Вплив показників ринкової активності на предиктивну здатність систем автоматизації трейдингу

Размещено на http://www.allbest.ru/

Харківський національний автомобільно-дорожний університет

Львівський національний університет природокористування

Вплив показників ринкової активності на предиктивну здатність систем автоматизації трейдингу

Гурко Олександр Геннадійович доктор технічних наук

Запорожцев Сергій Юрійович кандидат технічних наук, доцент

Ільге Ігор Генріхович кандидат технічних наук, доцент

м. Харків, м. Дубляни

Анотація

На даний час розвиток та застосування технологій машинного навчання в сфері автоматизації біржової торгівлі в основному зосереджено на дослідженнях поведінки ціни та виявленні цінових патернів.

Однак, в зв'язку з тим, що ринкі мають здібності до змін, часові фінансові ряди є послідовностями з нестаціонарними характеристиками, а також зважаючи, що ринкові процеси фактично проходять в трьох вимірах: час, ціна та ринкова активність (або об'єм) - подібні рішення не є повноцінними через втрату інформації про об'єми ринкових операцій.

Метою даної роботи є дослідження особливостей впливу показників ринкової активності на можливості покращення результатів роботи або предиктивну здатність аналітичних моделей в системах біржової торгівлі.

В процесі дослідження виконані такі завдання. Розглянуті варіанти представлення інформації про об'єми. Описана формальна модель торгової системи та запропоновано визначення її предиктивної здатності. Запропоновані та формалізовані параметри, по яким можна визначати числові ознаки для подальшого використання в предиктивних моделях.

Для аналізу часового ряда застосовано метод ковзного вікна для виключення впливу майбутніх результатів на предиктивну здатність системи. В якості інструментарію обрані програмні продукти та бібліотеки машинного навчання з відкритим кодом.

Проведені два вида числових експериментів з реальними біржовими даними та класичними алгоритмами машинного навчання.

Аналіз результатів експериментів виявив недоліки застосування стандартних алгоритмів класифікації. В той же час, введення нових ознак, заснованих на інформації по об'ємах, суттєво поліпшує предиктивну здатність торгівельних систем, хоча має залежність від типу застосованого алгоритму. На основі висновків визначені напрямки подальших досліджень.

Ключові слова: автоматизація біржової торгівлі, ринкова активність, машинне навчання, алгоритми класифікації, предиктивна здатність.

Abstract

Gurko Oleksandr Gennadiyovych Doctor of Technical Sciences, Professor, Head of Department of Automation and Computer-Integrated Technologies, Kharkiv National Automobile and Highway University, Kharkiv

Zaporozhtsev Serhiy Yuriyovich Doctor of Phylosophy, Assistant professor, Department of information technologies, Lviv National University of Nature Management, Dublyany

Ilhe Ihor Henrikhovych Doctor of Phylosophy, Assistant professor, Department of Automation and Computer-Integrated Technologies, Kharkiv National Automobile and Highway University, Kharkiv

INFLUENCE OF MARKET ACTIVITY INDICATORS ON THE PREDICTIVE ABILITY OF TRADING AUTOMATION SYSTEMS

Currently, the development and application of machine learning technologies in the field of stock trading automation is mainly focused on price behavior research and price pattern detection. However, due to the fact that markets have the ability to change, financial time series are sequences with non-stationary characteristics, and also considering that market processes actually take place in three dimensions: time, price and market activity (or volume) - such decisions are not complete due to the loss of information about the volumes of market transactions.

The purpose of this work is to investigate the specifics of the impact of market activity indicators on the possibilities of improving work results or the predictive ability of analytical models in stock trading systems.

The following tasks were completed during the research. Considered options for presenting information about volumes. A formal model of the trading system is described and a definition of its predictive ability is proposed. Proposed and formalized parameters by which numerical features can be determined for further use in predictive models. For time series analysis, the sliding window method is used to exclude the influence of future results on the predictive ability of the system. Software products and open-source machine learning libraries are selected as tools. Two types of numerical experiments were conducted with real stock exchange data and classical machine learning algorithms.

The analysis of the results of the experiments revealed the shortcomings of the application of standard classification algorithms. At the same time, the introduction of new features based on volume information significantly improves the predictive ability of trading systems, although it depends on the type of algorithm used. Based on the conclusions, directions for further research are determined.

Keywords: stock trading automation, market activity, machine learning, classification algorithms, predictive ability.

Постановка проблеми. Історія фінансових ринків (бірж) налічує декілька століть. Проте останнім часом у зв'язку з бурхливим розвитком засобів інформатизації та автоматизації біржова торгівля зазнала значних змін [1]. Під впливом комп'ютеризації сучасні ринки сьогодні перетворилися на сукупність багаторівневих мереж серверів, різних каналів зв'язку і віддалених терміналів. Комп'ютерні технології наділяють суб'єктів ринку практично необмеженими можливостями, значно розширюють круг учасників торгівлі фінансовими активами, спрощують операційну діяльність на ринку.

Загальнодоступність і відносно низька вартість як самих комп'ютерів, так і їх технічного і програмного забезпечення, безперервна поява нових програмних продуктів і технологічних новинок (наприклад, виникнення і розвиток ринку криптоактивів) забезпечили залучення на фінансові ринки максимально широкого кола учасників.

Свою роль грають і процеси глобалізації. Багато фінансових ринків вже не прив'язано до конкретного біржового майданчика, а працюють цілодобово і дають через інтернет доступ до торгів в будь-якому місці земної кулі.

Величезні можливості породили і хвилю пов'язаних з ними проблем. Періодично виникають кризи і ринкові «бульбашки». Катастрофи, війни, пандемії, різні непередбачувані події глобального характеру («чорні лебеді») викликають небачені раніше коливання ринкових цін. Непрофесійні учасники в більшості своїй торгують емоційно і втрачають гроші, хоча збитки інколи не обходять стороною і великих інституційних інвесторів.

Розвиток науки про дані, застосування алгоритмів машинного навчання, методів аналізу і прогнозування торкнулося і фінансових ринків [2]. Проте, при цьому необхідно враховувати особливості функціонування ринків як соціально-економічних систем з багаточисельними слабо формалізованими зворотними зв'язками, що породжують фінансові часові ряди. У зв'язку з цим проблема прогнозування біржових цін, у тому числі для автоматизації трейдінга, є складним завданням [3-6].

Останнім часом з'являється все більше досліджень і наукових публікацій [7-10], в яких замість точного прогнозування поведінки ринку передбачається класифікаційний підхід, що дозволяє по деяких патернах визначити поточний стан ринку і спробувати передбачити найбільш вірогідний характер майбутніх змін цін. Розвитку цього підходу і присвячена дана стаття.

Аналіз останніх досліджень і публікацій. Над проблемами прогнозування поведінки фінансових ринків працюють такі українські вчені як Л.Лутай, Г.Козицька, Г.Машлій, О.Корнелюк, В.Хірова, О.Бондар. Розвиток методів розпізнавання біржових паттернів підтримується також іноземними фахівцями, зокрема, К.Боуєг, Б.СЬапёо1а, Q.bin, М.УеІау та іншими. Незважаючи на велику кількість публікацій, абсолютна більшість з них направлені саме на аналіз біржових цін, випускаючи з зору дані про ринкову активність або об'єми.

Мета статті - дослідження особливостей впливу показників ринкової активності на можливості покращення результатів роботи або предиктивну здатність аналітичних моделей в системах біржової торгівлі.

Виклад основного матеріалу. Загальноприйнято, що головним інструментом для аналізу поточної ринкової ситуації для трейдерів є графіки біржових цін, які будуються на основі «біржової стрічки» - часового ряду здійснених на біржі операцій купівлі-продажу. Як правило, графіки відображають зміну ціни в часі. При цьому існує декілька різновидів графіків, що не міняє їх сенсу. Проте, важливою є також інформація про ринкову активність - минулі об'єми. Ця інформація безпосередньо присутня в «стрічці» - час, ціна і об'єм транзакції. Таким чином, можна говорити про ринок, як систему, яка має 3 виміри, а графік є лише проекцією на площину «час-ціна».

Поглянемо на приклад реального активу (рисунок 1). В даному випадку - це графік біржового ф'ючерсу з терміном експірації 03-2019 на валютну пару євро-долар. Дані взяті із загальнодоступного ресурсу barchart.com. У нижній частині графіка у вигляді гістограми даються минулі об'єми. Очевидно, що в деяких випадках спостерігаємо різкі сплески ринкової активності, позначені на рисунку цифрами «1» і «2». Немає необхідності розглядати причини таких сплесків (це можуть бути різні новини, вплив регулятора, дії великих учасників ринку і так далі). Проте в даному випадку гістограма нам відображає також лише проекцію ринкової активності (об'ємів) на шкалу часу.

Рис. 1 Приклад реального графіку ринкового активу

Рис. 2 Приклади розподілу барів з великим об 'ємом

Набагато важливішою є інформація про об'єми в їх проекції на цінову шкалу. Вона показує розподіл об'ємів, або іншими словами, на яких цінових рівнях ринок проявляв підвищений інтерес до даного активу. Існують варіанти графіків і такого типа. Наприклад, це кластерні графіки, які можна представити у вигляді бічних гістограм (або лінійчатих діаграм). Розглянемо з цієї точки зору обидва вищезазначені сплески. Лінійчаті діаграми першого і другого сплесків представлені на рисунку 2. Проаналізуємо їх трохи детальніше. ринковий предиктивний біржовий торгівля

Відразу можна відмітити, що про нормальний розподіл в обох випадках мову вести не можна. У першому сплеску (що фактично містить 2 годинних бара) видна сутттєва асиметрія розподілу. Приблизно на тих же рівнях (трохи нижче за ціну 1,1600) проходила і більшість операцій. Крім того, в нижній частині гістограми добре видно «важкий хвіст».

У другому випадку таких яскраво виражених особливостей не спостерігається. Видна невелика асиметрія, при цьому мода і середня ціна знаходяться в районі 1,1550.

Тепер поглянемо, що відбувалося з ціною після даних сплесків (знову рисунок 1). У першому випадку бачимо, що ціна, трохи піднявшись над 1,1600, зробила локальний розворот. Очевидно, що для учасників, які тримали короткострокові довгі позиції, поведінка ринку відразу після сплеску першого типу - хороша можливість, як мінімум, для фіксації профіта, щоб не перечікувати глибокий відкат і не втрачати при цьому прибуток. З іншого боку, для тих, хто чекав сигнали на відкриття коротких позицій - це також непоганий варіант входу з низьким ризиком та істотним потенційним прибутком.

Другий сплеск стався після локального розвороту. Після нього ціна так і не змогла піднятися вище рівня 1,1550 і після нетривалого проміжку часу продовжила падіння.

Відмітимо, що в обох випадках фігурують цінові рівні, які ми могли спостерігати відразу після закінчення формування барів з великими об'ємами. Іншими словами, аналізуючи активність ринку на подібних сплесках можна спробувати поліпшити предиктивну аналітику своїх торгівельних систем. Саме в цьому і полягає ідея даного дослідження. Опишемо формальну постановку задачі.

Будь-яка торгівельна система S (особливо, в разі автоматичних і автоматизованих систем) має в своєму складі ряд формалізованих аналітичних правил або показників Rn, n = 1, N, по яких можна однозначно (у тому числі, за оцінкою ймовірностей) визначити функціонали Fk , де k = 1, K - деякий набір дій системи (наприклад, «вхід в операцію», «фіксація прибутку/збитку», «очікування» і так далі). При цьому значення функціоналів в ідеалі мають бути бінарними, а їх сума дорівнювати одиниці Fk = 1. Відображення к=1 функціоналів на зміни майбутніх ринкових цін і є предиктивною здатністю аналітичної складової торгівельної системи.

Таким чином, сплески активності, подібні розглянутим вище, потребують формалізації своїх параметрів для того, щоб набути числових ознак, які потім можна застосовувати в предиктивних моделях. В якості параметрів формалізації автори пропонують використовувати наступні:

Days - кількість минулих днів з моменту сплеску, Period - прийнятий період минулого для аналізу, а - коефіцієнт нелінійності (в даному дослідженні прийнятий рівним одиниці).

Формалізовані коефіцієнти відноситимуться до кожного i-го бара з великим об'ємом, починаючи з теперішнього моменту і назад по осі часу до першого дня в даному періоді минулого. Для цілей дослідження був встановлений Period, рівний одному місяцю (або в середньому 22 робочим дням). Статистика показує, що сплески (якщо розглядати годинні бари) виникають приблизно 100-120 раз на рік (або 1 раз в 2-3 робочі дні). Таким чином, відносна частота сплесків не перевищує 2%.

При аналізі часового ряду використовувався метод ковзного вікна для виключення впливу майбутніх результатів на предиктивну здатність системи.

В якості інструментарію дослідження вибрані алгоритмічна мова Python із-за наявності багаточисельних бібліотек з відкритим вихідним кодом (у даній роботі використовувалися pandas, numpy, scikit-leam), а також ресурс colab.research.google.com, який дозволяє в онлайні-режимі проводити дослідження даних.

Дані про графік валютної пари узяті з ресурсу investing.com. Попередньо дані були оброблені так, щоб виключити з них абсолютні цінові значення. Для цього зручно використовувати класичні біржові індикатори технічного аналізу, приведені у відносну форму (значення індикаторів діляться на значення поточної ціни або значення волатильності). В якості виміру останньої застосовувався індикатор денного середнього дійсного діапазону (ATR, average true range).

Для аналізу трендової складової цінового ряду були застосовані прості ковзні середні (SMA, simple moving average) з різними періодами. Різниця між ковзною середньою і ціною, поділена на ATR, і дає відносне значення (іншими словами, кількість середніх денних діапазонів між ковзною середньою і поточною ціною).

Визначення фази коливань здійснювалося стандартними осциляторами - MACD (moving average convergence divergence) і WPR (William's percent range), аналогічно переведеними у відносну форму.

Цільові змінні отримані спрощеною обробкою майбутніх цін. Якщо після поточного дня впродовж тижня ціна вирушала вгору в 4 рази далі, ніж вниз - це означає наявність можливості для довгої позиції (long). Аналогічно в «дзеркальному» варіанті - для короткої позиції (short). Таким чином, цільові змінні мають бінарні значення.

Після відповідної обробки і видалення відомостей про календарні дати і ціни, вихідні дані набирають вигляду, приведеного на рисунку 3.

Рис. 3 Приклад вихідних даних моделі

Для визначення результативності введення нових ознак (описаних параметрів барів з великим об'ємом) спочатку проводився експеримент по створенню моделей з існуючими вихідними даними, після чого вводилися нові ознаки, і проводився новий експеримент.

Описана модель відноситься до задач класифікації. В якості алгоритмічних моделей були використані стандартні алгоритми з бібліотеки scikit-learn: логістична регресія (LogisticRegression), К-найближчих сусідів (KNeighborsClassifier), випадковий ліс (RandomForestClassifier).

Результати першого експерименту з логістичною регресією виявилися настільки негативними (рисунок 4), що проводити додатковий експеримент не мало жодного сенсу. Фактично, логістична регресія не змогла навчитися за вихідними даними. І хоча метрики Accuracy і RocAuc значно більше 50%, результати метрик recall і f1 -score повністю незадовільні (що дуже добре видно на Confusion Matrix - помилки другого роду майже в 10 разів перевищують істинно передбачені значення). Це могло бути пов'язано, в першу чергу з істотною нелінійністю і можливою кластеризацією цільових змінних. Важливу роль зіграв і дисбаланс цільових показників - кількість одиниць (наявність направленого руху) приблизно в 5 разів менша, ніж нулів.

Рис. 4 Результати логістичноїрегресії

Алгоритм класифікації К-найближчих сусідів спочатку показав результати не нанабагато краще (рисунок 5, зліва). Проте, після введення ознак за об'ємом, а також підбору гіперпараметрів, істотно підвищилися метрики recall і f1 -score (рисунок 5, справа). Зазначимо, що результати оптимізації все одно не можна вважати ідеальними, оскільки збільшилось число помилок першого роду, а кількість помилок другого роду залишилася досить суттєвою.

Рис. 5 Порівняння результатів алгоритму К-найближчих сусідів

Аналогічну картину ми бачимо при використанні алгоритму КапсІотРогезІ (рисунок 6).

Рис. 6 Порівняння результатів алгоритму Випадковий ліс

Проте, в останньому випадку введення ознак об'єму і підбір гіперпараметрів не зробили істотного впливу на ефективність моделі. Метрики recall і f1 -score залишилися слабкими, кількість помилок другого роду - значною. Тим не менш, і тут присутні позитивні зміни.

Висновки. Стандартні алгоритми класифікації на фінансових часових рядах показують слабкі результати з класичними наборами вхідних даних. Це пов'язано з нелінійністю, кластерною природою і дисбалансом цільових змінних, через що в результатах спостерігаються, в основному, помилки другого роду. Введення нових ознак, заснованих на інформації по об'ємах, може суттєво поліпшити предиктивну здатність торгівельних систем. Необхідні подальші дослідження, зокрема, пошуки нових патернів в даних про об'єми, перевірка роботи інших методів і алгоритмів машинного навчання (ансамблі моделей, бустінг, нейронні мережі).

Література

1. Арутюнян С. С. Фінансовий ринок: Навчальний посібник за заг.ред. Арутюнян С.С. / Арутюнян С. С., Добриніна Л. В. та інші - Київ : Гуляєва В.М., 2018 - 484 с.

2. Янсен С. Машинное обучение для алгоритмической торговли на финансовых рынках. Практикум. - С-Пб : БХВ-Петербург, 2020. - 560 с.

3. Лутай Л.А. Теоретичні аспекти аналізу та прогнозування цін на біржових ринках / Лутай Л. А., Козицька Г. В.

4. Машлій Г.Б. Використання методів цінового прогнозування у біржовій практиці.

5. Корнелюк О.А. Особливості прогнозування сучасних біржових криз / Корнелюк О.А., Хірова В.Ю.

6. Бондар О. С. Прогнозування динаміки фондового ринку методами статистичного моделювання.

7. Dover Kathryn. Pattern Recognition in Stock Data.

8. Chandola D. Forecasting Directional Movement of Stock Prices using Deep Learning / Chandola D. and others.

9. Liu Q. Stock market prediction with deep learning: The case of China / Liu Q. and others.

10. Velay M. Stock Chart Pattern recognition with Deep Learning / Velay M., Daniel F.

References

1. Arutyunyan S.S. and others (2018) Finansovy rynok: Navchalny posibnyk za zag.red. Arutiunian S.S. [Financial market: A study guide edited by S. S. Arutyunyan] Kyiv : Gulyaeva. 484. [in Ukrainian]

2. Yansen S. (2020) Mashinnoe obuchenie dlya algoritmicheskoy torgovli na finansovyh rynkah. Praktikum. [Machine learning for algorithmic trading in financial markets. Practicum] S-Pb : BHV-Peterburg. 560. [in Russian]

3. Lutay L.A., Kozytska G.V. (2011) Teoretychni aspekty analizu ta prognozuvannya tsin na birzhovyh rynkah [Theoretical aspects of price analysis and forecasting on stock markets]

4. Mashliy G.B. (2016) Vykorystannya metodiv tsinovogo prognozuvanna u birzhoviy praktytsi [Use of price forecasting methods in exchange practice].

5. Kornelyuk O.A., Hirova V.Yu. (2020) Ocoblyvosti prognozuvannya suchasnyh birzhovih kryz [Features of forecasting modern stock market crises].

6. Bondar O.S. (2016) Prognozuvannya dynamiky fondovogo rynku metodamy statystuchnogo modelyuvannya [Forecasting the dynamics of the stock market using statistical modeling methods].

7. Dover Kathryn. (2017) Pattern Recognition in Stock Data.

8. D. Chandola (2022) Forecasting Directional Movement of Stock Prices using Deep Learning / Chandola D. and others.

9. Q. Liu (2022) Stock market prediction with deep learning: The case of China / Liu Q. and others.

10. M. Velay (2018) Stock Chart Pattern recognition with Deep Learning / Velay M., Daniel F.

Размещено на Allbest.ru