Разработка нейросетевого биржевого торгового робота в современных условиях

В современных условиях дальнейшее развитие биржевой деятельности тесно связывают с возрастанием использования алгоритмической торговли, исследование которой имеет важное значение.

Перед такими системами ставится цель получить прибыль. Они также известны под названием «торговые роботы» («black box trading»), в которых торговые стратегии строятся на базе сложных математических формул и быстрой обработки данных.

Как показывают исследования, в статистике ведущих мировых бирж за последние годы явно проглядывается сильный рост заявок и сделок участников, применяющих торговых роботов. На крупнейшей в мире бирже NYSE с 2006 по  2011 гг. доля торговых роботов колебалась от 16,2 до 48,8 %, в среднем составляя около 30 % от объемов торгов. На Лондонской фондовой бирже (LSE) доля торговых роботов также почти непрерывно росла, и если в 2005 году им принадлежало порядка 11-16 % объема торгов, то в 2009-2010 гг. уже 25-30 %. Рост активности участников, использующих торговых роботов, наблюдался и на одной из крупнейших бирж Европы Deutsche Boerse AG: в 2004 г. на долю роботов приходилось порядка 20 % объема электронных торгов акциями, а в 2009 г. уже более 42 %.

Обученная на исходных данных временного ряда по фьючерсному контракту на USD с кодом SiU5 на минутных свечах нейронная сеть рассчитывает прогнозное значение цены закрытия с ошибкой не более 5 %.

Риски алгоритмической торговли обусловлены действием множества причин, в том числе появлением программных, аппаратных или человеческих ошибок, которые могут привести к негативным последствиям, например, проскальзывание, когда алгоритм по какой-то причине не смог выставить заявку правильно, в результате трейдер может понести потери.

Торговые стратегии имеют важное значение, поскольку основной целью спекулятивных стратегий является получение дохода в краткосрочном периоде за счет колебаний рыночных цен финансовых инструментов.

В целях классификации принято выделять восемь основных спекулятивных стратегий, другие являются их производными.

Можно сделать вывод о том, что среди торговых алгоритмов возрастает конкуренция. Действительно, в семерке сильнейших можно отметить, что уровень доходности не опускается ниже 69,52 %, показывая хорошую динамику.

Многочисленные факторы внешней среды влияют на курс доллара, причем это влияние зачастую имеет не линейный характер. Как правило, трейдеры пытаются интуитивно поймать момент, чтобы открыть или закрыть позицию на бирже.

Представляется целесообразным выявить закономерности на основе квантования больших данных (BigData), а именно: параметры временного ряда цены фьючерсного контракта SiH8, чтобы сформировать совокупность входных факторов нейронной сети.

Например, прирост цены Delta Pc (по оси Z) принимает максимальные значения на тех интервалах, где параметр RSI(5) принимает значения от 75,45 и выше (по оси Y), при этом пики значений приростов цены соответствуют определенным интервалам значений цены Pc (по оси X), что важно учитывать при формировании торгового алгоритма (рис. 15).

Используя возможности торговой платформы QUIK, следует импортировать данные по фьючерсному контракту на американский доллар SiH8 на 15-минутных свечах. Сформировать нейронную модель, имеющую 6 нейронов на входном слое: цена закрытия – Pc; объем торгов – V; значения индикатора «полосы Боллинджера»: верхние – SIG(h), нижние – SIG(l); индекс относительной силы на 5 интервалах – RSI(5); дельта Pc – Delta Pc. Один скрытый слой. Выходной слой, имеющий один параметр – ордер «1 Buy» / «-1 Sell».

Полученные данные свидетельствуют о том, что существуют определенные зависимости между рассмотренными факторами: цена закрытия – Pc; объем торгов – V; значения индикатора «полосы Боллинджера»: верхние – SIG(h), нижние – SIG(l); индекс относительной силы на 5 интервалах – RSI(5); дельта Pc – Delta Pc.

Индикатор рассчитывается на основе стандартного отклонения σ от простой скользящей средней. Обычно отображается как поверх графика цены, так и снизу.

RSI – технический индикатор, способный обнаруживать слабые зоны текущего ценового потока. Индекс относительной силы относится к осцилляторам. И относительность этой самой силы RSI отражает через скорость и амплитуду, с которой меняется движение цены. Иначе скорость и амплитуду движения цены называют «моментум».

Так, если линия RSI выше 70 %, значит цена росла, актив резво покупали, цена вошла в зону перекупленности, и вот-вот наступит разворот рынка. RSI указывает на то, чтобы закрыть длинную позицию, продать (открыть короткую позицию).

По результатам оценки динамики полученных параметров следует сформулировать правила простейшей нейронной сети и сформируем нейросетевую модель – персептрон (рис. 16).

Структура нейросети представлена входным слоем с такими параметрами, как: P2-P1≤ 0; P2-P1˃ 0; RSIp-RSI70 ≥ 0; RSIp-RSI30 ≤ 0; P-SIG(h) ≥ 0; P-SIG(l) ≤ 0. На выходном слое имеется один параметр – ордер «1 Buy» / «-1 Sell».

Сформированная нейросетевая модель показала высокую прибыльность: доходность r составила, например, 07.02.208 г. – 0,05768; 08.02.2018 г. – 0,04115; 09.02.2018 г. – 0,18213. В среднем за три дня алгоритм торговал прибыльно, показав среднедневную доходность 0,28103.

Результаты работы персептрона представлены в табл. 8.

Для того чтобы торговать одним фьючерсным контрактом SiH8, необходимо иметь на брокерском счете минимальный размер денег – гарантийное обеспечение (ГО), например, «капитал» К=3450 руб. В процессе тестирования алгоритма на «исторических данных» за 07.02.2018 г. была получена положительная маржа – прибыль 199 руб. Доходность капитала составила 5,768 % (199/3450*100 %).

В нейросетевой модели применялись соответствующие настройки – значения весов, которые определенным образом влияют на результаты работы сформированной системы искусственного интеллекта, которые представляют «ноу-хау» авторов. На основании проведенного исследования выявлено, что полученные результаты могут быть улучшены за счет добавления промежуточных слоев, позволяющих вводить в модель новые правила, в результате чего доходность работы нейросетевой модели может быть увеличена.

Сформированная нейросетевая модель относится к классу простейших моделей, в которых значения весов устанавливаются изначально.

Гипотеза подтверждена: с помощью системы искусственного интеллекта можно сформировать алгоритм, обеспечивающий доходность выше, чем доходность безрискового актива – государственных облигаций.