Прогнозирование финансовых рынков с использованием искусственных нейросетей

       

Прогнозирование максимального и минимального уровней цены на один период вперед


Прогнозирование уровней цены, которых она может достигнуть в следующем периоде, например, завтра, занимает важное место в техническом анализе. Знание коридора цен позволяет принимать решения о торговле при приближении цены к прогнозируемым границам коридора. Например, знание максимальной и минимальной цены дня, при внутридневной торговле позволяет принять решение о продаже при приближении цены к максимальному прогнозируемому уровню, в надежде на то, что цена в этот же день опустится до минимального прогнозируемого уровня. Такая стратегия торговли позволяет получать максимальную прибыль внутри прогнозируемого периода.

Цель опыта: настроить нейронные сети, решающие задачу предсказания минимальной и максимальной цен следующего периода (часа, дня), на основании предыдущих изменений котировок. База для формирования входной информации: дневная динамика курса доллар/японская йена за период с сентября 1998 г. по декабрь 1999 г. Входная информация: приращения максимальных, минимальных цен и цены закрытия дня (см. подраздел 2.2.2). Выходная информация: приращения максимальных и минимальных цен на следующий, по отношению к входному вектору, день.

Рассмотрим процесс формирования обучающей выборки. В имеющейся базе данных содержатся сведения об изменении цены за 347 дней. На этапе построения модели выдвигается гипотеза о наличии в имеющемся временном ряде зависимостей максимальной и минимальной цен дня от динамики цены за предыдущие три дня. Кроме того, известно, что на рынке FOREX наиболее значимыми ценами периода являются цены: high, low, close. Таким образом, модель регрессии строится, как показано на рисунке 2.7. (подраздел 2.1.2). Текущую рыночную ситуацию описывают приращения трех значимых цен за три дня, предшествующих прогнозируемому, а зависимой (прогнозируемой) переменой является приращение максимальной или минимальной цены. Задачу регрессии, в этом случае, можно решать при помощи нейронных сетей, имеющих 9 входных нейронов и 1 выходной.

Для решения поставленной задачи были обучены 2 нейросети:


а) задача прогнозирование изменений максимальной цены  - JPY_high;

б) задача прогнозирование изменений минимальной цены - JPY_low.

Каждая из сетей содержала один внутренний слой, содержащий 15 нейронов, общее количество синапсов составило 160. Обучение производилось с использованием метода генетической оптимизации. После обучения было произведено тестирование на проверочном множестве, построенном на базе дневной динамики курса доллар/йена в январе 2000 г.

По результатам тестирования рассчитаем некоторые показатели работы ИНС, характеризующие качество прогнозирования (см. рис. 2.29):

а) 0,4204 - среднее отклонение прогнозируемой максимальной цены от фактической;

б) 0,4009 - среднее отклонение прогнозируемой минимальной цены от фактической;

в) 77,27% - верно предсказанных направлений изменения максималь­ной цены дня;

г) 72,73% - верно предсказанных направлений изменения минималь­ной цены дня.

По результатам тестирования можно сделать следующие выводы. Отклонения прогнозируемых значений цены от фактических укладываются в норму стандартного уровня «стоп-лосс» для торговли на курсе долар/йена внутри дня. Полученная модель имеет потенциал для роста точности прогнозов, предположительно за счет использования дополнительной входной информации.



Рис. 2.29. Результаты тестирования модели предсказания максимальной и минимальной цен дня на проверочном множестве января-февраля 2000 года.


Содержание раздела