Энциклопедия торговых стратегий

Энциклопедия торговых стратегий

Результаты торговли для модели

Результаты торговли для модели, основанной на верхней точке разворота Две выбранные нейронные сети с максимальной вероятностью устойчивой работы вне пределов выборки (согласно их скорректированным корреляциям) были исследованы в отношении их торговой эффективности. Ниже рассмотрена эффективность большей (18-20-6-1) и меньшей из них (18-10-1). Результаты для сети 18-10-1. Как обычно, в пределах выборки эта сеть была чрезвычайно прибыльной. Вне пределов выборки прибыль была получена с использованием двух видов входных приказов - по цене открытия (тест 13) и по лимитному приказу (тест 14). При использовании входа по стоп-приказу (тест 15) были получены умеренные убытки. Это неожиданно, учитывая то, что короткие позиции обычно бывали менее прибыльными, чем длинные. Разбор отдельных рынков показывает, что в пределах выборки только рынки канадского доллара, откормленного скота, соевого масла, пше ницы и какао не были прибыльны со всеми тремя видами входов. Вне пределов выборки при использовании всех трех входов значительные прибыли были получены на рынках немецкой марки, иены, сырой нефти, мазута, откормленного скота, живого скота и кукурузы. Прибыльность рынков иены, сырой нефти и до некоторой степени кукурузы соответствовала хорошей работе на этих рынках модели нижней точки разворота. Вне пределов выборки эти рынки работали прибыльно с обеими моделями точек разворота (нижней и верхней). График изменения капитала (рис. 11-2 для входа по цене открытия) показывает резкий рост к ...[ ... ]

ОБЗОР РЕЗУЛЬТАТОВ

ОБЗОР РЕЗУЛЬТАТОВ В табл. 11-5 и 11-6 приведены результаты работы всех моделей, основанных на нейронных сетях на различных рынках. В первом столбце указано обозначение рынка, средний и правый столбцы содержат количество выгодных тестов для данного рынка. Цифры в первой строке указывают на номер теста. Последняя строка показывает, на скольких рынках данная модель была выгодной. Степень прибыльности и убыточности рынков для каждой модели указана следующим образом: один минус (-) означает убыток в $2000 - 4000, два минуса ( ) - убыток более $4000; один плюс (+) означает прибыль от $1000 до $2000, два плюса (+ +) - прибыль более $2000; пустая ячейка означает прибыль до $1000 или убыток не более $1999 со сделки. (Названия рынков и их символы соответствуют обозначениям табл. II-1; часть II, введение.) В пределах выборки все виды входов со всеми моделями давали огромные прибыли (табл. 11-7). При усреднении по всем моделям лучше всего работали входы по цене открытия и по лимитному приказу, а хуже всего вход по стоп-приказу, но разница была очень небольшой. В пределах выборки наибольшая средняя прибыль в сделке отмечена для больших сетей на принципе максимальной и минимальной точек разворота. Вне пределов выборки лучше всего работал вход по стоп-приказу. В общем, лучше всего при усреднении по входам работали модель на обращенном во времени Медленном %К и модель на верхней точке разворота. ...[ ... ]

ЗАКЛЮЧЕНИЕ

ЗАКЛЮЧЕНИЕ При первой попытке применить для анализа индивидуальных рынков нейронную сеть (Katz, McCormick, ноябрь 1996) мы пришли к выводу о полной бесполезности такого подхода. Поведение некоторых из проведенных сейчас тестов вне пределов выборки немного обнадеживает по сравнению с нашим опытом исследования простых нейронных сетей. Эти результаты, почти несомненно, обусловлены большим количеством точек данных в обучающем наборе, включающем все рынки в составе портфеля, а не какой-либо один рынок. В общем, чем больше выборка, используемая для обучения (или оптимизации), тем больше вероятность сохранения положительной эффективности вне ее пределов. Увеличить размер выборки можно, используя более старые данные, что вполне возможно для ряда включенных в наше исследование рынков. Кроме того, можно ввести в портфель дополнительные рынки, что, возможно, представляет собой оптимальный способ улучшения обучающего набора. Принцип оптимизации состоит в том, что вероятность устойчивых результатов повышается со снижением количества параметров модели. Учитывая в чем-то положительные результаты некоторых из тестов, возможно, имеет смысл продолжать исследования с более усложненными моделями. Как вариант можно было бы улучшить предварительную обработку данных в смысле уменьшения общего числа вводов без потери важной прогностической информации - это может сделать систему очень прибыльной. При меньшем количестве вводов в сети будет меньше связей для оценки, следовательно, подгонка под кривую ...[ ... ]

ЧТО МЫ УЗНАЛИ?

ЧТО МЫ УЗНАЛИ? При выполнении некоторых условий нейронные сети могут использоваться в системной торговле. Критическим моментом для избежания вредной подгонки под исторические данные (в противоположность полезной оптимизации) является достижение адекватного соотношения размера выборки данных и количества свободных параметров сети. o Подгонка под исторические данные является значительной проблемой при использовании нейронных сетей. Следует обращать внимание на любой метод, способный уменьшить общее количество свободных параметров без потери важной информации, например тщательную предварительную обработку и сжатие информации. Для обучения нейронных сетей необходимо использовать выборки большого размера. Поэтому обучение на целом порт феле финансовых инструментов приводит к лучшим результатам, чем обучение на отдельных рынках, несмотря на потерю рыночной специфики. Один из возможных подходов - расширять количество рынков в портфеле и, по возможности, объем обучающей выборки данных. Доведя это до предела, возможно, имеет смысл обучать сеть на сотнях рынков разнообразных товаров, валют и ценных бумаг в попытке создать "универсальную систему прогнозирования цен". Если в таком всемирном пространстве рынков существуют прогностически полезные модели, то такая попытка, вероятно, действительно будет оправданной. Некоторые из рынков работают плохо даже в пределах выборки, другие удерживают прибыльность вне ее пределов, как это случалось с некоторыми моделями в предшествующих главах. ...[ ... ]

Генетические алгоритмы

Генетические алгоритмы Основываясь на моделях, используемых в биологии и экономике, математик и психолог Джон Холланд (John Holland) разработал алгоритм генетической оптимизации. Алгоритм впервые был опубликован в книге Холланда "Адаптация в естественных и искусственных системах" (J. Holland, Adaptation in Natural and Artificial Systems, 1975). Генетические алгоритмы (ГА) впервые стали применяться в компьютерных дисциплинах в начале 1990-х годов (Yuret and de la Maza, 1994). Торговое сообщество впервые обратило на них внимание около 1993г., когда появилось несколько статей (Burke, 1993; Katz and McCormick, 1994; Oliver, 1994) и компьютерных программ. С тех пор несколько фирм добавили генетическое обучение в свои программные пакеты, а у некоторых есть даже программы генетической оптимизации профессионального уровня. В торговом обществе ГА никогда не пользовались таким успехом, как нейронные сети. Популярность этой технологии никогда не росла из-за самой ее природы. Среднему человеку трудно понять генетический алгоритм и более чем сложно применять его правильно. Однако, по нашему мнению, ГА могут быть крайне выгодны для проектировщиков торговых систем. В данной книге представлен общий обзор ГА и их применения в торговле. Читателям, заинтересованным в детальном изучении этого предмета, следует прочитать книгу Девиса (Davis, 1991), а также нашу главу в книге "Virtual Trading" (Katz, McCormick, 1995a, 1995b) и наши статьи (Katz, McCormick, июль/август 1994, декабрь 1996, январь ...[ ... ]

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60