ФорумРазделы

Обсуждение статьи "Шероховатая волатильность: Индекс шероховатости на основе модели RFSV для фильтрации сделок с помощью машинного обучения"

Новый комментарий

Опубликована статья Шероховатая волатильность: Индекс шероховатости на основе модели RFSV для фильтрации сделок с помощью машинного обучения:

В этой статье мы строим практически применимый индекс шероховатости на основе теории шероховатой волатильности, оценивая локальное значение H с помощью регрессии по структурной функции на доходностях, агрегированных по блокам, — и всё это средствами MQL5. Мы объединяем его с признаками волатильности волатильности, обучаем классификатор на основе градиентного бустинга в Python, экспортируем модель в формат ONNX и вызываем её из торгового советника. Вы сможете вычислять H на каждом баре и использовать модель в качестве фильтра входа, учитывающего рыночный режим.

Большинство моделей волатильности, распространённых среди частных трейдеров, предполагают, что сама волатильность меняется плавно: будь то EWMA или GARCH(1,1), обе модели основаны на идее, что сегодняшняя дисперсия — это плавное сочетание вчерашней дисперсии и вчерашнего шока. В действительности рыночная волатильность ведёт себя иначе. Со времени работы Гатерала, Джейссона и Розенбаума 2014 года, в которой было введено то, что теперь называют шероховатой волатильностью, накапливается всё больше эмпирических данных, показывающих, что сам логарифм волатильности напоминает фрактальное броуновское движение с показателем Херста значительно ниже стандартного значения 0,5 — обычно в диапазоне от 0,05 до 0,15. Проще говоря, волатильность "шероховатее", чем случайное блуждание. Он колеблется и возвращается к среднему на гораздо меньших масштабах, чем можно было бы ожидать для гладкого диффузионного процесса.

В этой статье пошагово разбирается, как превратить это наблюдение в инструмент, который можно использовать в торговом советнике. Мы получаем скользящую оценку индекса шероховатости — локального показателя Херста — непосредственно по ценовым данным XAUUSD на таймфрейме M5 с помощью обобщённой регрессии по структурной функции, реализованной средствами MQL5 без внешних DLL и зависимости от ALGLIB. Этот индекс шероховатости вместе с двумя дополнительными признаками подаётся на вход классификатора на основе градиентного бустинга, обученного вне торгового советника в Python и развёрнутого с помощью ONNX. Торговый советник использует выход классификатора как самостоятельный фильтр направления сделок: открывает длинную позицию, когда модель уверенно определяет, что рыночный режим благоприятствует росту, короткую — когда он благоприятствует снижению, а во всех промежуточных случаях остается вне рынка.


Автор: Adedayo David Gbadebo

Новый комментарий