ВВЕДЕНИЕ 3
1 ПОДХОДЫ К АНАЛИЗУ ФИНАНСОВЫХ ИНСТРУМЕНТОВ 6
1.1 Понятие и структура фондового рынка 6
1.2 Понятие и структура криптовалютного рынка 10
1.3 Методики анализа и прогнозирования финансовых временных рядов 13
2 НЕЙРОСЕТЕВЫЕ ТЕХНОЛОГИИ В ПРОГНОЗИРОВАНИИ
ФИНАНСОВЫХ ВРЕМЕННЫХ РЯДОВ 20
2.1 Искусственные нейронные сети 20
2.2 Гиперпараметры нейронной сети. Характеристики и подходы к их
оптимизации 32
2.3 Обзор существующих исследований в предсказании курсов финансовых
инструментов 41
3 РАЗРАБОТКА ПРОТОТИПОВ ТОРГОВЫХ СОВЕТНИКОВ ДЛЯ
ФОНДОВОГО И КРИПТОВАЛЮТНОГО РЫНКОВ 47
3.1 Разработка модели нейронной сети 47
3.2 Результаты обучения нейронной сети 55
3.3 Внутрибиржевой криптовалютный арбитраж 62
ЗАКЛЮЧЕНИЕ 72
СПИСОК ИСПОЛЬЗОВАННОЙ ЛИТЕРАТУРЫ И ИСТОЧНИКОВ 74
ПРИЛОЖЕНИЕ
На данный момент прогнозирование курса инструментов финансового рынка происходит множеством различных методов. К этим методам можно отнести как фундаментальный анализ, который позволяет строить суждения о дальнейших изменениях на рынке при помощи изучения новостного поля, так и технический, в котором основным инструментарием служат статистические и математические средства. Многие профессиональные трейдеры для предсказания курса используют свои навыки в поиске максимально похожих паттернов (модели повторяющихся ситуаций на рынке), пользуясь при этом различными индикаторами. Ко всему прочему, хорошим индикатором может служить и курс другого инструмента на рынке. Такое встречается при высоком уровне зависимости (корреляции) курсов. Кроме того, некоторые участники рынка используют современные технологии, помогающие при принятии инвестиционных решений. К таким технологиям можно отнести искусственные нейронные сети, которые при правильном проектировании и обучении способны стать отличным инструментом для прогнозирования.
Выявление скрытых паттернов в курсах финансовых инструментов с помощью нейросетевых технологий, а также использование одного криптовалютного инструмента как индикатор для предсказания курса другого инструмента может внести вклад в развитие процесса принятия торговых решений на фондовой и криптовалютной биржах.
Актуальность исследуемой темы заключается, в первую очередь, в интересе больших групп людей к финансовым (в частности к фондовым), а также к криптовалютным рынкам. Для принятия успешных торговых решений в этой сфере требуется использовать различные методы и средства анализа временных рядов, а также их прогнозирования. При этом необходимо учитывать особенности каждого из этих рынков. Ключевым инструментом, обеспечивающим успешную деятельность на фондовом и криптовалютном рынках, считается использование различных экономико-математических методов, таких как, например, статистические методы или же средства анализа и прогнозирования. Для получения сколько-нибудь релевантных результатов требуется применять подходящие инструменты анализа, а также правильно построенные алгоритмы.
Всё вышеперечисленное вызывает большой интерес к исследованию этих финансовых секторов, а также дает понять, что любому участнику рынка хотелось бы иметь наиболее верный прогноз курса инструментов на биржах. К таким участникам можно отнести как рядовых трейдеров и инвесторов, так и институциональных, например, таких как аналитические отделы банков, финансовых и инвестиционных компаний.
Целью выпускной квалификационной работы является разработка прототипов советников для торговли на фондовой и криптовалютной биржах на основе анализа временных рядов.
Объект исследования: фондовая и криптовалютная биржа.
Предмет работы: информационные технологии и средства анализа и прогнозирования финансовых временных рядов.
Задачи:
1) провести обзор методов анализа и прогнозирования временных рядов;
2) определить оптимальный тип архитектуры нейронной сети для предсказания курсов финансовых инструментов;
3) спроектировать и обучить нейросеть для прогнозирования курсов акций и криптовалют;
4) разработать советника, реализующего внутрибиржевую
арбитражную торговлю на рынке криптовалют.
Инструменты, используемые в исследовании:
• Языки программирования: R, Python;
• Библиотеки, фреймворки, пакеты: Shiny, TensorFlow, Keras;
• Среды разработки: RStudio, Google Colaboratory.
Методы: нейросетевые технологии (сверточные и реккурентные
архитектуры), корреляционный анализ данных.
Работа состоит из введения, трех частей, заключения, списка использованных источников и литературы, включает 4 таблицы, 36 рисунка, 25 формул и 89 наименований использованных источников литературы.
Во введении описаны актуальность работы, объект, предмет, инструменты и методы, а также определены цель и задачи работы.
В первой части проведен обзор структуры фондового и криптовалютного рынков, а также описаны методы анализа и прогнозирования финансовых временных рядов.
Во второй части рассмотрено понятие искусственной нейронной сети, ее архитектуры, гиперпараметры и методы их оптимизации, а также проведен обзор существующих трудов на тему предсказания курсов финансовых инструментов.
В третьей части работы описан процесс разработки и обучения нейронной сети для предсказания курса финансовых временных рядов, а также описана схема внутрибиржевой арбитражной торговли криптовалютами.
В заключении приведены основные выводы по работе.
Выявление закономерностей в курсах различных инструментов на финансовых рынках позволяет построить модель для прогнозирования их дальнейшего движения. Обнаружение явных и скрытых паттернов, при помощи искусственных нейронных сетей, а также использование одного криптовалютного инструмента как индикатор для предсказания курса другого инструмента может внести вклад в развитие процесса принятия торговых решений.
На протяжении исследования были проанализированы различные методы прогнозирования временных рядов (в частности финансовых), начиная от классических и заканчивая современными, такими как нейросетевые технологии.
Определен оптимальный тип архитектуры искусственной нейронной сети для предсказания финансовых данных. Это гибрид сверточной и рекуррентной сети, который не только хорошо уменьшает размерность входных данных, сохраняя при этом их “природу”, но и фиксирует временной порядок.
Для предсказания курса некоторых фондовых и криптовалютных инструментов была спроектирована и обучена нейронная сеть. Для оптимизации гиперпараметров этой сети использовался метод “поиска по решетке”. Более стабильные результаты сымитированных торгов были продемонстрированы на данных фондового рынка. Прогнозирование курсов криптовалют не дало должного качества по причине высокой волатильности инструментов рынка, хоть и показало более правильное предсказание направления дальнейшего движения.
Была проверена идея использования одного криптовалютного инструмента, как индикатор для предсказания курса другого. Учитывая запаздывания при обновлении курсов альткоинов, а также их зависимость от Вйсош’а, было выявлено, что существует возможность арбитражной торговли в пределах одной криптовалютной биржи, минимизирующей убытки. Для упрощения нахождения таких торговых ситуаций был разработан советник. При этом для увеличения шансов на прибыль необходимо использовать роботов,
73 автоматизирующих действия трейдера и инвестора. Если же ожидается длительный восходящий или нисходящий тренд курса Вйеот'а (в течение нескольких дней), то возможна и самостоятельная ручная торговля, принимая во внимание высокий коэффициент положительной корреляции BTC с альткоинами.
Помощь студентам и аспирантам в выполнении работ от наших партнеров
