся эта мишура была загнана в механическую торговую систему и, получив на ней статистику и скороспелые выводы, авторы предложили ознакомиться с ними читателей.

Результаты не заставили себя ждать. Если в репрезентативных выборках еще кое что получалось, то вне их вероятность извлечения прибыли сводилась к извлечению только убытков.

Возможно, подобные нехорошие проделки вполне резонны для аудитории проживающей в США, которая приучена поглощать любую информацию от различных гуру, лишь бы этот самый гуру был достаточно раскручен и разрекламирован. Но на территории бывшего СССР еще есть люди образованные и достаточно компетентные, которые привыкли читать не между строк, как это делают диссиденты, а то, что изложено в самих строках. При наличии компетенции выявить явные несоответствия в макулатуре импортных авторов особого труда не составляет.

Впрочем, провал задуманных экспериментов с нейронными сетями был не только у Катца и Маккормика. Первый проект нейронной сети под названием \"Перцептрон\" не оправдал надежд, которые на него возлагались. У Франкенштейна результат, как и первый блин, вышел комом. Более поздний объективный анализ, того, что могут нейросети и того, что им явно не по зубам, был сделан М. Минским и С. Пейпертом [1]. Поэтому, прежде, чем приступать к решению тех или иных задач на базе нейросетей, постарайтесь не наступать на уже известные грабли:

1. Постановка задачи не должна содержать телепатических прогнозов на будущее с целью получить точный ответ на вопрос о том, когда и сколько. Следует ограничить решение в виде идентификации ситуации по текущим признакам в виде разделения всего на несколько взаимоисключающих потенциальных ситуаций. Например, если задача о погоде, то не старайтесь узнать, когда с точностью до секунды пойдет дождь и каков будет уровень осадков в миллиметрах. Ограничьтесь прогнозом о потенциальной ситуации в виде перемены погоды в сторону солнечной либо дождливой;
2. Вырезайте все лишнее \"Бритвой Оккама\" . Некоторые экспериментаторы полагают, что чем больше слоев у нейросети и чем загогулистей ее функции активации, тем лучше результат. На самом деле, конечно, же таким образом можно более точно провести границу, разделяющую идентифицируемые объекты по их признакам. С этим никто не спорит. Но зачем? Ведь такой подход равносилен построению замков из песка. Если бы граница имела жесткие очертания, неизменные во времени и не зависимые от других обстоятельств, тогда усложнение с целью максимального уточнения имело бы смысл. Но основная часть, задач решаемых с помощью нейросетей, к такому разряду не относится. Финансовые инструменты тоже не стоят на месте. А значит простейшая нейронная сеть с небольшим количеством входов и одним слоем может оказаться более приемлемой, нежели сложнейшая по конструкции \"хламида\" с одноразовой результативностью.

Вот собственно и все, что я хотел сказать в этой статье.