Размещено на http://www.allbest.ru/

ФЕДЕРАЛЬНОЕ ГОСУДАРСТВЕННОЕ АВТОНОМНОЕ

ОБРАЗОВАТЕЛЬНОЕ УЧРЕЖДЕНИЕ ВЫСШЕГО ОБРАЗОВАНИЯ

«НАЦИОНАЛЬНЫЙ ИССЛЕДОВАТЕЛЬСКИЙ УНИВЕРСИТЕТ

«ВЫСШАЯ ШКОЛА ЭКОНОМИКИ»

Факультет «Санкт-Петербургская школа экономики и менеджмента»

Прогнозирование финансовых временных рядов с использованием экономического календаря

Выпускная квалификационная работа -

МАГИСТЕРСКАЯ ДИССЕРТАЦИЯ

по направлению подготовки 38.04.01 «Экономика»

образовательная программа «Прикладная экономика и математические методы»

Ивашов Даниил Михайлович

Санкт-Петербург

2020 г.

Рецензент

д.э.н., профессор, заведующая кафедры международной экономики и менеджмента ФГАОУ ВО «УрФУ имени первого Президента России Б.Н. Ельцина»

Л.С. Ружанская

Научный руководитель

к.э.н.,

доцент департамента экономики

____________________

Ф.А. Ущев



Оглавление

Введение

1. Валютный рынок

1.1 Экономический календарь

1.2 Сущность валютного рынка

1.3 Участники валютного рынка

1.4 Фундаментальный анализ валютного рынка

2. Инструменты анализа

2.1 Данные

2.2 Стратегии

2.3 Применения машинного обучения

Заключение

Список источников

Приложения

календарь экономический прибыль стратегия



Введение

Доходы от инвестиций на финансовых рынках во многом зависят от информированности и успешности принятия статистически высоковероятных решений. Предсказания цен на различные активы и реализаций торговых возможностей всегда являлось актуальной задачей для инвесторов и исследователей.

В быстро меняющемся мире валютного рынка, где, казалось бы, могут возникнуть огромные движения из ниоткуда, для трейдеров крайне важно знать различные экономические индикаторы и быть в курсе важных новостей, которые формируют рынки. Экономический календарь, как агрегированная система информирования, помогает лучше понять, что происходит на рынке, и принять лучшие торговые решения, так как важные новости могут вызвать сильные колебания цен и волатильность. Понимание динамики экономических событий и имплементация элементов машинного обучения обеспечивают предсказуемость движения рынка и снабжают инвестора стратегическим преимуществом.

Большинство научных работ, посвящённых анализу валютного и фондового рынка в рамках новостного фона, сводится к моделированию доходностей на основе известных методов, таких как структурные векторные авторегрессии (SVAR), различные итерации моделей волатильности GARCH для высокочастотных данных, а также применение методик ивент-анализа (Event Studies), где калькулируется возможные аномальные доходности после выхода новостей по сравнению с прошлыми данными, когда новостные публикации отсутствуют.

В то же время торговля на новостях в краткосрочной перспективе очень рискованна, так как даже после публикаций экономической статистики цены активов могут изменяться в направлениях обратных тенденциям индикатора. Кроме того, при краткосрочной торговле на новостях спекулянты сталкиваются с проблемами, связанными со скоростью принятия решения, высокой волатильности, риск-менеджмента в условиях неопределенности.

В связи с этим встает вопрос о том, как агентам на валютном рынке обрабатывать данные из экономического календаря и эффективно использовать их для формирования эффективных торговых решений.

Объектом исследования является динамика изменения цены на валютную пару NZD/USD в нескольких таймфремах и данные экономического календаря. В цели работы входит построение торговой стратегии на основе данных экономического календаря, исследование предметной области машинного обучения, построение системы прогнозирования доходности с торговых сигналов.

Изучив поведение валют в различные временные промежутки в момент публикации экономической статистики с применением элементов машинного обучения можно сформировать прибыльную стратегию торговли и, как следствие, создать торгового робота или торгового советника.

В рамках поставленной цели необходимо выполнить ряд задач:

· Проанализировать сущность экономического календаря и поведения обменных курсов;

· Выявить наиболее прогнозируемые новости, сопровождающиеся высокой волатильностью;

· Протестировать доходности на различных таймфреймах в момент выхода новостей, оценить наиболее доходные сигналы;

· Построение алгоритма машинного обучения для оценки возможностей получения прибыли на готовых стратегиях, оптимизация гиперпараметров;

· Предложить вероятные торговые решения.

Актуальность данного исследования заключается в применении сравнительно нового алгоритма машинного обучения XGBoost, так как ранее он использовался для предсказания временных рядов преимущественно на основе индикаторов технического анализа, но не фундаментального, в который входит анализ экономического календаря.



1. Валютный рынок

1.1 Экономический календарь

Традиционно в трейдинге анализ активов делят на фундаментальный и технический. При фундаментальном анализе валютных пар обычно пользуются данными из экономического календаря.

Экономический календарь - это график запланированных новостных событий или публикаций данных, которые касаются финансовых рынков и мировой экономики в целом; эти события могут повлиять на движение отдельных валют, ценных бумаг или рынков в целом. Актуальные показатели темпов роста ВВП, последние данные о заработной плате вне сельского хозяйственного сектора, количество дополнительных рабочих мест, заявки на пособие по безработице, решения по процентной ставке, регулярные отчеты Федеральной резервной системы или других центральных банков, исследования экономических настроений на конкретных рынках - это примеры того, что можно найти в экономическом календаре. Большинство перечисленных экономических индикаторов подпадают под одну из двух категорий: прогнозы будущих финансовых и экономических событий или отчеты о последних финансовых и экономических событиях (Savaser, T. Exchange, 2011).

Календарь достаточно прост в интерпретации. У событий запланированы дата и точное время выхода. Указана конкретная страна и валюта. Каждая макроэкономическая новость оценивается аналитиками и имеет свой «рейтинг значимости» и, если это количественный показатель, имеет прогнозное значение - ожидание аналитиков перед публикацией фактического показателя (см. Таблица 1).

По степени влияния на волатильность рынков экономические индикаторы делятся на (Evans M. D., Lyons R. K., 2007):

· Незначительные события, которые, как ожидается, окажут минимальное влияние на рынок.

· События, которые могут оказать влияние на рынок, но скорее всего спровоцируют умеренную волатильность.

· Данные, которые с большой вероятностью могут существенно повлиять на рынок и привести к высокой волатильности на рынке.

Таблица 1.

Фрагмент экономического календаря

Friday, January 20, 2017
Time (GMT)	Currency	Importance	Event	Actual	Forecast	Previous
02:00	CNY	High	Chinese GDP (Q4) (YoY)	6.8%	6.7%	6.7%

· Time - время публикации экономических данных.

· Currency - валютная пара, к которой относятся данные.

· Importance - насколько важно событие для соответствующей валюты, вероятность высокой волатильности.

· Event - экономические данные, конкретное событие (выступление политического или экономического деятеля, голосование и т.д.).

· Actual (Act.) - фактическое значение, обновляется в календаре в запланированный по времени момент.

· Expected (Exp.) - средний прогноз 50 ведущих аналитиков.

· Previous (Prev.) - предыдущее фактическое значение экономического индикатора.

Инвесторы и трейдеры используют экономический календарь для планирования сделок и перераспределения активов в портфеле. Чаще всего экономические события используют в своих торговых стратегиях трейдеры валютного рынка, так как эти экономические индикаторы оказывают непосредственное влияние на экономики конкретных стран и на их национальные валюты.

Трейдеры и инвесторы полагаются на экономический календарь, чтобы реализовать торговые возможности из предоставленной информации, а также лучше понимать рыночные изменения. Если трейдер верно определяет характер новости, он может открыть позицию непосредственно перед запланированным объявлением, а затем закрыть ее в течение нескольких часов после объявления (Wong, Cenev, 2015). Валютные спекулянты также могут быть вне рынка из-за высоких рисков волатильности в момент выхода наиболее значимых новостей. Так или иначе, экономический календарь становится важным настраиваемым инструментом торговли, который нужно учитывать при совершении торговых сделок.

Экономические показатели имеют три основных атрибута - отношение к деловому циклу или экономике, периодичность публикаций данных и скорости реакции экономики в целом (Green, T. C., 2004).

Что касается делового цикла или экономики, индикаторы подразделяются на три типа экономических связей, такие как проциклические, антициклические и ациклические. Проциклический - экономический индикатор идет в том же направлении, что и экономика. Это означает, что, когда экономика сильна, этот показатель растет. Например, валовой внутренний продукт (ВВП). Контрциклический - экономический индикатор идет в обратном направлении по отношению к экономике, например, уровень безработицы увеличивается по мере ухудшения экономики. Ациклический - динамика экономического показателя не имеет ничего общего с благосостоянием экономики, например, некоторые спортивные мероприятия (Evans M. D., Lyons R. K., 2007).

По частоте публикации данных большинство стран выпускают квартальные показатели ВВП и ежемесячные уровни безработицы. Индикаторы, такие как индекс Доу-Джонса, всегда доступны и меняются каждую секунду (Redl C., 2015).

По скорости реакции экономики показатели могут быть опережающими, отстающими или совпадающими. В первом случае показатели меняются до экономических изменений. Доходность фондового рынка является ведущим индикатором, которая падает до того, как экономика падает и растет, прежде чем экономика начнет восстанавливаться. Отстающий индикатор не меняет направление, пока спустя несколько кварталов не произойдут изменения в экономике. Это можно понять на примере уровня безработицы, который растет через 2 или 3 квартала после соответствующих процессов в экономике. Совпадающие показатели в режиме реального времени проясняют состояние экономики (Jiang, Wang, 2015).

Ключевые особенности использования экономического календаря в спекуляциях заключаются в следующем:

· Экономические данные, как правило, являются одним из наиболее важных катализаторов краткосрочных движений на валютном рынке.

· Поскольку доллар США является одной из наиболее ликвидных валют, экономические новости в США, как правило, оказывают значительное влияние на ценовые колебания валюты.

· Самый распространенный способ торговли на новостях - фиксация мощных прорывов в момент выхода новости, после продолжительной консолидации валютной пары с последующей фиксацией прибыли или убытка.

1.2 Сущность валютного рынка

Foreign exchange market - это большая телекоммуникационная сеть, которая сводит крупнейшие банки мира. Предположим, у каждого банка есть свои обменные пункты, в которых люди покупают валюту. Банк в свою очередь покупает и продает валюту через рынок Forex. Главными участниками валютного рынка являются центральные банки, коммерческие банки, крупные инвестиционные компании, транснациональные корпорации, которым в силу своей операционной деятельности необходимо производить операции с валютой, а также всевозможные спекулянты и инвесторы. В процессе купли-продажи участвуют валютные пары, например, EUR/USD (евро / доллар США), то есть, совершая операцию на валютном рынке по данной паре, мы или покупаем евро за доллары или наоборот продаем евро за доллары. Евро в данном случае будет базовой валютой, а доллар США котируемой валютой, в которой совершаются расчеты. Брокер, банк или другой финансовый институт, предоставляющий котировки, определяет цену покупки «Ask» и цену продажи «Bid», где разница, «Spread» - комиссия, которую взимает обменный пункт за совершение операций. Рынок Forex привлекателен тем, что в отличие от банков имеет низкий spread, учитывая, что котирование происходит до пятого знака после запятой (пример: цена EUR/USD = 1,08220) (Jiang, Wang, 2015).

Операции совершаются лотами, где 1 лот = 100 000 базовой валюты. То есть при покупке 1 лота EUR/USD, при изменении цены на 1 пункт, доходность составит 1 доллар США. Будучи спекулятивным участником валютного рынка имеется возможность через брокера получить «кредитное плечо» (стандарт для валютного рынка 1:100). Таким образом, для совершения операций на рынке, не обязательно иметь 100 000 единиц валюты, и можно совершать сделки с балансом в 1000 евро. Оставшуюся недостающую сумму добавляет брокер. Кроме того, есть возможность дробления лотов до 0,01 лота. Получается, что порог входа на валютный рынок достаточно низкий, а сумма на 1000 базовой валюты при открытии сделки с 1 лотом берётся банком или брокером в залог на период открытой сделки.

Основными преимуществами валютного рынка является высокая ликвидность, подразумевающая огромные объемы, и осуществление работы 24 часа в сутки 5 дней в неделю. Достигается такой эффект за счет того, что вся торговля разделяется на 4 торговых сессии: азиатскую, европейскую, американскую и тихоокеанскую. Оборот валютного рынка в сутки достигает 3-5 триллионов долларов, что в 10 раз превышает оборот всего мирового рынка акций (Omrane, Savaєer, 2017).

К основным инструментам валютного рынка относятся следующие пары:

· EUR/USD (евро)

· GBP/USD (британский фунт)

· USD/CHF (швейцарский франк)

· USD/JPY (японская йена)

· USD/CAD (канадский доллар)

· AUD/USD (австралийский доллар)

Эти инструменты относятся к основным из-за того, что торгуются в паре с американским долларом, прочие валюты, как правило относят к кросс-курсам и экзотическим.

1.3 Участники валютного рынка

По влиянию на объемы торгов участников рынка можно разделить на три группы (Wong, Cenev, 2015).:

1. Маркет-мейкеры - «умные деньги» (деньги профессиональных групп) (Deutsche Bank, Mizuho Bank, Barclays Bank, PBS, Citi Bank, Chase Manhattan Bank, Union Bank of Switzerland). Устанавливают текущий уровень курса путем проведения операций друг с другом, а также с менее крупными банками, которые также являются участниками рынка. Именно маркет - мейкеры устанавливают курс для мелких банков, организаций и физических лиц.

2. Маркет-юзеры - мелкие и средние коммерческие банки, управляющие компании, финансовые организации, инвестиционные фонды, брокерские компании, физические лица, которые используют для своих операций тот курс, который для них устанавливают маркет-мейкеры. Не являются активными игроками на рынках, хотя общий объем их операций на рынке может быть довольно большим, но для каждого из них незначительна. Роль мелких маркет-юзеров заключается в принятии или непринятии котировок, поставляемых маркет-мейкерами.

3. Спекулянты, розничные трейдеры.

Более 85% биржевых денег принадлежат профессиональным игрокам - крупным международным банкам, финансовым институтам, которые ежедневно совершают валютные операции на покупку или продажу торговых инструментов на миллиарды долларов (Jiang, Wang, 2015).

1.4 Фундаментальный анализ валютного рынка

Фундаментальный анализ - это метод анализа и прогнозирования рынка на основе фундаментальных факторов (Gonzalo, Banco, 2009): политических (выборы главы государства, выборы в парламент), психологических (ожидания агентов, статьи), форс-мажорных (техногенные, природные катастрофы, любые непредсказуемые факторы), экономических (публикации макроэкономической статистики).

К макроэкономической статистике, способной существенно повлиять на цены, можно отнести данные по ВВП. Если внутренний валовой продукт растет, то ожидается, что это положительно для экономики, и, соответственно, национальная валюта, при прочих равных, также растет против других иностранных валют.

Еще один важный показатель - розничные продажи. Розничные продажи растут, когда население активно использует средства на покупку товаров и услуг, что также способствует укреплению национальной валюты.

Следующий важный показатель - это уровень безработицы, привлекает наибольший интерес со стороны спекулятивных трейдеров. Уровень безработицы в США публикуется каждую первую пятницу месяца и сопровождается сильнейшими всплесками на рынках. Как правило, более высокий показатель безработицы негативно сказывается на валютном курсе; экономика недополучает налоги, предприятия не загружены.

Кроме того, валютные спекулянты активно следят за. Для сдерживания инфляционных процессов центральные банки используют процентные ставки, что также привлекает внимание участников рынка.

Всего существует более сотни различных вариаций макроэкономических показателей способных повлиять на финансовые рынки. Многие фундаментальные факторы и экономическая статистика влияют на цены валют в долгосрочной перспективе. Например, в долгосрочной перспективе сохранится продолжительный рост ВВП, розничных продаж, уровень безработицы будет снижаться, инфляция замедляться, а ставки будут расти - это позитивно повлияет на национальный обменный курс. Проблема прогнозирования реакции валюты на такую статистику для высокочастотного трейдера заключается в том, что в моменте публикации показателя обменный курс может колебаться в направлениях, противоположных тенденциям экономической статистики. Часто случается, что при положительной для экономики статистке валюта в краткосрочной перспективе начинает стремительно слабеть, хотя по факту должна расти. Происходит это потому, что участники рынка на ожиданиях увеличения показателя покупали валюту. Когда фактические данные оказались хуже, чем прогнозные, хотя все еще положительные, валюту начинают распродавать. Это один из множества вариантов развития сценария. Возникает вопрос: как на этом можно заработать.

В среднем, за 15 минут до выхода новости, на 5-минутном таймфрейме можно часто можно заметить динамическое изменение цены. Как правило, это связано с тем, что миллионы трейдеров по всему миру, планируя заработать на движении цены после выхода новости начинают выставлять отложные ордера. Одна группа с «бычьими» настроениями открывает ордера на покупку в надежде, что цена вырастет, повышают спрос, способствуя росту цены. Другая группа, наоборот, с «медвежьими» настроениями настроена скептически насчет роста цены и открывает ордера на продажу, тем самым оказывая давление на спрос, снижают цену. В моменте, когда одна из групп превалирует над другой, цена изменяется в сторону с большими объемами.

В зависимости от стратегии высокочатстотный трейдер решает, заниматься торговлей во время выхода важных новостей или нет, так как эти события вызывают рост волатильности и колебания цен, не всегда совпадающие с тенденциями макроэкономических показателей. Кроме того, может появиться «эффект вертолета», когда из-за кратковременного дисбаланса спроса и предложения цена за небольшой промежуток времени совершает значительное движение вверх-вниз, активируя исполнения ближайших стоп-ордеров, прежде чем скорректировать направление.

Тихоокеанская торговая сессия считается самой спокойной торговой сессией на валютном рынке, обычно ей присуща низкая волатильность, так как начинается она рано в районе 00:00 - 01:00 по Московскому времени. По ней ведутся торги в Австралии и Новой Зеландии. Рынок в это время по большей части «дрейфует во флете» из-за отсутствия объёмов торгов. Тем не менее, при публикациях важных экономических событий, связанных, например, с Новой Зеландией или США, таких как уровень безработицы, изменение занятости, выступления глав ФРС, запасы сырой нефти и решения по процентным ставкам, можно наблюдать сильные краткосрочные реакции ранка. Как видно на Графиках 1 и 2, в течение 2 часов после публикации процентной ставки или изменения занятости валютная пара NZD/USD проходит около 1400 и 645 пунктов соответственно. В среднем на валютном рынке в течение дня преодолеваются движения в 1500 - 2000 пунктов. Именно поэтому, качественный анализ движений валютных пар в моменте и после выхода макроэкономических новостей может быть полезен для реализаций перспективных торговых возможностей.

График 1. Реакция NZD/USD на решение по процентной ставке

График 2. Реакция NZD/USD на уровень занятости и запасы сырой нефти



2. Инструменты анализа

Анализ валютного рынка с использованием макроэкономических новостей чаще всего включает в себя ряд методологий, таких как векторные авторегрессии VAR, линейный регрессионный анализ, различные итерации авторегрессионной условной гетероскедастичности GARCH, обобщённый метод моментов (Wei Li, Wong, Cenev, 2015).

В работах Evћen Koиenda, Michala Moravcova (2018) и Kevin Evans, Alan Speight (2010) авторы применяют методы ивент-анализа для изучения влияния макроэкономических новостей на валюты новых членов Евросоюза (Чехии, Польши, Венгрии) по отношению к евро и доллару США через расчет кумулятивных аномальных доходностей. Новости при этом кластеризуются по экономическому содержанию и характере сигнала для валюты (хороший, плохой, нейтральный). В результатах исследования выявлено, что рынок внутри торгового дня, в зависимости от принадлежности новостей и типа сигнала производит различную аномальную доходность валютных пар не только после публикации, но и в преддверии новостей. Влияние новостей заметно больше, когда базовой валютой является американский доллар, чем в случае с евро. Также выявлено, что объявления ЕЦБ по денежно-кредитной политике оказывают влияние сильнее, чем у ФРС.

В работе Kathryn M.E. Dominguez (2006) проанализированы отношения между доходностью, волатильностью, потоком ордеров по валютным парам USD/EUR, USD/GBP и различными категориями экономических новостей. Используется метод простой линейной регрессии с включением индикаторов объема и bid, ask ордеров (цен покупок и продаж), а также метод VAR регрессии, где на потоке ордеров демонстрируется разница между обычными изменениями валютных цен и в момент выхода новостей. Выявлено, что макроновости, чьи количественные показатели значительно отличаются от ожиданий рыночных игроков, очень хорошо объясняют внутридневное поведение обменных курсов. Очевидно, что волатильность валют возрастает в условиях неопределенности. Регрессионное моделирование (Jiang, Zhengzi Li, Wang, 2019) также используют в трейдинговых стратегиях, разбивая доходности временных рядов на новостные и не новостные компоненты. В моделировании временных рядов, при построении прогнозов, авторы также ищут причинно-следственные связи между исследуемым рядом и другими рядами или шоками. Для этого активно используется структурная векторная авторегрессия (SVAR). Агенты на валютном рынке принимают решения с несовершенной информацией. Результаты исследования USD/GBP за период 1986-2013 Chris Redl (2015) показывают, что новостные шоки (ВВП США и индекс потребительских цен) объясняют примерно одну пятую дисперсии ошибки прогноза в номинальном обменном курсе.

Существуют методы для изучения внутридневной волатильности с использованием продвинутой классической модели GARCH, MA-FIGARCH, которая хорошо показывают себя в анализе высокочастотных данных. Например, в работе Kevin P. Evansa, Alan E.H. Speight (2010) исследуется динамический краткосрочный отклик EUR/USD, EUR/GBP, EUR/JPY на глобальные макроэкономические публикации. Макроэкономические новости США генерируют большую волатильность и доходность EUR/USD экономические новости других стран. Также реакция обменных курсов заметно значительна в первые пять минут после публикации показателей и малозначительна на 15 минутах после релиза.

Методология GARCH для моделирования волатильности также применяется Jose Gonzalo Rangel (2009), но в этой статье рассматривается влияние макроэкономических новостей на волатильность фондового рынка на примере индекса S&P500. Установлено, что день объявления экономической новости сам по себе мало влияет на интенсивность ценовых скачков. Исключением являются данные по трудоустройствам денежно-кредитной политике, но ценовые шоки демонстрируют лишь кратковременный эффект. Можно сделать вывод, что для высокочастотной торговли валютный рынок может быть перспективней фондового.

Среди наиболее значимых для работы подходов можно отметить иследование Massimiliano Caporin, Francesco Poli (2018), в которой изучалась внутридневная волатильность индекса S&P100 на 30-минутном таймфрейме, применилась логистическая регрессия для прогнозирования ценовых скачков. Авторы агрегировали новости из медиапорталов Thomson Reuters, StreetAccount, данные по EPS (показатель прибыли на акцию) и макроэкономического календаря; эти показатели были регрессорами, в которых учитывалась «сила новости» через разницу между фактическим и прогнозным значением, поделенную на стандартное отклонение по всем разницам показателя. В результате было выявлено, что новости конкретных компаний, а также их EPS имели более значимое влияние на ценовые всплески, чем, например, публикации протоколов Федерального комитета открытого рынка (FOMC), хотя метрики по макроэкономическим новостям также значимы и хорошо объясняют модель. Подход позволяет гораздо более детально вывести связь между новостями и ценовыми скачками. Интересно, что новости StreetAccount, которые провоцируют резкие изменения цены, часто сопровождаются в течение нескольких минут выпуском других новостей о той же компании, как следствие повышенного уровня внимания со стороны поставщиков новостей. То есть несколько новостей в моменте усиливают потенциал ценового всплеска.

2.1 Данные

Для обработки исходных данных, статистических вычислений, моделирования временных рядов использовалась свободная среда разработки программного обеспечения RStudio, некоторые вычисления для удобства производились в программе для работы с электронными таблицами Microsoft Excel.

Исходя из исследований макроэкономических новостей, был собран и агрегирован набор данных из 24 публикаций данных экономик США и Новой Зеландии, выборкой в 693 наблюдения. Новости относятся к классу наиболее важных или ожидающих наибольшей волатильности.

К данным экономического календаря были подобраны доходности валютной пары NZD/USD (новозеландский доллар к американскому доллару) в разные промежутки времени после публикации фактических показателей. Применены доходности за 5, 15, 30 минут, 1 и 4 часа, день (m5, m15, m30, h1, h4, D1). Рассматриваются данные с 2018 по 2019 годы. Такой промежуток времени берется потому, что большинство моделей временных рядов не работают достаточно хорошо для очень длинной выборки, разница между истинным процессом и моделью становится большой. Дополнительная проблема состоит в том, что оптимизация параметров становится более трудоемкой из-за количества участвующих наблюдений, особенно более поздних.

В данные макроэкономического календаря входят дата, точное время публикации, страна принадлежности (США или Новая Зеландия), название новости, оценка ее фактического значения к ожидаемому (Better Than Expected / Worse Than Expected / In Line with Expectation), а также фактическое значение, прогнозное и предыдущее. К этим данным были сопоставлены доходности валютной пары NZD/USD за соответствующие таймфреймы после выхода новости и трансформированы в доходности в пунктах по формуле:

, где

- доходность в пунктах;

- цена открытия японской свечи;

- цена закрытия свечи.

Таблица 2.

Описательные статистики валютной пары NZD/USD

	Ret_m5	Ret_m15	Ret_m30	Ret_h1	Ret_h4	Ret_d1
Mean	-2,519	-0,979	-4,154	-6,247	0,671	-22,267
Median	-1,000	2,000	-2,000	-6,000	-1,000	-41,000
Maximum	723,000	805,000	772,000	603,000	902,000	1077,000
Minimum	-758,000	-702,000	-654,000	-657,000	-1436,000	-1130,000
Std. Dev.	86,557	91,877	100,11	109, 359	199,839	367,1
Observations	693

Описательные статистики приведены для доходностей различных таймфреймах в пунктах для лучшей наглядности. Среди исследуемых новостей имеются те, которые в течение 5 минут могут генерировать доходности до 723 и -758 пунктов.

Кроме того, в исследование добавлены индикаторы тиковых объемов для соответствующих таймфреймов и стандартизированный индекс неопределенности, примененный в статье Massimiliano Caporin, Francesco Poli (2018), который отображает силу новости с точки зрения несовпадения с ожиданиями экономических агентов:

- стандартное отклонение по всем .

Дополнительно в рамках стратегий были сформированы данные о сигналах на покупку / продажу / отсутствие сигнала (buy / sell / no signal). Также среди переменных имеется power, факторная переменная, отображающая аналогичные сигналы на покупку или продажу и характеризующая силу сигнала.

Источниками данных послужила информация из глобального финансового портала Investing.com, базы данных tickstory.com, которая содержит высокочастотные финансовые временные ряды, а также из сети специалистов по обработке данных и машинному обучению kaggle.com.

Для анализа были отобраны новости, генерирующие наибольшую аномальную доходность (выше средней по рынку) в краткосрочном периоде по методологии Event studies, где аномальная доходность была расcчитана следующими возможными способами:

· Mean-adjusted returns Model: , где

- доходность актива за исследуемый таймфрейм;

- средняя доходность актива;

· Market-adjusted returns Model: , где

- средняя доходность по рынку;

· Risk-adjusted returns Model , где

б, в - наклон линии линейной регрессии для точек данных в аргументах и точка пересечений данных - оценки регрессии на активы против индекса рынка.

В качестве доходности по рынку использовалась обратная доходность индекса американского доллара USDX, показывающий отношение доллара США к корзине из 6 основных валют: Евро, Фунт стерлингов, Йена, Швейцарский франк и Шведская крона; у компонентов корзины имеются свои веса:

Наибольшая аномальная доходность (abnormal return) (Приложение 1) была выявлена у следующих макроэкономических индикаторов.

Занятость:

1. Изменение числа занятых в несельскохозяйственном секторе США от ADP. Национальный отчет о занятости измеряет уровень занятости в несельскохозяйственном секторе. Отчет основан на фактических данных о заработной плате примерно 24 миллионов сотрудников, обработанных компанией Automatic Data Processing, Inc.

2. Изменение числа занятых. Создание рабочих мест является важным показателем потребительских расходов.

3. Первичные заявки на пособие по безработице. Оказывают большое влияние на финансовые рынки, так как в отличие от данных о фактических заявлениях, которые измеряют количество лиц, претендующих на пособие по безработице, первичные заявки на пособие по безработице отображают перспективы дальнейшей динамики возникающей безработицы.

4. Открытые вакансии (JOLTS). Показатель формируется на основе опроса, проводимого Бюро статистики труда США для измерения доступных вакансий. Собираются данные от работодателей, включая розничных продавцов, производителей и других компаний каждый месяц.

5. Изменение числа занятых в несельскохозяйственном секторе (Nonfarm Payrolls). Это отчет о занятости, публикуемый ежемесячно, обычно в первую пятницу каждого месяца, и сильно влияет на доллар США, рынок облигаций и фондовый рынок. Текущая программа статистики занятости (CES), разработанная Бюро статистики труда Министерства труда США, опрашивает около 141 000 предприятий и правительственных учреждений, предоставляющих приблизительно 486 000 рабочих мест, с целью публикации подробных отраслевых данных о занятости, количестве рабочих часов и заработках работников.

6. Уровень безработицы. Еще один важный для валютных трейдеров показатель, измеряющий количество людей, активно ищущих работу, в процентах от рабочей силы.

Жилье:

1. Разрешения на строительство. Индикатор относится к разрешениям, предоставленным местными юрисдикциями, прежде чем законное строительство нового или существующего здания может иметь место. Не во всех районах США требуется разрешение на строительство.

2. Продажи на вторичном рынке жилья. Этот показатель демонстрирует изменение количества существующих (не новых) жилых зданий, которые были проданы в течение предыдущего месяца. Данный отчет помогает оценить силу рынка жилья и является одним из ключевых показателей общей экономической мощи.

3. Продажи новых домов. Продажа новых домов фиксируются в показателе после подписания договора купли-продажи или принятия депозита. Дом может быть на любой стадии строительства. Продажи новых домов составляют около 10 процентов рынка жилья США. Показатель крайне нестабильный из месяца в месяц, и предварительные данные подвергаются значительным изменениям, учитывают разрешения на строительство.

4. Индекс незавершенных продаж жилья (PHS), ведущий показатель активности в сфере жилья, измеряет активность в сфере жилищных контрактов и основан на подписанных контрактах на недвижимость для существующих домов, кондоминиумов и кооперативов.

Внутренний спрос:

1. Потребительское доверие (готовность тратить). Индекс включает обследование около 5000 домохозяйств, в котором респондентам предлагается оценить относительный уровень текущих и будущих экономических условий, включая наличие рабочей силы, условия ведения бизнеса и общую экономическую ситуацию.

2. Базовый объем заказов на товары длительного пользования. Измеряют изменение общей стоимости новых заказов на товары длительного пользования, исключая транспорт, поскольку, например, заказы самолетов очень нестабильны. Более высокое значение указывает на увеличение производственной активности.

3. Базовые розничные продажи. Индикатор отображает изменение общей стоимости продаж на уровне розничной торговли, исключая автомобили. Это важный индикатор потребительских расходов, а также считается индикатором темпов роста экономик различных стран.

4. Отчет о розничных продажах в США. Содержит агрегированный показатель продаж розничных товаров и услуг за месяц. Существует тринадцать основных типов розничной торговли: дилеры автомобилей и запчастей (около 20 процентов от общего объема продаж), магазины продуктов питания и напитков (13%), магазины товаров общего назначения (12,5%), предприятия общественного питания (11%), заправочные станции (10%), розничные магазины (9,2%), продавцы строительных материалов (6%), магазины товаров для здоровья и личной гигиены (6%), магазины одежды и аксессуаров (5%), прочие магазины (2,3%) , мебельные магазины (2%), магазины электроники и бытовой техники (2%) и магазины спорттоваров, товаров для хобби, книг и музыки (1,7%).

Инфляция:

1. Базовый индекс потребительских цен (ИПЦ). Показатель измеряет изменения цен на товары и услуги, за исключением продуктов питания и энергии. ИПЦ измеряет изменение цены с точки зрения потребителя. Это ключевой способ измерения изменений в покупательских тенденциях и инфляции.

2. Обычный индекс потребительских цен или ИПЦ. Демонстрирует изменения в ценах, уплачиваемых потребителями за корзину основных товаров и услуг.

3. Ставка процента от ФРС. Члены Федерального комитета по операциям на открытом рынке ФРС (FOMC) голосуют за уровень процентной ставки. Трейдеры внимательно следят за изменениями процентных ставок, так как краткосрочные процентные ставки являются основным фактором при оценке валюты.

4. Ставка процента от РБНЗ. Решения по процентным ставкам принимаются Резервным банком Новой Зеландии. Официальная процентная ставка отображает так называемый Official Cash Rate (OCR). Рассматривается Банком восемь раз в год.

5. Индекс цен на товары промышленного назначения. Индекс цен производителей (PPI) демонстрирует среднее изменение цен на товары и услуги, продаваемые промышленными предприятиями и производителями на оптовом рынке в течение определенного периода.

Производство:

1. ВВП. Показатель валового внутреннего продукта (ВВП) национального дохода и выпуска для экономики страны. Валовой внутренний продукт (ВВП) равен совокупным расходам на все конечные товары и услуги, произведенные в стране за установленный период времени.

Деловая активность:

1. Индекс деловой активности в производственном секторе (PMI). Индекс PMI американского Института управления поставками (ISM) составлен на основе опроса менеджеров по закупкам. Менеджеры по закупкам обладают информацией о том, как работают компании. Когда дела идут хорошо, менеджерам по закупкам приходится покупать больше сырья для выполнения заказов, и, наоборот, при плохих обстоятельствах, менеджерам приходится покупать меньше сырья для выполнения заказов.

2. Запасы сырой нефти. Измеряют еженедельное изменение количества баррелей сырой нефти, находящихся в собственности американских компаний. Уровень запасов влияет на цену нефтепродуктов, что может повлиять на инфляцию.

3. Отчет ISM о деловой активности для непроизводственных предприятий. Индекс основан на данных, собранных руководителями отделов закупок и снабжения по всей стране. Ответы на опрос отражают изменения, если таковые имеются, в текущем месяце по сравнению с предыдущим месяцем. Для каждого из измеренных показателей (Деловая активность, Новые заказы, Журнал невыполненных заказов, Новые экспортные заказы, Изменение инвентаризации, Настроения инвентаризации, Импорт, Цены, Занятость и Поставки) этот отчет показывает процентное соотношение ответов, и на основе него формируется сам индекс.

4. Производственный индекс ФРС Филадельфии. Основан на обзоре деловой активности производителей в Третьем федеральном резервном округе. Участники сообщают о направлении изменения общей деловой активности и различных показателей деятельности на своих предприятиях: занятость, рабочее время, новые и незаполненные заказы, отгрузки, запасы, сроки поставки, оплаченные цены и полученные цены. Индекс выше 0 указывает на рост промышленного сектора, ниже 0 - сокращение.

2.2 Стратегии

Было сформировано 2 торговых стратегии, основанных на несовпадении фактического значения экономического показателя и ожиданий аналитиков, а также на изменении фактического значения по отношению к предыдущему значению показателя.

Стратегия «Trade 1»: сигналы на покупку или продажу валютной пары формируются из условия, что опубликованный показатель оказался выше или ниже ожиданий аналитиков с учетом того, к какой стране относится новость.

Рисунок 1. Генерация сигналов buy / sell для 1 стратегии

Стратегия «Trade 2»: сигналы на покупку или продажу валютной пары формируются из условия, что опубликованный показатель оказался выше или ниже его предыдущего значения с учетом того, положителен или отрицателен прирост / снижение для валюты страны.

Рисунок 2. Генерация сигналов buy / sell для 2 стратегии

Стоит отметить, если фактическое значение в обоих стратегиях совпадало с прогнозным (In Line with Expectation), или с предыдущим, то генерировалось значение “no signal”, и торговля не производилась.

Соответственно на каждом таймфрейме были сгенерированы доходности сделок в пунктах, чтобы оценить можно ли зарабатывать на данных новостях и в пределах какого количества пунктов на разных временных отрезках.

Таблица 3.

Описательные статистики доходностей с сигналов

	Income_m5	Income _m15	Income _m30	Income _h1	Income _h4	Income _d1
Mean	14,18	11,88	9,85	8.10	25,79	30,75
Median	8	5	1	1	23	37
Maximum	758	805	772	657	1436	1053
Minimum	-696	-627	-639	-537	-667	-1130
Std. Dev.	85,422	91,11	99,71	109,24	198,16	366,48
Observations	607	607	607	607	607	607

Для стратегий были проанализированы диаграммы размаха (см. Приложения 2-25). Из текущего датасета были убраны моменты, когда выход новости не производил сигнала и заработка / убытка с него, по той же причине из исследования был убран Fed Interest Rate Decision (Решение ФРС по процентной ставке). Таким образом, исходя из анализа ящичковых диаграмм, наиболее прибыльными оказались новости, представленные в Таблице 4.

Таблица 4.

Новости генерирующие наибольшую прибыль с синалов

	Trade 1
	Новости
M5	ADP Nonfarm Employment Change; GDP; ISM Non-Manufacturing PMI; ISM Manufacturing PMI; New Home Sales; PPI; Pending Home sales; Nonfarm Payrolls; Unemployment Rate; CPI; Employment Change; RBNZ Interest Rate Decision.
M15	Core CPI; CB Consumer Confidence; Building Permits; ISM Manufacturing PMI; Pending Home sales; Nonfarm Payrolls; Unemployment Rate; CPI; Employment Change; RBNZ Interest Rate Decision.
M30	Nonfarm Payrolls; Pending Home Sales; Unemployment Rate; CPI; Employment Change; RBNZ Interest Rate Decision.
H1	Philadelphia Fed Manufacturing Index; Unemployment Rate; CPI; Employment Change; RBNZ Interest Rate Decision..
H4	ADP Nonfarm Employment Change; ISM Non-Manufacturing PMI; ISM Manufacturing PMI; Philadelphia Fed Manufacturing Index; Unemployment Rate; CPI; Employment Change; RBNZ Interest Rate Decision.
D1	New Home Sales; CPI; GDP; RBNZ Interest Rate Decision
Trade 2
M5	ADP Nonfarm Employment Change; New Home Sales; ISM Manufacturing PMI; ISM Non-Manufacturing PMI; Pending Home sales; Nonfarm Payrolls; Philadelphia Fed Manufacturing Index; PPI; Unemployment Rate; CPI; Employment Change; RBNZ Interest Rate Decision.
M15	Building Permits; Core CPI; Unemployment Rate; CPI; Employment Change; RBNZ Interest Rate Decision.
M30	Nonfarm Payrolls; Unemployment Rate; PPI; CPI; Employment Change; RBNZ Interest Rate Decision.
H1	Philadelphia Fed Manufacturing Index; Unemployment Rate; CPI; Employment Change; RBNZ Interest Rate Decision.
H4	ISM Non-Manufacturing PMI; ISM Manufacturing PMI; Philadelphia Fed Manufacturing Index; Unemployment Rate; CPI; Employment Change; RBNZ Interest Rate Decision.
D1	New Home Sales; CPI; RBNZ; GDP.

Убыточные торговые сделки не исключаются при моделировании, так как ухудшались метрики качества итоговых моделей и уменьшалась выборка, что может быть критично для XGBoost. Кроме того, опираясь на убыточные торговые сделки, можно выставлять соответствующие стоп-ордера, минимизируя потери.

2.3 Применения машинного обуения

Для моделирования в итоговый набор данных входили переменные, представленные в Таблице 5.

Таблица 5.

Переменные в модели XGBoost

Переменная	Значение	Тип
Income (m5, m15, m30, h1, h4, d1)	Доходность торговых сделок в пунктах	Целевая переменная
Country	Тип экономической новости	Категориальная переменная [1:23]
Signal	Сигнал buy / sell	Категориальная переменная
Standardized unexpected index	Индекс неопределенности	Предиктор, коэффициент
Power	Сила сигнала	Категориальная переменная
Volume (m5, m15, m30, h1, h4, d1)	Тиковые объемы	Целочисленный предиктор
Announcement	Публикации экономических новостей	Категориальная переменная

При построении логистической регрессии, где показатель income заменялся на class с бинарным выходом (1 - доход с сигнала, 2 - убыток с сигнала), (см. Приложения 26-28) было выявлено, что некоторые регрессоры не значимы для различных таймфреймов, однако для алгоритма машинного обучения их необходимо оставить, так как с этим набором переменных метрики точности были выше.

В рамках данной работы предлагается модель extreme gradient boosting в двух вариациях для двух торговых стратегий, позволяющая ответить на вопрос, можно ли заработать на торговле валютными парами на новостях и получить прогнозные оценки по прибыли с торговых сделок.

XGBoost - это оптимизированная распределенная библиотека повышения градиента, которая может быть использована для быстрого и точного решения многих проблем с данными. Известно, что он дает очень хорошие результаты по сравнению с другими моделями машинного обучения по многим задачам. Используемый метод известен как деревья с градиентным усилением решений. Дерево решений - это метод, используемый в классификации (чтобы определить, к какой группе принадлежит выборка) или регрессии (анализ временных рядов). Аспект машинного обучения этой модели работает путем оптимизации, которая измеряет, насколько «чист» узел. XGBoost - более устойчивая к перегрузкам и шумам, а также позволяет нам игнорировать стационарность в конкретном наборе данных.

В работе представлены результаты двух вариаций Xgboost с выходным параметром бинарной классификации и выходным параметром линейной аппроксимации.

Набор данных разделен на две части:

1. Обучающая выборка (с 03.01.2018 10:00:00 по 28.12.2018 11:00:00)

2. Тестовая выборка (с 03.01.2019 08:15:00 по 31.12.2019 10:00:00)

Таблица 6.

Xgboost с выходным параметром бинарной классификации

Торговая стратегия	Модель	Метрика точности	Итерации	profit	loss
Trade1_d1	XGBoost (log. reg.)	0,525 (158/301)	9	97	61
Trade1_h4	XGBoost (log. reg.)	0,538 (162/301)	7	95	67
Trade1_h1	XGBoost (log. reg.)	0,508 (153/301)	5	91	62
Trade1_m30	XGBoost (log. reg.)	0,525 (158/301)	19	75	83
Trade1_m15	XGBoost (log. reg.)	0,488 (147/301)	2	97	50
Trade1_m5	XGBoost (log. reg.)	0,581 (175/301)	5	122	53
Trade2_d1	XGBoost (log. reg.)	0,528 (159/301)	7	99	60
Trade2_h4	XGBoost (log. reg.)	0,542 (163/301)	5	91	72
Trade2_h1	XGBoost (log. reg.)	0,508 (153/301)	5	91	62
Trade2_m30	XGBoost (log. reg.)	0,525 (158/301)	19	75	83
Trade2_m15	XGBoost (log. reg.)	0,488 (147/301)	2	97	50
Trade2_m5	XGBoost (log. reg.)	0,581 (175/301)	5	122	53

Все модели градиентного бустинга, за исключением двух, которые работают на стратегии для 30-минутного таймфрейма показывают результат лучше, чем если бы это была модель «random choice». Наилучшая предсказательная сила у моделей на 4-х часовом и 5-минутном таймфрейме: на тестовую выборку в 301 наблюдение за 2019 год алгоритмы смогли успешно просчитать 163 и 175. Profit и Loss отвечают за количество прибыльных и убыточных сделок из подмножества тех, что смогла предсказать модель. Стоит отметить, что модели предсказывали сигналы, преимущественно приносящие положительный доход. В целом, если строго лимитировать возможные убытки и рассматривать прогнозы с точностью выше 50%, можно сделать вывод, что практически все модели дают положительный результат.

У каждой независимой переменной при проведении XGBoost есть веса, которые корректируются при очередном переобучении. Для моделей было установлено количество раундов - итераций, на каждой из которых вычисляются отклонения предсказаний уже обученного ансамбля в обучающей выборке.

Таблица 7.

Xgboost с выходным параметром линейной аппроксимации

Торговая стратегия	Модель	RMSE
Trade1_m5	XGBoost (lin. reg.)	58.27
Trade1_m15	XGBoost (lin. reg.)	51.83
Trade1_m30	XGBoost (lin. reg.)	75.07
Trade1_h1	XGBoost (lin. reg.)	121.50
Trade1_h4	XGBoost (lin. reg.)	174.33
Trade1_d1	XGBoost (lin. reg.)	381.92
Trade2_m5	XGBoost (lin. reg.)	47.03
Trade2_m15	XGBoost (lin. reg.)	74.15
Trade2_m30	XGBoost (lin. reg.)	65.77
Trade2_h1	XGBoost (lin. reg.)	103.67
Trade2_h4	XGBoost (lin. reg.)	118.48
Trade2_d1	XGBoost (lin. reg.)	395.14

Для Xgboost с выходным параметром линейной аппроксимации при оптимизации гиперпараметров было необходимо разделить выборку на обучающую и тестовую в пропорциях 9:1 соответственно. По данным из таблицы можно сказать, что лишь на младших таймфреймах алгоритм может дать какой-либо качественный результат, если говорить о точных прогнозах доходностей с сигналов, так как функция похожа на мульти заданный кусочный сплайн, или она имеет слишком специфичную параметрическую форму. Так как XGBoost имеет линейный параметр, мы не можем добиться большей аппроксимации, необходима не линейная функция, которая будет носить в себе большее пространство гипотез.

Рассматривая графики с предсказанными доходностями и оригинальными значениями (см. Приложения 29-40) можно сделать вывод о том, что практически все модели далеки от идеала и требуют более тонких настроек: улучшения гиперпараметров, увеличения выборки или дополнительных предикторов. Однако в большинстве своем, если предсказанное значение имеет знак аналогичный оригинальному, то это может расцениваться как положительный результат предсказания, не очень точный, но двигающийся в направлении реальных значений прибыли или убытка.

Тем не менее на основе обоих подходов с использованием XGBoost можно получать полезные метрики в реальном времени.

Предположим в реальном времени после выхода новости Nonfarm Payrolls (см. Приложение 10) по стратегии Trade 1 опубликованное фактическое значение оказалось хуже предыдущего. Новость пришла и Соединенных Штатов, и, так USD считается котируемой валютой в паре NZD/USD, алгоритм сгенерировал сигнал на покупку пары. В этом случае, опираясь на исторические значения доходностей сигналов по Nonfarm Payrolls на диаграммах размаха, можно выставить ордер на покупку по рынку с потенциалом прибыли на четырехчасовом промежутке: максимальное значение в пределах 450 пунктов; 25% - вероятность прибыли в 200 пунктов, 50% - прибыль в 70 пунктов. Также, опираясь на нижние квантили «ящиков с усами», можно выставлять стоп-ордера немного ниже потенциальных убытков: максимально возможный убыток - около 50 пунктов, 25% - убыток в 75 пунктов.

Если в Новой Зеландии опубликовали актуальный индекс потребительских цен (CPI), значение которого хуже предыдущего, алгоритм опираясь на стратегию Trade 2, при учете других предикторов, может сгенерировать сигнал на продажу валютной пары NZD/USD. В таком случае, если рассматривается прибыль в течение первого часа после выхода новости, можно размещать stop-loss немного ниже максимально возможного убытка в 250 - 175 пунктов, рассчитывая на прибыль от 125 до 575 пунктов с максимально возможной прибылью около 675 пунктов.

Дополняя такую стратегию элементами машинного обучения, можно получать метрики прогнозируемой прибыли или убытка от сигнала, либо бинарный ответ, получится ли заработать на сигнале или нет - на основе этого принимать решение торговать или воздержаться от торговли.

Теперь рассмотрим показатели, на которых модель акцентирует внимание при предсказании цены (см. Приложения 29-40). Для каждого нумерованного столбца диаграммы соответствуют предикторы: 0 - 'power', 1 - 'sui', 2- 'volume', 3 - 'country', 4 - 'signal, 5 - 'announcement'. На более низких таймфреймах модель ориентируется больше на типы сигналов (выше 40% вхождение), показатели объемов и принадлежность стране держатся на уровне вхождения около 20%. С увеличением таймфрейма модель немного уравнивает показатели, но с явным отрывом отдает предпочтение стране, которая публикует показатель (от 40 до 50%). Это может быть связано с тем, что сигналы из США более варьируются в прибыльности / убыточности стратегий, причем зачастую с одинаковыми размахами доходности и убыточности. Новости из Новой Зеландии более однонаправленны.



Заключение

В рамках данной работы были протестированы 2 стратегии торговли на новостях, когда фактическая публикация имела расхождения с прогнозным или предыдущим значением. Исследовалась валютная пара NZD/USD. Наиболее прибыльными и стабильными практически на всех временных промежутках оказались индекс потребительских цен, изменение занятости, ВВП и процентная ставка, относящиеся к Новой Зеландии. Скорее всего это связано с отсутствием «шума» на рынке в период Тихоокеанской торговой сессии и более прозрачными новостями.

Также стратегии тестировались на предмет автоматизации с использование машинного об...