|
|
Главная — Обучение — Библиотека трейдера — Иванов Д. Прогнозирование финансовых рынков с использованием искусственных нейронных сетей —
2.4.5. Прогнозирование максимального и минимального уровней цены на один период вперед
2.4.5. 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.
|
|
