Где истина-Обучение торговле на фондовом рынке. На бирже обучение
Где истина-Обучение торговле на фондовом рынке
Заманчивые предложения для начинающих: «Тут зарабатывают трейдеры», «Обучение торговле бесплатно», «Мы команда успешных трейдеров», «Стань успешным и зарабатывай на фондовой бирже» или на рынке форекс всегда есть и будут. Такая реклама выскакивает в мобильном, большинстве сайтов, в почтовом ящике. Порой закрыть их невозможно. Нужно только согласиться с регистраций и полетели спам рассылки вам на почту с приглашением посетить их замечательные курсы. От такого рода информационного прессинга вряд ли кто-то станет успешным, и особенно научится торговать на фондовом рынке. В такой рекламной компании зарабатывает только тот, кто таким родом деятельности занимается. Трейдеры ли они или они продавцы? Методички и другая информации доступна в интернете и совершенно бесплатно.
Эта статья про (!в кавычках) «обучение на бирже или на валютном рынке», и что происходит внутри и вокруг таких псевдо лекций.
Бесплатные курсы
Стоит заметить, что в большинстве своём предложения пестрят как бесплатные. Но задайте себе вопрос – « Кто будет меня учить трейдингу на фондовом рынке бесплатно? Кому это надо?». Прежде всего научиться торговать на бирже хотите Вы, так почему же большинство предложений по обучению бесплатные ? Значит ли это то, что все они хотят чтоб Вы научились торговать на бирже и зарабатывали. Какой им прок от Вас? Странная бесплатность. Не так всё просто и замечательно как казалось бы. Поговорку про сыр знают все, но понимает далеко не каждый.
ВВЕРХ ↑Вебинары и семинары
Предположим, Вы каким то образом но всё же записались на курсы. Не важно какие курсы и не важно, сколько Вы заплатили, важно то, что Вы получите за свои потраченные средства Обычная практика проведения семинаров это два –три раза в неделю, т.е. через день, с разбором полётов и т.п. Вы включаете платформу, кто то из Вас уже на реале, кто то на демке. Все смотрят в мониторы, есть общий чат, есть ведущий курсов. Всё прекрасно. Вебинар проходит.
Всё это я излагаю, так как сам единожды стал участником такого собрания закрытого типа под названием «Обучение торговле на фондовой бирже», после прохождения которого Вы 100% обладатель успеха на рынке и будете стричь биржу как баранов, если поверить автору методички и предводителю таких семинаров. Все заглядывали на такие семинары по началу, только никто не хочет признаться что он «лоханулся». Но здесь не об этом.
Вы сидите и слушаете вашего предводителя, он же вам предоставил 100% прибыльную стратегию, раздал или дал скачать методички с его прибыльной стратегией. Сам он, наверняка, сидит на демке, или же у него партнёрка с брокером на конвейер будущих трейдеров и ему предоставили реал аккаунт для показа в его окне вебинара. В тот случай, моего попадания на такое мероприятие, я заметил не ладное через какое то время. У нашего «горе гуру» была обычная демка, он не справился с управлением программы для вебинаров и спалился. Моё замечание в общем чате трейдеров сказалось мне не завершившимся обучением и потерей оплаченных за обучение средств. Этот преподаватель тоже в списке на картинке ниже (исчез).
ВВЕРХ ↑Приглашение на курсы
Прошло около трёх лет с моего первого и незавершенного онлайн обучения или семинара. Звонок по телефону. Откуда они узнали мой номер? Пригласили на семинар, но не на «конвейер», а за опыт в торговле. Цель была — создать аудиторию, из новичков, заинтересованных в инвестициях лиц и практикующих трейдеров, для того чтоб создалась и была атмосфера во время проведения курсов. Я был в этом зале не один такой, были ещё несколько трейдеров. К нам было нацелено отдельное внимание, как к практикующим, для создания тематических диалогов.
ВВЕРХ ↑На крючке
Вы на семинаре, в глазах только «бабло» (деньги), машина, квартира на Майами, курорты или Вы в своём бунгало с большим бассейном и видом на открытый океан. Не так ли всё преподносят? Пример одного трейдера, у которого платный доступ к чату трудеров и он же предлагает свои методики. Вам рассказывают о возможностях на финансовом рынке, приводят примеры успешных сделок, рассказывают про стохастики, фибо, уровни и другие индикаторы. На информационной доске у входа в зал висят распечатанные списки топ трейдеров, их портфели, их профиты и другие яркие события компании. Ведётся беседа, проходят курсы по трейдингу. Атмосфера в зале живая, просто сказочная. Перерыв на чай с булочками, чтоб Вы пообщались, спросили у бывалых, взглянули на ту грёпанную доску перед входом. У новичков горят глаза при виде прибыльных сделок на экране в зале. В общем «кипяток».
Начало и конец
Обратите внимание на картинку, где обозначены «горе-гуру », блоги которые предлагали свои курсы по торговле на бирже. Преподаватель курсов по трейдингу. Кто он? И где он теперь? Скриншот сделанный из веб архива — это сайт одного популярного блога и трейдера. Сейчас его нет — «Error 404». Статья и ссылки на преподавателей курсов по обучению торговле на фондовом рынке была опубликована в конце 2015 года, т.е всего 2 года назад. Переход по указанным ссылкам тоже показал «Ошибки 404». Этих преподавателей и лекций по трейдингу как и самих прибыльных стратегий больше нет. Почему же такие успешные трейдеры, демонстрировавшие и рассказывающие про свои 100% прибыльные стратегии исчезли из сети и больше преподавательской деятельностью не занимаются? Возможно трейдинг у них занимает так много времени чтоб еще тратить это время на обучение. Возможно, я допускаю то, что они на рынке зарабатывают больше. Только на каком рынке? Ни о ком из них никто ничего не пишет, ни заметок, ни статей. Никто про них не слышит больше ничего. Только — ошибка 404 — в браузере.
Двое отмеченные из приведенного списка торговали и торгуют на рынке по сей день, обучением не занимаются. Продажа их методичек налажена онлайн — заплати, скачай, изучай и практикуй. Всё просто.
ВВЕРХ ↑Менеджер по продажам
На курсах, на которые меня пригласили, был ведущий, преподаватель или успешный трейдер, зовите его как хотите. Лицо его было мне очень знакомо. Я сидел в зале и копался в закромах своей памяти, пытался вспомнить, где я мог его видеть. Слишком сладкая речь была. Бинго — это был опытный менеджер по продажам, управляющий группой «пешеходов» в Орифлейме. Сознаюсь, я тоже немного попрактиковал с продажей косметики и моя история с косметикой была 12-тью годами ранее и видел его там. Он тоже меня узнал, но не подавал вида. Такие прекрасные ораторские навыки как у того гуру надо всегда держать в тонусе, впрочем, как и всех присутствующих на таких лекциях по трейдингу. На видео пару примеров ораторского мастрества от гуру трейдеров.
Ввиду того что кого-то видео «задело», мой акк на ютюбе заблокировали.
ВВЕРХ ↑Курсы обучения
Время идёт, история меняется, но курсы обучения трейдингу никуда не делись, всё тоже самое, и на своих местах. Только псевдо-авторы методичек по обучению, или гуру трейдинга поменялись или поменяли свои методики продаж. Поисковой запрос -обучение трейдингу и всё это займет несколько минут вашего времени для того чтоб выделить явных представителей, которые предлагают супер заработки после прохождения у них обучения.
Продавец курсов
Хочу представить вниманию читателя еще один скрин. Просто сайт, даже не компания, из верхнего списка представителей поучить трейдингу. Сайт по бесплатному и платному обучению на фондовом рынке. Зачем предлагая у себя на сайте бесплатное обучение тут же втюхивать платное? Название сайта не скажу – это не важно. Постараюсь всё объяснить поподробнее. Название статьи — обучение трейдингу с нуля. Это ключевое слово, по которому Вы также пришли сюда. Количество ключевых слов неимоверно огромное. Чистейший переспам. Все фразы синего цвета это ключевые слова, по которым читатель находит в поисковике то, что ищет Т.е. автор и админ этого обучающего проекта владеет познаниями сайто- строения и оптимизации. И поэтому «напихал» статью так, чтоб она зашла в топ и набирала максимальную аудиторию. Если проверить статью на заголовок и описание, то видно что title (заголовок) с количеством в 121 знак (норма до 90) и это должна быть фраза/предложение, но никак не куча ничем не связанных между собой отрывков фраз. Описание статьи тоже зашкаливает в 387 знаков, где правила поисковиков говорят о 170 или 190 знаков. Ему надо в ТОП чтоб быстрее и больше двинуть своего товара. Типичный продавец.
Цитирую с этого же сайта: «Обучение трейдера с нуля, по платной программе «Акволабиан» занимает около n месяцев. Стоит от n х 10000 тысяч рублей в месяц (есть абонент). Изучив и пройдя практику трейдингу по этой программе вы будите зарабатывать от 30 до 120 тысяч рублей или $ за торговую сессию и психологически, будете готовым, к таким большим заработкам, что не маловажно! » — конец цитаты. Я в тихом шоке. «Будете готовы психологически.» Нет слов. Прочтите внимательно – «стоит от n*10 косарей, т.е. предела нет и не будет, и это значит с Вас обязательно попросят добавить ещё. «Что не мало важно!»
ВВЕРХ ↑Продажи курсов и методичек
Дайте себе ответ на один вопрос – зачем трейдеру зарабатывающему «лямы» на бирже, проводить лекции и заниматься продажей своих прибыльных стратегий, «палить тему»? Это диверсификация своих потерь, так как эти все ученики через него же откроют реал счёт. На бирже сайтов немало встречаются трейдерских блогов, форумов или посадочных страниц по торговле, не важно на каком, рынке. Такой пример — Сайт биржевой тематики продаётся вместе с методичками и обучением по торговле. Обучение платное, реально работает, есть расписание занятий, есть уже собранные группы, есть подписчики. Процесс подготовки трейдеров работает, люди комментируют, охотно делятся своими успехами. Покупателю такого сайта остаётся только встать на место бывшего владельца и начать учить трейдерскому мастерству. Уяснили момент? Кто выступает, в этом случае, в роли опытного и успешного и продаёт вам то, в чём сам ничего не понимает?
Обращайте внимание на мелочи. Из них складывается вся картинка.
Есть трейдеры в наших селениях
Есть люди и трейдер у них уже профессия на долгие годы. Своих успехов они достигли очень трудным путём. Пусть это на данный момент выглядит как — у них всё просто и беззаботно. Были у них и падения и взлёты и от этого никому никуда не деться. Надо понимать то, что первые шаги были и всегда будут неимоверно трудные. Это касается не только торговли на фондовом или на других финансовых рынках. Пример бесплатных и платных курсов по торговле на фондовом рынке от одного западного трейдера.
ВВЕРХ ↑Путь трейдера
Все опечаленные моменты от того что не получается, свои потери в начале пути, «сливе», возможно не одного депозита и есть замечательный путь становления успешным трейдером. Начните зарабатывать, обернитесь назад и посмотрите на свой путь. Он не вызовет у Вас отрицательных эмоций.
Своей статьёй я не побуждаю читателя и искателя курсов по трейдингу к каким либо действиям. Этот блог не продаёт методички и не занимается обучением торговле на финансовых рынках. Хотя, идея замечательная.
Искренне надеюсь что владельцев ресурсов с обучением на бирже я не обидел, по крайней мере не хотел. Есть множество компаний и трейдерских блогов, которые предлагают стоящие курсы по трейдингу. Ищите, читайте и познавайте.
Всем читателям желаю добрых курсов по трейдингу и хороших профитов на финансовых рынках.
skilfultrades.ru
Обучение торговле на бирже. Гайд для новичков!
Заработать деньги быстро и, желательно, легко. Кто об этом хотя бы раз не мечтал? От студентов до пенсионеров, представителей рабочих профессий, наемных служащих до управленцев и бизнесменов. У многих есть желание повысить уровень финансового благополучия, самые решительные начинают искать варианты. Среди легальных способов заработать большие деньги своим умом – научиться торговать на бирже. Где, как и зачем новичку проходить обучение трейдингу с нуля ?
Первая ступень – серьезная подготовка
Желающих «сколотить состояние на бирже» подводят стереотипы и реклама. До того, как биржевая торговля воплотит мечты об обогащении в реальность (а это действительно возможно), придется разобраться в основах трейдинга. Чтобы дальнейшие события разворачивались по правильному сценарию, каждому потребуется четко осознать: пройти обучение торговле на бирже необходимо. Более того – к желанию учиться следует добавить настойчивость.Вопросы «где и как» учиться трейдингу взаимосвязаны, к тому же, специальных направлений в ВУЗах не существует. Безусловно, большим плюсом будет наличие экономического, финансового, математического образования, поскольку торговля на бирже в той или иной форме затрагивает все эти науки. И все же освоить азы трейдинга можно и без углубленных знаний, осваивая самое необходимое по ходу.С чего сделать первый шаг новичку, который хочет пройти обучение торговле на бирже? Сделать выбор: двигаться самостоятельно или под руководством наставника. Это первый важный пункт, от которого зависит многое, и у каждого варианта есть свои как преимущества, так и недостатки. Путь самостоятельного обучения торговле на бирже поможет сэкономить на оплате курсов, ведь это бесплатно, но грозит потерей времени, мотивации при неоднократных сливах депозита и разочарованием.У выбора в пользу обучения под руководством наставника преимуществ больше – от проработанной программы до практики, что предполагает реальную торговлю на бирже. Среди нюансов такого варианта пути освоения трейдинга: размер оплаты курсов и выбор действительно хороших программ, обучение по которым проводит имеющий большой практический опыт специалист.
Обучение торговле на бирже с полного нуля
Для неискушенных новичков торговля на фондовом рынке представляется ловушкой. И это не связано с мифом о том, что биржевая торговля очередная финансовая пирамида по типу МММ или ФОРЕКС. Последний наравне с бинарными опционами – беспрерывная тема споров в сети, и по статистики – верный способ остаться без денег.Истинная биржевая торговля представляет собой совершенно иной вид деятельности. Да, трейдинг нацелен на получение прибыли, но цель достигается легальным путем и действия регулируются правилами, порядком торгов, которые регулируются государственными органами. В России пример такой площадки – Московская биржа.
Если начинаете с азов, не знаете терминов, механизмов и как функционирует биржа, то ищите курсы по обучению трейдингу с нуля и с учетом этих основных параметров.Что еще полезно знать новику? Трейдинг – это сочетание теории и практики, где доля практических занятий больше, а еще это выработка мышления, знание основ тайм-менеджмента и психологии биржевой торговли. Не поддавайтесь иллюзии и обещаниям, что торговля на бирже – это легко. Нет, это такой же труд, настойчивость и желание развиваться, как и в любой другой профессии.Во всем этом есть и хорошее – обучение трейдингу доступно каждому, буквально. Проходить конкурсный отбор или сдавать экзамены не требуется, многое будет зависеть от личностных качеств (дисциплина, стрессоустойчивость, терпение, усидчивость и т.п.), поэтому шансы на успех в биржевой торговле имеют и строители, и юристы, и доктора, и студенты. Трейдинг может стать как дополнительным видом заработка, так и основным источником дохода. И все же предшествовать этому будет качественный старт – хорошая теоретическая база и полезная практическая подготовка.
В Школе Трейдинга Александра Пурнова для новичков в биржевой торговле проводится курс «На СТАРТ» а также действует блог для новичков и опытных трейдеров . Даже если о трейдинге вы слышите и читаете впервые, по окончанию обучения сможете заработать свои первые деньги на фондовом рынке. С неизвестностью всегда связан страх, и это естественная реакция, другой вопрос: если не начать действовать, то как добиться цели? Чтобы достигнуть финансового благополучия и обеспечить себе достойный уровень жизни, надо перестать сомневаться в своих способностях и сделать шаг в сторону обучения.Действуйте, закладывая качественный фундамент, для будущего успеха в биржевой торговле!
yablor.ru
Обучение игре на бирже forex
Написано 9 июня 2014от forex-inform24.
С появлением интернета появилась уникальная возможность для всех желающих зарабатывать деньги, не выходя из дома в любое время года и при любых погодных условиях.
Имея всего несколько долларов на счету, можно начинать работу на финансовом рынке Форекс, который каждому предоставляет шанс заработать денежные средства независимо от экономических условий, отличается высокой ликвидностью и не подвержен кризисам.
Для успешного старта желательно пройти обучение игре на бирже forex при помощи которого возможно разобраться в рабочих моментах и особенностях фондового рынка, создавать собственные торговые стратегии и семимильными шагами двигаться к вершине успеха.
Выбор обучающих курсов и программ зависит от нескольких факторов, к которым относятся:
- уровень знаний начинающего трейдера;
- условия, вид и время занятий;
- уровень курсов и обучающего персонала.
Специальное обучение игре на бирже forex для будущих трейдеров, имеющих финансовое образование или багаж знаний по прикладной математике, будет заключаться в самостоятельном изучении литературы по биржевой торговле. Для гуманитариев прекрасно подойдут занятия по индивидуальной программе с опытными преподавателями. Такое обучение основано на пожеланиях и знаниях учащегося, и проводится по специальному учебному плану. Индивидуальные занятия ускоряют обучающий процесс и помогают быстрее овладеть техникой биржевой торговли.
Для получения всех необходимых знаний, предоставляется возможность посещать групповые занятия или проходить специальные занятия в онлайн – режиме в удобное время. Самостоятельное обучение является бесплатным и позволяет уделять больше времени всем непонятным вопросам. А занятия у профессионалов биржевой торговли будут более эффективными. Опытные преподаватели всегда помогут намного быстрее разобраться в тонкостях торговых операций на Форексе, а также освоить сложные понятия и термины, необходимые для успешной работы трейдера.
Статьи по этой теме:
Опубликовано в Обучение торговлеforex-inform24.ru
что нужно знать о создании стратегий для торговли на бирже. Часть IV / Блог компании ITI Capital / Хабр
На Хабре и в аналитическом разделе нашего сайта мы много пишем о тенденциях финансового рынка и продолаем публикацию серии материалов, посвященных вопросам создания стратегий для торговли на бирже, основанную на статьях автора блога Financial Hacker. В предыдущих топиках мы поговорили об использовании неэффективностей рынка на примере истории с ценовыми ограничением для швейцарского франка, рассмотрели важные факторы, влияющие на эффективность стратегии и обсудили общие принципы разработки модель-ориентированных торговых систем.
Сегодня же речь пойдет об использовании для этих целей технологий дата майнинга и машинного обучения.
В 1996 году компьютер Deep Blue впервые победил чемпиона мира по шахматам. Прошло еще 20 лет и программа AlphaGo победила в серии с лучшим игроком в Го, уступив лишь одну игру. Deep Blue представлял собой модель-ориентированную систему с жестким набором шахматных правил. AlphaGo же использует технологии Data Mining. Это нейронная сеть, обученная на примерах тысячи партий Го. В отличие от шахмат, в этой игре пространство выбора вариантов настолько огромно, что простой перебор не поможет. Поэтому прорыв произошел не за счет совершенствования «железа», а исключительно благодаря новому софту.
Сегодня мы мы рассмотрим подход к использованию дата-майнинга для разработки торговых стратегий, который не подразумевает глубокого анализа рыночных механизмов. Вместо этого он использует информацию из кривой цен и других источников для поиска в ней предсказуемых аномалий. Машинное обучение или «искусственный интеллект» — не всегда обязательная часть подобной стратегии. На практике самым популярным и самым успешным вариантом применения данного метода является работа без привлечения навороченных нейронных сетей или метода опорных векторов.
Принципы машинного обучения
В основе обучающего алгоритма заложена концепция шаблонов. Обычно это исторические данные о ценах. Каждый шаблон состоит из n переменных x1… xn, обычно называемых маркерами предсказания (предикторами) или просто параметрами. В качестве таких предикторов могут выступать ценовой возврат последних n-делений или набор классических индикаторов, а также любые другие функции кривой цен. Каждый шаблон включает целевую величину y — например, прибыль следующей сделки после применения шаблона или следующее движение цены. В процессе обучения алгоритм узнает, как получить целевую величину, основываясь на предикторах. Это знание хранится в структуре данных, именуемой в нашем случае моделью, индивидуальной для каждого алгоритма. Эта модель может быть функцией языка C, описывающей правила прогнозирования, выработанные в процессе обучения. Или это может быть набор соединений в нейронной сети.Обучение: x1… xn, y => модель Предсказание: x1… xn, модель => y Предикторы должны аккуратно обрабатывать информацию, которая необходима для предсказания целевой величины. Они обязаны отвечать двум формальным условиям: все значения этих маркеров должны быть одного порядка (например, -1… +1 для алгоритмов на R или -100… +100 для алгоритмов на языке Zorro). Это значит, что до отправки торговому «движку» их нужно нормализовать. Во-вторых, шаблоны должны быть сбалансированы, то есть равномерно распределены по всем значениям целевой величины. Шаблонов, описывающих выигрышный вариант, должно быть столько же, сколько и проигрышный.Регрессивные алгоритмы предсказывают числовые значения, такие как величина следующего изменения цены. Классификационные алгоритмы генерируют класс качественных шаблонов. Например, связанных с прибылью или убытком. Ряд алгоритмов нейронных сетей или опорных векторов могут одновременно работать в обеих версиях. Некоторые алгоритмы не нуждаются в целевой величине для разделения шаблонов на классы. Это так называемое обучение без учителя (unsupervised learning), в отличие от обычного с учителем (supervised learning).
Какие бы сигналы мы не использовали в качестве маркеров предсказания в сфере финансов, большинство из них будет содержать много шума и мало полезной информации. Поэтому финансовое прогнозирование – самая сложная задача в машинном обучении. Более сложные алгоритмы не всегда дают более качественный результат. Для конечного успеха критичным является выбор предикторов. На этот случай в стратегии интеллектуального анализа предусмотрен алгоритм предварительного отбора, который выбирает несколько полезных маркеров предсказаний из множества вариантов. Этот отбор может проходить на основе их корреляции, значимости или просто берутся те, что прошли тест.
Далее мы поговорим о наиболее популярных методиках интеллектуального анализа, используемых в мире финансов.
Метод проб и ошибок
Большинство торговых систем, которые компания автора блога Financial Hacker разрабатывает для своих клиентов, изначально основаны не на финансовой модели. Заказчик хочет получать сигналы для совершения транзакций, опирающиеся на конкретные технические индикаторы, фильтруемые через индикаторы с использованием еще большего числа технических индикаторов. Обычно, никто толком не может ответить на вопрос о том, как это месиво индикаторов может являться рабочей стратегией. Ответ, как правило, такой: «Просто поверьте. Я так вручную торгую уже много лет, и все работает».На самом деле, все так и есть. По крайней мере, в некоторых случаях. Хотя многие эти системы не были прошли форвардный анализ (некоторые — даже элементарный бэктест), большинство неплохо справляется со своими задачами. Клиент систематически экспериментирует с техническими индикаторами, пока не найдет нужную комбинацию, которая работает на реальном рынке с выбранными активами. Метод проб и ошибок – это классический вариант интеллектуального анализа. Просто он производится человеком, а не машиной. Иногда это дает хороший результат.
Свечные паттерны
Нет смысла останавливаться на разборе устаревших методик, типа японских свечных паттернов, которые были популярны 200 лет назад. Современный эквивалент свечных паттернов – это безиндикаторный анализ price action. В нем трейдеры все еще пытаются найти паттерн, предсказывающий движение цены. Но в данном случае они анализируют современные ценовые кривые. Для этой цели существует набор специальных программ. Они подбирают подходящие паттерны по заложенным пользователем критериям и используют их для построения функции. В системе Zorro это может выглядеть так:int detect(double* sig) { if(sig[1]<sig[2] && sig[4]<sig[0] && sig[0]<sig[5] && sig[5]<sig[3] && sig[10]<sig[11] && sig[11]<sig[7] && sig[7]<sig[8] && sig[8]<sig[9] && sig[9]<sig[6]) return 1; if(sig[4]<sig[1] && sig[1]<sig[2] && sig[2]<sig[5] && sig[5]<sig[3] && sig[3]<sig[0] && sig[7]<sig[8] && sig[10]<sig[6] && sig[6]<sig[11] && sig[11]<sig[9]) return 1; if(sig[1]<sig[4] && eqF(sig[4]-sig[5]) && sig[5]<sig[2] && sig[2]<sig[3] && sig[3]<sig[0] && sig[10]<sig[7] && sig[8]<sig[6] && sig[6]<sig[11] && sig[11]<sig[9]) return 1; if(sig[1]<sig[4] && sig[4]<sig[5] && sig[5]<sig[2] && sig[2]<sig[0] && sig[0]<sig[3] && sig[7]<sig[8] && sig[10]<sig[11] && sig[11]<sig[9] && sig[9]<sig[6]) return 1; if(sig[1]<sig[2] && sig[4]<sig[5] && sig[5]<sig[3] && sig[3]<sig[0] && sig[10]<sig[7] && sig[7]<sig[8] && sig[8]<sig[6] && sig[6]<sig[11] && sig[11]<sig[9]) return 1; .... return 0; } Функция C делает возврат 1, когда сигнал соответствует одному из паттернов. В ином случае значение – 0. По этому коду можно видеть, что это не самый быстрый путь поиска паттернов. Альтернативный вариант – вначале сортировать сигналы по их значению, затем проверять порядок сортировки.Даже несмотря на применение техник дата-майнинга такой ценовой трейдинг должен иметь под собой какие-то рациональные основания. Можно представить, что определенные последовательности движения цены приводят к определенной реакции участников рынка. Это и будет паттерном прогноза. Число паттернов всегда будет ограничено, если внимательно присмотреться к последовательности смежных свечей. Следующий шаг – сравнение свечей, которые находятся на расстоянии друг от друга. Мы выбираем их произвольно за достаточно долгий период времени. В этом случае число паттернов может быть безграничным. Но здесь легко потерять почву под ногами. В то же время, трудно представить, что движение цены может быть предсказано свечным паттерном недельной давности. Но в целом задача поиска свечных паттернов архисложная и чревата множеством ошибок.
Линейная регрессия
Смысл работы большинство сложных алгоритмов машинного обучения прост: нужно предсказать переменную целевую величину y через линейную комбинацию предикторов x1 … xn.Коэффициент an рассчитывается для минимизации суммы квадратов различий между истинным значением y обучающего шаблона и предсказываемыми значениями y по следующей формуле:
Для нормального распределения шаблонов минимизация возможна через математическую матрицу, поэтому никакой итерации не требуется. В случае n = 1 с одной переменной предиктора x формула регрессии упрощается до:
Это является простой линейной регрессией. Она применяется на большинстве торговых платформ. Если y = цена, а x = время, то она часто используется как альтернатива скользящим средним. Есть еще полиноминальная регрессия, когда все еще есть один предиктор x, но есть и x2 и в более высокой степени. Таким образом, xn == xn.
Перцепция
Нередко этот метод рассматривают как нейронную сеть с одним нейроном. На самом деле перцепция – это та же функция регрессии, которую мы рассмотрели выше. Но с двоичным результатом. Поэтому ее еще называют логистическрй регрессией. Хотя, по сути, это алгоритм классификации. Функция advise(PERCEPTRON, …) в Zorro генерирует C-код, делающий возврат 100 или -100, в зависимости от того, расположен ли предсказанный результат в рамках или за рамками установленного порога.int predict(double* sig) { if(-27.99*sig[0] + 1.24*sig[1] - 3.54*sig[2] > -21.50) return 100; else return -100; } В этом фрагменте видно, что массив sig эквивалентен нашим маркерам предсказания xn в формуле регрессии, а числовые множители – это коэффициенты an.Нейронные сети
Линейная или логистическая регрессия может решить лишь линейные проблемы. Многие просто не работают с такой категорией вопросов. Искусственная нейронная сеть (ИНС) призвана решать нелинейные проблемы. Она представляет собой пучок перцептронов, соединенных в набор слоев. Каждый из них является нейроном сети. Вот как выглядят инпуты и аутпуты такой сети:
Нейронная сеть обучается через распознавание коэффициента, который бы минимизировал расхождение между шаблоном предсказания и шаблоном цели. Но теперь нам нужно задействовать еще и процесс аппроксимации. Обычно он применяется вместе с методом обратного распространения ошибки от входных данных к выходным, по пути оптимизируя нагрузку.
Этот процесс ставит два ограничения. Первый: нейронные аутпуты теперь должны быть непрерывно дифференцируемыми функциями, вместо того чтобы быть просто порогами перцепторов. Второе: сеть не должна быть чересчур глубокой, нужно избегать слишком большого числа скрытых слоев между инпутами и аутпутами. Это, конечно, ограничивает сложность проблем, которые простая нейронная сеть способна решать.
Если использовать нейронную сеть для торговли, то необходимо варьировать и изменять множество параметров. Неосторожность в обращении с ними может привести к тому, что будут искажены:
- число скрытых слоев;
- число нейронов для каждого скрытого слоя;
- число циклов обратного распространения, или эпох;
- скорость обучения, ширина шага одной эпохи;
- моментум;
- функция активации.
Глубокое обучение
Если речь идет о множестве скрытых слоев и тысячах нейронов, то это уже глубокое обучение. Здесь стандартное обратное распространение не работает. В последние несколько лет появились несколько популярных методик обучения такой огромной системы. Обычно они включают этап пред-обучения скрытых слоев для достижения нужного эффекта. Один из вариантов – машина Больцмана – неконтролируемый классифицирующий алгоритм со специальной структурой сети, где отсутствуют соединения между скрытыми нейронами. Разреженный автокодировщик (Sparse Autoencoder) – другой вариант, он использует стандартную структуру сети и предобучает скрытые слои через воспроизводство сигналов инпута для аутпута слоев с минимальным, насколько это возможно, количеством активных соединений. Такие методы уже позволяют решать серьезные задачи. Ну, например, побеждать лучшего в мире игрока в го.Ниже пример скрипта на R, использующий автокодировщик с тремя скрытыми слоями для определения сигналов трейдинга с помощью функции neural() пакета Zorro:
library('deepnet', quietly = T) library('caret', quietly = T) # called by Zorro for training neural.train = function(model,XY) { XY <- as.matrix(XY) X <- XY[,-ncol(XY)] # predictors Y <- XY[,ncol(XY)] # target Y <- ifelse(Y > 0,1,0) # convert -1..1 to 0..1 Models[[model]] <<- sae.dnn.train(X,Y, hidden = c(20,20,20), activationfun = "tanh", learningrate = 0.5, momentum = 0.5, learningrate_scale = 1.0, output = "sigm", sae_output = "linear", numepochs = 100, batchsize = 100, hidden_dropout = 0, visible_dropout = 0) } # called by Zorro for prediction neural.predict = function(model,X) { if(is.vector(X)) X <- t(X) # transpose horizontal vector return(nn.predict(Models[[model]],X)) } # called by Zorro for saving the models neural.save = function(name) { save(Models,file=name) # save trained models } # called by Zorro for initialization neural.init = function() { set.seed(365) Models <<- vector("list") } # quick OOS test for experimenting with the settings Test = function() { neural.init() XY <<- read.csv('C:/Project/Zorro/Data/signals0.csv',header = F) splits <- nrow(XY)*0.8 XY.tr <<- head(XY,splits) # training set XY.ts <<- tail(XY,-splits) # test set neural.train(1,XY.tr) X <<- XY.ts[,-ncol(XY.ts)] Y <<- XY.ts[,ncol(XY.ts)] Y.ob <<- ifelse(Y > 0,1,0) Y <<- neural.predict(1,X) Y.pr <<- ifelse(Y > 0.5,1,0) confusionMatrix(Y.pr,Y.ob) # display prediction accuracy }Метод опорных векторов
Также как и нейронная сеть, метод опорных векторов – это расширенный вариант линейной регрессии. Взглянем на эту формулу еще раз:Маркеры предсказания xn можно рассматривать как координаты пространства с n измерениями. Привязав целевую величину y к фиксированному значению, мы определим плоскость или, как ее еще называют – гиперплоскость. Она отделяет шаблоны с y > 0 от шаблонов с y < 0. Коэффициент an может быть рассчитан как максимальное расстояние от плоскости к ближайшему шаблону, называемому опорным вектором. Таким образом, мы получаем бинарный классификатор с оптимальным делением шаблонов на выигрышные и проигрышные.
Есть небольшая проблема: обычно эти шаблоны нельзя отделить линейно, они рассредоточены в нашем пространстве маркеров нерегулярно. Мы не можем поместить в него ровную плоскость. Если бы и могли, то есть более простой способ определить плоскость – линейный дискриминантный анализ. Но в большинстве случаем мы вынуждены воспользоваться уловкой, которую предоставляет метод опорных векторов: добавить больше измерений в наше пространство. После этого алгоритм производит больше маркеров с помощью функции ядра, которая объединяет два любых предиктора в новый маркер. Чем больше измерений будет добавлено, тем легче разделить шаблоны с помощью гиперплоскости. Затем эта плоскость трансформируется обратно в исходное пространство с n измерениями, обрастая по пути складками. Для того чтобы функция ядра не сбивалась и работала оптимально, процесс должен выполняться без фактического вычисления параметров такого преобразования.
Метод опорных векторов может быть использован не только для классификации, но и для регрессии. Он также позволяет оптимизировать процесс предсказания через следующие параметры:
- функция ядра: обычно используют радиальную базисную функцию ядра, но у вас есть выбор, можно использовать полиномиальный, сигмоидный или линейный вариант;
- гамма, ширина захвата радиальной базисной функции ядра;
- параметр стоимости C, «штраф» за неверную классификацию шаблонов в процессе обучения.
Метод k ближайших соседей
В сравнении с опорными векторами, это довольно простой алгоритм с кучей уникальных возможностей. Он не требует обучения. Поэтому шаблоны в данном случае – это модель. В трейдинговых системах он позволяет обучаться непрерывно через добавление большего количества шаблонов. Метод ближайших соседей производит расчет расстояния от текущих значений маркеров к ближайшим k-шаблонам. В пространстве с n измерениями это расстояние рассчитывается также, как и по двум измерениям:
Алгоритм просто предсказывает целевую величину по среднему значению целевых переменных k ближайшего шаблона, распределенных по их обратным расстояниям. Его можно использовать как для классификации, так и для регрессии. Заимствованные из графических редакторов штуки (например, адаптивное двоичное дерево) помогут отыскать ближайшего соседа довольно быстро. Раньше такие вещи часто использовали в программирование игрушек, когда нужно было запустить самообучение интеллекта врага. Можно использовать для наших целей функцию knn в R или написать свою на C.
Метод k-средних
Метод k-средних использует алгоритм аппроксимации для неконтролируемой классификации. Он в чем-то очень похож на предыдущий метод. Для разделения шаблонов алгоритм первым делом размещает случайные отметки k в пространстве маркеров. Затем этим точкам назначаются все ближайшие к ним шаблоны. Следующий шаг: эти точки перемещаются к среднему значению ближайших шаблонов. И мы получаем новое распределение шаблонов, теперь определенные шаблоны становятся ближе к другим отметкам. Процесс повторяется, пока распределение не станет неизменным. То есть каждая отметка будет располагаться в точности по среднему значению ближайших шаблонов. Следовательно, у нас в наличие класс k-шаблонов, каждый из которых в непосредственной близости от одной из k-точек. Алгоритм простой, но он может привести к неожиданно хорошим результатам.Наивный байесовский классификатор
Следующий алгоритм использует теорему Байеса для классификации шаблонов по нечисловым признакам (событиям), так же, как уже обговоренный метод свечных паттернов. Предположим, у нас есть событие X, проявляющее себя в 80% случаях удачных шаблонов. Что можно из этого извлечь? Подсчитать вероятность выигрыша варианта, содержащего X. Она не будет равна 0,8, как это можно было бы предположить. Действие этой вероятности может быть рассчитано по байесовской теореме:
P(Y|X) — это вероятность того, что событие Y (выигрыш) появляется во всех шаблонах, содержащих событие X. Она будет равна вероятности появления X во всех выигрышных шаблонах (то есть 0,8) умноженной на вероятность проявления Y во всех шаблонах (в нашем случае 0,5, если вы внимательно прочли советы по балансировке шаблонов) и разделенной на вероятность наличия X во всех имеющихся шаблонах.
Если мы в меру наивны и предполагаем, что все события X независимы друг от друга, мы можем подсчитать общую вероятность того, что определенный шаблон будет выигрышным, по следующей формуле, используя коэффициент масштабирования s:
Для того чтобы формула сработала, нужно разделить маркеры предсказаний так, чтобы они были максимально независимы друг от друга. А это и есть самое главное препятствие для использования теоремы Байеса в трейдинге. В большинстве случаев два события будут, так или иначе, зависеть друг от друга.
Метод байесовского классификатора доступен в пакете e1071 для языка R.
Дерево принятия решения и дерево регрессии
Оба дерева нацелены на предсказание числовых значений на выходе, основываясь на серии решений да/нет. Ответ в каждом случае зависит от наличия или отсутствия события (в варианте нечисловых признаков) или от сравнения значений маркеров предсказания с фиксированным порогом. Стандартная функция дерева на Zorro будет выглядеть так:int tree(double* sig) { if(sig[1] <= 12.938) { if(sig[0] <= 0.953) return -70; else { if(sig[2] <= 43) return 25; else { if(sig[3] <= 0.962) return -67; else return 15; } } } else { if(sig[3] <= 0.732) return -71; else { if(sig[1] > 30.61) return 27; else { if(sig[2] > 46) return 80; else return -62; } } } } Как это дерево возникает из набора шаблонов? Есть несколько методов. Zorro предпочитает метод информационной шенноновской энтропии. Для начала он проверяет один из маркеров, допустим, x1. Он устанавливает гиперплоскость по формуле x1 = t . Эта плоскость отделяет шаблоны со значением x1 > t от шаблонов со значением x1Затем процесс запускается для следующего маркера x2, тогда уже две гиперплоскости расщепляют два субпространства. В каждом случае условием для этого является сравнение маркера с установленным порогом. В скором времени мы получаем разветвленное дерево с тысячами сравнений. Следом процесс запускается в обратном направлении, нам нужно подрезать дерево, удалив все решения, которые не ведут к существенному информационному приросту. Наконец, получается относительно небольшое дерево, как в примере кода выше.
Дерево решений может быть применено по-разному. Но его нельзя использовать в качестве решения всех проблем, так как его плоскости деления всегда параллельны осям пространства маркеров. Это ограничивает возможности делать точные предсказания. Для регрессии его также можно использовать. Например, для определения доли шаблонов, привязанных к определенной ветке дерева. Дерево Zorro – это дерево регрессии. Самый распространенный алгоритма классификации по методу дерева — C5.0, доступный в пакете C50 для R.
Заключение
В распоряжении трейдеров сегодня есть множество различных методов интеллектуального анализа. Но что эффективней: ориентированные на определенную модель стратегии или стратегии машинного обучения? Несомненно, у последних есть масса преимуществ. Не нужно беспокоиться по поводу микроструктуры рынка, психологии трейдеров и прочей не выражаемой в числах чепухе. Можно сконцентрироваться на чистой математике. Машинное обучение выглядит более изысканным вариантом, более привлекательным способом создания трейдинговой системы. Все говорит в его пользу. Кроме одной вещи: несмотря на восторженные отзывы на форумах, в живом трейдинге все это оказывается странным образом неэффективным.Каждую неделю в специализированных изданиях появляется новая статья о методах машинного обучения. К выводам этих статей стоит относиться с долей скепсиса. Многие из них обещают фантастический уровень отдачи в 70-85% прибыли. Если бы все это было правдой, количество миллиардеров среди математиков бы уже зашкаливало. В реальности удачных стратегий, основанных на машинном обучении до обидного мало.
Другие материалы по теме алгоритмической торговли в блоге ITinvest:
habr.com
