Інформаційна технологія виконання операцій на біржі з використанням торгових роботів

Размещено на http://www.allbest.ru/

МІНІСТЕРСТВО ОСВІТИ І НАУКИ, МОЛОДІ ТА СПОРТУ УКРАЇНИ

НАЦІОНАЛЬНИЙ ТЕХНІЧНИЙ УНІВЕРСИТЕТ УКРАЇНИ

«КИЇВСЬКИЙ ПОЛІТЕХНІЧНИЙ ІНСТИТУТ»

Автореферат

дисертації на здобуття наукового ступеня кандидата технічних наук

Інформаційна технологія виконання операцій на біржі з використанням торгових роботів

05.13.06 - Інформаційні технології

Федоров Андрій Васильович

Київ-2013

АНОТАЦІЯ

Федоров А.В. Інформаційна технологія виконання операцій на біржі з використанням торгових роботів. - Рукопис.

Дисертація на здобуття наукового ступеня кандидата технічних наук за спеціальністю 05.13.06 - інформаційні технології. - Національний технічний університет України “Київський політехнічний інститут”, Київ, 2012 р.

Робота присвячена розв'язанню задачі підвищення ефективності процесу виконання торгових операцій на біржі з використанням множини торгових роботів. Виконано аналіз існуючих методів прогнозування процесів ціноутворення і технологій виконання торгових операцій на біржі. Досліджено особливості проектування, реалізації та застосування торгових роботів на міжнародних біржах. Побудовано математичні моделі для прогнозування значення і напрямку руху процесу ціноутворення, використовуючи індикатори технічного аналізу. Створено інтегровані моделі для прогнозування напрямку руху ціни з використанням множини методів прогнозування. Показано, що серед побудованих моделей для прогнозу умовної дисперсії процесу ціноутворення кращі прогнозуючі характеристики має модель експоненційна УАРУГ. Розроблено нову інформаційну технологію для виконання операцій на біржі з використанням множини торгових роботів, яка відрізняється комплексним підходом до моделювання і прогнозування процесів ціноутворення. Результати виконання операцій були кращими з використанням запропонованої технології.

Результати виконання роботи впроваджено у двох організаціях: банк Петрокоммерц і ТОВ Томако-Інвест. Банк Петрокоммерц Україна використовує запропонований метод адаптування структури байєсівської мережі при побудові моделей потенційних позичальників. ТОВ Томако-Інвест застосовує запропоновану інформаційну технологію для прогнозування валютних курсів. Отримано акти впровадження результатів у практику.

Ключові слова: інформаційна технологія, торговий робот, операції на біржі, модель фінансового процесу, комбіноване адаптивне прогнозування, комплексний критерій якості.

АННОТАЦИЯ

Федоров А.В. Информационная технология выполнения операций на бирже с использованием торговых роботов. - Рукопись.

Диссертация на соискание ученой степени кандидата технических наук по специальности 05.13.06 - информационные технологии. - Национальный технический университет Украины «Киевский политехнический институт», Киев, 2012.

Работапосвященарешениюзадачиповышенияэффективностипроцессавыполненияопераций на бирже с использованием множества торгових роботов. Выполнен анализ существующих методов прогнозирования процес сов ценообразования и технологий выполнения торгових операций на бирже. Установлено преимущества и недостатки существующих систем. Исследованы особенности проектирования, реализации и применения торгових роботов на

Международных биржах. Построено множество математических моделей для прогнозирования значения и направления движения процесса ценообразования с использованием индикаторов технического анализа.

Использование выбранных индикаторов дало возможность существенно улучить качество оценок соответствующих прогнозов. Также построены интегрированные модели для прогнозирования направления движения цены с использованием множества современных методов прогнозирования. Выполнен

Анализ методов прогнозирования нестационарных гетероскедастических процессов. Оценены структуры и параметры семейства моделей гетероскедастических процессов и показано, что среди построенных моделей для прогнозирования условной дисперсии процесса ценообразования лучшие прогнозирующие характеристики имеет экспоненциальная обобщенная модель авторегрессии с условной гетероскедастичностью (Э-ОАРУГ). В отличие от упрощенных моделей АРУГ и ОАРУГ модели такого типа учитывают возмущения с разными знаками и, таким образом, имеют большуюстепень адекватности исследуемым финансовым процессам. Кроме того, структура модели Э-ОАРУГ хорошо подходит для решения задачи параметрической адаптации. Эта задача также рассмотрена в работе, при этом для параметрической адаптации использован метод максимального правдоподобия. Альтернативным вариантом есть метод Монте-Карло для марковских цепей.

Построена вероятностная модель в виде байесовской сети для прогнозирования направления движения цены актива. В работе предложен метод адаптации структуры и параметров байесовской сети к поступающим новым данным, который обеспечивает вычисление приемлемых по качеству оценок прогнозов направления движения цены. Это дает возможность использовать его в реальном времени с целью повышения степени адекватности модели. Также усовершенствован метод формирования оценок прогнозов на основе интегрированного подхода, в соответствии с которым реализуется взвешенное комбинирование оценок прогнозов, полученных с помощью использованного множества методов интеллектуального анализа данных - байесовских сетей, деревьев решений, нейронних сетей. Этот метод дает возможность повысить качество оценок прогнозов направления движения цены в среднем на 2,5%. Для вычисления оценок прогнозов значений цен биржевых активов построено множество моделей регрессионного типа, у которых использованы индикаторы технического анализа. Полученные модели обеспечивают вычисление высококачественных оценок прогнозов цен активов с использованием предложенного комплексного критерия качества, который сформирован с помощью статистических параметров качества модели и качества оценок прогнозов. При этом средняя абсолютная ошибка в процентах не превышает 7,2%.

На основе предложенных прогнозирующих моделей и алгоритмов оценивания разработана и реализована новая информационная технология для выполнения операций на бирже с использованием множества торгових роботов, которая отличается комплексным подходом к решению задачи моделирования и прогнозирования процессов ценообразования. Предложенная потоковая информационная технология практически используется в системе

Управления биржевого брокера, что способствует достижению високого уровня автоматизации процесса выполнения торгових операций. После выполнения экспериментов на исторических даннях предложенная информационная технология была апробирована в интерактивном режиме в реальном времени на текучих биржевых данных. В результате использования предложенного подхода к автоматизации выполнения торгових операций в течение 30 дней работы на бирже полученная прибыль составила 6,3%. Среднее время, необходимое для принятия решений, составило 3,5 минуты; этого достаточно для обработки данных в реальном времени поступлення биржевых данных.

Результаты выполнения диссертационной работы внедрены для практического использования в банке Петрокоммерц Украина и ТОО Томако-Инвест. Банк Петрокоммерц Украина использует предложенный метод адаптации байесовской сети при построении и модификации моделей потенциальных заемщиков кредитов. ТОО Томако_Инвест применяет предложенную информационную технологию для прогнозирования валютних курсов. Получены акты внедрения результатов в практику. Научные результаты также используются в учебных курсах НТУУ «КПИ».

Ключевые слова: информационная технология, торговый робот, операции на бирже, модель финансового процесса, комбинированное адаптивное прогнозирование, комплексный критерий качества.

Annotation

Fedorov A.V. Information technology for performing stock operations using the trading robots.- Manuscript.

Thesis in fulfillment of the requirements for the degree of candidate of engineering sciences on the specialty 05.13.06 - Information technologies.- National Technical University of Ukraine “Kyiv Polytechnic Institute”, Kyiv, 2012.

The thesis deals with the problem of development and implementation of a new information technology for performing operations at the stock exchange. The main goal of the research is to enhance the effectiveness of stock trading operations by making use of a set of trading robots. Ananalysis of existing methods for forecasting financial processes and technologies of trading has been performed. The advantages and drawbacks of existing systems were revealed. The special development and implementation features of trading robots are also studied. A set of mathematical models for forecasting of a value and direction of stock price are developed using technical analysis indicators. The use of indicators gave a possibility to improve substantially the forecasts quality. The integrated forecasting models are also proposed that are based on a set of separate models. Ananalys is of nonstationary financial processes heteroscedasticity was performed, and several model structures were selected to describe conditional variance. It was shown that the best forecasting model turned out to be E-GARCH. It was used for short term forecasting of volatility with further use of the forecasts for trading decisions making.

The new information technology was developed for performing the stock trading operations via Internet with making use of a set of trading robots. The technology proposed is distinguished with a complex approach to modeling and forecasting of financial processes. Testing of the information technology with the use of actual data in real time showed that the results of trading operations have always been better with the use of the technology than without it.

The research results have been used in practice in two companies: The Petrocommerc Bank of Ukraine and Tomako-Invest Ltd. The Petrocommerc Bank of Ukraine uses the method of adaptation of Bayesian networks structure in the system for estimation of clients reliability. The Tomako-Invest Ltd company employs the proposed information technology for forecasting of currency exchange rates. The scientific research results are also used in several courses for students at the NTUU “KPI”.

Keywords: information technology, trading robot, stock operations, financial process model, combined adaptive forecasting, complex quality criterion.

Дисертацією є рукопис.

Роботу виконано у Навчально-науковому комплексі “Інститут прикладного системного аналізу” Національного технічного університету України “Київський політехнічний інститут”.

Науковий керівник: доктор технічних наук, професор Бідюк Петро Іванович, Навчально-науковий комплекс “Інститут прикладного системного аналізу” Національного технічного університету України “Київський політехнічний інститут”, професор кафедри математичних методів системного аналізу

Офіційні опоненти: доктор технічних наук, професор Теленик Сергій Федорович, Національний технічний університет України „Київський політехнічний інститут”, завідувач кафедри автоматизації управління в технічних системах;

кандидаттехнічних наук, доцент Баклан Ігор Всеволодович Національна академія управління, завідувач кафедри Інтелектуальних інформаційних систем.

Захист відбудеться 18 лютого 2013 р. о 15-й годині на засіданні спеціалізованої вченої ради Д 26.002.03 при Національному технічному університеті України “Київський політехнічний інститут” за адресою: 03056, Київ, просп. Перемоги, 37, корп. 35, ауд. 001.

3 дисертацією можна ознайомитися у бібліотеці Національного технічного університету України “КПІ” за адресою: 03056 м. Київ, пр. Перемоги, 37.

Автореферат розіслано 16 січня2013 р.

В.о. вченого секретаря спеціалізованої Вченої ради Д 26.002.03 д.ф.-м.н. П.О. Касьянов

ЗАГАЛЬНА ХАРАКТЕРИСТИКАРОБОТИ

Актуальність теми. В останні десятиліття спостерігається значне підвищення активності стосовно виконання операцій на міжнародних фінансових біржах. Прибуткова торгівля на фінансових біржах світу та збільшення її об'ємів - один із основних видів діяльності фінансових інститутів, таких як банки та інвестиційні компанії, а також трейдерів та інвесторів. У більшості випадків при прийнятті рішень стосовно виконання конкретних операцій фінансові інститути використовують фундаментальний і технічний аналізи. Рішення стосовно виконання торгових операцій на біржі зазвичай ґрунтуються на математичних методах прогнозування часових рядів, а також на методах інтелектуального аналізу даних (ІАД). В останні роки кількість учасників біржової торгівлі значно зросла, що вплинуло на роботу фінансових бірж, а саме - збільшилася волатильність фінансових процесів та їх ліквідність. У зв'язку з цим час, необхідний для прийняття “правильного” рішення, значно скоротився. Всі ці обставини зумовили прискорену розробку та реалізацію нових інформаційних технологій і систем підтримки прийняття рішень на їх основі стосовно виконання торгових операцій на біржі.Основними вимогами до процедур виконання таких операцій є такі: можливість автоматичної побудови прогнозуючих моделей для множини біржових процесів одночасно, а також реалізація автоматичної цілодобової торгівлі за певними алгоритмами та можливість прискореного виконання торгових операцій за мінімально можливий час. Частково ця проблема вирішена завдяки створенню та впровадженню у практику множини торгових роботів.

Торговий робот - це торгова система, яка прив'язана до певного графіку біржового інструменту;вона може працювати у двох режимах: - режим інформування користувача про можливість здійснення операцій згідно з деяким алгоритмом (напівавтоматичний режим); автоматичний режим виконання операцій безпосередньо на вибраному торговому сервері. Оскільки торговий робот “прикріплюється” до одного біржового інструменту (фінансового ряду даних), основні статистичні характеристики якого змінюються у часі, то виникає необхідність у заміні робота при зміні відповідних статистичних характеристик. Це зумовлено тим, що прибуток торгового робота збільшується або зменшується при зміні основних статистичних характеристик часового ряду процесу ціноутворення. Основним статистичним параметром фінансового процесу, який використовується при формуванні правил торгівлі, є волатильність (стандартне відхилення).

Задачі системного аналізу фінансових процесів та оцінювання фінансових ризиків розглядаються у роботах академіка Згуровського М.З., професорів Панкратової Н.Д., Павлова О.А., Романенка В.Д., Теленика С.Ф., Томашевського В.М., Зайченка Ю.П., Подладчікова В.М. та інших дослідників. У цьому ж напрямі працюють колективи зарубіжних вчених, зокрема: Connoly, Watsham, Ghosh, Wang, Tsay та багато інших. При цьому зусилля спрямовуються на пошук таких структур моделей умовної волатильності, які з максимальною адекватністю відображають можливі зв'язки між змінними та параметрами фінансових процесів. Створенню необхідних для практичного застосування інформаційних технологій на основі методів і моделей аналізу фінансових процесів присвячені роботи професорів Павлова О.А., Теленика С.Ф., Томашевського В.М. та інших.

Дисертаційна робота спрямована на створення нової інформаційної технології для автоматичного виконання операцій на біржі за допомогою множини торгових роботів. Оскільки вибір торгового робота - це нетривіальний аналітичний процес, у дисертаційній роботі запропоновано використати математичні моделі для високоякісного прогнозування часових рядів ціноутворення. Для прогнозування умовної дисперсії процесу ціноутворення та напрямку руху ціни активу використано методи інтелектуального аналізу даних. Ці методи є складовими частинами запропонованогопідходу до вибору торгових роботів.

Зв'язок роботи з науковими програмами, планами, темами

Дисертаційна робота виконана у навчально-науковому комплексі «Інститут прикладного системного аналізу» Національного технічного університету «Київський політехнічний інститут» у відповідності до планів науково-дослідних робіт кафедри математичних методів системного аналізу:(1)д/б НДР "Розробка СППР на основі байєсівських мереж для моделювання поведінки складних систем" (№ ДР 0109U000300, тема 2436п), 2009 - 2010 рр.; (2) д/б НДР «Розробка і реалізація методики інтелектуального аналізу даних із використанням теорії мереж Байєса та регресійного аналізу» (№ ДР 0212U007773, тема 2419п), 2011 - 2012 рр.

Мета і завдання дослідження

Метою дослідження є підвищення ефективності процесу виконання торгових операцій на біржі з використанням множини торгових роботів.

Для досягнення мети дослідження поставлено і розв'язано такі завдання:

· Виконано аналіз існуючих методів прогнозування процесів ціноутворення і технологій виконання торгових операцій на біржі;

· досліджено особливості проектування, створення та застосування торгових роботів;

· побудовано математичні моделі для прогнозування значення і напрямку руху процесу ціноутворення, використовуючи індикатори технічного аналізу;

· інтегрованов єдину систему моделі для прогнозування напрямку руху ціни з використанням множини методів прогнозування;

· виконано аналіз методів прогнозування гетероскедастичних процесів; вибрано структури і побудовано моделі для оцінювання прогнозів умовної дисперсії процесу ціноутворення;

· розроблено нову інформаційну технологію для виконання операцій на біржі з використанням торгових роботів;

· досліджено експериментально розроблену технологію вибору торгових роботів та виконання торгових операцій в реальних умовах.

Об'єкт дослідження - біржові процеси ціноутворення на міжнародному валютному ринку, схеми вибору торгових роботів для виконання біржових операцій.

Предмет дослідження - математичні методи і моделі опису фінансових даних на основі регресійних методів, дерев рішень, мереж Байєса (МБ) та карт Кохонена; інформаційна технологія для вибору торгових роботів та виконання торгових операцій.

Методи дослідження ґрунтуються на математичних методах і моделях опису фінансових даних на основі регресійних методів, дерев рішень, мереж Байєса та карт Кохонена.

Наукова новизна отриманих результатіввизначається такими теоретичними і практичними результатами, отриманими автором:

1. Вперше запропоновано підхід до вибору торгового робота, який відрізняється можливістю прогнозування умовної дисперсії за множиною моделей гетероскедастичних процесів і моделей прогнозування напряму руху ціни за допомогою моделей ІАД. Підхід забезпечує коректний вибір торгового робота з множини наявних за допомогою відповідних статистичних характеристик.

2. Отримав подальший розвиток метод адаптивного прогнозування значення ціни активу, який відрізняється можливістю налаштування структури моделі з використанням інтегрованого критерію якості моделі та оцінок прогнозів. Метод забезпечує формування структури адекватної моделі досліджуваного процесу і обчислення високоякісних оцінок прогнозу.

3. Отримав подальший розвиток метод прогнозування напрямку руху ціни активу, який відрізняється використанням в якості незалежних змінних у нелінійних моделях оцінок прогнозів, отриманих за моделлю множинної регресії. Метод забезпечує отримання високоякісного прогнозу руху ціни.

4. Удосконалено метод адаптації структури і параметрів байєсівської мережі до нових даних, який забезпечує отримання прийнятних за якістю оцінок прогнозів напрямку руху ціни, що дає можливість використовувати його у реальному часі.

5. Удосконалено метод формування оцінок прогнозів на основі інтегрованого підходу, який передбачає зважене комбінування оцінок прогнозів, отриманих за множиною методів ІАД. Метод забезпечує суттєве покращення прогнозів напрямку руху ціни.

Практичне значення одержаних результатів. В дисертаційній роботі для оцінювання прогнозу значення ціни активів побудована множина нових регресійних моделей, у яких ефективно використано індикатори технічного аналізу. Також створено моделі для прогнозування напрямку руху ціни за допомогою методів інтелектуального аналізу даних (дерев рішень, байєсівських мереж, логістичної регресії). Моделі забезпечують обчислення високоякісних оцінок прогнозів ціни активів з використанням комплексного критерію якості. Запропонована, реалізована і апробована в інтерактивному режимі нова інформаційна технологія вибору торгових роботів, яка відрізняється можливістю використання сучасних методів інтелектуального аналізу даних та декількох множин моделей і критеріїв якості моделей та оцінок прогнозів. Результати виконання роботи впроваджено у двох організаціях: банк Петрокоммерц і ТОВ Томако-Інвест. Банк Петрокоммерц Україна використовує запропонований метод адаптування структури байєсівської мережі при побудові та модифікації моделей потенційних позичальників кредитів. ТОВ Томако-Інвест застосовує запропоновану інформаційну технологію для прогнозування валютних курсів. Отримано акти впровадження результатів у практику.

Результати роботи також впроваджено у навчальний процес кафедри математичних методів системного аналізу ННК «Інститут прикладного системного аналізу» Національного технічного університету «Київський політехнічний інститут» і використовуються при викладанні курсів «Проектування комп'ютерних інформаційних систем» та «Аналіз часових рядів».

Особистий внесок здобувача

Усі основні результати, що складають основний зміст роботи, отримані автором самостійно. У друкованих працях, написаних у співавторстві, здобувачеві належать: аналіз біржових даних як нестаціонарних процесів[1]; аналіз особливостей торгівлі на біржах та побудова схеми адаптивного прогнозування часових рядів у вигляді біржових даних[2, 3]; порівняльний аналіз моделей для прогнозування значення ціни, побудованих за допомогою індикаторів технічного аналізу[4,5]; побудова та порівняння нелінійних моделей для прогнозування напрямку руху ціни[6,7], розробка та застосування схеми вибору торгових роботів [8], розробка інформаційної СППР для прогнозування фінансово-економічних процесів[10].

Апробація результатів роботи

Основні наукові результати і положення дисертаційної роботи представлялись, доповідались і обговорювались на міжнародних конференціях, семінарах і публікувались у збірках наукових праць з метою апробації поточних результатів досліджень:Міжнародна конференція “Інформаційні технології в наукових дослідженнях і навчальному процесі” (Луганськ, 2009)[11]; Міжнародна конференція “Сучасні інформаційні та інноваційні технології на транспорті” (Херсон, 2009) [12]; Міжнародна наукова конференція «Інтелектуальні системи прийняття рішень та проблеми обчислювального інтелекту» (Євпаторія, 2009, 2010)[13,16]; 6-а Міжнародна НТК «Економічне відродження України», МНТУ імені академіка Бугая Ю. (Київ, 2009)[14]; Науково-практична конференція Миколаївського морського університету ім. Петра Могили (Миколаїв, 2009) [15]; XV-th International Conference - Problems of Decision Making Under Uncertainties (Львів, 2010)[17]; Всеукраїнська науково - практична конференція молодих учених і студентів «Інформаційні процеси і технології «Інформатика - 2010» (Севастополь, 2011)[18]; Перша міжнародна науково-практична конференція “Обчислювальний інтелект” (Черкаси, 2011)[19].

Публікації

За матеріалами дисертаційної роботи опубліковано 19 друкованих наукових праць, з них 10 - у провідних фахових виданнях [1-10], 9 у матеріалах доповідей міжнародних і національних конференцій [11-19].

Структура дисертаційної роботи

Дисертаційна робота складається із вступу, переліку умовних позначень, чотирьох основних розділів, висновків, списку використаних джерел. Робота викладена на 162 сторінках і містить 158 сторінки основної частини, 47 рисунків, 11 таблиць, список використаних джерел з 109 найменувань.

ОСНОВНИЙ ЗМІСТ РОБОТИ

У вступі обґрунтовано актуальність розробки нової інформаційної технології виконання операцій на біржі за допомогою торгових роботів, визначені мета, об'єкт, предмет і методи дослідження, достовірність отриманих результатів, зв'язок з науковими програмами, планами, темами, наведено наукову новизну та практичне значення одержаних результатів, перелік публікацій за темою роботи, висвітлено особистий внесок здобувача.

У першому розділі виконано аналіз існуючих методів прогнозування біржових даних, а саме - технічного та фундаментального аналізу, досліджено особливості побудови та застосування індикаторів і осциляторів технічного аналізу, розглянуто особливості маржинальної торгівлі на біржі, досліджено особливості проектування торгових систем і торгових роботів на їх основі.

Торгова система - це набір правил, які формуються трейдером для виконання операцій при торгівлі на біржі. Іншими словами це набір інструкцій, в яких чітко представлено відкриття і закриття торгових позицій, виходячи з результатів попереднього аналізу конкретного фінансового інструменту. Торгові системи дають можливість позбутися хаотичності у процесі торгівлі. Дотримання інструкцій користування системою дає можливість позбутись емоцій при виконанні торгових операцій.

Проста торгова система грунтується на двох ковзних середніх (рис. 1). Сигналом на купівлю є перетин ковзного середнього з періодом 21 та ковзного середнього з періодом 7 (знизу вверх). А сигналом на продаж є перетин ковзного середнього з періодом 21 з ковзним середнім з періодом 7 зверху вниз.

Торговий робот (механічна торгова система, МТС (Expert Advisor)) - це торгова система, яка прив'язана до певного графіку біржового інструменту і яка може працювати у двох режимах: (1) режим інформування користувача про можливість здійснювати операції згідно деякого алгоритму (напівавтоматичний режим); (2) автоматичний режим з виконанням операцій безпосередньо на торговому сервері. Застосування торгових роботів у торгівлі має такі переваги: (1) - відсутність емоцій у процесі виконання торговельних операцій; (2) -багатопоточність при виконанні операцій (можна одночасно виконувати десятки операцій з різними біржовими інструментами); (3) - можливість безперервної роботи.

Недоліком застосування торгового робота є лише один - це неможливість аналізу даних при виникненні позаштатних ситуацій (теракти, вихід непередбачуваних новин, проблеми з мережею Інтернет).

Рис.1. Торгова система на основі простих ковзних середніх (7, 21)

Також розглянуто методи прогнозування, які відносять до інтелектуальної обробки даних - мережі Байєса та дерева рішень. Розглянуто критерії аналізу, що використовуються для оцінювання якості нелінійних моделей бінарної класифікації: загальна точність, помилки 1-го і 2-го роду, ROC-крива та індекс GINI. Для аналізу якості моделей використано такі відносні показники у процентах: частка істинно позитивних прикладів і частка хибно позитивних прикладів, а також ще дві характеристики: чутливість і специфічність. Оскільки візуальне порівняння ROC-кривих не завжди дає можливість визначити ефективнішу модель, то застосовано оцінку площі під кривими. Чисельний показник площі під кривою AUC (Area Under Curve) обчислюється за методом трапецій:

торговий робот ціноутворення біржа

Досліджено сучасні інформаційні технології, які використовуються учасниками біржових процесів для виконання торгових операцій на фінансових ринках світу. До найбільш відомих і широковживаних аналітично-торгових терміналів можна віднести: MetaTrader 4, MetaStock та Omega Research Prosuite, Wealth-lab, NinjaTrader. Перевагами цих аналітичних систем є такі: простий і багатофункціональний графічний інтерфейс, можливість створення власних індикаторів, осциляторів, бібліотек користувача та торгових роботів, використання скриптів, тестування на історичних даних, використання API та можливість отримувати новини в режимі он-лайн. Основні недоліки аналітично-торгових терміналів такі: відсутність багатопоточності при тестуванні на історичних даних, неможливість використання кількох торгових роботів одночасно на одному біржовому інструменті, відсутність функцій та процедур, які реалізують регресійні та методи інтелектуальної обробки даних тощо.

Другий розділ присвячено створенню методики побудови регресійної моделі з використанням індикатора технічного аналізу Pivot Point, побудові нелінійних моделей типу логістичної регресії. Логістичну регресію можна використати для розв'язання задачі оцінювання ймовірності результату події. Наприклад, якщо розглядається результат стосовно визначення напрямку руху ціни, то задається змінна із значеннями «1» і «0», де 1 означає, що відбулося зростання ціни, а 0 - спадання. Для розв'язання задачі регресія формулюється так: замість прогнозування бінарної змінної, передбачається безперервна змінна із значеннями на відрізку [0,1] при будь-яких значеннях незалежних змінних. Це досягається застосуванням такого регресійного рівняння:

.

де - імовірність того, що станеться подія; - основа натуральних логарифмів; - основна змінна, яка описується рівнянням лінійної регресії:

,

де індикатори технічного аналізу та інші можливі незалежні змінні. Для оцінювання коефіцієнтів логістичної регресії використано метод максимальної правдоподібності (ММП).

При оцінюванні структур регресійних моделей розглянуто найбільш вживані методи відбору змінних, які реалізовано у сучасних статистичних пакетах прикладних програм (SAS, SPSS, STATISTICA, Deductor Studio), а саме - метод прямого відбору (Forward Selection), метод зворотного виключення (Backward Elimination) і метод Enter. Досліджена методика побудови моделей прогнозування умовної дисперсії процесу ціноутворення. Процеси із змінною в часі дисперсією називають гетероскедастичними; більшість біржових процесів є гетероскедастичними. Формально перевірку на гетероскедастичність можна здійснити за такою спрощеною двокроковою процедурою:

Крок 1: Побудувати лінійну модель АР(р) для основної змінної:

Частіше всього на цьому кроці будують модель першого або другого порядку.

Крок 2: Сформувати додатковий ряд із квадратів похибок моделі

де , де оцінка визначається за моделлю, отриманою на першому кроці. Далі оцінюється авторегресія для нового ряду даних:

Якщо ефект гетероскедастичності відсутній, то оцінки коефіцієнтів будуть близькими до нуля і статистично незначущими.

Для прогнозування умовної дисперсії зазвичай застосовують моделі авто регресії з умовною гетероскедастичністю (АРУГ) та узагальнену АРУГ (УАРУГ).

Проте вони мають недоліки, обумовлені їх спрощеною структурою. Таких недоліків не має експоненціальна УАРУГ (ЕУАРУГ). В цій моделі логарифм умовної дисперсії визначається за функцією нормованих похибок:

де - параметри моделі; - основна величина.У роботі використана модель ЕУАРУГ у вигляді:

.

Третій розділ присвячено розробці методу адаптивного прогнозування часових рядів. Запропонована схема представлена на рис. 2 та рис. 3.Попередня обробка даних необхідна для приведення їх до форми, яка забезпечить можливість коректного застосування методів оцінювання параметрів моделі та отримання їх статистично значущих оцінок. Так часто необхідно заповнювати пропущені дані, корегувати імпульсні (екстремальні) значення, нормувати значення у заданих межах, логарифмувати великі значення та фільтрувати шумові складові.

На основі даних, підготовлених для їх подальшого аналізу, оцінюють структури і параметри математичних моделей-кандидатів процесів, вибраних для прогнозування. Оцінювання структури моделі - ключовий момент її побудови. Структура моделі включає п'ять елементів: (1) розмірність (кількість рівнянь, які утворюють модель); (2) порядок - максимальний порядок диференціальних або різницевих рівнянь, які входять у модель; (3) нелінійність та її тип (нелінійності стосовно змінних або параметрів); (4) час затримки (лаг) реакції стосовно входу та його оцінка; (5) зовнішнє збурення процесу та його тип. Для одного процесу оцінюється декілька моделей-кандидатів, а потім вибираємо з них кращу за множиною статистичних параметрів якості моделі.

Якість оцінок прогнозів контролюється за множиною критеріїв якості. У зв'язку з тим, що кожен із статистичних критеріїв якості моделей і прогнозів несе певну інформацію про адекватність побудованих моделей, виникає проблема коректного автоматизованого вибору моделі із оцінених кандидатів.

Для розв'зання цієї задачі запропоновано інтегральний критерій (ІК) якості моделей і прогнозів:

,

де середньоквадратична похибка однокрокового прогнозу на навчальній вибірці;

середня абсолютна похибка прогнозу в процентах;

коефіцієнт Тейла (його значення наближається до нуля, якщо модель придатна для прогнозування).

Чим менше значення , тим модель краща.

Размещено на http://www.allbest.ru/

Рис. 2. Схема адаптивного оцінювання моделі

Отримана оцінка прогнозу використовується для формування рішення стосовно виконання торгових операцій. Якість рішення також контролюється за допомогою ще однієї множини критеріїв (обмеження на об'єм відкритої позиції, відношення рівня допустимого прибутку до можливих втрат тощо).

У зв'язку з тим, що при прогнозуванні напрямку руху залежна змінна може набувати двох значень - 1 (зростання ціни) і 0 (спадання), запропоновано використати нелінійні моделі бінарної класифікації.

Необхідно зазначити, що використання у якості незалежної змінної оцінки прогнозу за лінійною регресійною моделлю приводить до покращення точності прогнозів.

Размещено на http://www.allbest.ru/

Рис. 3 Схема процедури адаптивного оцінювання прогнозу і формування рішення на його основі

Схема прогнозування напрямку руху ціни на біржі з використанням нелінійних моделей представлена на рис. 4. Згідно із запропонованою схемою у якості незалежних змінних у моделі виступають значення індикаторів та прогноз напрямку руху ціни за лінійною регресійною моделлю. У якості індикаторів розглядалися такі: Pivot Point, MACD, Moving Average тощо.

За нелінійну модель використано байєсівську мережу. Відомий алгоритм К2 навчання байєсівських нейронних мереж має доказову теоретичну базу і запроваджує вимоги, що забезпечують збільшення його швидкодії. Однак даний алгоритм відноситься до алгоритмів типу «greedy search», тобто його обчислювальні витрати можуть зростати поліноміально, оскільки у загальному випадку задача навчання БМ відноситься до NP-повних задач. А це означає, що застосування алгоритму К2 в системах реального часу, які вимагають перерахунку результатів після отримання нових даних, є можливим у разі достатнього запасу часу між моментами надходження послідовних пакетів даних.Таким чином, існує об'єктивна необхідність адаптації результатів моделювання за допомогою К2 до нових даних. Метою такого підходу є зменшення обчислювальних витрат, оскільки алгоритм К2 обробляє весь пакет даних цілісно, що при неперервному збільшенні кількості спостережень призводить до експоненціального зниження продуктивності. Тобто необхідно було розробити алгоритм адаптування байєсівської мережі із структурою , побудовану за базою спостережень , до нових спостережень . При цьому експериментальні (статистичні) дані можуть мати довільний розподіл ймовірностей, а процеси, які описуються цими даними, можуть мати нестаціонарний характер, тобто математичне сподівання і дисперсію .



Рис. 4 Схема прогнозування напрямку руху ціни нелінійними моделями

Для розв'язання задачі використано такі вихідні дані:

· дані спостережень, що відповідають вимогам припущенням алгоритму К2;

· байєсівська мережа, побудована в результаті попередньої пакетної обробки спостережень за алгоритмом К2;

· нові спостереження, які не використовувалися при попередньому формуванні байєсівської мережі.

Функціонал якості алгоритму К2, який максимізується при оцінюванні структури моделі, має такий вигляд:

(1)

де ; - кількість спостережень із бази даних , в яких . Після надходження пакету нових спостережень, тобто пакету розміром , для кожного вузла маємо вибірку спостережень із , в якій . Кількість елементів такої вибірки:. Оскільки спостереження повні, то . Даний функціонал розширено на випадок надходження нових даних:

, (2)

де - кількість значень змінної , які містилися в пакеті ; - кількість значень змінної , що з'явилися в пакеті даних для ініціалізації множини вузлів-предків ; . Це значення можна інтерпретувати як вклад нових даних у процес навчання БМ. Адаптація передбачає зміну структури мережі (видалення або додавання дуг), та корегування таблиць умовних ймовірностей згідно з останніми отриманими даними.

Послідовність адаптації мережі така:

1. Корегування структурної частини моделі: - видалення дуг, які не узгоджуються з множиною даних; - додавання нових дуг.

2. Корегування таблиці умовних ймовірностей.

Корегування структури: - обхід вузлів і визначення їх вкладу в (2). При перевірці дуг на видалення для кожного вузла обчислюється функціонал:

.

Дуги видаляються або залишаються у моделі залежно від того, як це впливає на значення функціоналу. Якщо видалення дуги призводить до зменшення значення функціоналу, то вона залишається у моделі.

Четвертий розділ присвячено розробці нової інформаційної технології виконання операцій на біржі за допомогою торгових роботів. Запропоновано нову структуру системи інтернет-трейдингу, яка наведена на рис. 5. Система автоматизації біржової діяльності надає цінові котирування системі автоматизації діяльності брокера. Цінові котирування надходять до підсистеми збору, ведення і обробки даних.

Головною метою цієї підсистеми є обробка і передача даних до підсистеми “Торговий термінал”. Необхідно зазначити, що в підсистему збору, ведення і обробки даних також потрапляють так звані “фундаментальні дані” у вигляді звітів, підготовлених працівниками брокера, а саме - аналіз і прогноз статистичних макроекономічних показників, “вагомі” новини від світових ринків тощо. Підсистема “Торговий термінал” використовується клієнтом брокера (трейдером) для технічного та, частково, фундаментального аналізу цінових даних. Однією з головних функцій торгового терміналу є можливість відправляти на сервер брокера (підсистему збору, ведення та обробки інформації) торгові накази на виконання операцій.



Рис. 5. Структура запропонованої системи інтернет-трейдингу

Основним недоліком підсистеми “Торговий термінал” є нездатність оброблювати цінову інформацію деякого біржового інструменту кількома торговими роботами одночасно. Тому в існуючу систему інтернет-трейдингу, а саме у систему автоматизації діяльності брокера, запропоновано ввести підсистему “Торгові операції з використанням торгових роботів”. Ця підсистема, розроблена у вигляді інформаційної технології, є посередником між

підсистемою “Торговий термінал” - програмою, яку можна використовувати для здійснення операцій на біржі, та клієнтом. Клієнт має можливість виконувати торгові операції самостійно і обирати торгового робота для виконання біржових операцій на певний період, використовуючи запропоновану схему вибору торгових роботів.

Оскільки основні статистичні характеристики біржових даних у вигляді часових рядів змінюються з плином часу, то переважна більшість торгових роботів є збитковою. В роботі запропонована нова схема вибору торгових роботів (рис. 6.), що дозволяє маніпулювати роботами з метою одержання прибутку, і яка основана на дослідженні характеру розвитку процесу ціноутворення і його умовної дисперсії.

Рис.6. Схема вибору торгових роботів

Запропонований підхід до вибору торгових роботів умовно можна розбити на три етапи. На першому етапі формуються індикатори технічного аналізу, значення яких використовується у моделях для прогнозування напрямку руху ціни на наступний день. Це необхідно для визначення типу торгової операції для робота. Паралельно визначається прибутковість або збитковість торгового робота в режимі тестування на історичних даних із врахуванням прогнозу напряму руху. А саме - за наявності прогнозу на зростання торговий робот включається лише на купівлю, при прогнозі спадання - на продаж. На цьому етапі також здійснюється розрахунок основних статистичних характеристик торгових роботів - максимальної просадки, профіт фактору, коефіцієнта Кальмара, періоду роботи, кількості торгових операцій (збиткових та прибуткових), прибутковість/збитковість у валюті, найбільшої збиткової таприбуткової операції тощо. Роботи із незадовільними статистичними характеристиками видаляються з вибірки.

На другому етапі виконується розрахунок умовної дисперсії процесу ціноутворення та встановлення залежності між нею та прибутком/збитком торгового робота на тестових (історичних) даних.

На третьому етапі оцінюється прогноз значення умовної дисперсії процесу ціноутворення, а відтак - оцінювання майбутнього прибутку/збитку від використання торгового робота. Найбільше значення для отримання більшого майбутнього прибутку має коректний вибір робота.

Запропонована архітектура програмної системи брокера, побудована з використанням інформаційної технології виконання торгових операцій за допомогою торгових роботів, представлена на рис. 7. Архітектура програмної системи брокера складається з двох підсистем - відкритої та захищеної.



Рис.7. Архітектура програмної системи брокера

Відкрита підсистема. У відкритій підсистемі працюють абсолютно всі клієнти брокера. Основними складовими відкритої підсистеми є Web-сервер, сервер застосувань та сервер баз даних. Клієнт за допомогою браузера через інтернет, з'єднується з веб-сервером, який у свою чергу використовує сервер застосувань для надання клієнту певних стандартних послуг (наприклад, виконання торгових операцій, виконання технічного аналізу тощо).

Захищена підсистема. Клієнт має можливість використовувати запропоновану інформаційну технологію для виконання торгових операцій. При цьому клієнт має можливість працювати у привілейованому режимі в захищеній підсистемі, яка через шлюз може використовувати дані незахищеної підсистеми. У захищеній підсистемі клієнт, використовуючи запропоновану схему вибору торгових роботів, має можливість обрати роботів для торгівлі на власних рахунках. Структура інструментального комплексу запропонованої інформаційної технології виконання операцій на біржі за допомогою торгових роботів представлена на рис. 8.



Рис.8. Структура інструментального комплексу ІТ

Сервер застосувань є основною частиною і керує трьома застосуваннями - застосування “Прогнозування”, застосування “Тестування” та застосування “Аналіз даних”.

Для апробації запропонованої інформаційної технології у якості експериментальних даних використано вибірку даних EUR/USD за півроку (130 значень). Результати прогнозу напрямку руху ціни представлено у табл. 1. Як видно з табл. 1, найкращою виявилася модель бінарної логістичної регресії з методом відбору змінних Enter. Про це свідчить значення загальної точності, яке склало 72,63%, та індексу Джiні на рівні 0,681.

Для прогнозування умовної дисперсії, розрахованої із використанням тих же даних, побудовано моделі АРУГ, УАРУГ і ЕУАРУГ. Найбільш повною моделлю з точки зору опису можливих впливів на умовну дисперсію є ЕУАРУГ. Як видно з характеристик адекватності побудованих моделей і якості прогнозів умовної дисперсії (табл. 2), така модель є найкращою.

За допомогою запропонованої інформаційної технології виконано 550 експериментів з використанням фактичних даних. В усіх випадках доходи прибуткових торгових роботів було збільшено, а збитки неприбуткових торгових роботів - зменшено (табл. 3).

Після виконання експериментів на історичних даних інформаційну технологію виконання операцій на біржі за допомогою торгових роботів апробовано в інтерактивному режимі. В результаті використання запропонованого підходу після 30 днів роботи прибуток склав 6,3%. В середньому час, який відводиться на прийняття рішення, склав 3,5 хвилини.

Таблиця 1. Порівняльна таблиця характеристик моделей, побудованих для прогнозування напрямку руху ціни EUR/USD

Таблиця 2. Характеристики адекватності побудованих моделей і якості прогнозівумовної дисперсії для валютної пари EUR/USD

Результати застосування створеної інформаційної технології виконання торгових операцій за допомогою торгових роботів у порівнянні з використанням цих же роботів, але без інформаційної технології, у графічній формі наведено на рис. 9.

Таблиця 3. Результати експериментів, виконаних за допомогою інформаційної технології



Рис. 9. Результат застосування створеної інформаційної технології в інтерактивному режимі

Графік отриманих результатів свідчить про те, що прибуток практично завжди вищий при застосуванні запропонованої інформаційної технології.

ВИСНОВКИ

У дисертаційній роботі вирішена важлива науково-практична задача розробки нової інформаційної технології виконання операцій на біржі за допомогою множини торгових роботів.

1. Досліджено існуючі методи прогнозування фінансових процесів та сучасних технологій виконання торгових операцій на біржі з використанням торгових роботів. Наведено огляд сучасних інформаційних технологій, призначених для виконання торгових операцій на світових фінансових ринках. Зроблено висновок про відсутність багатопоточності при тестуванні торгових роботів на історичних даних та відсутності функцій, що ефективно реалізують регресійні методи та моделі інтелектуальної обробки даних.

2. Запропоновано підхід до вибору торгового робота, який відрізняється можливістю прогнозування умовної дисперсії за множиною моделей гетероскедастичних процесів і моделей прогнозування напрямку руху ціни за моделями і методами інтелектуального аналізу даних. Підхід забезпечує коректний вибір торгового робота з множини наявних за допомогою відповідних статистичних характеристик.

3. Удосконалено метод адаптивного прогнозування значення ціни активу, який відрізняється можливістю налаштування структури моделі з використанням інтегрованого критерію якості моделі та прогнозу. Метод забезпечує формування структури адекватної моделі досліджуваного процесу і обчислення високоякісних оцінок прогнозів розвитку фінансових процесів.

4. Отримав подальший розвиток метод прогнозування напрямку руху ціни активу, який відрізняється використанням в якості незалежних змінних у нелінійних моделях оцінок прогнозів, отриманих за моделлю множинної регресії. Метод забезпечує отримання високоякісного прогнозу руху ціни.

5. Запропоновано метод адаптації структури і параметрів байєсівської мережі до нових даних, який забезпечує отримання прийнятних за якістю оцінок прогнозів напрямку руху ціни, що дає можливість використовувати його у реальному часі з метою підвищення ступеня адекватності моделі.

6. Удосконалено метод формування оцінок прогнозів на основі інтегрованого підходу, який передбачає зважене комбінування оцінок прогнозів, отриманих за множиною методів інтелектуального аналізу даних. Метод забезпечує покращення прогнозів напрямку руху ціни у середньому на 2,5%.

7. Для оцінювання прогнозу значення ціни активів побудована множина нових регресійних моделей, у яких ефективно використано індикатори технічного аналізу. Моделі забезпечують обчислення високоякісних оцінок прогнозів ціни активів з використанням комплексного критерію якості. При цьому середня абсолютна похибка у процентах не перевищує 7,2%.

8. Запропонована інформаційна технологія знайшла практичне впровадження у системі управління біржового брокера, що сприяє досягненню високого рівня автоматизації процесу виконання торгових операцій. Після виконання експериментів на історичних даних інформаційну технологію виконання операцій на біржі за допомогою торгових роботів апробовано в інтерактивному режимі. В результаті використання запропонованого підходу після 30 днів роботи прибуток склав 6,3%. В середньому час, який відводиться на прийняття рішення, склав 3,5 хвилини.

9. Всі розробки дисертаційної роботи впроваджено у Банку Петрокоммерц Україна і ТОВ Томако-Інвест для прийняття рішень стосовно кредитування фізичних осіб та прогнозування напряму руху ціни на валютному ринку. Результати роботи також впроваджено у відповідних навчальних курсах Інституту прикладного системного аналізу НТУУ «КПІ» - аналіз часових рядів, прикладна статистика та проектування комп'ютерних інформаційних систем. Вони можуть бути успішно використані у навчальній системі підготовки аналітиків фінансових ринків.

СПИСОК ОПУБЛІКОВАНИХ ПРАЦЬ ЗА ТЕМОЮ ДИСЕРТАЦІЇ

1. Бидюк П.И., Федоров А.В. Сравнение некоторых методов прогнозирования на нестационарных процессах // Проблемы управления и информатики, 2008, № 2, с. 130-139.

2. Бідюк П.І., Федоров А.В. Побудова системи адаптивного прогнозування фінансово-економічних процесів та її застосування // Збірник наукових праць Миколаївського морського університету, Вип. 104, т. 117, 2009, с. 119-129.

3. Боримський Ю.С., Бідюк П.І., Федоров А.В. Алгоритми формування інвестиційного портфеля та визначення часток активів в інвестиційному капіталі // Збірник наукових праць Миколаївського державного морського університету, Вип. 93, т. 106, 2009, с. 39-46.

4. Бідюк П.І., Федоров А.В. Прогнозування фінансових процесів на біржі з використанням індикаторів технічного аналізу // Наукові вісті НТУУ “КПІ” - 2009. - № 2. - С. 5-9.

5. Бідюк П.І., Федоров А.В. Ймовірнісне прогнозування процесів ціноутворення на фондових ринках // Системні дослідження та інформаційні технології - 2009. - № 1. - С. 65-73.

6. Бідюк П.І., Федоров А.В., Адаптивне прогнозування напряму руху цін на міжнародному валютному ринку // Проблеми інформаційних технологій - 2009. - №1. - С. 69-73.

7. Бідюк П.І., Федоров А.В., Суворов І.С. Моделі ціноутворення на валютному ринку для прогнозування руху ціни відносно заданого рівня // Вісник Чорноморського державного університету ім. Петра Могили -2010, Вип. 130, т. 143 - С. 12-17.

8. Бидюк П.И., Фёдоров А.В. Выбор торговой системы при помощи дисперсии процесса ценообразования // Управляющие системы и машины - 2011. - №1. - С. 88-92.

9. Бідюк П.І., Бурковський А.В., Федоров А.В. Прогнозування потенційно неплатоспроможних клієнтів методами штучного інтелекту // Проблемы информационных технологий, 2011, № 3, с. 20 - 26.

10. Бідюк П.І., Трофимчук О.М., Федоров А.В. Інформаційна СППР для прогнозування фінансово-економічних процесів на основі структурно-параметричної адаптації моделей // Наукові Вісті НТУУ “КПІ”, 2011, № 6, с. 42-53.

11. Бідюк П.І., Федоров А.В. Автоматизований вибір типу торговельної системи на основі адаптивного оцінювання прогнозу дисперсії // Інформаційні технології в наукових дослідженнях і навчальному процесі: Матеріали IV-ї Міжнародної конференції, Луганськ, 2009, с. 13-15.

12. Бідюк П.І., Федоров А.В. Прогнозування процесів ціноутворення на біржі за допомогою моделей множинної регресії // Сучасні інформаційні та інноваційні технології на транспорті: Матеріали міжнародної конференції, 25-27 травня, 2009, Том 2, с. 29-30.

13. Бідюк П.І., Федоров А.В. Адаптивне прогнозування напряму руху цін на ринку Forex // Міжнародна науково-технічної конференція «Інтелектуальні системи прийняття рішень та проблеми обчислювального інтелекту», Євпаторія, травень 2009, с. 26-28.

...