При анализе ценового графика строят линию поддержки (линию, соединяющую ценовые минимумы), линию сопротивления (линию, соединяющую ценовые максимумы) и линию тренда (линию, описывающую направление движения цены). Прогнозирование ценовой динамики рынка осуществляется путем анализа графиков и выявления фигур, образованных графиком цен. Различают фигуры перелома тенденции, которые при выполнении некоторых условий могут предсказать смену тренда на рынке и фигуры продолжения тенденции, которые могут показывать продолжение тренда. Примеров фигур поворота и фигур продолжения существует огромное множество, наиболее известные и базовые: голова-плечи, треугольник, флаг и т.д.

Основными инструментами технического анализа являются индикаторы, которые можно разделить на пять групп [1]:

1. Индикаторы тренда. Служат для измерения силы и продолжительности тренда. К этой группе индикаторов относится простая скользящая средняя, взвешенная и экспоненциальная скользящие средние и т.п.

2. Индикаторы изменчивости. Используются для измерения флуктуаций стоимости базисного актива. Особенно важны при изменении тренда. К ним относятся стандартное отклонение, полоса Боллинджера и индикатор Чайкина.

3. Индикаторы момента. Отражают скорость изменения цены за определенный промежуток времени. Данные индикаторы используются для прогнозирования момента окончания тренда.

4. Индикаторы цикла. Предназначены для выявления циклических составляющих и определения их длины. К ним относятся временные зоны Фибоначчи, волновой индикатор и др.

5. Индикаторы силы рынка. Применяются для определения силы текущей тенденции (объем сделок, число открытых позиций) и являются подтверждающими индикаторами.

Не стоит забывать, что использование очень большого количества индикаторов приводит к задержке принятия решения о купле или продаже ценных бумаг, следовательно, приводит к неоправданным потерям. Поэтому целесообразно использовать небольшое количество индикаторов и обнаруживать тенденции рынка на раннем этапе, в процессе их зарождения и формирования.

1.1.2 Фундаментальный анализ

Как уже было определено ранее, фундаментальный анализ - анализ множества факторов, которые экономически и финансово создают макроэкономическую структуру государства. Одна из основных причин, почему необходимо разбираться в фундаментальном анализе - торговля по новостям. Выход важной, значимой новости сильно влияет на цену рассматриваемой акции или пары. В случаях сильного новостного фона, инвесторы могут откладывать технический анализ и заниматься преимущественно фундаментальным анализом. Также бывают и ситуации, когда рынок бурно реагирует ещё до выхода новости, в ожидании этой новости. Влияющие на рынок новости можно разделить на:

· экономические;

· политические;

· слухи и ожидания;

· форс-мажор.

Воздействие новостей на рынок может иметь различный временной интервал, но практически на любую новость рынок реагирует мгновенно. Дальнейшее движение может лишь поддержать сложившийся на новости тренд.

Для проведения фундаментального анализа, изучают факторы, которые указывают на общее состояние экономики, такие как:

· тенденции изменения ВВП (при росте ВВП национальная валюта и активы на территории государства укрепляются);

· бюджет страны (планируемый и фактический размеры профицита или дефицита);

· платежный и торговый балансы (соотношение экспорта к импорту);

· данные по безработице;

· индексы потребительских и оптовых цен, величина инфляции;

· индексы промышленного производства и биржевых акций.

Существует множество индексов и показателей состояния макроэкономики. При изменении этих индексов и показателей, опытные игроки могут верно определить свою стратегию игры на бирже.

Также на рынок влияют и политические факторы: смена правительства, результаты выборов, публичные заявления руководителей государства - всё это влияет на экономику, а, следовательно, и на рынок. Таким образом, всё что влияет и может повлиять на экономику государства, тем более мировую экономику - можно отнести к фундаментальному анализу. Однако, в рамках текущей работы, не планируется затрагивать фундаментальный анализ, не смотря на всю его значимость. Технический анализ, в свою очередь, тесно связан с временными рядами. Далее, необходимо подробно рассмотреть, что представляют собой временные ряды.

1.2 Временные ряды

1.3 Определение необходимой точности прогноза

Для того, чтобы можно было оценить результат работы программы, необходимо определить критерии качества её работы. В данном случае, необходимо определить, с какой точностью программа должна давать прогноз на следующий день закрытия торгов. Для определения точности прогнозирования необходимо понимать среднюю волатильность монет на бирже. Для примера, принято решение рассматривать пару BTC/ USD.

Согласно данным сайта bits.media, которые провели исследование волатильности главной пары криптовалютного рынка, средневзвешенная волатильность за 2018 год составила порядка 20% в неделю. При этом среднесуточная волатильность за 2018 год составила 7,13% (bitstap.top). Таким образом, идеальным вариантом является работа программы, дающей прогноз с погрешностью менее 6%. В данном случае, ежедневно можно проводить операции со средним доходом в 1%, который в год составит уже более 150% (если рассматривать вариант, что профитно отрабатывают Ѕ всех ставок). Однако, получив прогноз с такой погрешностью, эта система будет являться не поддержкой принятия решений, а полноценной системой для торгов. К тому же, данная система, скорее всего должна принимать во внимание внешние факторы, т.е. фундаментальный анализ.

Исходя из этого, прогноз с точностью от 90% является достаточно хорошим результатом, поскольку, брокер, принимает во внимание также и результаты фундаментального анализа. В этом случае, система поможет качественно дать прогноз, принимая во внимания который, брокер сможет увеличить доходность своего портфеля.

1.4 Обзор аналогов

Вероятно, почти каждый игрок на бирже хотел бы обладать программой, по которой можно торговать с постоянной доходностью. Следовательно, существует спрос на всякого рода ИС, которые стремятся к точному прогнозу цены по определенной ценной бумаге. В сети Интернет была найдена интересная ИС с названием ITI Global. Данная информационная система в основном агрегирует данные из различных источников и нужна для фундаментального анализа. ИС по каждой запрошенной бумаге предоставляет конкретную информацию, а также постоянно предоставляет актуальную информацию о состоянии экономики на текущий день. К сожалению, так и не удалось узнать стоимость данной ИС, по причине сложного взаимодействия. Т.е. изначально нужно воспользоваться продуктом в демоверсии, далее, после истечении срока выставляется цена продукта. Конкретных же продуктов, которые основаны на техническом анализе найти не удалось [4, 5, 6].

Выводы по главе 1

В данной главе был произведен анализ предметной области, определены термины технического анализа и фундаментального анализа. Рассмотрена теория временных рядов, основные виды графиков, применяемые в техническом анализе. Для последующего исследования определена минимально необходимая точность прогноза, которая составляет 90%, то есть при достижении точности выше 90%, можно считать, что разрабатываемая информационная система применима и полезна для использования в инструментах анализа трейдера.

Глава 2. Определение методов прогнозирования

В данной главе будут проанализированы одни из самых популярных, эффективных методов, используемых при прогнозировании временных рядов, сделаны выводы относительно их применимости в разрабатываемой информационной системе. Будет определен подход использования данных методов и ожидаемые результаты применения методов.

2.1 Использование математических методов в прогнозировании

При прогнозировании финансовых временных рядов также стоит рассмотреть и стандартные, наиболее популярные математические методы прогнозирования.

Ниже будут рассмотрены математические методы прогнозирования [7].

2.1.1 Комбинация скользящих средних

Данный метод достаточно прост в использовании, однако является весьма эффективным. Многие трейдеры применяют данный метод для игры на бирже. Рассматриваемый метод помогает определить смену тренда на существующих данных. То есть, применив данный метод можно определить смену тренда в будущем и определить стратегию своего поведения относительно анализируемой позиции.

В наиболее популярной вариации применения данного метода используется количество сглаживаний равное двум. Предполагается использовать именно данную вариацию метода. Ниже приведен пример использования метода комбинации скользящих средних при сглаживании равном двум (рис. 2.1).

Для применения данного метода необходимо выбрать два различных скользящих средних: короткую скользящую среднюю (с окрестностью n1) и длинную скользящую среднюю (с окрестностью n2 > n1).

Рисунок 2.1 Пример использования комбинации скользящих средних

Исходя из графика видно, что через небольшой промежуток времени после изменения тренда скользящие средние пересекаются. Это связано с тем, что зеленая скользящая средняя имеет меньшую окрестность, соответственно она более приближена к исходному графику. Ситуация, при которой скользящая средняя с меньшей окрестностью пробивает снизу скользящую среднюю с большей окрестностью, сигнализирует о убывающей средней тенденции на рынке. Соответственно в этот момент лучше всего совершить продажу позиции.

2.1.2 Полосы Боллинджера

Алгоритм комбинаций скользящих средних имеет свои недостатки, такие как, необходимость большой окрестности длинного скользящего среднего, в связи с чем данный алгоритм достигает наибольшей ценности при нахождении общих тенденций временного ряда. Исходя из этого, за весь временной промежуток совершается относительно небольшое количество сделок, что не позволяет использовать более мелкие движения временного ряда. Для определения более мелких движений временного ряда был вычислен алгоритм, названный полосами Боллинджера.

Прародителем алгоритма является алгоритм «Конверт», его суть заключается в двух извилистых параллельных линиях, проходящих выше и ниже скользящей средней. Эти линии образуют между собой область, которая охватывает большую часть ценовых колебаний временного ряда. Для расчёта диапазона необходимо на небольшой процент (преимущественно он 1,5% до 3%) увеличить и уменьшить значения короткого скользящего среднего.

Сигнал к покупке подается в случае, если цена пробивает нижнюю границу области. И обратное, если цена пробивает верхнюю границу - подается сигнал к продаже. Однако данный метод дает очень много недолговечных коротких сигналов, что и является его недостатком. Его усовершенствованием является алгоритм «полосы Боллинджера», предложенный Джоном Боллинджером.

Для описания данного алгоритма необходимо понимать определение волатильности финансового инструмента. Волатильностью финансового инструмента называют статистических финансовых показатель, который характеризует изменчивость цены и позволяющий определить риск приобретения финансового инструмента.

Рассматриваемый алгоритм аккумулирует в себе алгоритм «Конверт» с учетом волатильности финансового инструмента. Основной задачей алгоритма является определение относительно высоких и низких цен. В качестве меры волатильности используют стандартное отклонение из-за его чувствительности к экстремальным значениям. Границы областей, как правило, берутся на 2 стандартных отклонения выше или ниже короткого скользящего среднего.

Полосы Боллинджера напоминают то сужающийся то расширяющийся конверт, пример алгоритма представлен на рис. 2.2.

Алгоритм рассчитывается по следующим формулам (формулы 1 - 4):

(1)

(2)

(3)

(4)

где: d - отклонение от скользящего среднего

Pi - значение цены в заданной точке

MAi - значение скользящего среднего в заданной точке

n - число слагаемых

- стандартное отклонение

LB (low bound) - нижняя граница области

UB (up bound) - верхняя граница области

Рисунок 2.2 Полосы Боллинджера

Сужение полосы обозначает низкую волатильность финансового инструмента и предшествует скорому её расширению. Однако малая волатильность не указывает направление будущего изменения цены.

Расширение полосы говорит о высокой волатильности. При таком развитии событий тренд четко определен и направление разворота очевидно. Необходимо уловить момент разворота тренда [8].

Также существуют и другие сигналы рассматриваемого алгоритма, например, ситуация, при которой две следующие друг за другом вершины вмененного ряда, первая из которых лежит вне области полос, а вторая внутри неё - сигнал к продаже. И наоборот, если одна из вершин выходит за нижнюю границу области полос, а вторая над нижней границу - подается сигнал к покупке. На рисунке ниже красными маркерами отмечены сигналы к покупке; зелеными маркерами отмечены сигналы к продаже (рис. 2.3):

Рисунок 2.3 Примеры сигналов алгоритма полос Боллинджера

2.1.3 Осцилляторы скользящих средних

Под осциллятором понимают индикатор технического анализа, характеризующий состояние перекупленности или перепроданности рынка.

Осциллятор наиболее эффективен при сравнительно узком рыночном коридоре, то есть при относительно небольшой волатильности. Существует большое множество различных осцилляторов, однако один из наиболее успешных и популярных является MACD (Moving Average Convergence/Divergence, схождение/ расхождение скользящих средних).

Moving Average Convergence/Divergence представляет собой разность двух скользящих средних (короткого с окрестностью сглаживания n1 и длинного с окрестностью сглаживания n2 > n1). Разность строится в открытой шкале околонулевой линии. Точки на нулевой линии соответствуют ситуациям, при которых скользящие средние пересекаются. Рассматриваемый осциллятор подает следующие сигналы: в ситуации, когда Moving Average Convergence/Divergence поднимается выше нулевой линии - сигнал к покупке; когда MACD опускается ниже нулевой линии - к продаже. Пример осциллятора Moving Average Convergence/Divergence изображен ниже на рис. 2.4:

Рисунок 2.4 Осциллятор MACD

2.2 Использование методов машинного обучения в прогнозировании

Машинное обучение на сегодняшний день является очень перспективным и популярным методом. Данный метод используют в различных областях для достижения определенных целей, не исключением является и прогнозирование финансовых временных рядов.

Автор статьи «Прогнозирование финансовых временных рядов с MLP в Keras» - выпускник магистр University of Verona по специальности "прикладная математика" озадачился целью проведения всего процесса работы с временными рядами от обработки исходных данных до постройки нейронных сетей и валидации результатов [6, 9, 10].

В качестве исходных данных автором были рассмотрены цены на акции Apple с 2005 года по дату исследования. Данные были скачены из официальных источников, подготовлены для обучения нейронных сетей; нейронные сети были настроены и в итоге был получен определенный результат. Результатом является определение тренда на 5 дней вперед с вероятностью 60-70%, что, в целом, под цели автора является неплохим результатом. Однако, под поставленную цель в начале работы, т.е. представление прогноза на следующий день, результат с определением тренда с точностью 60-70% является неудовлетворительным.

Таким образом, необходимо рассмотреть другие методы машинного обучения, позволяющие дать конкретный прогноз. Однако стоит понимать, что нет какого-то универсального алгоритма, который подходит под все случаи и даст наиболее точный результат. Следовательно, необходимо применить разные алгоритмы прогнозирования, поскольку каждый алгоритм обладает своим уникальным принципом работы и может подойти под конкретные данные лучше, чем какой-либо другой.

Для использования алгоритмов прогнозирования, дающих конкретный результат прогноза необходимо использовать обогащенные данные. Т.е. математическими методами получить промежуточные результаты на завтрашний день, и уже на этих результатах опираться при выполнении алгоритма прогнозирования [11].

Для обогащения данных были выбраны уже описанные ранее математические методы, а именно методы: скользящие средние, полосы Боллинджера, осцилляторы скользящих средних. Также на основе полученных методами результатов предполагается выделить индикаторы по выполнению методов [12, 13, 14]. Например, если цена верхней скользящей средней стала меньше цены временного ряда в конкретной точке, то индикатор меняется с 0 на 1, и обратно. Для каждого метода предполагается использовать свои индикаторы. Более подробно обогащение данных и использование индикаторов будет описано в техническом задании.

2.2.1 Линейная регрессия

Линейная регрессия - метод, используемый для моделирования отношений между одной или несколькими входными переменными и выходной зависимой переменной. Результат представляет собой конкретное значение, являющееся линейной комбинацией входных значений. Линейная регрессия относится к классу задач обучения с учителем [12].

Линейную регрессию можно представить в виде уравнения, которое описывает прямую, наиболее точно иллюстрирующую взаимосвязь между входными переменными «Х» и выходными переменными «Y». Для составления этого уравнения нужно найти определенные коэффициенты «B» для входных переменных.

Например: Y = a + bx.

Рисунок 2.5 Линия линейной регрессии, показывающая пересечение "а" и угловой коэффициент "b" (величину возрастания "Y" при увеличении "X" на одну единицу)

Зная значение переменной «X», необходимо найти значение переменной «Y», цель линейной регрессии заключается в поиске значений коэффициентов «a» и «b».

«X» называется независимой переменной или предиктором.

«Y» - зависимая переменная или переменная отклика.

«a» - свободный член (пересечение» линии оценки; это значение «Y» при «X» = 0 (рис. 2.5).

«b» - угловой коэффициент или градиент оцененной линии; она представляет собой величину, на которую «Y» увеличивается в среднем, если «X» увеличивается на одну единицу.

Алгоритм работы (обучения) линейной регрессии наглядно представлен на рисунке (см. рис. 2.6).

Рисунок 2.6 Обучение алгоритма линейной регрессии

Коэффициент ошибки в процессе обучения алгоритма представлен на рис. 2.7:

Основными преимуществами данного метода является:

· Быстрое моделирование.

· Алгоритм работы рассматриваемой модели доступен для понимания. Модель может быть использована для различных бизнес-решений.

К недостаткам метода можно отнести:

· Данные должны быть взаимосвязаны.

· На практике, линейная регрессия становится неэффективной при больших объемах и сложных взаимосвязях данных.

Рисунок 2.7 Коэффициент ошибки при обучении алгоритма линейной регрессии

Возможные варианты по улучшению результата прогнозирования:

Упростить данные (т.е. избавиться от похожих переменных).

По возможности сгладить шумы.

2.2.2 Градиентный бустинг

Градиентный бустинг - один из наиболее популярных и часто применяемых на практике алгоритмов машинного обучения. Данный алгоритм также относится к классу задач обучения с учителем. Данный алгоритм часто применяется в ML соревнованиях и зачастую является рецептом победы в них. Во многих поисковых системах также используется рассматриваемый алгоритм.

История появления градиентного бустинга начинается с вопроса о том, можно ли из большого количества относительно слабых и простых моделей получить одну сильную. В данном случае, под слабыми моделями подразумевают произвольные алгоритмы машинного обучения, точность которых может быть лишь немногим выше случайного угадывания.

Ответ на поставленный вопрос нашелся удивительно быстро в виде теоретической математической модели. Однако для реализации алгоритма потребовалось несколько лет. Общий подход алгоритма заключался в жадном построении линейной комбинации простых моделей (базовых алгоритмов) путем перевзвешивания входных данных. Каждая последующая модель (как правило, дерево решений) строилась таким образом, чтобы придавать больший вес и предпочтение ранее некорректно предсказанным наблюдениям.

Алгоритм Adaboost работал достаточно хорошо, но из-за малого количества обоснований работы алгоритма, вокруг него возник полный спектр спекуляций: кто-то считал его сверхалгоритмом, кто-то был скептически настроен и разделял мнение, что это малоприменимый подход с жесткой переподгонкой (overfitting). Особенно сильно это мнение закреплялось на данных с большими выбросами, на которых алгоритм оказался неустойчив. Однако в 1999 году появилось обобщение наработок алгоритмов бустинга - градиентный бустинг.

Переход к алгоритму градиентного бустинга является переходом от инженерно-алгоритмических изысканий в построении алгоритмов к полноценной методологии, как такие алгоритмы строить и изучать. С математической точки зрения изменилось не так много: алгоритм построен на всё том же добавлении (бустинге) слабых алгоритмов, с каждой последующей итерацией улучшая те участки данных, которые не были отработаны должным образом предыдущими моделями. Но при применении каждой последующей простой модели, она строится не просто на перевзвешанных наблюдениях, а так, чтобы лучшим образом приближать общий градиент целевой функции [12].

Со временем, алгоритм градиентного бустинга совершенствовался и уже в 2011 нашел популярность на соревнованиях по ML.

Выводы по главе 2

В данной главе были проанализированы одни из самых популярных, эффективных методов, используемых при прогнозировании временных рядов. Если рассматривать каждый метод в отдельности, то в целом, результаты работы метода не вызывают уверенности в успешности их использования, однако, при использовании всех этих методов одновременно, вероятность прогнозирования может значительно повыситься и использование рассмотренных ранее методов могут весьма облегчить работу трейдера, и более того, сделать её более эффективной и прибыльной.

Таким образом, следующим шагом является проектирование информационной системы, которая будет тем или иным образом объединять в себе все описанные ранее алгоритмы. Следующим этапом после проектирования ИС, последует этап разработки, тестирования и применения полученного продукта на реальных данных. После реализации ИС можно будет говорить об успешности использования в совокупности описанных методов.

информационный система прогнозирование финансовый ряд

Глава 3. Разработка требований к информационной системе

В данной главе будут определены требования, предъявляемые к разрабатываемой информационной системе, определены инструменты проектирования и дано описание реализации выбранных на предыдущем этапе методов. Также будет рассмотрена структура разрабатываемой информационной системы.

3.1 Функциональные требования к системе

3.2 Модуль «Подготовка и обогащение данных»

Данные поступают в виде «.csv» файла. Необходимо реализовать возможность выбора необходимого «.csv» файла в оконном режиме для последующей обработки и анализа данных. Файл выглядит следующим образом (рис. 3.1):

В файле имеется 8 столбцов:

«updated» - дата записи;

«high» - наибольшая цена за текущую дату;

«low» - наименьшая цена за текущую дату;

«open» - цена открытия торгов за текущую дату;

«close» - цена закрытия торгов за текущую дату;

«volume» - объемы за текущую дату;

«average» - средняя цена цена за текущую дату;

«MiningDifficulty» - сложность майнинга за текущую дату.

Рисунок 3.1 Пример файла с входными данными

Данные поступают уже в отсортированном виде, порядок сортировки от ранней даты к более поздней.

Необходимо обогатить полученные данные математическими методами, для этого необходимо добавить столбцы, описанные в таблице ниже и заполнить их значениями, по указанным в таблице правилам (табл. 3.1):

Таблица 3.1

Наименования столбцов и правила их заполнения для обогащения данных