Анализ временных рядов состоит в том, чтобы извлечь из них определенную информацию необходимую для предсказания последующих значений на основе предыдущей истории. Расчеты строятся на предположении, что данный временной ряд имеет определенную математическую структуру. Такая структура существует в определенном фазовом пространстве, координатами которого служат независимые переменные, которые и описывают поведение системы в целом. Поэтому главная проблема, которую необходимо решить, — это определение фазового пространства. Для этого нужно выбрать наиболее важные характеристики системы в качестве фазовых переменных (например, индикаторы технического анализа).
Нейронные сети дают дополнительные возможности в моделировании нелинейных явлений и распознавании их хаотического поведения. Благодаря своей гибкости они могут «ухватить» самые разные структуры в фазовом пространстве. Способность обобщения и определения скрытых закономерностей является уникальным свойством нейросетей и позволяет их использовать в трудно-формализуемых финансово-экономических задачах. В настоящее время рынок Forex получил широкое распространение в России. Это обусловлено его высокой ликвидностью и малой стоимостью входа (средний страховой депозит в российском дилинге 1000–2000 USD). Поэтому представляется актуальной задача прогнозирования курсов валют, торгуемых на рынке Forex. В этой статье дан общий подход и оценка результатов прогнозов курсов валют с использованием нейронных сетей.
Определение объекта прогноза
На рынке Forex можно проводить прогнозирование цен: закрытия (Close), максимальной (High) и минимальной (Low). Качество получаемого прогноза, скорее всего, будет различным для каждой из них. Для подтверждения этого тезиса проведем тренировку трех простых нейросетей, выходы которых и спрогнозируют эти цены. Внутренний слой каждой обучаемой сети состоит из трех нейронов с нелинейной активационной (выходной) функцией. В качестве временного ряда взят часовой график швейцарского франка (CHF), для которого и строился прогноз. Для тренировки было взято 3000 часовых баров. Нейросеть обучалась в течение 2000 эпох (проход по множеству данных), с использованием метода калибровки. Этот метод предполагает разбиение всего множества примеров на обучающее и тестовое, при этом обучение производится на обучающем множестве, а контроль за качеством примеров на тестовом. Использованный метод калибровки является эффективным методом борьбы с переобучением нейросети. Результаты прогнозов изображены на рис. 1.
Из рис. 1 видно, что наиболее эффективным представляется прогнозирование максимальной и минимальной цены бара. Цена закрытия почти не прогнозируется. Это можно объяснить тем, что при круглосуточном рынке (Forex работает 24 часа) цены открытия и закрытия бара дают мало информации о динамике рынка. Они зависят от того, как «нарезаны» бары (что было взято за первую точку). В свою очередь, цена закрытия является последней сделкой на прогнозируемом интервале и поэтому мало зависит от предыдущих значений. Ее не нужно использовать как объект прогнозирования.
|