Аннотация

Одним из самых крупных и нестабильных рынков  в мире является рынок обмена валют. В настоящее время на Форексе анализ рынка является важной частью работы при подготовке к торгам и проводится этот анализ с использованием методов машинного обучения. Для обучения использовались исторические данные о ценах на валюту, но эта информация сильно зашумлена, что мешает построить эффективные алгоритмы роботизированной торговли. Для решения данной проблемы мы предлагаем, на основе технических индикаторов сформулировать правила торговли. Так же мы предлагаем новую функцию затрат, которая вычисляет доходность с поправкой на риск, коэффициент Шарпа и коэффициент Стерлинга, чтобы уменьшить дисперсию и величину просадки. Предлагаемая нами стратегия для роботизированной торговли основана на генетическом алгоритме максимизирующего отношения коэффициентов Шарпа и Стерлинга. Эксперимент проводился на внутридневных данных 6 основных валютных пар с 2018 по 2019 год. Результаты неизменно показывали значительную положительную доходность и эффективность торговли эффективна благодаря оптимизированным функциям, основанным на правилах. Максимальная полученная доходность составила 320% годовых при использовании 5-минутных сделок на валютной паре AUD-USD. Кроме того, предлагаемая модель обеспечивает лучшую производительность по факторам риска, включая максимальные просадки и дисперсию в сравнении с эталонными моделями.

Ключевые слова: технический анализ, генетический алгоритм, машинное обучение

Введение

Форекс это крупнейший валютный рынок планеты с объемом торгов  более 5 триллионов долларов США ежесуточно, время его работы с понедельника по пятницу, 24 часа в сутки. Форекс – самый ликвидный финансовый рынок, с небольшими комиссиями за транзакции. Технический анализ играет важную роль в работе с иностранными валютами. Считается, что движение цен циклично и повторяется. Многие алгоритмы основаны на технических индикаторах с тщательно подобранными параметрами в соответствии с профессиональным опытом.

Развитие искусственного интеллекта и методов машинного обучения. LSTM — это современная нейросеть для прогнозирования курса акций, а также может быть использована для определения некоторых общих  закономерностей в торгуемых акциях. Для прогнозирования цен на акции используются многозадачные рекуррентные нейронные сети, у которых эффективность выше, чем у LSTM для одинаковых исходных данных.

Зенг и Кхуши разработали комбинированное вейвлет шумоподавление Модель ARIMA для прогнозирования цен USD-JPY. Бао и др. используют многоуровневый автоэнкодер для извлечения высокоуровневых характеристик цены и прогнозирования цены закрытия на следующий день. Гао использовал LSTM и почасовые цены акций для прогнозирования тренда. Вектор поддержки Регрессор — еще один распространенный подход, используемый для определения и прогнозированя цены акций.

Сочетание статистических данных и глубокого обучения позволило, разработать модели делающих хороший прогноз в краткосрочной перспективе. Чжан и др. разработали нейросеть SFM для захвата многочастотной торговой модели с использованием преобразования Фурье. Однако, простого прогнозирования цены на следующий день недостаточно, чтобы постоянно получать прибыль, если только прогноз не будет достаточно точным, необходим прогноз на нескольких временных шагов. Насколько нам известно, модель с такой адекватной предсказательной силой в настоящее время не существует.

Нейросеть CNN также широко использовался для задач классификации, с целью определить исторические тренды на графике и классифицировать тренд. Цай разработал классификацию рынка на восходящий, нисходящий и горизонтальные тренды и использовал CNN для классификации направления тренда. Однако, точность, была не идеальной, возможно, из-за отсутствия обучающих данных. Кусума и др. утверждали, что достигли двунаправленной точности 90% с использованием CNN с графиками свечей на небольшом наборе данных. Сезер и др. объединили 15 технических индикаторов с 15 временными шагами в двумерные изображения и использовали CNN для классификации. Модель превзошла LSTM, MLP в долгосрочном периоде. Подход к проблеме классификации представляет большее значение по сравнению с проблемой прогнозирования временных рядов, поскольку это требует подавать сигналы при изменении тренда. Тем не менее, высокая волатильность рынка форекс взводит высокий барьер для моделей роботизированной торговли, чтобы они превзошли профессиональных трейдеров. А автоматическая торговая система должна учитывать как прогнозирование, так и управление рисками для достижения максимальной прибыльности торговли.

Так же стоит отметить несколько попыток разработать интеллектуальную торговую систему, ориентированную на стратегии, оптимизирующие общую торговлю производительность. Применимость и эффективность генетических алгоритмов оптимизации портфеля были проиллюстрированы Сефиане и Мендес, которые предложили торговую систему, использующую генетический алгоритм и технические индикаторы для максимизации коэффициента Стирлинга, но производительность при тестировании данных с трудом обеспечивала прибыль. Озтурк и др. использовали правила торговли, основанные на эвристике  вместе с генетическим алгоритмом, который показал, что генетический алгоритм может использоваться для выбора лучших торговых правил.

Эванс и др. представил модель принятия решений с использованием искусственных нейронных сетей и генетических алгоритмов и достиг 23,3% прибыли в годовом исчислении. Макницкене и др. использовал на основе LSTM нейронные сети с генетическим алгоритмом в качестве алгоритма обучения, что позволило  значительно повысить качество прогноза. Павел и др. разработали деревья решений, используя эволюционные алгоритмы и технические индикаторы для определения сигналов покупки или продажи. Родриго и др. показали, что генетический алгоритм также может быть использован для оптимизации параметров в технических индикаторов, используемых для торговой системы на основе модели SVR+GHSOM и результаты превзошли средние показатели. Бернардо и др. [22] разделил рынок на три различных типа и использовал гибридную систему с SVM и генетическим алгоритмом для классификации тенденций. Заявленная годовая доходность составляет 83% при высоком кредитном плече. Генетический алгоритм является примером эволюционного вычисления. А так же методом, позволяющий находить почти глобальные оптимальные решение нелинейной невыпуклой функции без получения в ловушке локальных минимумов. Петропулос и др. предложил использовать корреляцию между валютными парами в качестве дополнительного торгового сигнала, который был агрегирован с использованием генетического алгоритма и метода условной оптимизации. Результаты показали заявленные 17% годовой доходности с низким кредитным плечом.

Технические индикаторы могут раскрывать основную информацию относительно исторического движения цен. Следовательно, широко используются для алгоритмической торговли. Однако, учитывая, что существуют тысячи индикаторов они не всегда работают, так как должны. В статье предпринимается попытка разработать функциональный процесс с использованием торговых правил, которые представляют собой комбинации технических индикаторов. Функции используют правила кроссовера для моделирования связь между техническими индикаторами. Параметры для технических индикаторов выбираются методами оптимизации с упором на торговую эффективность.

Отметим, что многие исследовательские работы включали только годовую доходность в своих результатах. Однако налюбом финансовом рынке, управление рисками является решающим фактором для успешной и последовательной доходности. По данным Capital Market Line (CML), избыточная доходность и стандартное отклонение доходности должны быть пропорциональны, как на рис. 1, а наклон кривой равен коэффициенту Шарпа. В идеале лучшая стратегия та, у которой максимальный коэффициент Шарпа, потому что он будет иметь самую высокую ожидаемую доходность при заданном уровне риска. Учитывая высокую волатильность  на рынке форекс, неожиданная просадка также должна быть учтена. Некоторые статьи были посвящены доходности с поправкой на риск. В которых используется коэффициент Шарпа или коэффициент Стерлинга. Коэффициент Шарпа меньше показывает отрицательную доходность, когда средняя доходность как правило, низкая, и это также будет показывать время от времени высокую доходность. Коэффициент фунта Стерлингов показывает максимальную просадку, которую можно испытать, когда рынок внезапно и неожиданно изменится, что очень часто встречается на рынке форекс.

В связи с указанным выше недостатком показателя эффективности мы предлогаем новое соотношение, которое по существу является комбинацией модифицированных коэффициентов Шарпа и Стирлинга (SSR). Предлагаемое отношение измеряет доход с поправкой на риск, и пытается разрешить недостаток исходных коэффициентов. Мы также предлагаем систему RoboTrading, генетический алгоритм, максимизирующий SSR (GA-MSSR) модель для построения торговой стратегии с особым торговым правилом.

Методология

А. Обзор процесса

В данной статье общий рабочий процесс предлагаемой торговой системы форекс показан на рис. 2. Торговая система запускается с историческими данными и генерирует технические индикаторы, используя исторические цены открытия, максимума, минимума и закрытия. Разработка функций с использованием торговых правил, вычисляются параметры, правила  на основе функций, оптимизированных с использованием функции стоимости, которая вычисляет доходность с поправкой на риск. Новые черты передаются в генетический модуль алгоритма для вычисления веса функций, которые максимизируют общую доходность с поправкой на риск, используя разработанную функцию затрат.

Б. Технические индикаторы

Технические индикаторы определены для представления более высокого уровня интерпретации прошлых движений цены. Каждый технический индикатор рассчитывается на основе цен открытия, максимума, минимума и закрытия с пользовательскими данными, определенными параметрами.

Три типа технических индикаторов выглядят так.

• 1) Трендовые индикаторы

• Скользящее среднее

• Экспоненциальное скользящее среднее

• Двойная экспоненциальная скользящая средняя

• Тройная экспоненциальная скользящая средняя

• Вихревые индикаторы

  2) Индикатор импульса

•  а) Индекс относительной прочности

• б) Стохастические осцилляторы

• 3) Индикаторы волатильности

• а) полосы Боллинджера

• б) Индикатор Ишимоку

• в) канал Кельтнера

  

Объем — еще одна важная характеристика технических индикаторов. Однако из-за децентрализованного характера форекс рынка, мы не можем получить точные данные об объеме. Следовательно, индикаторы объема не используются. Каждый технический индикатор, по сути, представляет собой временной ряд без будущей информации. Технические индикаторы необходимы для построения торговых правил. Предполагается, что тенденция, импульс и информация о волатильности относительно прошлых движений цены может использоваться для прогнозирования будущих направлений движения цены и рисков внедрения.

C. Разработка признаков, основанных на торговых правилах

Кроссовер – одно из самых важных и распространенных торговых правил, которым пользуются трейдеры. Правила кроссовера относятся к цене, когда есть переход между техническими индикаторами, цены открытия или закрытия или порог постоянной цены. Такие события могут указывать на изменение тренда, импульс или волатильность, которые раскрыли бы важную информацию для оптимизации эффективности торговли. Логические условные операции будут использоваться для создания объектов, поэтому созданная функция имеет только 3 значения, где 1 представляет длинную индикацию, 0 представляет нейтральную индикацию, а -1 указывает на короткую индикацию. Преимущество использования простых представлений в качестве функций состоит в том, чтобы убрать шумные кратковременные флуктуации и получить более высокий уровень интерпретации, которая потенциально может улучшить производительность алгоритмов машинного обучения для торговой системы. Набор возможных комбинаций технических индикаторов бесконечен. Следовательно, сформулированы 16 торговых правил. Основанных на технических индикаторах и каждое из 16 торговых правил попадает в одно из следующих 4 категорий.

1. Пересечение двух временных рядов

Когда два временных ряда пересекаются, торговый сигнал инвертируется в зависимости от направления пересечения. Например, если медленная скользящая средняя пересекает быструю скользящую среднюю сигнал будет инвертирован в интервал от 1 до -1. Логический операция используется для сравнения значений скользящих средних цены закрытия. В категории пересечения двух серий нет нейтральной позиции или значения 0.      

Примером правила пересечения двух временных рядов является простое правило пересечения скользящих средних. Два простых скользящих средних времени серии должны быть созданы, где обычно одна скользящая средняя имеет более длительный период, а другая имеет более короткий период. А простая скользящая средняя по цене закрытия периода 10 (MA10) и простая скользящая средняя 1, которая является самой ценой закрытия показано на рис. 3. Когда MA10 пересекает цену закрытия сверху, генерируется сигнал на покупку, а сигнал на продажу генерируется при закрытии, когда цена пересекает MA10 сверху. Между этими перекрестками предыдущий сигнал будет сохраняться, что означает отсутствие изменений в положении, когда нет кроссовера. Поэтому с помощью этого метода, стратегия приводит к постоянному инвестированию 100% капитала на протяжении всей симуляции.

Помимо простого правила пересечения скользящих средних, экспоненциальная скользящая средняя, стохастический осциллятор и другие технические индикаторы могут быть полезны в категории 1.

2. Один временной ряд и пороговое пересечение

Кроссовера между временным рядом и порогом имеют аналогичные настройки с двумя правилами пересечения временных рядов. Единственная разница в том, что один из временных рядов состоит из константы значение, представляющее порог. Типичные технические индикаторы попадают в эту категорию, если она имеет определенный диапазон значений. Одним  примером применения является индекс относительной силы (RSI), который находится в пределах от 0 до 100, что интерпретируется как сила импульса недавнего изменения цены. Когда RSI выше порога создается сигнал на покупку 1 и короткий сигнал из -1 произойдет, когда RSI ниже порогового значения.

3. Один временной ряд и два пересечения порога

Правила категории 3 представляют собой небольшую модификацию правил в категории 2, где были предложены два порога для создания торговых сигналов. Один из порогов больше другого. Типичная установка торгового правила такова, что когда временной ряд поднимается выше верхнего порога, появляется сигнал на покупку или продажу. Генерируется, и обратный сигнал будет генерироваться, когда временной ряд перемещается ниже нижнего порога. В то время, когда ряд находится между верхним и нижним порогами, нейтральный сигнал, означающий, что деньги не должны оставаться на рынке, будет сгенерирован. Нейтральное положение позволяет управляющему безопасно сидеть на наличных и держаться подальше от чрезмерных рисков.

4. Пересечение трех временных рядов

 Правила категории 4 имеют три временных ряда, как и правила категории 3. Только с заменой верхнего и нижнего порогов верхним и нижним временных рядов. Одним из типичных примеров являются полосы Боллинджера, где верхняя полоса всегда больше нижней полосы в любое время. А скользящее среднее, высокие или низкие цены могут быть использованы в качестве свободных движений временного ряда. Правила категории 4 также допускают нейтральную позицию. индикатора.

D. Коэффициенты Шарпа и Стирлинга (SSR)

Для оптимизации параметров торгового правила алгоритм подсчета и предположения должны быть сформулированы. Метрика, используемая для сравнения эффективности каждого торгового правила применительно к обучающему набору данных. Без учета транзакционных издержек предполагается, что валютная пара покупается или продается по цене закрытия последней свечи. Общий доход можно рассчитать как в формуле ниже:

Однако использование доходности в качестве показателя эффективности неправильно. Для корректировки факторов риска используются традиционные методы. Использование коэффициента Шарпа, который показывает высокое стандартное отклонение доходность или коэффициент Стерлинга, который нивелирует более высокий максимум просадка. Коэффициент Шарпа меньше показывает отрицательную доходность, когда средняя доходность, но, как правило, низкая, и это также будет показывать иногда высокая доходность. Соотношение коэффициена Стерлинга уменьшает максимум просадка, который может возникнуть, когда рынок меняется внезапно и неожиданно, что очень характерно для рынка форекс. Поэтому мы предлагаем новый коэффициент, который включает коэффициенты дисперсии и просадки в одном уравнении, показан в формуле ниже и название коэффициента - коэффициент Шарпа и Стирлинга (SSR), поскольку он получен из коэффициента Шарпа и коэффициента Стирлинга. В формуле точка оператор представляет скалярное произведение, а перекрестный оператор представляет умножение двух скалярных векторов.

Новое соотношение наказывает более высокое стандартное отклонение, а также более высокую частоту и значения просадок. Числовое значение коэффициента можно интерпретировать как предлагаемую меру доход с поправкой на риск. Причина использования суммы просадки вместо максимальной просадки заключается в уменьшении эффекта выброса, который неизбежен на волатильном рынке. Сокращение суммы пережитых просадок также заставит найти лучшую стратегию для минимизации потерь. Стандартное отклонение доходности заставит робота найти последовательную торговую стратегию.

E. Поиск по сетке параметров торгового правила

Каждое торговое правило потребует параметров для связанных технических индикаторов, такие как размер периода скользящей средней и пороговые значения для лимитов на покупку или продажу. Параметры нужно настроить для достижения лучшей производительности в торговой системе. Сетка - реализована методом поиска в пространстве поиска для каждого отдельного правила и содержит не более 3 параметров, которые могут быть завершены за полиномиальное время. Примером является то, что перемещение среднего размер окна должно быть целым числом и находиться в диапазоне от 1 до 100 выбранного для поиска, который указывает до 100 предыдущих цен информации, которая может быть включена в торговое правило. Баллы рассчитываются по соотношению SS в обучающем наборе данных, если торговое правило реализовано. Лучшие результаты и соответствующие параметры находятся по алгоритму.

В результате оптимизации параметров добавлено 16 новых функций, которые представляют торговый сигнал на основе каждого отдельного торгового правила. Датасет содержит 16 функций, которые будут оптимизированы с использованием алгоритма машинного обучения для повышения производительности Общей торговой системы. Количество функций относительно невелико и обеспечивает разумное представление исторических цен с момента начала. Правила основаны на технических индикаторах. Производительность абстрактных функций будет проверена с использованием генетических алгоритмов.

F. Модуль генетического алгоритма

Генетический алгоритм имитирует процесс естественного отбора, где выбирается наиболее приспособленный индивид и обычно применяется к задачам оптимизации. Этапы генетического алгоритма включают этапы отбора, кроссинговера и мутации. Псевдо- код генетического алгоритма приведен ниже.

Алгоритм 2

Постановка задачи: использовать генетический алгоритм для нахождения торговой стратегии, которая максимизирует производительность. Мы найдем сопоставление характеристик S с положением объема на рынке v. Хромосомы для генетического алгоритма — это вектор w, который представляет вес для всех функций. Используя линейное отображение, доходность за торговый период может быть рассчитана по формуле:

Вектор v корректируется так, чтобы иметь максимальное абсолютное значение 1 для представления позиции в процентах от капитала. А значение 0 означает пропуск торгов и значения 1 и -1 означают длинную позицию и короткую позицию с 100% капитала соответственно. Выходной вектор v представляет временной ряд позиций на рынке. Изменение шума механизма позволяет лучше контролировать риски, поскольку алгоритм может добиться более низкого стандартного отклонения, поместив более низкие позиции в нестабильные рынки.

1) Эталонная модель: максимизация отдачи (GA-MR) Для достижения максимизации прибыли использует традиционный метод: вычислить накопленную доходность за все время обучения. Максимизация общей отдачи от торговой стратегии дать решение. Уравнение (используется как фитнес-функция максимизировать общую отдачу торговой системы. Метод максимизации доходности используется для сравнения с предложенной фитнес-функцией.

Максимизация

При условии:

2) Предлагаемая модель: максимизация SSR (GA-MSSR)

 Минимизация риска без учета прибыли не будет приводить к хорошим результатам торговли. Следовательно, мы предлагаем использовать модель SSR, как прокси для доходности с поправкой на риск, как показано в формулах ниже. Использование модели SSR в качестве оценки пригодности позволяет максимизировать прибыль на определенном уровне управления рисками. Предлагаемый метод с использованием функции пригодности называется генетическим алгоритмом, максимизирующим SS.

Максимизация:

Эксперимент

А. Сбор данных

Тестируются исторические данные по 6 основным валютным парам, в том числе EUR-USD, GBP-USD, AUD-USD, USD-JPY, USD-CAD и USD-CHF. В качестве таймфрейма и периода обучения используются данные за 5 минут. С января 2018 года по декабрь 2019 года, в том числе около 200 000 временных шагов. Период данных выбран так, чтобы включать только последние годы, что предотвращает потенциальную смену режима рынка с течением времени.

Б. Перекрестная проверка

Все данные разделены с коэффициентом 50% для получения обучающей выборки данных и тестовый набор данных. Чтобы предотвратить утечку данных, первая половина всего периода используется для обучения, а вторая сохранена для тестирования без случайной перетасовки. Это гарантирует, что никакая будущая информация не будет использоваться в обучающих данных, таким образом не влияет на достоверность результатов на тестовых данных.

C. Показатели оценки

ROI: рентабельность инвестиций рассчитывается как годовой возврат торговой системы по данным. Более высокая доходность предпочтительнее.

Коэффициент Шарпа рассчитывается как средняя избыточная доходность за стандартное отклонение избыточной доходности. Более высокий коэффициент Шарпа представляет собой лучшую доходность, когда риск скорректирован. Поэтому более высокий коэффициент Шарпа представляет собой эффективную торговую стратегию.

Максимальная просадка – это самый низкий уровень капитала, на этапе бэктестинга в процентах. Более низкий максимум просадка также представляет меньшие риски и неопределенность связанных с торговой стратегией.

Средняя позиция – это средний размер капитала, вложенного в рынок от всего капитала в процентах. Ценность 1 означает, что 100% капитала инвестируется в рынок все время, тогда как 0,1 означает, что 10% капитала вложено в рынок в среднем, а остальные 90% капитала хранятся в виде наличных денег на счете без рисков. Более низкий AP с высокой отдачей может, означают, что торговая стратегия подразумевает, что только часть капитала необходима для получения хорошей прибыли, а другая часть капитала может быть инвестирована в другие активы.

D. Настройки параметров

Гиперпараметры генетического алгоритма задаются следующим образом:

Решение на популяцию = 10

Количество спаривания родителей = 4

Количество поколений = 200

Вероятность мутации = 0,5

Вероятность кроссовера = 0,4

Е. Эталонная модель

Простая покупка и удержание (B&H) и простая продажа и удержание (S&H) стратегии используются в качестве эталонной системы в торговой системе. Генетический алгоритм, максимизирующий отдачу модель (GA-MR) также будет сравниваться с предлагаемой GA- Модель МССР.

F. Торговые симуляции

Кредитное плечо 1:1 используется для всех моделей. Мы предполагаем на форекс ценные бумаги будут покупаться или продаваться только по цене закрытия последней свечи. Мы также предположили, что комиссия за транзакцию равна нулю.

Результаты и обсуждение

А. Результаты

Результаты оценки производительности модели показаны в Таблице 1. Наблюдается в обучающей выборке, наивная покупка и удержание (B&H) или стратегии продажи и удержания (S&H) имеют наихудшую производительность. Результаты показывают, что случайно купить или продать валютную пару на рынке форекс эквивалентно азартным играм, в которых никто не мог получить прибыль в долгосрочной перспективе.

Все остальные модели GA-MR и GA-MSSR протестированы с положительным результом по всем валютным парам. Производительность отличается для разных пар, но в целом модель доказала свою работоспособность для различных валютных пар. Предлагаемая модель GA-MSSR превосходит бенчмарки по коэффициенту Шарпа, максимальная просадка и средние показатели позиции для всех пар. Возвращаемое значение ниже, чем GAMR, как и ожидалось, но другая маржа очень мала. Доход после поправки на риск для GAMR будет быть меньше, чем GA-MSSR, который имеет более высокий коэффициент Шарпа и значительно меньшие просадки.

Пара с наилучшей производительностью — USD-CAD, где доходность GA-MSSR выше, чем GA-MR. Эмпирические данные свидетельствуют о том, что модель лучше обобщает данные теста для этой конкретной пары. Тем не менее, худшая пара USD-JPY, которая получила гораздо более низкую годовую доходность и относительно высокие просадки.

Средняя позиция для GA-MSSR имеет значительно более низкие значения, чем другие эталоны. Это показывает, что GA-MSSR может достичь аналогичного уровня доходности при гораздо меньших вложениях капитала. Имея более низкую позицию на рынке, основные риски также снижаются.

Результаты таблицы имеют кредитное плечо 1: 1, где общие Кредитное плечо, используемое на форексе, может варьироваться от 1:20 до 1:300. 1:20 кредитное плечо применяется к результатам GA-MSSR и накопленным доходность с течением времени представлена на рис.3. Все валютные пары показано, а USD-JPY имеет наихудшие показатели. Все остальные пары показали стабильный и последовательный восходящий тренд с незначительными просадками. Плохая динамика USD-JPY может быть связана со сменой режима и не учитываемыми новостными событиями.

Б. Обсуждение

Мы предлагаем модель GA-MSSR, которая может генерировать превосходную торговую стратегию для 5-минутных внутридневных данных. Высота коэффициента рентабельности инвестиций и коэффициента Шарпа указывает на то, что функции, полученные с использованием торговых правил являются хорошими показателями для измерения тренда цены движения в долгосрочной перспективе. Размер функционального пространства может расти бесконечно долго, и влияние размера пространства признаков так же не ограничено. Однако, механизм предлагаемой модели отличается от других исследований. Большинство документов используют прогноз направления с машинным обучением или прогноз цен на следующий день. Предлагаемая модель не делает какие-либо прогнозы на будущее рынка. Вместо этого она находит набор правил и формулирует стратегии только в соответствии с правилами технических индикаторов для оптимизации общей производительности торговой  стратегии. Направленный прогноз может выявить только краткосрочный тренд и не дают информации о риске для управленца. С регрессионными сетями точно предсказать цену на следующем баре очень сложно и предсказание временного шага имеет гораздо более высокую дисперсию. Торговые правила разработаны и оптимизированы для игнорирования краткосрочных колебаний и сосредотачиваются на системной практике, чтобы избежать рисков и создать стабильную доходность. Суммарная доходность результатов тестирования во времени (2019 г.) для всех протестированных пар с кредитным плечом 1:20. Коэффициент Шарпа является одним из наиболее важных показателей, когда дело доходит до оценки торговой стратегии. Коэффициент Шарпа измеряет доходность сверх стандартного отклонения. Общеизвестно, что при более высоких рисках мы могли бы иметь более высокую отдачу.

Коэффициент Шарпа обозначает градиент. Следовательно, коэффициент Шарпа также можно интерпретировать как силу «соотношение цены и качества». Как правило, для торговой системы: чем выше коэффициент Шарпа, тем лучше. На нестабильном рынке, таких как форекс, управление рисками имеет решающее значение для долгосрочной перспективы управления портфелем. Кредитное плечо — распространенный метод, используемый на рынке форекс.

Это позволяет инвестировать несколько сумм капитала, тогда как будет иметь место множественная потеря или возврат. Эксперимент реализован без кредитного плеча, которое составляет соотношение 1:1, а Рис. 2 показал смоделированный доход с использованием соотношения 1:20. На практике, более высокое кредитное плечо означает более высокие риски, которые вознаграждаются умноженной отдачей. Ограничение использования очень высокого кредитного плеча это шанс потерять много денег в одной сделке. GA-MSSR ограничил максимальный просадки до минимальных уровней, что позволило использовать умеренное кредитное плечо.

Заключение, ограничения и дальнейшая работа

Предлагаемый процесс разработки признаков обеспечил качество функции, оптимизированных в зависимости от производительности стратегии. Работа показала, как технические индикаторы могут быть объединены и оптимизированы для торговых целей. Предлагаемая система роботизированной торговли использует 16 функций как более уровневая интерпретация рынка. Предлагаемая модель использовала, как новая мера доходности с поправкой на риск, SSR, как функция пригодности, дали стабильные и превосходящие результаты по сравнению с другими моделями. Производительность на стороне риска постоянно хорошо, а достигнутая отдача выдающаяся. Самая лучшая действующая валютная пара в тестовом наборе данных — AUD-USD, которая получила годовой доход в 320% с кредитным плечом 1:20.

Однако, предложенная торговая система не учитывала комиссию за транзакцию в связи с различной ценовой политикой каждого брокера и меняющийся во времени характер стоимости спреда. Таким образом, точное включение комиссии за транзакцию задача, которую предстоит преодолеть в будущем. Другие методы, такие как глубокое обучение с подкреплением может быть реализовано для работы с функциями на основе правил для оптимизации производительности портфеля для будущей работы.