Обновление NeuralTrade

Наша торговая система NeuralTrade имеет запатентованный алгоритм самообучения - это позволяет ей постоянно учиться на позитивном и негативном опыте торговли. Учитывая прошлые годы, где убыточные периоды имели место быть, в 2017м году отрицательных периодов нет. Отсюда делаем вывод, что алгоритм самообучения развивается и приносит ощутимые финансовые плоды!

 

Мы проанализировали пройденный этап, а это 7 торговых лет, и внесли актуальные изменения в концепцию торговли всей системы NeuralTrade, не нарушая ключевые правила, дабы накапливать опыт запатентованного алгоритма дальше.

Как известно, при попытке прогнозирования поведения финансовых рынков с помощью нейронных сетей, наиболее сложным является подготовка входных данных и выбор методов обучения. Самым классическим способом сглаживания данных служит метод скользящей средней. Этот подход и по сей день пользуется большой популярностью, но обладает рядом существенных недостатков:

 

 

 

  1. При маленьких n скользящая средняя не устойчива к случайным колебаниям, и по ней не целесообразно делать какие-либо выводы;
  2. При увеличении n индикатор скользящей средней становится более точным, но реагирует поздно. Происходит это из-за того, что в формуле выше события, которые произошли «давно» и «недавно», вносят одинаковый вклад в значение скользящей средней.

Изначально мы применяли данный подход, так как он прост в использовании, и на коротком сроке прогноза недостатки не являлись критичными.

В настоящий момент мы решили пойти другим, не менее классическим, способом статистического анализа.

Рассмотрим экспоненциальное взвешенное скользящее среднее:

Из действительного анализа известно, что при сглаживании исходной функции используется нормированные взвешенные функции:



 где нормированность определяется условием:

Проверим, что экспоненциальное взвешенное скользящее среднее является нормированной взвешенной функцией, т.е. сумма весов равна 1:

Заметим, что формулу экспоненциальной средней можно переписать в виде:

Нам осталось только доказать ее:

 

Взвешенная экспоненциальная средняя является более достоверной, так как вклад более поздних событий больший, чем начальных, что позволило максимально актуально реагировать на текущий тренд и не обращать внимание на коррекции и шумы рынка. Также поток данных в нейросеть сократился минимум на 30%, что позволило увеличить скорость реакции сети и уменьшить потребляемую мощность.  

Уменьшение потребляемой мощности и повышение скорости реакции системы позволило перейти на минимальные рыночные тренды. Сейчас торговлю можно охарактеризовать как «скальпинг», но на самом деле NeuralTrade торгует по тренду, сформировавшемуся внутри торговой сессии, а не хаотично открывает и закрывает позиции как это принято в классическом «скальпинге».

Как Вы можете видеть в отчетах NeuralTrade, представленных на сайте https://ita-lab.ru/blog, количество сделок увеличилось минимум в 10 раз. Увеличение количества сделок позволило кратно сократить маржинальность торговли NeuralTrade не влияя на доходность.

А это значит – кратно сократились торговые риски всей системы при неизменной доходности NeuralTrade.

 

 

 

Команда разработчиков NeuralTrade.