FXWizard
Гуру форума
Нейронные сети и Форекс.
Думаю, каждый, кто сталкивался с оптимизацией индикатора под данный временной период и хотя бы поверхностно изучал различные стратегии с помощью тестера стратегии или вручную знает, как ведет себя оптимизированная торговая система и на сколько она зависит именно от параметров индикатора. Для тех, кому незнакомы данные понятия, кратко объясню суть.
Поскольку классически технический анализ является ничем иным, как определением закономерностей в сигналах индикаторов и последующими ценовыми движениями, успешность или неудача в большей степени зависит от верного выявления этих сигналов и правильной их трактовки. Таким образом, выходит, что все тяжкое бремя торговли ложится на индикаторы, а трейдеру лишь остается воспользоваться полученными данными. Все это утрировано, но по большому счету так оно и есть, а если бы было не так – механические или автоматические системы не появились бы на свет.
У каждого индикатора есть некоторые параметры, которые можно задавать исходя из конкретного торгового инструмента, его поведения и таймфрейма системы. Для краткосрочной системы больше подойдут меньшие периоды, для долгосрочной – большие, чтобы фильтровать шум. Таким образом, индикатор оптимизируется, подстраивается под конкретные условия, что дает свои результаты как успешные, так и не очень. В метатрейдере встроен специальный пакет для оптимизации индикатора. Проще говоря, система прогоняет индикатор с заданным параметром по всей истории, затем меняет данное значение и так до тех пор, пока не получится наиболее прибыльный вариант.
Проблема с оптимизацией заключается в том, что рынок изменчив, и успешная торговля по данным оптимизированным параметрам сегодня может обернуться полным сливом завтра. Кто-то по этой причине даже не лезет в эти дебри, кто-то продолжает поиски. И чем дальше в лес, тем больше инноваций, усложнений и заморочек. Одной из таких преинтересных заморочек является использование нейронных сетей на финансовых рынках и Форекс в частности.
Нейронная сеть представляет собой математическую модель с вычислительными устройствами, которые соединены между собой с помощью простых процессоров, или нейронов. Примечательной особенностью нейронной сети является ее обучаемость. Другими словами, они не программируются, как привычные для нас приложения, они обучаются. Упрощая математические термины, в двух словах, нейронная сеть находит коэффициенты связей между данными на входе и на выходе и обобщает схожие по смыслу явления. Конкретная польза от этого трейдеру – полная отрешенность от технической стороны медали. Т.е. нейронная сеть после успешного обучения получает некие закономерности, на основе которых и действует, как говорится, по «накатанной» схеме, выдавая лучшие параметры индикаторов, сигналов и прочих полезных технических штук.
Пока данная ветвь науки еще не решила всех поставленных задач, но определенные попытки уже есть. Одной из проблем, стоящих перед такими сетями является сбор базы данных, для которой может потребоваться не одна сотня лет, при условии работы только с одного компьютера и даже мощного терминала или разделенной сети. Решением является разделение обработки данных на каждый компьютер в глобальной сети.
Думаю, каждый, кто сталкивался с оптимизацией индикатора под данный временной период и хотя бы поверхностно изучал различные стратегии с помощью тестера стратегии или вручную знает, как ведет себя оптимизированная торговая система и на сколько она зависит именно от параметров индикатора. Для тех, кому незнакомы данные понятия, кратко объясню суть.
Поскольку классически технический анализ является ничем иным, как определением закономерностей в сигналах индикаторов и последующими ценовыми движениями, успешность или неудача в большей степени зависит от верного выявления этих сигналов и правильной их трактовки. Таким образом, выходит, что все тяжкое бремя торговли ложится на индикаторы, а трейдеру лишь остается воспользоваться полученными данными. Все это утрировано, но по большому счету так оно и есть, а если бы было не так – механические или автоматические системы не появились бы на свет.
У каждого индикатора есть некоторые параметры, которые можно задавать исходя из конкретного торгового инструмента, его поведения и таймфрейма системы. Для краткосрочной системы больше подойдут меньшие периоды, для долгосрочной – большие, чтобы фильтровать шум. Таким образом, индикатор оптимизируется, подстраивается под конкретные условия, что дает свои результаты как успешные, так и не очень. В метатрейдере встроен специальный пакет для оптимизации индикатора. Проще говоря, система прогоняет индикатор с заданным параметром по всей истории, затем меняет данное значение и так до тех пор, пока не получится наиболее прибыльный вариант.
Проблема с оптимизацией заключается в том, что рынок изменчив, и успешная торговля по данным оптимизированным параметрам сегодня может обернуться полным сливом завтра. Кто-то по этой причине даже не лезет в эти дебри, кто-то продолжает поиски. И чем дальше в лес, тем больше инноваций, усложнений и заморочек. Одной из таких преинтересных заморочек является использование нейронных сетей на финансовых рынках и Форекс в частности.
Нейронная сеть представляет собой математическую модель с вычислительными устройствами, которые соединены между собой с помощью простых процессоров, или нейронов. Примечательной особенностью нейронной сети является ее обучаемость. Другими словами, они не программируются, как привычные для нас приложения, они обучаются. Упрощая математические термины, в двух словах, нейронная сеть находит коэффициенты связей между данными на входе и на выходе и обобщает схожие по смыслу явления. Конкретная польза от этого трейдеру – полная отрешенность от технической стороны медали. Т.е. нейронная сеть после успешного обучения получает некие закономерности, на основе которых и действует, как говорится, по «накатанной» схеме, выдавая лучшие параметры индикаторов, сигналов и прочих полезных технических штук.
Пока данная ветвь науки еще не решила всех поставленных задач, но определенные попытки уже есть. Одной из проблем, стоящих перед такими сетями является сбор базы данных, для которой может потребоваться не одна сотня лет, при условии работы только с одного компьютера и даже мощного терминала или разделенной сети. Решением является разделение обработки данных на каждый компьютер в глобальной сети.