Прогнозирование финансовых рынков с использованием искусственных нейросетей

       

Классификация рыночных ситуаций по достижимости значимых уровней.


Как было отмечено выше, первоочередной задачей технического анализа является определение направления движения цены в будущем. Тем не менее, для получения полного представления о состоянии рынка желательно знать, до какого уровня может дойти цена в ближайшее время. Если в финансовом ряде существуют функциональные зависимости, то ИНС, как универсальный инструмент аппроксимации, может оказаться полезным инструментом для предсказания уровней цены через некоторое количество периодов в будущем.

Обучающее правило для прогнозирования достижимости значимых уровней формируется в виде классов. Рассмотрим процесс формирования обучающего правила для часовой динамики курса евро/доллар за 1999 год. Указанная динамика имеет следующие характеристики (за 24 часа): максимальный достигнутый верхний уровень +0.0292, средний достигнутый верхний уровень +0.0049, предельно достигнутый нижний уровень

-0.0276, средний достигнутый нижний уровень -0.0056, т.е. в среднем за сутки цена проходит около 50 пунктов (вверх или вниз) и максимальное суточное движение цены близко к 300 пунктам (вверх или вниз). Статистически большинство значений достигнутых уровней не превосходят 80-100 пунктов. Исходя из указанных значений, можно формировать классы по достижимости ценой некоторых уровней (каждые 20 пунктов), т.е. образ попадает в первый класс, если за следующие 24 часа цена выросла/упала не более, чем на 20 пунктов, во второй класс, если цена выросла/упала более, чем на 20 пунктов, но не более, чем на 40 и т.д. Распределение количества образов по классам, при классификации по описанному принципу, представлено на рисунке 2.13.

Классификация рыночных ситуаций по достижимости значимых уровней.

Рис. 2.13. Распределение образов по классам при классификации по

признаку достижимости значимых уровней (евро/доллар 1999 г.)

Остается закодировать значения классов в соответствии с принципом максимизации энтропии (информационной насыщенности) выходных значений обучающего множества, описанном выше. Так, при полученном распределении ожидаемых выходных значений, коды классов примут следующие значения:

а.) для верхних уровней: x1 = 0.1125, x2

= 0.3706, x3 = 0.6162, x4 = 0.7743, x5 = 0.8635, x6 = 0.9474.

б.) для нижних уровней: x1 = 0.0810, x2

= 0.2896, x3 = 0.5229, x4 = 0.6973, x5 = 0.8126, x6 = 0.9297.



Содержание раздела