Углубленное изучение форекс: Форекс обучение с нуля – 6 этапов торговли для начинающих

Форекс обучение

Информация о материале
Категория: Статьи форекс
Просмотров: 5512

Форекс обучение может быть платным и бесплатным. Знание законов работы валютного рынка жизненно необходимо для трейдера. С чего начать свой путь в трейдинге? Онлайн семинары, книги, видео известных трейдеров? Выбрать бесплатный вариант или оплатить Форекс обучение и получить сертификат трейдера?

Бесплатный вариант. Начнем с того, что нужно определиться со сроками и направлением, составить примерный план своих действий, который будет корректироваться в процессе. Например, за 1-2 месяца усвоить азы валютного трейдинга (базовые понятия, технический и фундаментальный анализ, управление капиталом, психология трейдинга и работа в торговом терминале МетаТрейдер). Дальше – углубленное изучение некоторых аспектов – тестер стратегий в МТ4, японские свечи, волновой анализ и т.д. После этого уделите самое пристальное внимание торговым системам (ТС) – проработайте несколько готовых ТС, попробуйте вникнуть в их суть. Лучше, если у вас будут доказательства прибыльности данных ТС. Позже, используя полученные знания и свои предпочтения в торговле (метод торговли, временной интервал, валютная пара) вы сможете создать свою торговую систему. ТС не обязательно должна быть сложной для понимания – чем проще, тем лучше. Главный критерий – это прибыльность и риски.

Если же вы готовы платить за свое обучение, на первое место выступает выбор преподавателя. Существует огромное количество преподавателей (часто это практикуется в дилинговых центрах, проводящих обучение трейдеров), которые так и не смогли найти себя в торговле, поэтому обучают других. Парадокс, но это так. Поэтому всегда спрашивайте, сколько времени торгует человек, который берется за ваше обучение, какова прибыльность его торговли и на каком депозите все это осуществляется. В процессе обучения личность преподавателя также раскрывается в полной мере: умение объяснить сложные вещи простыми словами, вселить веру в успех и многое другое – все это говорит в пользу платного обучения у профессионалов. Стоимость курсов обучения колеблется от 100 до 1000 долларов США и выше. Продвинутое обучение стоит еще дороже. Но мы пока остановимся на базовом Форекс обучении.

Умный трейдер всегда будет комбинировать платный и бесплатный вариант. Выполняя домашнее задание, он не боится переусердствовать и вникнуть в тему глубже, чем положено. Никогда не стесняйтесь переспросить, если что-то вам непонятно – все мы с чего-то начинали, и порой новичку очень трудно понять все термины валютного трейдинга. Но “настроив мозги” в нужную сторону и практикуясь в трейдинге, со временем все встанет на свои места.

Прекрасным вариантом является дистанционное Форекс обучение. Часто оно бесплатно, нужно лишь зарегистрироваться у брокера и подать заявку на обучение. Тут очень важно наличие у начинающего трейдера самоконтроля, иначе он будет пропускать занятия, не выполнять домашние задания и т.д.

Хорошее обучение предлагают брокеры Форекс Alpari и InstaForex.

Вообще, постарайтесь выжать максимум из брокера – ведь вы, регистрируясь у него, будете приносить ему прибыль, торгуя на реальные деньги. Само собой разумеется, вы ничего при этом не теряете – прибыль брокера состоит из части спрэда.

Проходите обучающие вебинары и скачивайте бесплатные материалы, задавайте вопросы и читайте FAQ, торгуйте сами и используйте ПАММ-счета – таким образом вы будете быстро продвигаться по ступенькам валютного трейдинга, одновременно развиваясь как личность.

Напоследок дадим еще один совет. В наш век информационной перегрузки очень важно выбирать только самое нужное, самое необходимое из потоков информации. Не читайте 10 книг по трейдингу – прочтите одну, но хорошую. Александр Элдер или любой другой из классиков вполне подойдут. Не скачивайте все подряд из сети – выбирайте то, что подойдет именно вам, то, что нужно именно сейчас.

Форекс обучение – важный этап для каждого трейдера. В зависимости от того, сколько усилий и времени вы вложите на данном этапе, настолько быстро будут происходить изменения в вашем сознании как трейдера. Вознаграждение за труды – умение прибыльно торговать на Форекс! А что может быть лучше?

Помните, что прибыльность торговли очень сильно зависит от выбранного вами брокера!

Источник: https://forex-invest. tv
(При перепечатке статьи, активная ссылка на источник ОБЯЗАТЕЛЬНА)

  • Назад

  • Вперед


 

Супер СТРАТЕГИИ!

Новые статьи на сайте

Кто они, лучшие Форекс-брокеры 2021 года?

 

Возможности сервиса TradingView для трейдеров

 

Интересная трендовая стратегия — Big Arrow

 

Стратегия для МТ5 – «Spike Detector»

 

Индикатор ATR: описание и примеры использования 

 

Стратегия -50% по Фибоначчи

 

 

Свечной паттерн Чашка с ручкой: описание, использование, примеры

 

Как торговать треугольник: правила и примеры

 

Кто такие ПАММ управляющие и как они зарабатывают


 

Биткоины для всех


 

ПОПУЛЯРНОЕ ВИДЕО

Сигналы Форекс по стратегии «Trend Power Strategy»

Стратегия Форекс «Золотая черепаха»

Индикатор TPO Range (горизонтальные объёмы)

Индикатор поддержки и сопротивления

 

 Установка терминала MetaTrader 4

Рынок Форекс Для Начинающих

Posted 2 years ago

Оглавление

  • Основы Форекс
  • Конкурсы Трейдеров
  • Шаг 36 Технический Анализ
  • Уроки По Форекс
  • Основные Участники Рынка
  • Как Заработать На Forex?
  • Торговля

ПАММ-счет— система управления счетом, при помощи которой прибыль могут получать как трейдер, так и инвестор. Инвесторы доверяют свои средства в управление опытным и успешным трейдерам, вкладывая инвестиции в ПАММ счета.

В отличие от большинства других рынков, как таковых регламентированных торговых сессий на международном валютном рынке нет. FOREX работает круглосуточно пять дней в неделю, торги прерываются только на выходные.

Основы Форекс

, что, например, в 30 раз больше совокупного объема всех фондовых рынков в США, вместе взятых. Прочтение книги поможет вам закрыть пробелы, которые всегда есть у новичков. Контрагент Этот материал проложит путь от открытия демо-счета до уверенной самостоятельной торговли. В США Александр Элдер выучился на психиатра, стал практиковать психоанализ.

Форекс — один из крупнейших торговых рынков, международный суточный оборот которого превышает 5 трлн долларов США. Как стать полноправным участником форекс-рынка и почему торговать на валютном рынке может любой желающий. Индикатор RSI в переводе с английского означает индекс относительной силы. На сегодняшний день это один из наиболее часто используемых на финансовых рынках индикаторов.

Конкурсы Трейдеров

Первоначально евро задумывался как единая валюта «Общего рынка» (ЕЭС), и в этом качестве он когда‑то заменил условную расчетную единицу ЕЭС – экю. За последние годы среднедневной диапазон движения доллара увеличился, и сегодня среднесуточный ход этой валюты составляет 250–350 пунктов. То есть за день курс доллара колеблется в этих пределах. Большинство валютных операций на Forex проводится с участием доллара либо в качестве базовой валюты, либо в качестве валюты котировки. Таким образом, колебания доллара являются движущей силой всего движения валют на Forex. Доллар – это что‑то вроде лошади-фаворита на денежных скачках. Фаворит может хромать или оказаться не в форме, но все равно – остальные «меряются» именно по нему.

Перед началом торговли Вам необходимо тщательно оценить все риски. Остерегайтесь недобросовестных брокеров, которые открывают вам счет, не давая реального доступа к текущим котировкам. Это значит, что они могут манипулировать котировками в своих целях. Мы работаем честно – ваш счет будет иметь реальный доступ на валютный рынок. Опытные трейдеры знают, что успешная торговля во многом зависит от выбранного брокера и качества предоставляемых им услуг.

Шаг 36 Технический Анализ

Это событие имело далеко идущие последствия, изменилась вся мировая валютная система. Исключение лишь в том, что участник может слить только виртуальные деньги. Дальше может быть только игра на Форекс, из которой делаются самостоятельные выводы, либо продолжается Колумбийская фондовая биржа углубленное изучение как самого рынка Форекс, так и общей экономики. Чтобы начать на нем торговать, достаточно изучения базовых понятий. Однако желание сразу освоить все на практике часто становится причиной банальных ошибок, которые приводят к сливу депозита.

Несмотря на широкую рекламу и попытку популяризации различных «чудо-систем», они являются ни чем иным, как путем к потере своих средств. И чем раньше начинающий трейдер это поймет, тем быстрее он начнет по-настоящему зарабатывать. Это стало возможным с появлением так называемой маржевой торговли. Статьи о самых ярких исторических событиях и личностях из мира биржевой торговли. «От всей души поздравляю лучшую команду, именно команду, работающую на рынке FOREX, компанию FOREX CLUB с юбилеем. Вся информация на сайте не является рекомендацией или инструкцией к действию, мы не берем на себя ответственность за ваши решения.

Уроки По Форекс

Во-вторых, не ставьте его впритык к текущему курсу – небольшие колебания валют происходят постоянно. Дайте валюте зазор для «маневра» между ее текущим курсом и поставленным вами тейк-профитом.

Продолжая просматривать этот сайт, вы соглашаетесь с использованием cookie-файлов. Если вы не согласны с использованием cookie-файлов, вы можете изменить настройки браузера в любое время.

Основные Участники Рынка

Каждый трейдер сам выбирает удобные для него часы работы и торгует, когда видит для этого благоприятную возможность. Конечно, в то время, когда трейдер отдыхает или занят другим делом, он форекс для начинающих упускает немало выгодных сделок. Многие из них не прочитали тех умных книг, что прочитали первые, не проходили специальных курсов обучения и не вникли в тонкости технического анализа.

Кроме того, продажа памятных монет облагается НДС по ставке 18 процентов. Часть дохода от форекс-трейдинга я направляю именно на депозиты. Это еще и отличная страховка от собственных растущих аппетитов к рискам. То есть – полноценный инвестиционный портфель, в котором находит свое место и форекс-трейдинг. А если обойтись без образных сравнений – хорошо управляет деньгами тот, кто использует максимальный диапазон самых разных инструментов инвестиций.

Мэрфи доступно излагает методы технического анализа и показывает как их можно применить на практике. В ней наглядно показано как «читать» график, как прогнозировать ход рынка, как анализировать модели цен. Книга написана по принципу от простого к сложному, весь материал хорошо структурирован. Пользуйтесь такими инструментами Форекс, как прогноз и анализ.

Курс валютной пары растет, если стоимость базовой валюты повышается относительно котируемой. Фундаментальный анализ акций , необходимо знание основных принципов торговли на этом валютном рынке.

Торговля

Колебания его курса достаточно стабильны и синхронизированы по отношению к евро и валютам из группы валют-союзников. Катализатором движения курса евро на рынке Forex, наряду с макроэкономическими показателями экономики еврозоны, является усиление или ослабление позиций американского доллара. А изменение курса евро на форекс для начинающих рынке Forex, в свою очередь, приводит в движение и валюты, входящие вместе с ним в группу валют-союзников (GBP/USD, AUD/USD, NZD/USD). Вся торговля основана на принципе изменения курсов валютных пар (например EUR/USD, USD/GBP, EUR/GBP и т.п.). На динамике взаимных курсов валют, входящих в пары, вы и можете сыграть.

Глубокое обучение для торговли на рынке Форекс.

В этой статье мы иллюстрируем… | Фабрис Даниэль | LUSIS AI

Опубликовано в

·

10 минут. Читать

·

4 августа 2019 г.

Многие исследовательские работы охватывают прогноз финансовых временных рядов, но лишь небольшое количество из них говорят о применении в реальной торговле стратегия. В большинстве случаев исследование дает только показатели производительности модели (точность, RMSE, …), но не пытается превратить ее в прибыльную стратегию.

Когда мы говорим о финансовых временных рядах, мы говорим о стохастических процессах, что означает, что они имеют дело с большим количеством случайностей. По этой причине нереально ожидать получить точность, подобную той, что достигается во многих других приложениях глубокого обучения. Таким образом, не ожидайте 80-процентной точности при прогнозировании движения рынка вверх или вниз на заданном временном горизонте. Известно, что прогнозирование финансовых временных рядов является одной из самых сложных задач в машинном обучении. Цель состоит в том, чтобы вместо того, чтобы пытаться найти модель, которая может дать вам небольшое преимущество по сравнению с чистой случайной догадкой или чистой стратегией «купи и держи», когда мы говорим о фондовом рынке.

Существует также много вещей, о которых нужно позаботиться в отношении обработки данных при применении машинного обучения к финансовым временным рядам. Если вы новичок в этой области исследований или если вы получаете хорошие показатели от своей модели, но плохие результаты реальной торговли, вы можете прочитать нашу статью, посвященную этой теме, Обработка данных финансовых временных рядов для машинного обучения , это может помочь вам понять, что происходит не так.

В течение многих лет и в сотрудничестве с двумя французскими инженерными школами, CentralSupelec и Polytechnique, отдел искусственного интеллекта Lusis работает над прогнозами финансовых временных рядов с точки зрения применимых торговых стратегий.

В этой и последующих статьях читатель найдет некоторые методы и результаты, которые могут очень помочь ему в его собственных исследованиях. Но поскольку работающая торговая стратегия на основе ИИ гораздо больше, чем в любой другой области, может быть напрямую преобразована в деньги, поэтому мы, разумеется, никогда не будем раскрывать самые важные вещи, позволяющие воспроизвести наши модели. Если вы найдете воспроизводимую модель с очень хорошими показателями где-либо в статье, позаботьтесь о себе и проведите собственное исследование и тестирование на истории, прежде чем инвестировать в нее.

Прогнозирование внутридневного тренда GBPUSD

В этой статье мы иллюстрируем применение глубокого обучения для построения торговой стратегии.

Сначала мы создаем и оцениваем модель, предсказывающую внутридневные тренды на GBPUSD. Затем мы тестируем стратегию исключительно на основе прогнозов модели, прежде чем запускать ее в режиме реального времени.

  • Набор данных : GBPUSD одночасовые данные OHLC за период с 11.04.2011 по 30.01.2018, таким образом, он представляет 41 401 одночасовой бар OHLC, примерно за 7 лет данных
  • Набор для обучения : 2011–2014
  • Набор для проверки : 2015
  • Набор для тестирования : 2016–2018
  • Метка : Цена закрытия вверх/вниз Через N баров наш предиктор — классификатор

Обучение — Проверка — Тестовые периоды на 1H GBPUSD

После определения метки нам нужно проверить долю классов Up и Down в популяции. Обнаружение несбалансированных меток означает, что нам нужно будет перебалансировать их или использовать другую метрику, кроме точности. Здесь мы нашли 50,3% Up для 490,7% класса Down, поэтому точность является надежной метрикой для оценки нашей модели.

Здесь по соображениям конфиденциальности мы не будем упоминать следующее:

  • горизонт прогнозирования (N баров)
  • размер временных срезов, используемых в качестве входных данных для модели
  • признаки (необработанные или производные) мы используем
  • фильтры или любая другая предварительная обработка
  • точные гиперпараметры модели

Но мы покажем, что на удивление простая модель может работать хорошо.

Модель

В большинстве случаев, когда мы говорим о прогнозах временных рядов, мы сначала думаем об использовании LSTM или CNN 1D. Здесь мы хотели сначала оценить MLNN для сравнения с двумя другими. Но после исследований мы нашли способ сделать эту модель достаточно точной, чтобы построить с ее помощью торговую стратегию.

Следующая диаграмма иллюстрирует MLNN, аналогичный используемому нами:

MLNN

Выходной слой модели имеет два модуля: один для класса Up и один для класса Down. Он использует функцию активации softmax. Функция потерь представляет собой категориальную кросс-энтропию.

Почему мы используем такой вывод нескольких модулей с softmax вместо одного модуля с сигмовидной активацией?

Причина в том, что это упрощает создание универсальных функций для тестирования различных моделей с метками, имеющими более двух классов. Самый простой случай — «Вверх/Вниз/Нейтрально», но у нас также может быть больше уровней «Вверх» и «Вниз» (сильный, средний, слабый и т. д.).

В общем, мы всегда сначала создаем набор функций производительности, чтобы упростить и ускорить создание и тестирование вариантов моделей. Это значительно ускоряет итерации. Затем мы можем сконцентрировать усилия на самых важных вещах, самой модели и показателях ее производительности.

О другом моменте, который мы можем рассказать, функция активации плотных слоев tanh, мы используем оптимизатор Адама и выпадающие слои для регуляризации.

Мы обучаем модель на 500 эпохах с размером пакета 64, затем получаем следующие результаты:

Обучение и проверка Потери и точность

Функция потерь не имеет ничего общего с тем, что мы обычно получаем во многих других приложениях глубокого обучения. Имейте в виду, что финансовые рынки — это очень шумный контекст, где мы можем рассчитывать только на небольшое преимущество.

Мы можем наблюдать, как потери немного улучшаются до 300 эпох, а затем начинают расти. Это указывает на то, что некоторая переобучение сохраняется.

Существует несколько способов борьбы с переоснащением, в том числе:

  • Получение дополнительных данных : здесь мы используем только GBPUSD, мы не можем легко применять методы увеличения данных, которые можно найти в классификаторах изображений. Картинка с перевернутым котом — это тоже кот, но для финансовых временных рядов это не так просто. Любая небольшая модификация данных может привести к очень разным ситуациям, мы никогда не можем быть уверены, что метка будет такой же, как у исходной последовательности. Захват более длинной истории или добавление данных из других валютных пар может помочь
  • Упрощение модели : часто это самый эффективный способ борьбы с переоснащением, прежде чем использовать регуляризацию, здесь это уже сделано Остановка : мы не используем его на данный момент, так как нам нужно зафиксировать лучшие показатели для данной эпохи (здесь где-то между 250 и 350), а не только для точной эпохи, такой как 300. Поскольку этот метод изначально не существует в Керас, нам нужно реализовать кастомный

Итак, здесь мы уже сделали два из этих подходов, и прежде чем экспериментировать с дополнительными данными, мы проверяем точность и видим, что мы делаем лучше, чем случайное предположение с 0,56 на проверочном наборе. Для некоторых эпох модель работала даже лучше с точностью, превышающей 0,6, но прежде чем пытаться получить ее с оптимальной ранней остановкой, мы хотим сначала проверить, как ведет себя торговая стратегия, основанная на этом предсказателе.

Итак, мы тестируем это на истории.

Ретроспективное тестирование

Мы тестируем модель на данных за 3 года, которые не использовались для обучения, то есть в период с 2015 по начало 2018 года.

Стратегия, построенная на основе модели, очень проста. Мы просто покупаем, когда модель предсказывает восходящий тренд, и продаем, когда модель предсказывает нисходящий тренд.

Для оценки чистой работы модели стоп-лосс и тейк-профит не ставим. Мы просто закрываем позицию через N баров после входа, где N — горизонт предсказания.

Мы также не устанавливаем спред для первого бэктеста, чтобы получить необработанные метрики.

Все приведенные ниже результаты выражены в пунктах. Чтобы получить его, мы используем размер сделки 10 000 фунтов стерлингов, поэтому каждый пункт соответствует 1 доллару США. Мы начинаем со счета в 10 000 долларов США. Прежде чем говорить о кредитном плече, каждое бэктестирование должно начинаться со сделок без кредитного плеча, чтобы оценить риск, на который можно пойти.

Всего несколько слов о показателе Коэффициент качества . Вы не найдете его в литературе, так как это запатентованная формула. Описание ниже взято из документации Lusis Backtest Engine.

Определение соотношения качества

Первые результаты кажутся очень хорошими. Мы также наблюдаем, что Средний убыток от сделки выше, чем спред, обычно наблюдаемый на GBPUSD с хорошими брокерами, то есть обычно ниже 0,8 пункта.

Крупнейшая наблюдаемая убыточная сделка снизилась на 156 пипсов, т.е. 1,56% от начального капитала, а максимальная просадка составляет 4%.

В качестве справки: в торговом сообществе крупные авторы часто рекомендуют не торговать по стратегии с просадкой, превышающей 30%, и никогда не рисковать более 2% за сделку.

Здесь наши показатели уже ниже этих двух пределов.

На финансовом рынке, а особенно на Forex, не все рабочие дни равноценны с точки зрения риска и поведения. Итак, давайте проверим P&L по дням недели.

Представления в будние дни

Здесь 0 означает понедельник, а 4 — пятницу. Мы легко видим, что пятница — проигрышный день. Так что давайте просто добавим фильтр в саму стратегию, чтобы удалить его, и снова запустим бэктест.

Здесь сразу видно улучшение P&L, Средний убыток по сделкам , а максимальная просадка снизилась до 3%. Кривая Equity также кажется более гладкой.

Крупнейшая убыточная сделка, по-видимому, все еще довольно высока – 151 пипс. Самая основная практика ее улучшения заключается в добавлении к стратегии стоп-лосса. Некоторые добавляют еще и тейк-профит, но многие авторы считают это ошибкой. Лучшие стратегии следования за трендом часто получают прибыль всего за несколько крупных движений. Выход из них слишком рано никогда не даст вам шанса получить большую прибыль.

Чтобы определить, где разместить стоп-лосс, давайте посмотрим на график MAE/MFE, они соответственно обозначают максимальное неблагоприятное отклонение и максимальное благоприятное отклонение. Он показывает прибыль и убыток, достигнутые каждой прибыльной и убыточной сделкой, по сравнению с их максимальным потенциальным убытком или выигрышем с момента их открытия.

Здесь мы видим, что только несколько сделок были небольшими прибыльными, когда их MAE был ниже примерно 50 пипсов. Таким образом, мы можем сказать, что после достижения потенциального убытка в 50 пипсов у сделки почти нет шансов восстановиться и стать прибыльной.

Но мы также видим, что некоторые сделки, упавшие более чем на 50 пипсов, могут частично восстановить свои потери до закрытия. Это означает, что такой стоп-лосс не обязательно улучшит стратегию. Единственный способ убедиться в этом — запустить бэктест.

Стоп-лосс в 50 пипсов на самом деле не улучшает стратегию, он даже снижает некоторые показатели, но у нас также выше QR , , что означает, что мы можем получить еще более «торгуемую» кривую капитала.

Наш механизм тестирования на исторических данных позволяет запускать оптимизатор, чтобы найти наилучшее расстояние стоп-лосса для использования. В любом случае, на данный момент, и поскольку разница не так уж велика, мы предпочитаем сначала оценивать 100% чистый подход к глубокому обучению.

Теперь добавляем спред в 0,8 пипса и снова запускаем бэктест без стоп-лосса.

Стратегия остается прибыльной и не сильно зависит от спреда. Поэтому мы решили запустить его в режиме реального времени с помощью торговой платформы.

Прогон в реальном времени

Вот результаты в пунктах в реальном времени с начала года.

Результаты по-прежнему неплохие, и стратегия по-прежнему прибыльна.

Недавнее падение в конце июля связано с последними новостями о Brexit. Это очень интересная ситуация, которая дала нам несколько идей для тестирования, чтобы улучшить характеристики модели.

Заключение и следующие шаги

В этой статье рассказывается о создании торговой стратегии, основанной на глубоком обучении, и о том, как мы провели полный процесс тестирования на исторических данных, чтобы убедиться, что, помимо показателей производительности, модель может быть прибыльной для торговли в реальном времени.

Теперь нам нужно сделать следующие шаги:

  • Добавить больше данных для повышения точности
  • Применить ту же модель к набору инструментов
  • Работать с одномерными моделями LSTM и CNN, поскольку они являются естественным выбором для таких задача временных рядов
  • Работа над гибридными подходами с несколькими входами

Некоторые из этих работ уже ведутся.

Спасибо, что прочитали.

Вся работа в этой статье была выполнена в JupyterLab с TensorFlow/Keras.

Бэктесты проводились с использованием личного движка, созданного автором по лицензии MIT, первоначально на Golang, затем преобразованного в Python специально для использования с моделями машинного обучения, полученными от TensorFlow, PyTorch или Scikit-Learn. Lusis значительно улучшил это программное обеспечение, добавив функцию автоматической торговли, позволяющую запускать любую стратегию в производственной системе без каких-либо изменений. В настоящее время эта торговля в реальном времени может работать с любым брокером, использующим технологию торговой платформы Lusis.

Алгоритмическая торговля на валютном рынке с использованием моделей машинного обучения | by Machine Learning @ NUS Fintech Society

Machine Learning @ NUS Fintech Society

·

Подписаться

15 мин чтения

·

12 января 2022 г.

Авторы: Huaian (технический руководитель), Siqi, Gu Geng, Jia Xuan, Hong Po

Почему рынок Forex?

Рынок форекс отличается очень высокой волатильностью. Это крупнейший финансовый рынок в мире с ежедневным объемом до 6,6 трлн. Это дает больше возможностей для алгоритмической торговли, которая выявляет модели на рынке и учится на них для получения прибыльных сделок. Существуют различные причины, по которым алгоритмическая торговля на Форекс будет работать.

  1. Более честный рынок
    — В отличие от фондового рынка, рынком форекс очень сложно управлять одной стороне. Например, для того, кто обладает властью стать маркет-мейкером, сумма капитала, которую он имеет, невообразима.
  2. Высокая ликвидность
    — Ликвидность предоставляет нашему алгоритму множество торговых возможностей

Что мы прогнозируем?

Чтобы разработать задачу машинного обучения для рынка форекс, мы должны очень четко определить нашу цель. Вопрос, на который мы хотим ответить: какова метка для наших обучающих данных? Мы видели, как многие алгоритмические трейдеры ставили очень сложные цели обучения. Цели обучения часто многомерны, они должны не только предсказать направление ценового момента, но и величину движения. В этом проекте мы определяем более простую цель обучения, поэтому наши прогнозы будут бинарными:

Либо +1, либо -1.

Рисунок 1.0: Визуальная иллюстрация цели модели

Положительная метка определяется как движение цены конкретной валютной пары более чем на 20 единиц в положительном направлении. Отрицательная метка определяется как то же самое, но в противоположном направлении. Почему 20 пунктов? 80% рынков форекс были сделаны с использованием алгоритмов. Таким образом, если мы рассмотрим достаточно малый масштаб, мы сможем (вернее, наш алгоритм сможет) найти закономерности.

Как это работает?

Этот проект состоит из трех основных компонентов:

  1. Удаление данных
  2. Обучение модели
  3. Выполнение

Для удаления данных мы в основном используем простые средства очистки, такие как BS4, и запрашиваем библиотеку Python для удаления функций с соответствующих веб-сайтов. Скрапперы должны запускаться каждые 20 секунд, это гарантирует, что мы получим самые свежие данные для обучения наших моделей.

Для обучения моделей мы просто обучаем модели, используя данные, которые мы удалили. Модели были созданы таким образом, чтобы обеспечить масштабируемость. Мы можем обусловить или отфильтровать функции, которые нам не нужны для конкретных моделей. Также чрезвычайно просто добавить в модель дополнительные функции.

Исполнительная часть алгоритма просто проверяет, выдает ли модель положительный или отрицательный сигнал, и соответственно входит в сделку. В этом проекте мы требуем, чтобы модель выдавала точность не менее 93% на тестовом наборе, чтобы она могла совершать какие-либо реальные сделки.

Рисунок 2.0: Обзор инфраструктуры

Какого брокера мы выбрали?

Мы используем Oanda в качестве брокера для нашего торгового бота. Причины следующие:

  1. Oanda предлагает относительно низкий спред. Это важно для нашего проекта. Поиск подходящего спреда очень важен, поскольку он определяет минимальный объем сделки, который мы можем совершить. Чем ниже объем сделки, тем более подходит для работы наш алгоритм (как упоминалось ранее, мы хотим смотреть на достаточно малый масштаб, и мы действительно не хотим, чтобы величина спреда была больше, чем допустимая). скажем, 20% нашего торгового объема.
  2. У Oanda простой для понимания API
    — у Oanda очень хорошая документация по API, это значительно ускоряет наш процесс разработки/отладки . Однако это не означает, что у наших моделей все не так хорошо. На самом деле, некоторые модели имели выдающиеся характеристики.

    В следующих частях статьи мы рассмотрим очень важный компонент этого проекта — выбор функций.

    (Обратите внимание, что в этом проекте мы работаем только над торговлей наиболее волатильной, на наш взгляд, валютной парой — парой GBP/JPY)

    Выбор характеристик является критическим процессом этого проекта. Без выбора правильных характеристик любой модели было бы очень сложно работать. Мы потратили большую часть первой части этого проекта на тщательное изучение функций, которые, по нашему мнению, окажут наибольшее влияние на GBP/JPY. Полный список функций приведен в приложении.

    Кривая реальной доходности казначейских облигаций США[1]:

    Кривая доходности казначейских облигаций предназначена для демонстрации взаимосвязи между доходностью и сроками погашения текущих казначейских ценных бумаг с фиксированным доходом. Его можно использовать для получения процентных ставок в США, что имеет большое значение для финансов не только США, но и Великобритании и Японии. Необработанные данные о таких ставках разной срочности в 5, 7, 10, 20, 30 лет использовались в качестве признаков в надежде, что алгоритм машинного обучения сможет самостоятельно подобрать закономерность среди них. Тем не менее, это может быть сделано лучше, если ряд предустановленных паттернов (Нормальная, Перевернутая и Горбатая кривая) будет проанализирован перед тем, как использоваться в качестве единственной функции, чтобы дать более точный и, следовательно, более значимый вклад в определение тренда ценообразования.

    Цена золота

    Эта функция была выбрана, поскольку пара GBP/JPY имеет отрицательную корреляцию с ценой на золото, где цена золота падает, когда пара GBP/JPY растет, поскольку цена золота положительно коррелирует с иеной. . Положительная корреляция между ценой на золото и японской иеной может быть связана с тем, что оба они считаются безопасными убежищами. Безопасные убежища — это активы, которые не коррелируют или отрицательно коррелируют с другими активами или портфелями в периоды рыночного стресса.

    Японская иена имеет низкие или отрицательные процентные ставки, что делает ее общепринятой валютой для заимствования в торговых целях. Это означает, что во время кризиса, когда люди склонны продавать активы и меньше занимать, позиции по займам будут закрыты, что приведет к росту цены иены, поскольку иностранная валюта должна быть конвертирована обратно в иену. Точно так же золото также считается безопасным убежищем, поскольку оно имеет надежное средство сбережения, поскольку оно также обладает физическими свойствами, в отличие от бумажной валюты. Он также достаточно широко доступен, чтобы его можно было продать, но его предложение ограничено, что позволяет ему быть достаточно редким, чтобы считаться ценным.

    NZDUSD

    NZDUSD имеет высокую положительную корреляцию с GBPJPN. NZD не полностью считается риском для такой валюты, как CAD и AUD, но по-прежнему сильно коррелирует с упомянутыми валютами, что характерно для фунта стерлингов. Кроме того, JPY и USD считаются валютами без риска, поэтому обе пары имеют общую характеристику риска/риска. В качестве характеристик предоставляется как цена, так и спред NZDUSD — GBPJPY. Распространение было предоставлено как функция, чтобы попытаться зафиксировать сигналы на основе отклонения распространения от среднего значения.

    Рейтинг подразумеваемой волатильности QQQ, SPY, IWV

    QQQ: Отслеживает NASDAQ 100–100 крупнейших нефинансовых компаний, котирующихся на NASDAQ

    SPY: Отслеживает S&P 500–500 ведущих компаний, котирующихся на бирже

    9000 4 IWV: Обеспечивает экспозицию ко всему рынку США — 3000 крупнейших акций, торгуемых в США (97% всех акций США)

    Рейтинг подразумеваемой волатильности (IVR) означает, где текущая подразумеваемая волатильность ценной бумаги занимает место по отношению к ее подразумеваемой волатильности за последний 1 год . Таким образом, IVR обеспечивает хорошую оценку волатильности ценной бумаги по сравнению с ее исторической подразумеваемой волатильностью и рисует более точную картину настроения ценной бумаги. Например, IV 50 может быть высоким для ценной бумаги со средним IV 40, но низким для ценной бумаги со средним IV 80. Были выбраны QQQ, SPY и IWV, поскольку они были хорошими индикаторами экономики США и косвенно мировой экономики, поскольку это крупнейшая экономика мира по номинальному ВВП и важный торговый партнер большинства стран. Кроме того, США являются крупнейшим торговым партнером Великобритании и вторым по величине торговым партнером Японии.

    Цена сырой нефти марки Brent

    Япония в значительной степени зависит от импорта сырой нефти и природного газа для удовлетворения внутренних потребностей в энергии. Существует сильная связь между ценой японской иены и ценой на энергоносители. Исторические данные показывают, что когда глобальные цены на энергоносители меняются, иена обычно движется вместе с ними. Более того, поскольку Великобритания является одной из основных стран-экспортеров сырой нефти, цена на нефть на рынке также влияет на курс фунта стерлингов. Это оказывает косвенное влияние на курс GBP/JPY.

    Вначале эта характеристика измерялась и представлялась годовой информацией о сырой нефти марки Brent, такой как самая высокая цена за год, самая низкая цена за год, цена закрытия за год и средняя цена за год. Однако эта функция не внесла значительного вклада в мощность прогнозирования модели, потому что ежегодные изменения не чувствительны к изменениям цен GBP/JPY каждые 20 секунд. В результате годовые информационные характеристики были затем удалены из скребка, а ежедневные цены на акции Brent Crude Oil были добавлены в виде скорректированной цены закрытия от Yahoo Finance. Тем не менее, эту функцию можно было бы улучшить, если бы можно было отказаться от движения цены GBP/JPY в реальном времени, что внесет более значительный вклад в прогнозирующую способность нашей модели.

    Мы включили несколько вариантов моделей, чтобы исследовать различные характеристики для разных спецификаций моделей

    Метаоценщик пакетов[2]:

    В ансамблевых алгоритмах методы пакетирования образуют класс алгоритмов, которые строят несколько экземпляров черного ящика. оценивают случайные подмножества исходного обучающего набора, а затем объединяют их индивидуальные прогнозы для формирования окончательного прогноза. Эти методы используются как способ уменьшить дисперсию базовой оценки (например, дерева решений) путем введения рандомизации в процедуру ее построения и последующего создания из нее ансамбля. Поскольку они обеспечивают способ уменьшения переобучения, методы мешков лучше всего работают с сильными и сложными моделями (например, полностью разработанными деревьями решений), в отличие от методов бустинга, которые обычно лучше всего работают со слабыми моделями (например, неглубокими деревьями решений).

    Таким образом, предполагается, что он будет служить моделью сравнения с AdaBoost с точки зрения производительности модели для сильных и слабых моделей. Предположение состояло в том, что наша модель может быть сильной, с использованием около 20 функций в качестве факторов, определяющих движение цены.

    Рисунок 3.0 Результат прогнозирования для всех моделей

    Однако, судя по наблюдениям за единственную неделю торговли с использованием модели Bagging Methods (неделя, начинающаяся с 2021–12–13 годов), производительность и сравнения привели к довольно запутанному результату: с моделью Bagging ( зеленый цвет) в целом работает лучше, чем AdaBoost, обученный на данных 3k (синий цвет), и все же генерирует аналогичную линию тренда с AdaBoost, обученным на данных 4,5k (оранжевый цвет). И один очень интригующий факт о графике заключается в том, что график модели мешков почти напоминает график RandomForest, который имеет дело с дисбалансом классов.

    В результате это не приводит нас к каким-либо окончательным суждениям, поскольку влияние размера обучающих данных на бустинг моделей не является для нас детерминированным. Таким образом, проверка общей сложности нашей модели по-прежнему требует дальнейшего изучения, чтобы определить, является ли сложность нашей модели относительно сильной или слабой. Кроме того, оглядываясь назад, можно сказать, что существует много тесно связанных характеристик, таких как 5 кривых реальной доходности казначейских облигаций США с различными сроками погашения, которые вместе образуют значимую модель по отношению к модели сами по себе. И последнее, но не менее важное: виртуально перекрывающиеся графики модели хвастовства и RandomForest, которые касаются дисбаланса классов, также заслуживают дальнейшего изучения.

    Random Forest и Adaboost:

    Мы также использовали Random Forest, метод ансамблевого обучения, чтобы делать прогнозы движения цены пары GBP/JPY. Мы использовали случайный лес вместо деревьев решений, поскольку он использует пакетирование путем начальной загрузки выборок данных для независимого обучения деревьев решений, прежде чем агрегировать эти деревья решений для прогнозирования. Это помогает уменьшить дисперсию результатов сделанных прогнозов, поэтому вместо использования отдельного дерева решений был выбран случайный лес. Кроме того, алгоритм мешков, используемый Random Forest, отличается от обычных алгоритмов мешков, где ансамбль обученных деревьев решений может иметь высокую корреляцию в своих прогнозах, что может привести к систематической ошибке. В алгоритме мешков, используемом для случайного леса, ансамбль деревьев решений обучается таким образом, чтобы их прогнозы имели меньшую корреляцию, что приводит к меньшему смещению в модели случайного леса. Возможно, поэтому наша самая эффективная модель — случайный лес.

    Мы также использовали Adaboost, еще один метод машинного обучения, использующий повышение. Adaboost отличается от Random Forest, где классификаторы обучаются последовательно адаптивным способом, в отличие от Random Forest, где классификаторы обучаются независимо. Модель Adaboost обучается последовательно на каждом этапе, определяя точки с более высокими весами, которые были неправильно классифицированы на предыдущем этапе. Это позволяет классификаторам, вводимым на каждом этапе, придавать больший вес этим ошибочно классифицированным экземплярам и меньшему весу тем, которые уже были правильно классифицированы предыдущими классификаторами.

    Однако наши результаты показали, что модель случайного леса оказалась наиболее эффективной моделью. Хотя и Random Forest, и Adaboost являются методами ансамблевого обучения, Random Forest в этом случае показал лучшие результаты при прогнозировании ценового движения пары GBP/JPY. Это может быть связано с тем, что модель случайного леса с меньшей вероятностью будет переоснащена обучающими данными по сравнению с моделью Adaboost. Для модели случайного леса при каждом разбиении выбирается только подмножество всех признаков, чтобы уменьшить корреляцию. Это важно для предотвращения присутствия сильного предиктора во всех деревьях, что может привести к высокой корреляции всех деревьев.

    Выбрав модель случайного леса, мы поняли, что наша модель стабильно приносит прибыль с понедельника по среду, а по четвергам и пятницам приносит убытки. Мы рассмотрели эту проблему и поняли, что это произошло потому, что каждые 20 секунд наша модель переобучалась на данных за последние 36 часов, а это означало бы, что она обучалась на данных за последние полтора дня. На рынке форекс можно заметить, что значения наших характеристик были разными в двух временных рамках с понедельника по среду и с четверга по пятницу. Таким образом, мы поняли, что наша модель может терпеть убытки на втором таймфрейме, поскольку она была обучена на данных из первого кадра, которые отличались от данных, на основе которых модель делала прогнозы. Таким образом, по четвергам и пятницам мы решили обучать модель после решения этой проблемы дисбаланса классов, поскольку предыдущая обученная модель имела слишком много данных из первого временного интервала, тогда как ее нужно было обучать с большим количеством данных из второго временного интервала. Затем мы применили передискретизацию и включили больше данных во второй период времени, чтобы обучить модель делать прогнозы по четвергам и пятницам. На приведенном ниже графике мы заметили, что применение избыточной выборки для решения проблемы дисбаланса классов улучшило производительность модели по четвергам и пятницам (второй временной интервал). Это видно на рисунке Это связано с тем, что модели, обученные во втором временном интервале, теперь содержат более релевантные данные из того же временного интервала, чтобы получать более релевантную информацию из функций, что позволяет моделям делать прогнозы с более высокой точностью.

    Рисунок 4.0 Точность по дням недели

    Логистическая регрессия

    Для того чтобы выполнять нашу алгоритмическую торговлю с использованием количественных данных без приоритетного распределения, мы внедрили логистическую регрессию для торговли по цене GBP/JPY в качестве отправной точки. Логистическая регрессия — это контролируемый метод машинного обучения, который выводит одну вероятностную или количественную зависимую переменную для принятия бинарных решений. Он не делает предположений о распределении классов пространственных объектов и может быть легко обобщен в регрессию с несколькими классами. Кроме того, логистическая регрессия предоставляет информацию о значимости признаков и направлении связи по характеристикам коэффициентов признаков. Начиная с линейного уравнения и заканчивая сигмовидной функцией, логистическая регрессия отличается от линейной регрессии требованиями к функциям и выходной переменной.

    В нашей модели логистическая регрессия учитывала количественные характеристики и обучала их, используя в качестве зависимой переменной цену GBP/JPY в режиме реального времени. Затем он выводит коэффициенты функций, чтобы определить силу и направление влияния каждой функции на цену GBP/JPY. Наконец, применив логистическую регрессию на практике, мы смогли спрогнозировать цену GBP/JPY и выполнить следующий шаг в бизнес-практике для получения прибыли.

    MLP

    Мы также исследовали модель многоуровневого персептрона. MLP состоит из слоев нейронов, которые полностью связаны с предыдущими слоями нейронов. Активация нейронов основана на взвешенных связях от предыдущих слоев нейронов и функции активации, в которую подаются эти связи. Существует входной слой, выходной слой и любое количество скрытых слоев между входным и выходным слоями. Функции передаются во входные слои, которые последовательно активируют следующие слои, пока не будет достигнут выходной слой. После каждого прохода сети веса корректируются в соответствии с ожидаемой активацией выходного слоя на основе метки.

    Поскольку мы использовали функции, которые логически и статистически имеют достоверную связь с движением GBPJPN, MLP предоставил нам способ попытаться сгенерировать прогнозы сигнала с помощью функции ввода и справиться с нелинейным характером нашего набора данных. . Входной слой нашей модели — это объекты, которые мы очистили, а выходной слой — соответствующая метка, увеличение или уменьшение на 20 пунктов. Модель была построена с 3 скрытыми слоями по 8 нейронов в каждом и активировалась с помощью нелинейной функции активации relu.

    Основным недостатком модели является то, что она не учитывает характер временных рядов данных. Поскольку наши обучающие данные датируются всего пару дней назад, модель, возможно, не смогла полностью уловить тенденцию. В связи с этим мы могли бы изменить входные данные каждой метки, чтобы включить несколько предыдущих входных данных для обучения модели.

    В целом, несмотря на то, что идея о том, что сигнал логически может быть функцией соответствующих факторов, рынок очень сложен, постоянно меняется и не совсем эффективен, функция, полученная на основе прошлых данных, не может надежно использоваться для прогнозирования будущих данных в течение длительного времени. период времени. Ожидается, что значение характеристик будет регулярно меняться, и большинство трейдеров часто уже используют общие индикаторы, в результате чего такие прогнозы не дают большого преимущества по сравнению с массами.

    Таким образом, мы совершили наибольшее количество сделок с RandomForest_3000, однако RandomForest_4500 дает значительно большую прибыль при меньшем количестве сделок. Только один вариант Adaboost работал хорошо (AdaBoost_4500), другие варианты были ответственны за большую часть потерь, которые мы понесли.

    Рисунок 5.0 Общая прибыль и количество сделок Рисунок 6.0 Средняя прибыль на сделку

    Поэтому неудивительно, что RandomForest_4500 имеет самый высокий показатель точности в 66%, за ним следует RandomForest_3000. Поэтому очевидно, что модели случайного леса имеют лучшую производительность по сравнению с другими моделями.

    Рисунок 7.0 Общая точность предсказания модели

    Области для улучшения

    На этом наш проект завершен. В целом, мы обнаружили, что с помощью некоторых моделей, таких как случайный лес, можно получать стабильную прибыль, тогда как с помощью других моделей добиться того же результата было бы сложнее. Тем не менее, было много областей улучшений, которые мы могли бы изучить для этого проекта:

    1. Использование дня недели в качестве функции обучающих данных
      — Во время нашей торговли мы понимаем, что недельные эффекты сезонности очень распространены. Например, производительность моделей всегда падает в определенный день недели. Этому можно было бы помочь, если бы мы использовали День недели как часть обучающих функций. Вы можете обратиться к RandomForest в разделе выбора модели для получения дополнительной информации.
    2. A/B-тестирование
      . Можно было провести более тщательное A/B-тестирование. Это было в основном ограничено аппаратными возможностями, которые у нас были. Однако у нас также не было хорошего конвейера A/B-тестирования. Это можно было бы сделать, чтобы помочь с выбором лучших функций.
    3. Технические ошибки
      . Хотя AWS работает относительно стабильно, сбои в работе сети все же случались. В результате некоторые торговые данные, которые мы собрали, могут быть нерепрезентативными.

    Мы надеемся, что эта статья поможет вам понять автоматическую торговлю на рынке Форекс. Если у вас есть какие-либо сомнения, не стесняйтесь обращаться в отдел NUS Fintech ML, чтобы связаться с членами нашей команды.