Мы объединяем прогнозы дисперсии GARCH(1,1) с ATR и паттернами полос Боллинджера, создавая алгоритм, который при желании можно использовать совместно с LSTM с масштабированием по волатильности в классе торговых сигналов, совместимом с Мастером MQL5. Мы рассматриваем масштабирование признаков, оценку режимов, пороговые значения и защитные проверки. Читатели могут воспроизвести результаты тестирования на исторических данных и форвардного тестирования, чтобы проверить, улучшает ли рекуррентный слой способность различать торговые ситуации по сравнению с нашим базовым детерминированным алгоритмом.
В нашей предыдущей статье из серии о разработке торгового преимущества мы представили новую комбинацию алгоритма и нейронной сети для формирования сигнала входа; результаты тестирования только алгоритма заметно отличались от результатов его совместного использования с нейронной сетью. Поэтому, хотя в этой статье мы представляем новую пару «алгоритм — нейронная сеть», мы немного смещаем акцент на создание более универсального алгоритма, который не только определяет, есть ли условия для входа, но и пытается оценить, стоит ли ими воспользоваться.
Большинство торговых подходов сосредоточено на определении того, есть ли условия для входа. Гораздо меньше внимания уделяется более узкой задаче — выбору момента фактического входа при уже выявленных условиях для входа. Это различие может стать очень важным, когда цена переходит из относительно стабильного режима в режим, в котором набирает силу рост волатильности. Другими словами, даже точно выявленный пробой может привести к неудачной сделке, если вход выполнен слишком рано, слишком поздно или при ложном расширении волатильности.
Наш пользовательский класс торговых сигналов для этой статьи использует два модуля. Первый и основной модуль — модель GARCH(1,1), которая позволяет приблизительно оценить, растет ли волатильность цены в ближайшей перспективе относительно ее недавнего базового уровня. Затем второй механизм — опциональная сеть LSTM с масштабированием по волатильности — мог бы оценивать короткую последовательность нормализованных состояний волатильности цены и вносить свой вклад в итоговую оценку вероятности входа. Работа обоих механизмов определяется семью режимами, охватывающими пробои, выходы из сжатия, возвраты внутрь полос Боллинджера, импульсы, движение вдоль полосы, откаты и выходы из диапазона; при этом используются индикаторы на основе ATR, полос Боллинджера и ценовой динамики.
Мы выдвигаем достаточно скромное предположение. GARCH может помочь определить, возникают ли подходящие условия для входа в благоприятной рыночной обстановке, тогда как LSTM помогает описать, как сформировался этот режим. Однако возможна и обратная ситуация: ATR, полосы Боллинджера и GARCH могут в значительной степени дублировать друг друга, так что сеть лишь добавит сложности, но не полезной информации. Таким образом, в данном контексте быстрая проверка предполагает переключение между версиями «только алгоритм» и «алгоритм плюс сеть» и попытку подтвердить работоспособность обеих с помощью тестирования на исторических данных и форвардного тестирования.
Для авторизации и пользования сайтом MQL5.com необходимо разрешить использование файлов Сookie.
Пожалуйста, включите в вашем браузере данную настройку, иначе вы не сможете авторизоваться.
Вы вошли в аккаунт. Двухфакторная аутентификация отключена. Настройте её заново и отсканируйте новый QR-код или продолжите с отключённой двухфакторной аутентификацией.
Опубликована статья Поиск торгового преимущества (Часть 5): Использование дисперсии GARCH и LSTM с масштабированием по волатильности в советнике:
В нашей предыдущей статье из серии о разработке торгового преимущества мы представили новую комбинацию алгоритма и нейронной сети для формирования сигнала входа; результаты тестирования только алгоритма заметно отличались от результатов его совместного использования с нейронной сетью. Поэтому, хотя в этой статье мы представляем новую пару «алгоритм — нейронная сеть», мы немного смещаем акцент на создание более универсального алгоритма, который не только определяет, есть ли условия для входа, но и пытается оценить, стоит ли ими воспользоваться.
Большинство торговых подходов сосредоточено на определении того, есть ли условия для входа. Гораздо меньше внимания уделяется более узкой задаче — выбору момента фактического входа при уже выявленных условиях для входа. Это различие может стать очень важным, когда цена переходит из относительно стабильного режима в режим, в котором набирает силу рост волатильности. Другими словами, даже точно выявленный пробой может привести к неудачной сделке, если вход выполнен слишком рано, слишком поздно или при ложном расширении волатильности.
Наш пользовательский класс торговых сигналов для этой статьи использует два модуля. Первый и основной модуль — модель GARCH(1,1), которая позволяет приблизительно оценить, растет ли волатильность цены в ближайшей перспективе относительно ее недавнего базового уровня. Затем второй механизм — опциональная сеть LSTM с масштабированием по волатильности — мог бы оценивать короткую последовательность нормализованных состояний волатильности цены и вносить свой вклад в итоговую оценку вероятности входа. Работа обоих механизмов определяется семью режимами, охватывающими пробои, выходы из сжатия, возвраты внутрь полос Боллинджера, импульсы, движение вдоль полосы, откаты и выходы из диапазона; при этом используются индикаторы на основе ATR, полос Боллинджера и ценовой динамики.
Мы выдвигаем достаточно скромное предположение. GARCH может помочь определить, возникают ли подходящие условия для входа в благоприятной рыночной обстановке, тогда как LSTM помогает описать, как сформировался этот режим. Однако возможна и обратная ситуация: ATR, полосы Боллинджера и GARCH могут в значительной степени дублировать друг друга, так что сеть лишь добавит сложности, но не полезной информации. Таким образом, в данном контексте быстрая проверка предполагает переключение между версиями «только алгоритм» и «алгоритм плюс сеть» и попытку подтвердить работоспособность обеих с помощью тестирования на исторических данных и форвардного тестирования.
Автор: Stephen Njuki