Обзор

Данная стратегия использует искусственную нейронную сеть для прогнозирования будущих изменений цен и генерирует торговые сигналы на основе результатов прогноза. Она относится к стратегиям следования за трендом. Преимуществом стратегии является способность выявлять сложные нелинейные тренды, что делает её подходящей для средне- и долгосрочной торговли. Однако существует риск того, что результаты бэктестинга могут быть хорошими, а на реальном рынке — неэффективными.

Принцип стратегии

Стратегия использует искусственную нейронную сеть (ИНС) для прогнозирования процентного изменения цены на следующий день.

Входной слой содержит только один входной узел — это процентное изменение цены за предыдущий день.

Скрытый слой состоит из двух уровней: первый уровень имеет 5 узлов, второй — 33 узла, оба используют гиперболический тангенс (tanh) в качестве функции активации.

Выходной слой содержит один выходной узел, который после линейной функции активации непосредственно выступает в качестве окончательного прогноза.

Если результат прогноза превышает значение параметра threshold, генерируется сигнал на покупку; если он меньше отрицательного значения threshold, генерируется сигнал на продажу.

Преимущества стратегии

• Использование модели ИНС для прогнозирования позволяет аппроксимировать сложные нелинейные тренды.
• Входные данные используют только данные за один день, не требуется большого объёма исторических данных.
• Позволяет выявлять тренды на более длительных временных масштабах.
• Использование нескольких скрытых слоёв обеспечивает высокую аппроксимирующую способность.
• Функции активации и параметры оптимизированы, что даёт хорошие результаты прогнозирования.

Риски стратегии

• Алгоритм ИНС подвержен риску переобучения, поэтому на реальном рынке результаты могут быть хуже, чем при бэктестинге.
• Требуется длительная историческая выборка для обучения, что делает стратегию непригодной для недавно вышедших на рынок акций.
• Параметры и структура требуют многократной оптимизации, что приводит к нестабильности результатов.
• Прогнозируется только изменение цены на один день, что не позволяет оценить долгосрочный тренд.
• При переходе рынка в фазу консолидации эффективность стратегии может снизиться.

Направления оптимизации

• Увеличение входных переменных, например, добавление информации об объёме торгов.
• Попробовать различные структуры ИНС и функции активации.
• Оптимизировать параметры ИНС для повышения точности аппроксимации.
• Увеличить объём обучающей выборки для предотвращения переобучения.
• Прогнозировать на нескольких временных масштабах для оценки кратко- и долгосрочных трендов.
• Комбинировать с другими моделями, использовать ансамблевое обучение.
• Усилить контроль рисков с помощью таких показателей, как волатильность.

Заключение

Данная стратегия использует модель ИНС для прогнозирования изменения цен, что позволяет выявлять сложные нелинейные тренды и подходит для средне- и долгосрочной торговли. Однако «чёрный ящик» модели ИНС создаёт значительные сложности при работе на реальном рынке. Необходимо оптимизировать входные признаки, структуру модели, параметры, а также применять ансамблевое обучение; кроме того, следует дополнить стратегию традиционными техническими индикаторами для повышения эффективности операций и снижения реальных рисков. Стратегии на основе искусственного интеллекта должны гармонично сочетаться с традиционными подходами, чтобы достичь максимальной эффективности.