Анализ временных рядов Forex

В результате анализа временных рядов Forex было получено следующее:
1) Разработаны программы на языке Python для анализа временных рядов Forex.
2) В теоретической части исследования были рассмотрены два подхода к анализу рынка: фундаментальный и технический. В практической части работа проводилась линейными (классический статистический анализ, корреляционный анализ) и нелинейными (нейронные сети) методами технического анализа
3) На первом этапе анализа выгруженные котировки валютной пары EURUSD подготавливались для дальнейшей работы в связи с тем, что были обнаружены пропуски и избыточные отсчеты в имеющихся данных.
4) Для того чтобы скачки в значениях, вызванные выходными днями на рынке Forex, не искажали картину, выполнено разбиение данных на недельные отрезки и исключение неполных недель, в которых число записей меньше минимального количества записей в неделе в зависимости от интервала.
5) После того, как данные были приведены в рабочий вид, на втором этапе был проведен классический статистический анализ временных рядов, в результате которого выяснилось, что первые разности не вполне соответствуют нормальному распределению, но являются стационарными.
6) Поведение корреляционных функций говорит о том, что статистические характеристики первых разностей близки к белому шуму. Откуда следует, что классические методы анализа едва ли приведут к успеху.
7) Автокорреляционная функция величины (High-Low) представляет собой периодическую функцию с суточным периодом и весьма слабым затуханием. Этот факт в литературе не упоминается. Объяснение ему предложить не удалось.
8) Выводы, сделанные в п. 5-6, заставляют предположить, что классические методы анализа не смогут привести к успеху. В связи с чем принято решение воспользоваться нелинейными методами технического анализа, а именно применить методы нейронных сетей.
Следующим этапом в работе стал выбор нейронных сетей в качестве средства для решения задачи прогнозирования и задачи классификации, который привел к таким результатам:
1) На экспериментальной функции смеси синусоид с некратными периодами, моделирующей некий хаотичный процесс, построенная нейронная сеть показала хороший результат, как в задаче прогнозирования, так и в задаче классификации , что означает применимость использования разработанных программ к анализу рядов Forex и разработке стратегии торговли.
2) Применение построенной нейросети к реальным данным оказалось возможным. Результаты тестирования обученных нейронных сетей показали превышение вероятности выигрыша над проигрышем порядка 3-5%, что принято считать хорошим результатом.
Проведённые исследования поставили большое количество новых вопросов. Работа может быть продолжена по следующим направлениям:
1) Создание методики подбора параметров нейронной сети.
2) Модифицирование стратегии - нейронная сеть продолжает обучаться в процессе работы.
3) При больших значениях прогнозируемых вероятностей возможно следует ожидать обнаружение типовых образов, что может обеспечить выигрыш.
4) Создание робота-трейдера, представляющего собой пару приложений - клиент и сервер, где клиент (на стороне MetaTrader) обращается к приложению на сервере, на котором реализована обученная нейроннная сеть и передает ему отрезок ряда котировок. Нейронная сеть вычисляет оценки вероятностей принадлежности отрезка к одному из рассмотренных в работе классов, после чего передаёт роботу приказ о вступлении или не вступлении в игру.
Чтобы окончательно убедиться в корректности работы написанной программы, требуется около 1-2 лет ее тестирования в режиме реального времени, путем подключения к платформе MetaTrader, чтобы собрать статистику игры и проанализировать полученные результаты.

Купить