ПОБУДОВА СТРАТЕГІЙ ТОРГІВЛІ НА ФІНАНСОВИХ РИНКАХ - Scientific conference
Main page
UA RU EN

Congratulation from Internet Conference!

Hello

Рік заснування видання - 2014

ПОБУДОВА СТРАТЕГІЙ ТОРГІВЛІ НА ФІНАНСОВИХ РИНКАХ

14.05.2014 00:06

[Section 5. Mathematical methods, models and information technologies in economy]

Author: Гришко Євгеній Олександрович, студент, Черкаський національний університет ім. Б. Хмельницького


Ключовим елементом торгівлі, що визначає поведінку трейдера на ринку, є торгова стратегія (далі ТС).

ТС – це сукупність інструментів аналізу та правил, яких дотримується трейдер в своїй роботі на валютному ринку. Одночасне досягнення заданих значень зміни котирувань дає сигнал на покупку або продаж торгового інструменту. Іншими словами, це модель прийняття рішень.

Структуру торгової стратегії складають наступні компоненти :

1. Часові зрізи валютних котирувань, що використовуються для технічного аналізу та прогнозування.

2. Набір індивідуальних індикаторів для кожного часового зрізу зі встановленими сигнальними рівнями.

3. Базові умови сприйняття торгових сигналів на продаж і купівлю обраної валюти.

4. Захисні ордера фіксування збитку або прибутку – ліміт-профіт або стоп-лосс ордера.

5. Правила оцінки ефективності розробленої торгової стратегії та внесення в неї необхідних коректив.

Досвідчені трейдери, що знаходяться в торговому середовищі більше двох років, як правило, мають набір із 3-4 стратегій, які вони застосовують у тих чи інших ситуаціях залежно від картини ринку. Розроблюваний торговий робот повинен містити в собі не тільки компонент аналізу котирувань, але й інструмент глобального аналізу ринку і вибору моделі поведінки. У простому випадку торговий радник повинен вміти застосовувати ряд стратегій, а рішення про вибір ТС залишається за трейдером-оператором. У більш загальному випадку робот має обирати модель поведінки самостійно.

Незалежно від того, хто приймає рішення про вибір ТС, важливо включити в портфель найбільш різнопланові стратегії, що підводить до необхідності дати їм класифікацію. Найчастіше, торгові стратегії класифікують залежно від часу торгівлі, ступеня ризику, за видами застосовуваних індикаторів, за торговим обсягами і за способами торгівлі. За часом торгівлі ТС поділяються на:

• короткострокові стратегії (денні стратегії – intraday). У цьому випадку позиції закриваються протягом торгівельної доби, а іноді за кілька секунд (скальпінг);

• середньострокові стратегії – позиція в цьому випадку здатна утримуватися до декількох діб/тижнів;

• довгострокові стратегії – позиція «живе» від тижня до декількох місяців.

Залежно від ступеня ризику виділяють стратегії:

• консервативні (ТС із мінімальними ризиками);

• помірні;

• агресивні.

За видами індикаторів або графічними моделями (паттернами) стратегії поділяються на:

• прості або безіндикаторні;

• ТС за графічним моделям або паттернами;

• ТС, що ґрунтуються на змінному середньому MA (Moving Average);

• ТС на основі японських свічок;

• на основі смуг Боллинджера;

• стратегія Фібоначчі;

• ТС на основі інших індикаторів.

За торговим обсягами, застосовуваним в стратегії, виділяють:

• ТС, які використовують методику Мартингейла;

• ТС, які не використовують методи збільшення лота.

Базисом будь-якої ТС, що відповідає за рішення про входження в торгівлю, є використовуваний в ній індикатор. При ручній торгівлі індикатори є своєрідним доповненням до вже наявного графіку, що розширюють надавану користувачеві інформацію. При автоматичній торгівлі ті ж цифри і коефіцієнти аналізуються безпосередньо програмою. У будь-якому разі, математичний апарат кожного з індикаторів містить результати аналізу, який традиційно поділяють на фундаментальний і технічний.

Під фундаментальним аналізом розуміють сукупність заходів, спрямованих на виявлення закономірностей у поведінці цін валют, динаміці їх попиту та пропозиції на фондовому ринку на основі комплексного аналізу ряду факторів. Експерти вважають, що основний недолік фундаментального аналізу – це його складність [1]. Оскільки контролювати 40-50 показників, кожен із яких визначено конкретними причинно-наслідковими зв'язками, що мають суперечливий або ж рефлексивний характер, фізично неможливо, практичне застосування одержуваного прогнозу навіть з 50% часткою впевненості стає сумнівним. Перевагою методу є можливість не брати в розрахунок коливання ринку (т.зв. ринковий шум).

З точки зору комп'ютерної реалізації автоматичної торгівлі, більший інтерес представляє технічний аналіз ринку та котирувань. Все різноманіття методів прогнозування технічного аналізу укладається в певну схему. Так в рамках праць зарубіжних дослідників розроблена наступна класифікація:

1. Графічні методи, які допомагають прогнозувати ринок за допомогою наочного зображення його рухів, розрізняються залежно від того, на якому типі графіка будуються [1].

2. Методи, що використовують фільтрацію або математичну апроксимацію, наприклад, методи, в основу яких покладено змінні середні та осцилятори. З точки зору реалізації автоматичного торгового радника дана група показників найбільш приваблива, оскільки результати аналізу зручно інтерпретувати алгоритмічними процедурами [2].

3. Теорія циклів, що займається циклічними коливаннями не тільки цін, але й природних явищ в цілому, та більше застосовується на теоретичному рівні.

Існують також змішані методи, що несуть у собі риси кількох груп. Наприклад, хвильова теорія Елліотта – метод переважно графічний, що має риси фільтрації та циклічності. Таким чином, більшість методів технічного аналізу укладаються в викладену класифікацію (рис. 1.3.1), що дає можливість побачити перспективи побудови торгового радника. Крім цього, необхідно зауважити, що останнім часом при побудові автоматичних торгових радників почали використовуватися елементи систем штучного інтелекту.




Рис. 1.3.1. Основні методи технічного аналізу

Ємен в своїй роботі довів, що штучні нейронні мережі можуть бути використані для прогнозування котирувань на фондовому ринку. Але він зазначив, що побудувати успішну модель подібної мережі не просто через вплив різних чинників, таких як політичні події, що мають місце протягом певного періоду часу. Наприклад, політичні кризи трапляються раптово і ціни падають швидко, а стрибок спреду між ціною купівлі та продажу може скласти від 5 до 100 пунктів. При обміні іноземної валюти кількість транзакцій в реальному часі, як правило, дуже велика і має високу щільність розподілу [3]. Крім того, ШНМ не даватиме хороший результат без якісної попередньої підготовки даних, вибору входів та змінних, алгоритмів навчання і визначеної моделі для перевірки.

Ведінг і Сіо запропонували гібридну модель мереж, заснованих на радіальних функціях (RBF) і моделі авторегресії змінного середнього (ARMA) [18]. Ця технологія застосовує комбінацію моделей.

Каблан розширив адаптивну нейро-нечітку систему, щоб створити експертну систему, яка здатна використовувати нечіткі міркування у поєднанні з можливостями розпізнавання нейронних мереж, які будуть використовуватися у фінансовому прогнозуванні та торгівлі. Однак це ще один приклад гібридної системи [3].

Проект Penn-Lehman Automated Trading (PLAT) є масштабним дослідженням генетичних алгоритмів і стратегій для автоматичної торгівлі на фінансових ринках. Субраманьян та ін. представили результати експериментів, проведених у рамках цього проекту, і показали, що автономні агенти можуть досягти послідовної прибутковості в різних ринкових умовах, способами, що є більш конкурентоспроможними за стратегію людини. Вони також виявили якісні характеристики стохастичною динаміки, які можна використовувати, щоб поліпшити продуктивність цих агентів. Звичайно, дані експерименти були обмежені фондовим ринком [4].




Література:

1. Элдер Александр Основы биржевой торговли. Учебное пособие для участников торгов на мировых биржах / А. Элдер – М : Рассвет, 2007. – 167 с.

2. Маклаков С. В. Моделирование бизнес-процессов с BPWin 4.0 / С. В. Маклаков – М : ДиалогМИФИ, 2002. – 220 с.

3. David A. Oyemade, Godspower O. Ekuobase, Fidelis O. Chete Fuzzy Logic Expert Advisor Topology for Foreign Exchange / Proceedings of the International Conference on Software Engineering and Intelligent Systems 2010 (SEIS 2010), July 5th-9th, Ota, Nigeria, Vol 1, p. 215-228

4. Emman A. Optimal artificial neural network topology for foreign exchange forecasting / ACM Southeast Regional Conference, Proceedings of the 46th Annual Southeast Regional Conference on XX, pp. 63-68, ACM New York, NY, USA (2008)



Creative Commons Attribution Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License
допомога Знайшли помилку? Виділіть помилковий текст мишкою і натисніть Ctrl + Enter

Another articles in this section

Сonferences

Conference 2024

Conference 2023

Conference 2022

Conference 2021

Conference 2020

Conference 2019

Conference 2018

Conference 2017

Conference 2016

Conference 2015

Conference 2014

:: LEX-LINE :: Юридична лінія

Міжнародна інтернет-конференція з економіки, інформаційних систем і технологій, психології та педагогіки

Наукові конференції

Економіко-правові дискусії. Спільнота