Разделы



Результаты торговли для модели, основанной на нижней 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. В пределах выборки эта сеть работала чрезвычайно прибыльно, что при такой степени подгонки неудивитель­но. Вне пределов выборки и эта система относилась к числу сильно убы­точных. Для всех трех видов входов (по цене открытия, по лимитному при­казу и по стоп-приказу — тесты 7, 8 и 9 соответственно) средний убыток в сделке составил около $2000, что типично для многих рассмотренных ра­нее убыточных моделей. Убытки были тем более примечательны, что мо­дель вела торговлю только длинными позициями, обычно более выгодны­ми, чем короткие.

В пределах выборки только четыре рынка не были высокоприбыль­ными: британский фунт, серебро, живой скот и кукуруза. Рынок сереб­ра, как известно, вызывал проблемы у всех испытанных моделей. Вне пре­делов выборки сеть приносила прибыль при всех видах входов на рынках S &P 500, иены, сырой нефти, неэтилированного бензина, палладия, соевых бобов и соевого масла. По крайней мере с одним из видов входов работа­ли прибыльно еще несколько рынков. График изменения капитала пока­зывал постоянный рост вплоть до конца периода выборки, откуда начи­налось постоянное снижение.

Результаты для сети 18-20-6-1. Эти данные получены в тестах 10, 11 и 12 (вход по цене открытия, по лимитному приказу и стоп-приказу соот­ветственно) . Эффективность этой сети в пределах выборки взлетела до невероятного уровня. При входе по цене открытия годовая прибыль со­ставила 768%, причем 83% из 699 сделок были прибыльны. Средняя при­быль в сделке составила $18 588. Как ни странно, при большем размере этой сети и, следовательно, большей возможности подгонки под данные ее эффективность вне пределов выборки по показателю средней прибы­ли в сделке превосходила меньшую по размерам сеть, особенно в случае входа по стоп-приказу, где убыток составил всего $518.

Все рынки в пределах выборки без исключения были прибыльными с использованием любых входов. Вне пределов выборки со всеми видами входов прибыльными были рынки S &P 500, британского фунта, платины, палладия, соевой муки, пшеницы, канзасской пшеницы, миннесотской пшеницы и леса.

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.

п»ї

Разбор отдельных рынков показывает, что в пределах выборки толь­ко рынки канадского доллара, откормленного скота, соевого масла, пшеницы 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 капитала до августа 1993 г., а затем более медлен­ный подъем в течение всего остального периода выборки и двух третей периода вне выборки. После этого начинается плавное снижение.

Результаты для сети 18-20-6-1. Как и ожидалось, эта сеть, наибольшая из двух выбранных, показала самую высокую эффективность в пределах выборки. Вне пределов выборки эта сеть работала со всеми видами вхо­дов отвратительно (тесты 16, 17и 18 — вход по цене открытия, по лимит­ному приказу и стоп-приказу соответственно). Наименее убыточные ре­зультаты были получены при использовании входа по стоп-приказу.

В пределах выборки только рынки серебра, пшеницы, сахара и апель­синового сока не приносили прибыли со всеми тремя видами входов. Вне пределов выборки только рынок какао был прибылен со всеми тремя вхо­дами. Как ни странно, все рынки металлов показывали высокие прибыли при входе по цене открытия и по лимитному приказу вне пределов вы­борки, равно как и рынки откормленного скота, какао и хлопка.

Уроки Форекс - это отличная возможность для Тебя подготовиться к удачной работе на международном валютном рынке Forex!

Анализ капитала портфеля показывает невероятно гладкую и устой­чивую прибыль в пределах выборки и убытки вне пределов выборки для всех видов входов.

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

п»ї


 



 



 


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

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 воз­ можно 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 ре­ зультатов повышается со снижением количества параметров модели. Учи­ тывая в чем-то положительные результаты некоторых из тестов, возмож­ но, имеет смысл продолжать исследования с более усложненными моделя­ ми. Как вариант можно было бы улучшить предварительную обработку данных в смысле уменьшения общего числа вводов без потери важной про­ гностической информации — это может сделать систему очень прибыль­ ной. При меньшем количестве вводов в сети будет меньше связей для оцен­ ки, следовательно, подгонка под кривую — важная проблема, судя по ре­ зультатам и уровням усадки, — будет представлять меньшую угрозу.

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.

• Подгонка под исторические данные является значительной проблемой при использовании нейронных сетей. Следует об­ ращать 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 вы­ борки 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. Одни рынки, следовательно, больше подходят для применения определенных методов, чем другие. Поиск подходящих рын­ков на основе эффективности вне пределов выборки может стать полезным подходом при разработке и использовании тор­говых систем на основе нейронных сетей.

Читать далее: Генетические алгоритмы