Примеры торговых алгоритмов

Раздаточный материал

Магистрант Шаль Анна Ефимовна

Тема АНАЛИЗ И ПРОГНОЗИРОВАНИЕ ФОНДОВЫХ РЫНКОВ С РАЗВИТИЕМ ИНФОРМАЦИОННЫХ ТЕХНОЛОГИЙ

Цель

Цель диссертационного исследования состоит в научно-теоретическом обобщении методов прогнозирования фондового рынка, понятия системы искусственного интеллекта, примеры анализа и прогнозирования на основе нейронных сетей, современной ситуации фондового рынка.

Актуальность

На данный момент нет четких алгоритмов, который позволяют решить реальные бизнес задачи. Если раньше специалисты решали задачи, опираясь на знание предметной области и на основе личного опыта, то для современного специалиста появилось большое количество информационных помощников, которые позволяют повысить точность и эффективность результатов.

Научная новизна диссертационного исследования состоит в достижении следующих результатов:

● Обоснована необходимость анализа и прогнозирования динамики фондового рынка;

● Описаны преимущества и недостатки существующих методов анализа фондового рынка;

● Определены основные тенденции фондового рынка;

● Рассмотрены проблемы использования новейших систем на отечественном рынке.

● В результате рассмотрения подходов к применению нейросетевых методов для прогнозирования динамики российского фондового рынка предложен новый, комбинированный подход.

Методы анализа и прогнозирования фондовых рынков.

● Фундаментальный анализ — в этом случае аналитики оценивают информацию, которая больше относится к компании, чьи акции торгуются на бирже, нежели к самим акциям. Решения о тех или иных действиях на рынке принимаются на основе анализа предыдущей деятельности компании, прогнозах выручки и прибыли и так далее.

● Технический анализ — в данном случае рассматривается поведение цены акций и выявляются его разнообразные паттерны (используется анализ временных рядов).

В случае применения методов машинного обучения для обработки торговых данных, чаще используют именно метод технического анализа — цель заключается в том, чтобы понять, может ли алгоритм точно определять паттерны поведения акции во времени. Тем не менее, машинное обучение может использоваться также для оценки и прогнозирования результатов деятельности компании для дальнейшего использования при фундаментальном анализе.

Что такое нейронная сеть.

Нейронная сеть – это не модель человеческого мозга

Человеческий мозг – одна из самых больших загадок, над которой бьются ученые не одно столетие. До сих пор нет единого понимания, как все это функционирует. Есть две основные теории: теория о «клетке бабушки» и теория дистрибутивного представительства. Первая утверждает, что отдельные нейроны имеют высокую информационную вместимость и способны формировать сложные концепты. Например, образ вашей бабушки или Дженнифер Энистон. Вторая говорит о том, что нейроны намного проще в своем устройстве и представляют комплексные объекты лишь в группе. Искусственную нейронную сеть можно в общих чертах представить как развитие идей второй модели.

Огромная разница ИНС от человеческого мозга, помимо очевидной сложности самих нейронов, в размерах и организации. Нейронов и синапсов в мозгу несоизмеримо больше, они самостоятельно организуются и способны к адаптации. ИНС конструируют как архитектуру. Ни о какой самоорганизации в обычном понимании не может быть речи.

Примеры торговых алгоритмов

TWAP (Tie Weighted Average Price — взвешенная по времени средняя цена)

VWAP (Volume weighted average price — взвешенная по объёму средняя цена)

Percentage of Volume (POV) - предыдущий за конкретный день.

Адаптивный фильтр — это инструмент, способный к самообучению для достижения заданного уровня соответствия выходных данных реальному положению вещей.

Функции индикаторов