Praktische Anwendung von neuronalen Netzen im Handel

Einführung

Dieser Artikel betrachtet die Anwendung neuronaler Netze bei der Erstellung von Handelsrobotern. Dies ist der eigentliche Kern dieses Problems. Im weiteren Sinne werden wir versuchen, einige Fragen zu beantworten und weitere Probleme anzusprechen:

1. Kann mit Hilfe des maschinellen Lernens ein profitables System geschaffen werden?
2. Was bringt uns ein neuronales Netz?
3. Die Begründung für das Training neuronaler Netze für die Entscheidungsfindung.
4. Neuronales Netz: Ist es schwierig oder einfach?
5. Wie integriert man ein neuronales Netz in ein Handelsterminal?
6. Wie testet man ein neuronales Netz? Testphasen.
7. Über das Training mit Datensätze.

1. Kann mit Hilfe des maschinellen Lernens ein profitables System geschaffen werden?

Wahrscheinlich haben viele Anfänger, die gerade erst begonnen haben, den realen Handel auf dem Forex-Markt ohne ein bestimmtes System zu praktizieren, ein Blatt Papier genommen und eine Liste mit möglicherweise geeigneten Indikatoren geschrieben, wobei sie Plus- oder Minuszeichen oder Pfeile oder die Wahrscheinlichkeit von Preisbewegungen, basierend auf dem Indikatordiagramm im Terminal, daneben setzten. Dann würde der Benutzer seine Beobachtungen zusammenfassen und eine bestimmte Entscheidung treffen, in eine bestimmte Richtung in den Markt einzusteigen (oder eine Entscheidung darüber, ob es ein guter Zeitpunkt ist, in den Markt einzusteigen oder besser auf eine andere Gelegenheit zu warten).

Was passiert also im fortschrittlichsten neuronalen Netz, d.h. in unserem Gehirn? Nach der Beobachtung von Indikatoren haben wir ein Bild eines zusammengesetzten Indikators, der das endgültige Signal erzeugt, auf dessen Grundlage wir eine Entscheidung treffen. Oder eine Kette von Signalen wird zu einem Indikator zusammengestellt. Denken Sie über Folgendes nach: Wenn wir Indikatoren zu einem bestimmten Zeitpunkt untersuchen und maximal über mehrere Zeiträume in die Vergangenheit blicken, wie können wir diese Indikatoren gleichzeitig über mehrere vorangegangene Jahre hinweg untersuchen und dann einen einzigen zusammengesetzten Indikator zusammenstellen, der weiter optimiert werden kann.

Dies ist die Antwort auf unsere zweite Frage: Was kann uns ein neuronales Netz geben? Lassen Sie uns die Frage neu formulieren: Was wollen Sie von einem neuronalen Netz als Ergebnis seines Trainings erhalten? Die erste Frage kann logischerweise auch bejaht werden. Dies kann programmatisch geschehen. Sie können in meinem Video sehen, wie dies in der Praxis umgesetzt wird: https://youtu.be/5GwhRnSqT78. Sie können sich auch die Video-Wiedergabeliste mit Online-Tests von Modulen für neuronale Netzwerke ansehen unter https://youtu.be/3wEMQOXJJNk

2. Die Begründung für das Training neuronaler Netze für die Entscheidungsfindung.

Bevor Sie mit der Entwicklung eines Handelssystems beginnen, beantworten Sie die folgende Frage: Nach welchen Prinzipien wird dieses System funktionieren? Wir haben zwei Grundprinzipien: Seitwärtshandel und Trendfortsetzung. Derivate aus diesen beiden Systemen, wie z.B. Intraday-Handel, Verwendung von Fundamentaldaten und Nachrichten, Handel zur Markteröffnungszeit usw., werden wir nicht berücksichtigen. Ich bin auf Beschreibungen von Produkten neuronaler Netze gestoßen, in denen Autoren vorschlugen, sie zur Preisprognose von Aktien, Währungen usw. zu verwenden.

1. Das Diagramm zeigt die Funktionsweise eines neuronalen Netzes, das für die Preisprognose trainiert wurde

Wir können sehen, dass die Werte des neuronalen Netzes das Preisdiagramm wiederholen, aber sie hinken einen Schritt hinterher. Das Ergebnis hängt nicht davon ab, ob wir Preisdaten oder ihre Derivate vorhersagen. Wir können hier einige Schlussfolgerungen ziehen. Zum Beispiel: Was für uns 'gestern' ist, ist für das neuronale Netz 'heute'. Das ist nicht sehr sinnvoll, nicht wahr? Diese Variante kann jedoch nach einer gewissen Revision verwendet werden.

Aber unser Ziel ist: "Was für NN (neuronales Netz) 'heute' ist, ist für uns 'morgen'. Eine Art Zeitmaschine. Wir verstehen jedoch, dass das beste neuronale Netz unser Gehirn ist. Seine Effizienz liegt bei 50% (wenn wir von der Ja/Nein-Wahrscheinlichkeit sprechen), oder sogar noch schlechter. Es gibt auch die dritte Option - "Was gestern für das NN ist, ist heute für uns". Oder: "Was für uns heute ist, ist für das NN gestern". Lassen Sie uns überlegen, was die oben genannten Situationen für den Handel bedeuten:

• Zuerst — wir führen ein Geschäft aus und erhalten eine Antwort von NN, ob die Richtung richtig war oder nicht. Wir können es jedoch auch ohne die NN wissen.
• Zweitens — wir erhalten Informationen von der NN, führen ein Geschäft aus und sehen, dass die Empfehlung am nächsten Tag richtig war.
• Drittes — wir erhalten von der NN Informationen darüber, wann wir dieses oder jenes Geschäft ausführen sollen, oder ob wir ein Geschäft jetzt ausführen müssen und wenn, dann in welche Richtung.

Die erste Variante ist überhaupt nicht geeignet. Die zweite und die dritte Variante sind für den Handel durchaus geeignet. Die zweite Variante kann jedoch als ein Blick in die Zukunft betrachtet werden. Grob gesagt wird ein Signal von dem NN zu einem bestimmten Zeitpunkt empfangen, z.B. zum Tagesende - mit einer Prognose für den Schlusskurs des nächsten Tages (und wir sind derzeit nicht an der Kursbewegung vor dem Ende der Position interessiert). In diesem Stadium ist diese Idee für einen rein automatisierten Handel (für einen profitablen Handel) schwer umzusetzen. Die Idee der dritten Variante besteht darin, dass wir die Reaktion des NN während der Handelssitzung verfolgen. Wir interpretieren diese Reaktion und kaufen oder verkaufen einen Vermögenswert. Hier müssen wir die Hauptsache verstehen.

Welche Variante umgesetzt werden soll, hängt davon ab, wie wir das neuronale Netz trainieren wollen. In diesem Fall ist die dritte Variante einfacher zu implementieren. In der zweiten Variante verwenden wir alle Informationen mit dem Ziel, das Ergebnis des nächsten Tages zu erhalten — seinen Schlusskurs (der Tag dient nur als Beispiel, es kann also ein beliebiger Zeitraum sein). In der dritten Variante verwenden wir die Informationen, die wir einen Schritt früher, bevor wir eine Entscheidung treffen, erhalten haben, um zu zeigen, wohin sich der Preis bewegen wird. Ich verwende die dritte Variante in meinen Systemen.

3. Neuronales Netzwerk: herausfordernd oder einfach? 

Wir versuchen, ein Handelssystem zu schaffen. Wohin bringen wir also ein neuronales Netz, wie sollen wir es trainieren und wie können wir es in das Handelsterminal integrieren? Was mich betrifft, so verwende ich fertige neuronale Netze: NeuroSolutions und Matlab. Diese Plattformen ermöglichen es, ein geeignetes Netzwerk auszuwählen, es zu trainieren und eine ausführbare Datei mit einer gewünschten Schnittstelle zu erstellen. Das resultierende neuronale Netzwerkprogramm kann wie folgt aussehen:

2. Ein in Matlab-Umgebung erstelltes neuronales Netzwerkmodul

oder so:

3. Ein mit Neuro Solutions erstelltes Modul für neuronale Netzwerke

Bei der Untersuchung der Möglichkeiten der Anwendung neuronaler Netze auf den Finanzmärkten bin ich zu dem Schluss gekommen, dass neuronale Netze nicht nur als Hauptsignalgenerator, sondern auch als eine Option zum Entladen des Softwareteils des Trading Expert Advisors verwendet werden können. Stellen Sie sich vor, Sie entscheiden sich, einen Expert Advisor zu schreiben, der ein Dutzend Indikatoren verwendet. Diese Indikatoren haben unterschiedliche Parameter; sie müssen zu einem bestimmten Zeitpunkt analysiert und verglichen werden. Darüber hinaus verwenden Sie mehrere Zeitfenster. Auf diese Weise erhalten Sie einen überladenen Expert Advisor für den realen Handel, der extrem schwer zu testen ist.

Was wir tun können, ist, die Aufgabe der Indikatorenberechnung nach entsprechendem Training dem neuronalen Netz anzuvertrauen. Ferner wird das neuronale Netz anhand dieser Indikatoren geschult. Das bedeutet, dass nur die in den Indikatorformeln verwendeten relativen Preisdaten vom Expert Advisor in das Modul des neuronalen Netzes eingegeben werden müssen. Das neuronale Netz wird "Einsen" und "Nullen" ausgeben, die wir vergleichen und eine Entscheidung treffen können.

Betrachten wir das Ergebnis am Beispiel des Stochastischen Oszillators. Wir werden die folgenden Preisdaten als Eingaben verwenden. Der Indikator selbst wird als Trainingsbeispiel verwendet.

4. Preis-Daten

FileWrite(handle,
                   
                   iClose(NULL,0,i+4)-iLow(NULL,0,i+4),
                   iHigh(NULL,0,i+4)-iClose(NULL,0,i+4),
                   iHigh(NULL,0,i+4)-iLow(NULL,0,i+4),
                   iHigh(NULL,0,iHighest(NULL,0,MODE_HIGH,5,i+4))-iLow(NULL,0,iLowest(NULL,0,MODE_LOW,5,i+4)),
                   
                   iClose(NULL,0,i+3)-iLow(NULL,0,i+3),
                   iHigh(NULL,0,i+3)-iClose(NULL,0,i+3),
                   iHigh(NULL,0,i+3)-iLow(NULL,0,i+3),
                   iHigh(NULL,0,iHighest(NULL,0,MODE_HIGH,5,i+3))-iLow(NULL,0,iLowest(NULL,0,MODE_LOW,5,i+3)),
                   
                   iClose(NULL,0,i+2)-iLow(NULL,0,i+2),
                   iHigh(NULL,0,i+2)-iClose(NULL,0,i+2),
                   iHigh(NULL,0,i+2)-iLow(NULL,0,i+2),
                   iHigh(NULL,0,iHighest(NULL,0,MODE_HIGH,5,i+2))-iLow(NULL,0,iLowest(NULL,0,MODE_LOW,5,i+2)),
                   
                   iClose(NULL,0,i+1)-iLow(NULL,0,i+1),
                   iHigh(NULL,0,i+1)-iClose(NULL,0,i+1),
                   iHigh(NULL,0,i+1)-iLow(NULL,0,i+1),
                   iHigh(NULL,0,iHighest(NULL,0,MODE_HIGH,5,i+1))-iLow(NULL,0,iLowest(NULL,0,MODE_LOW,5,i+1)),
       
                   iClose(NULL,0,i)-iLow(NULL,0,i),
                   iHigh(NULL,0,i)-iClose(NULL,0,i),
                   iHigh(NULL,0,i)-iLow(NULL,0,i),
                   iHigh(NULL,0,iHighest(NULL,0,MODE_HIGH,5,i))-iLow(NULL,0,iLowest(NULL,0,MODE_LOW,5,i)),
 
                   iStochastic(NULL,0,5,3,3,MODE_SMA,1,MODE_MAIN,i),
                   TimeToStr(iTime(NULL,60,i)));

Nach dem Training wird das neuronale Netz das folgende Ergebnis ausgeben.

5. Verhalten des neuronalen Netzes

Für eine bessere visuelle Beurteilung verschieben wir diese Daten als Indikator auf das Handelsterminal.

6. Stochastischer und neuronaler Netzwerkindikator

Das obere Fenster zeigt den im Terminal verfügbaren Standardindikator. Das untere Fenster zeigt den vom neuronalen Netz erzeugten Indikator. Das Bild zeigt, dass der vom neuronalen Netz erzeugte Indikator alle Merkmale eines Standardindikators aufweist, einschließlich Ebenen, Schnittpunkte, Umkehrungen, Divergenzen usw. Denken Sie daran, dass wir keine komplexen Formeln verwendet haben, um das Netz zu trainieren.

So können wir das folgende Blockdiagramm eines Handelssystems zeichnen.

7. Blockdiagramm des Handelssystems

Die MT4-Blöcke stellen unseren Expert Advisor dar. "Input_mat" ist die Preisdatei. "Open1,2,3" ist die Signaldatei. Beispiele für diese Dateien finden Sie im nächsten Abschnitt.

Die Hauptarbeit wird die Blöcke "Netz1" und "Netz2" betreffen. Für diese Blöcke werden wir mehrere Skripte und EAs verwenden müssen, um historische Daten aufzubereiten und die Signale dieser Blöcke zu testen. Wenn das System als Komplex fertig ist, nimmt seine Modifikation, Entwicklung und das Experimentieren mit ihm nicht viel Zeit in Anspruch. Das folgende Video zeigt ein Beispiel: https://youtu.be/k_OLEKJCxPE. Im Allgemeinen dauern die Vorbereitung der Dateien, das Training von Net1 und Net2 und die erste Testphase, in der wir das System optimieren, 10 Minuten.

4. Integration eines neuronalen Netzes in das Handelsterminal

Die Integration eines neuronalen Netzes und des Handelsterminals ist nicht schwierig. Ich habe diese Frage gelöst, indem ich die Daten über Dateien weitergab, die vom Terminal und dem Programm des neuronalen Netzes erstellt wurden. Man kann sagen, dass dies die Entscheidungsfindung durch das System verlangsamen kann. Diese Methode hat jedoch ihre Vorteile. Erstens übergibt das Terminal ein Minimum an Daten, nur einige Dutzend Bytes. Siehe unten die vom Terminal geschriebene Dateizeile.

8. Datei der normalisierten Preise

Obwohl diese Datenübertragungsmethode eine Geschäftseröffnung erst beim nächstfolgenden Tick nach dem Eintreffen eines Signals aus dem neuronalen Netz ermöglicht. Wenn das System jedoch keine ultrakurzen Momente handelt, ist dies nicht entscheidend. In diesem Artikel arbeitet das System mit den Eröffnungspreisen. Auch Systeme, die diese Datenübertragungsmethode verwenden, erfordern Tests durch Kontrollpunkte oder die Verwendung des Every-Tick-Modus. Tests von auf neuronalen Netzen basierenden Systemen in diesen beiden Modi sind fast identisch. Bei der Entwicklung traditioneller Handelsroboter stieß ich auf Situationen, in denen Tests im Every-Tick-Modus wesentlich schlechtere Ergebnisse zeigten. 

Der Hauptvorteil dieses Datenübertragungsmodus besteht darin, dass wir die Daten, die wir empfangen und senden, in jeder Phase kontrollieren können. Ich betrachte dies als eine der Grundlagen für den weiteren erfolgreichen Handel mit einem neuronalen Netz. So wird unsere sperrige Vorbereitung des neuronalen Netzwerksystems zu einem Vorteil bei der realen Arbeit. Auf diese Weise können wir die Wahrscheinlichkeit, einen Programmfehler in der logischen Struktur des Systems zu erhalten, auf ein Minimum reduzieren. Der Grund dafür ist, dass das System vor der Verwendung schrittweise dreifach getestet werden muss. Wir werden später auf diesen Teil zurückkommen.

Das Bild unten zeigt die Dateien "Input_mat" und "Bar". Diese Dateien werden vom Handelsterminal generiert. Die Dateien Open1,2,3 werden durch das NN-Programm erzeugt. Die einzige Unannehmlichkeit besteht darin, dass wir im NN-Programm die Pfade zu diesen Dateien explizit festlegen müssen, je nachdem, wie wir den EA verwenden - zum Testen oder für den Handel.

9. Vom neuronalen Netzwerkmodul und dem Expert Advisor generierte Dateien

"Bar" ist eine Hilfsdatei, die als Zähler verwendet wird.

Das NN-Ergebnis wird in den Dateien Open1,2,3 empfangen. Die erste Zeile zeigt die vorherige Antwort. Die zweite Zeile zeigt die Echtzeit-Antwort. Dieses Format ist ein Sonderfall. Das Format kann je nach Handelsbedingungen unterschiedlich sein. Auch die Anzahl der Antwortdateien kann unterschiedlich sein. Wir haben drei davon, weil das NN-Modul drei Netzwerke verwendet, die in unterschiedlichen Zeitintervallen trainiert werden.

10. Antwort des Neuronalen Netzwerkmoduls in Dateien Open1,2,3

5. Wie testet man ein neuronales Netz? Testphasen

Bei der Vorbereitung von Handelssystemen, die auf neuronalen Netzen basieren, verwende ich drei Testphasen. Die erste Stufe sind Schnelltests. Dies ist die wichtigste Phase der Systemvorbereitung im Hinblick auf die allgemeine Leistungsfähigkeit. In dieser Phase können wir das System optimieren, wobei die Optimierung nicht viel Zeit in Anspruch nimmt. Hier verwenden wir ein Skript oder einen Expert Advisor für die Vorbereitung einer Datei mit historischen Daten, mit dem Zeitraum nach der historischen Periode, in der das NN trainiert wurde, bis zum aktuellen Zeitpunkt. Dann erhalten wir mit Hilfe eines Matlab-Skripts NN-Antworten in diesem Intervall und erstellen auf der Grundlage der Antworten einen Indikator. Dann verwenden wir diesen Indikator, um unsere NN-Antworten für Marktein- und -austritte zu optimieren. Die folgende Abbildung zeigt ein Beispiel für diesen Indikator. Dieser Indikator ist eine Interpretation von 52 Derivaten aus 12 benutzerdefinierten Indikatoren. Dazu können Standard-Terminal-Indikatoren gehören.

11. Ein Indikator, der auf den Antworten neuronaler Netze basiert

Als Nächstes können wir unsere Handelsstrategie optimieren.

12. Ergebnisse der Prüfung der Ergebnisse des neuronalen Netzes

In der zweiten Testphase trainieren und schreiben wir neuronale Netze in der Matlab-Umgebung unter Verwendung der Neural Network Toolbox.

13. Neuronale Anpassung

14. Ergebnisse des Neuronalen Netzes

Erhalten Sie über das Befehlsfenster eine Antwort von diesen neuronalen Netzen.

15. Empfangen von Antworten von neuronalen Netzen

Wir werden also einen weiteren Indikator erhalten, der mit dem vorherigen identisch sein sollte. Dementsprechend sollte auch die Prüfung einer auf diesem Indikator basierenden Strategie identisch sein.

Wenn alles gut ist, können wir weiter gehen.

Wir können diese neuronalen Netze mit Hilfe eines Skripts des neuronalen Netzmoduls testen, das im System verwendet wird. Die Signale sollten in jedem beliebigen Zeitintervall mit Hilfe von Kontrollpunkten getestet werden. Wenn dieser Test mit dem identischen Zeitintervall des vorhergehenden Indikatortests zusammenfällt, dann bewegen wir uns in die richtige Richtung. Starten Sie dieses Skript in der Matlab-Umgebung. Starten Sie gleichzeitig den Expert Advisor im Handelsterminal.

16. Starten eines Skripts in der Matlab-Umgebung

17. Starten des Expert Advisor im Terminal

Hier ist das Ergebnis:

18. Das Ergebnis der Tests des Matlab-Skripts und des MT4 Expert Advisor

Als Nächstes müssen wir die Benutzeroberfläche erstellen, das Modul für das neuronale Netzwerk kompilieren und wie oben beschrieben testen.

19. Testen des kompilierten neuronalen Netzwerkmoduls

Wenn das Ergebnis ähnlich wie das vorherige ist, können wir mit Hilfe unseres neuronalen Netzwerksystems zum realen Handel übergehen.

5. Über Trainingsbeispiele

Je nachdem, welche Trainingsproben zur Vorbereitung des neuronalen Netzes verwendet werden, werden wir unterschiedliche Indikatoren auf der Grundlage der NN-Antworten erhalten. Daher können verschiedene Handelsstrategien erstellt werden. Darüber hinaus wird uns eine Kombination verschiedener Strategien ein stabileres Endergebnis liefern. Eine der Varianten wurde in den vorangegangenen Abschnitten gezeigt. In diesem Beispiel haben wir eine Auswahl auf der Grundlage der Extrempunkte der Handelsperiode getroffen. Lassen Sie mich Ihnen ein weiteres Beispiel geben.

20. Indikator der Reaktionen eines neuronalen Netzes, das mit anderen Trainingsdaten trainiert wurde

In diesem Fall habe ich zwei neuronale Netze trainiert. Eines - zum Kaufen, das andere - zum Verkaufen. Das Training wird mit Daten durchgeführt, wenn der Tiefstpreis erreicht ist, während der Höchstpreis noch nicht erreicht ist. Und umgekehrt. Diese beiden in der Abbildung gezeigten Indikatoren spiegeln die Interpretation von zwölf kundenspezifischen Indikatoren wider. Die Spitzen der roten Linie zeigen an, wann der Tiefstpreis erreicht ist. Graue Hochs sind der Höchstpreis. Nun ist es möglich, diese Indikatoren zu optimieren, entweder einzeln oder zusammen. Beispielsweise können wir ihre Schnittpunkte oder Unterschiede in ihren Werten, aber auch das Kreuzen von Preisebenen und so weiter testen.

Es wäre viel schwieriger, zwölf Indikatoren zu optimieren.

Schlussfolgerung

Es gibt viele Artikel über den Einsatz von neuronalen Netzen im Handel. Es gibt jedoch sehr wenig Material darüber, wie Systeme, die auf neuronalen Netzen basieren, in der Praxis angewendet werden können. Darüber hinaus sind die Veröffentlichungen für Nutzer mit spezifischen Programmierkenntnissen gedacht. Es ist ziemlich schwierig, eine vollständige Beschreibung in einem Artikel zu geben. Ich habe versucht die Anwendungsspezifika ohne übermäßiges theoretisches Material hinzuzufügen in meinem Buch "Handelssysteme Neuronaler Netze. MetaTrader 4 + MATLAB. Eine Schritt-für-Schritt-Entwicklung. Zweite Auflage" (auf Russisch) zu erklären.