Нейромережеве прогнозування інструментів фінансового ринку

Размещено на http://www.allbest.ru/

Размещено на http://www.allbest.ru/

Нейромережеве прогнозування інструментів фінансового ринку

Часовий динамічний ряд розглядається на перетині різних дисциплін та теорій: статистика, теорія ймовірності, теорія динамічного хаосу, теорія нечітких рядів, теорія ігор і т.і. На даний час дуже актуальним стає прогнозування часових рядів з застосуванням інтелектуальних технологій, зокрема, теорії нейронних мереж. Про це свідчить велика кількість публікацій з цієї тематики. Проблема прогнозування фінансових часових рядів передбачає фундаментальний та технічний аналіз ринку цінних паперів.

Нейромережеве прогнозування є одним із перспективних методів технічного аналізу ринку валюти, цінних паперів, інших фінансових інструментів.

Перевага математичних нейронних мереж над іншими методами прогнозування в здатності нейронної мережі до «навчання». Нейронна мережа здатна моделювати такі якості інтелекту як адаптація, розпізнавання образів і т. п.

Аналіз останніх досліджень і публікацій. Науковцями інтенсивно вивчаються ключові питання прогнозування часових рядів [1], методи та алгоритми розв'язку задач прогнозування в умовах невизначеності [2].

В працях [3] - [5] розв'язок задачі прогнозування часових рядів запропоновано проводити шляхом зображення його у вигляді ряду, компонентами якого є тензори, створені як 3t (t=2, 4,…) послідовних елементів ряду. Тензор характеризується системою власних інваріантів: I₀, Ii, I₂, I₃… I_n (для тензора другого рангу (t=2) існує 4 інваріанти головного тензора). Для кожного інваріанта формується власний часовий ряд (у тензорному часі), для якого виконується прогнозування. В [6] розглянуто подання невизначеності, в тому числі невизначеності, модельованої у формі нечітких множин, у вигляді головних і приєднаних тензорів парних рангів і їх інваріантів, проведена порівняльна оцінка моделювання інтервалу і нечіткої змінної тензором 2-го і 4-го рангів. В [7] розглянута кластеризация даних, що подані як нечіткі змінні.

Однак, актуальним є побудова математичної моделі для реалізації її в середовищі мови програмування MQL 4 (MQL 5), що адаптована до платформ Forex - ринку, зокрема Meta Trader. Платформа Forex - ринку може слугувати свого роду полігоном для апробації та вдосконалення самонавчаючихся нейромережевих моделей призначених для прогнозування будь-яких часових рядів.

Постановка завдання. Метою статті є побудова математичної моделі нейронної мережі для дослідження часового ряду котировок фінансового ринку Forex та трансформація моделі в програмний продукт на мові MQL4.

Досягнення вказаної мети передбачає, враховуючи особливості представлення часового ряду котировок в виді «японських свічок», виконати завдання адоптації математичної моделі для подальшої її трансформації в програмний продукт на мові MQL4 (MQL5) та для побудови «експерта» - програми, що здійснює торгівлю на фінансовому ринку в автоматичному режимі.

Японські свічки - вид інтервального графіка і технічний індикатор, що застосовується переважно для показу змін біржових котировок акцій, цін на сировину тощо.

Об'єктом дослідження є часовий ряд котировок інструментів фінансового ринку. Методом дослідження є нейромережеве моделювання числового ряду. Математичною базою нейромережевого моделювання є теорема Колмогорова.

Ця теорема показала принципову можливістьреалізації як завгодно складних залежностей за багатошарового персептрона.

Введемо позначення: n - кількість вхідних нейронів (і = 0,…, гі), p - кількість прихованих нейронів (j = 0,…, p). X_i - сигнал, що поступає на вхідний нейрон,

Рис.2. Біполярний сигмоїд

В результаті дослідження нами розроблено програму-експерт на мові MQL4 для здійснення торгівлі на Forex-ринку в автоматичному режимі. Нижче наведено фрагмент програми, що призначений для трансформації параметрів «японських свічок» Н_г, L_i, 0_г, C_t та Ґі в значення X для подачі на вхід мережі. Фрагмент програми, який реалізує перетворення (17):

{for (int i = shift; i < number_siches + shift + 2; i++) {double SC[50]; SC[i] = 10000*stLog*MathLog ((iHigh («EURUSD», PERIOD_M1, i) + iLow («EURUSD», PERIOD_M1, i))/(iHigh («EURUSD», PERIOD_M1, i+1)+iL ow («EURUSD», PERIOD_M1, i+1))); double CB[50]; CB[i] = 10000*stLog*MathLog ((iOpen («EURUSD», PERIOD_M1, i)+iClose («EURUSD»,

PERIOD_M1, i))/(iOpen («EURUSD», PERIOD_M1, i+1)+i

Close («EURUSD», PERIOD_M1, i+1)));

double V[50]; V[i] = iVolume («EURUSD»,

PERIOD_M1, i);

V [i+1] = iVolume («EURUSD», PERIOD_M1, i+1);

double TV[50]; TV[i] = MathLog (V[i]/V [i+1]);} return (0);}

В роботі розроблено архітектуру нейронної мережі та побудовано її математичну модель, що адаптована до прогнозування котировок інструментів валютного ринку. Також розроблено програму - експерт на мові MQL4 для здійснення торгівлі на Forex-ринку в автоматичному режимі. При побудові нейронної мережі та математичної моделі враховано особливості представлення часового ряду котировок в виді «японських свічок».

Подальше дослідження передбачає апробацію програми, на платформі Forex - ринку, вдосконалення архітектури нейронної мережі та вдосконалення технологічного циклу передбачення ринкових фінансових часових рядів.

Список використаних джерел

нейронний мережа прогнозування валютний

1. Саймон Хайкин «Нейронные сети полный курс», 2-е изд., испр.: пер. с англ./С. Хайкин - М.:ООО «И.Д. Вильямс», 2006. - 1104 с.

2. Hecht-Nielsen R. Kolmogorov's mapping neural network existence theorem // Int. Conf.NN.IEEE Press, 1987. - Vol. 3. - P.11-13.

3. Филимонова О.Ю. Прогнозирование временных рядов в тензорном нейросетевом базисе / О.Ю. Филимонова // Містобудування та терит. планув. - 2005. - Вип. 20. - С. 367-387.

4. Филимонова О.Ю. Интеллектуальные технологии прогнозирования временных рядов [Електронний ресурс] / О.Ю. Филимонова, Ю.И. Пинаєва // Містобудування та терит. планув. - 2006. - Вип. 23. - С. 314-327.

5. Жуков И.А. Особенности прогнозирования временных рядов в тензорном времени / И.А. Жуков, Ю.Н. Минаев, О.Ю. Филимонова // Электрон. моделирование. - 2006. - 28, №2. - С. 55-70.

6. Минаев Ю.Н. Нечеткая математика на основе тензорных моделей неопределенности. I. Тензор - переменная в системе нечетких множеств / Ю.Н. Минаев, О.Ю. Филимонова // Электрон. моделирование. - 2008. - 30, №1. - С. 43-57.

7. Минаев Ю.Н. Иерархическая кластеризация нечетких данных / Ю.Н. Минаев, О.Ю. Филимонова, Ю.И. Минаева // Электрон. моделирование. - 2012. - 34, №4. - С. 3-22.

Размещено на Allbest.ru