Большинство трейдеров использует технические индикаторы, напр., такие как MACD или «стохастик», даже не задумываясь об их обоснованности. «Все так делают, значит, это правильно, значит, это работает», – примерно так бы ответил «рядовой трейдер», если бы его спросили об этом. Спор между сторонниками ТА и ФА столь же нескончаем как спор сторонников цифрового и аналогового звука и т.п. споры. Здесь я не буду приводить никаких аргументов ни за ТА, ни против него.

По умолчанию будем считать, что так или иначе будущие цены можно спрогнозировать по прошлым, то есть, что технический анализ (ТА) работает. Раз так, то задача ТА может быть сформулирована как обычная задача прогнозирования временного ряда наблюдений, напр., погодных условий: температуры воздуха, скорости ветра и т.п. Однако никто не прогнозирует погоду при помощи скользящих средних или, скажем, «параболиков». Более того, никто не использует такие индикаторы даже при прогнозировании экономических временных рядов: инфляции, ВВП, уровня безработицы и т.д. Если взять произвольный технический индикатор и рассмотреть его конструкцию, возникает ощущение, что большинство из них сделано «от балды», то есть некоторая «внутренняя логика» в них присутствует, но почему она именно такая не очень ясно. Сам собой напрашивается вывод: если цену можно прогнозировать, то зачем использовать для этого непонятные индикаторы, которые не используются ни в одной отрасли науки, может быть, стоит попробовать стандартные методы статистики, имеющие под собой солидное математическое обоснование? В этой статье я обзорно расскажу об этих методах.

Все методы математического прогнозирования условно можно разделить на две группы: аналитические и адаптивные. Классическим примером аналитического подхода является метод линейной регрессии. Человеку незнакомому со статистическими методами выражение «линейная регрессия», скорее всего, покажется сложным и пугающим. Между тем идея линейной регрессии очень проста. Вот пример такой модели:

ЗАВТРАШНЯЯ ДОХОДНОСТЬ = 1.5 x СЕГОДНЯШНЯЯ ДОХОДНОСТЬ - 0.75 x ВЧЕРАШНЯЯ ДОХОДНОСТЬ

Что может быть проще и яснее? Пример носит чисто иллюстративный характер. Его не стоит воспринимать как руководство к действию. Такие простые модели вряд ли будут работать на реальных данных. Тем не мене, он хорошо показывает общую логику методов прогнозирования – коэффициенты в модели (1.5 и 0.75 в этом примере) определяются статистическими характеристиками ряда котировок: средней доходностью, волатильностью и корреляцией прошлых значений с будущими. Модель можно усложнить: добавить более отдаленные во времени значения доходностей, напр., позавчерашние, включить нелинейные эффекты, напр., такие как СЕГОДНЯШНЯЯ ДОХОДНОСТЬ x ВЧЕРАШНЯЯ ДОХОДНОСТЬ (произведения доходностей) или СЕГОДНЯШНЯЯ ДОХОДНОСТЬ² (доходность в квадрате) и т.п. Перспективным также представляется включение в модель внешних факторов, напр., вчерашних доходностей по другому инструменту и т.п. Достоинством аналитических моделей является относительная простота и легкость оценивания параметров. К сожалению, эти модели не могут улавливать достаточно сложные закономерности и в основном используются для моделирования несложных линейных зависимостей (вида: чем больше одна переменная, тем больше другая).

Эти недостатки аналитических методов прогнозирования могут учесть более сложные и гибкие адаптивные модели. Особенностью этих методов является их «самообучаемость» на исторических данных. Здесь нет ничего мистического или фантастического. Искусственный интеллект – это просто набор математических процедур. Адаптивные модели сами подстраивают свои параметры, «обучаясь» на истории котировок. Для этого используется механизм «обратной связи» – сигнал об ошибке в прогнозе подается на «вход» системе, и она при помощи специального алгоритма использует эту информацию для корректировки параметров и коэффициентов. Примечательной особенностью адаптивных методов является их способность к «обучению» в онлайн режиме: параметры постоянно корректируются по мере поступления новых котировок. Это делает особенно удобными данные модели для написания альтернативных технических индикаторов.

В настоящий момент наиболее популярными в среде трейдеров являются т.н. «нейросетевые технологии» прогнозирования. Название метода связано с тем, что он использует некоторые аналогии характерные для работы мозга и нервной системы. Особенностью нейросетей является то, что они могут автоматически обучаться очень сложным (как говорят математики, нелинейным) зависимостям. Ясно, что в финансовых данных, скорее всего, отсутствуют какие-либо тривиальные зависимости, вроде той, что я привел выше в пример. Если бы они были, их бы быстро раскрыли, рынок бы мгновенно учел эту информацию в текущих ценах и в результате все закономерности бы исчезли. Из этого следует, что если в финансовых данных присутствуют закономерности, то они должны иметь достаточно сложный и нетривиальный характер, чтобы не быть немедленно учтенными рынком, поэтому для прогнозирования должны использоваться достаточно продвинутые методы, способные эти закономерности уловить и зафиксировать. Нейросети относятся как раз к такого рода методам, это и обуславливает их популярность в сфере финансов. Слово «нейросеть» не должно вводить в заблуждение: в этих методах нет ничего специфичного и «мистического» – это просто математический метод оптимизации в некоторых чертах подобный биологическим процессам в нервной системе. Не менее мощными, хоть и не столь популярными (в науке тоже действует «магия бренда»!), являются методы т.н. «машинного обучения» («machine learning»). Не вдаваясь в подробности, просто перечислю пока их названия: байесовы методы, метод опорных векторов, метод «ближайших соседей».

К сожалению, за сложность приходится платить: использование этих методов требует большой вычислительной мощности компьютера и/или длительного времени для обучения. Кроме того, в процессе обучения система может пойти в неверном направлении, «застрять» в нем, так ничему и не обучившись. Другой важной проблемой является «переподгонка» – чем сложнее и продвинутей система, тем лучше она схватывает особенности исторических данных. Однако в данных кроме закономерностей содержатся и различного рода «шумы» и случайности. Если система слишком гибкая, она начинает фиксировать эти случайности и «шумы», выдавая их за закономерности. В результате при работе на будущих данных, она дает неточные прогнозы, поскольку слишком «заточена» под случайности в истории котировок. К счастью, есть специальные методы, позволяющие более или менее устранить «переподгонку», но это уже тема для отдельного разговора.

q-trader

[обсудить на форуме]