Машинное обучение в трейдинге: теория, модели, практика и алготорговля - страница 3715
Вы упускаете торговые возможности:
- Бесплатные приложения для трейдинга
- 8 000+ сигналов для копирования
- Экономические новости для анализа финансовых рынков
Регистрация
Вход
Вы принимаете политику сайта и условия использования
Если у вас нет учетной записи, зарегистрируйтесь
Имхо, наиболее проработанная область, которую можно отнести к алгоритмам ВМО - это анализ выживаемости. Попробую в дальнейшем изложить своё имхо, как это можно попытаться прикрутить к трейдингу.
В анализе выживаемости изучается время работы какого-нибудь прибора до отказа (время жизни какого-нибудь организма). С математической точки зрения это означает всего лишь то, что изучается величина со значениями о нуля и больше. Касательно трейдинга, такой величиной будет, например, максимальное продвижение цены в сторону сделки за время от входа до выхода. Также подойдёт высота колена зигзага (минус минимальный шаг зигзага). А вот приращение цены не подойдёт, поскольку может быть разных знаков.
В анализе выживаемости вместо функции распределения величины строятся функция выживаемости, функция риска или куммулятивная функция риска. Но все эти функции выводятся из функции распределения и всегда можно из них обратно вывести функцию распределения.
Если (и когда) руки дойдут, приведу простейший пример использования подхода.
Если (и когда) руки дойдут, приведу простейший пример использования подхода.
Если (и когда) руки дойдут, приведу простейший пример использования подхода.
До практики в ближайшее время дойти не получается, поэтому пока небольшая порция теории.
В чём вижу смысл ВМО. Сошлюсь на подход из своей статьи про гэпы. Там искались отклонения распределения определённой величины (конкретно - максимальное продвижение цены в сторону противоположную закрытию гэпа). Следующий шаг - не просто смотреть на распределение величины, а на его зависимость от каких-либо предикторов (признаки, фичи).
Ну, ок, построили модель дающую распределение выхода по предикторам, а дальше что? Далее, если полученное распределение заметно отлично от того, что было бы при СБ, то это указывает на возможность торговли. И тогда по этому же распределению уточняем конкретные параметры алгоритма входа/выхода в данном конкретном случае. В вышеупомянутой статье по распределению определялось значения объёма и стоп-лосса, но они были одинаковыми для всех входов, а при использовании ВМО появляется вариативность.
Немного о том какую модель планирую использовать для обещанного простенького примера. Первым стандартным подходом к применению нейросетей в трейдинге обычно является модель, где бар предсказывается на основе предыдущих N баров. По аналогии с этим, планирую строить зависимость распределения высоты колена зигзага по предыдущим N коленам. В анализе выживаемости наиболее известна модель пропорционального риска Кокса, но в данном случае мне кажется лучше использовать параметрические модели.
Сразу скажу, что планирую лишь проиллюстрировать метод - от меня не будет никаких заявок на вступление в клуб трильонеров или стейтов на реале)
пожалуй зафорсю топик, заодно поделюсь полезной ссылкой https://link.springer.com/article/10.1007/s10959-022-01225-6 . Кому интересно, по заголовку в гугле да обрящет :-)
up
пожалуй зафорсю топик, заодно поделюсь полезной ссылкой https://link.springer.com/article/10.1007/s10959-022-01225-6 . Кому интересно, по заголовку в гугле да обрящет :-)
up
До практики в ближайшее время дойти не получается, поэтому пока небольшая порция теории.
Всё никак не доберусь до практики, поэтому очередная порция мыслей про вероятностное МО)
Ещё одна возможная польза от ВМО - разделение случайных колебаний на стационарную и нестационарную составляющие. Правда пока не очень понятно как реализовать это на практике для трейдинга, чтобы был хоть какой-то смысл.
Ещё одна возможная польза от ВМО - разделение случайных колебаний на стационарную и нестационарную составляющие. Правда пока не очень понятно как реализовать это на практике для трейдинга, чтобы был хоть какой-то смысл.
Могу ошибаться, но разве авторегрессия гетероскедастичности, это не о том же?
GARCH? Так это же стационарная модель (при соответствующих условиях на коэффициенты). Меняется там только условная дисперсия а БЕЗусловная остаётся постоянной.
По факту, это попытка загнать наблюдаемую нестационарность (в смысле колебаний волатильности) в рамки стационарной модели.
GARCH?
Ответ deeoseek
применима модель GARCH для временных рядов (нестационарных) типа котировок валют или акций
Отличный вопрос. Вы затронули ключевую тему в современной эконометрике и анализе финансовых рынков.
Короткий ответ: Да, модель GARCH исключительно хорошо применима и широко используется для анализа волатильности таких нестационарных рядов, как котировки акций и валют. Однако есть очень важный нюанс: GARCH применяется не к самим ценам, а к стационарным рядам их доходностей.
Давайте разберем подробно.
1. Проблема нестационарности ценовых рядов
Ряд котировок (например, S(t) – цена акции Apple в момент времени t ) обычно является нестационарным. Это проявляется в:
Тренде: Общее направленное движение (вверх или вниз).
Изменяющейся дисперсии: Периоды спокойствия сменяются периодами высокой волатильности (кластеризация волатильности).
Модели типа ARIMA или GARCH напрямую с такими рядами работать не могут, так как они требуют стационарности.
2. Решение: Переход к доходностям
Чтобы решить проблему нестационарности, мы преобразуем цены в логарфимические доходности (log returns):
r(t) = ln(S(t) / S(t-1)) * 100%
или в простые процентные доходности.
Почему это работает?
Ряд доходностей r(t) обычно является стационарным:
Постоянное среднее: В среднем доходность колеблется вокруг нуля (или некоторой небольшой константы).
Автокорреляция: Часто отсутствует или очень слабая (ряды близки к "белому шуму").
Гетероскедастичность: Дисперсия (волатильность) доходностей непостоянна во времени – те самые кластеры волатильности, которые и призвана объяснить модель GARCH.
Таким образом, мы моделируем не цены, а процесс изменения цен.
3. Как именно применяется GARCH?
Модель GARCH строится для ошибок (остатков) модели, описывающей среднее значение доходности.
Типичный алгоритм применения:
Рассчитать доходности из ценового ряда.
Проверить стационарность ряда доходностей (тест Дики-Фуллера, KPSS). Обычно доходности стационарны.
Определить модель для среднего значения. Часто это просто константа ( r(t) = μ + ε(t) ), либо простая модель ARMA, если в доходностях есть следы автокорреляции.
Проанализировать остатки ( ε(t) ) модели для среднего:
Проверить на автокорреляцию (тест Льюнга-Бокса). Её быть не должно.
Проверить на эффект кластеризации волатильности (например, посмотреть на график квадратов остатков или применить тест ARCH-LM). Если этот эффект есть – пора применять GARCH.
Подобрать модель GARCH для дисперсии остатков. Самая популярная – GARCH(1,1):
σ²(t) = ω + α * ε²(t-1) + β * σ²(t-1)
σ²(t) – это оценка волатильности в момент времени t .
ε²(t-1) – "новость" вчерашнего дня (шок). Параметр α показывает, насколько сильно вчерашние шоки влияют на сегодняшнюю волатильность.
σ²(t-1) – волатильность вчерашнего дня. Параметр β показывает "инерционность" волатильности.
Проверить адекватность модели: остатки полной модели (ARMA + GARCH) должны уже не иметь автокорреляции и эффектов ARCH.
4. Практическая польза GARCH для трейдинга и анализа
Прогнозирование волатильности: Это главное применение. GARCH позволяет строить точные краткосрочные прогнозы волатильности, что критически важно для:
Управления рисками (расчет Value at Risk – VaR).
Ценообразования опционов (волатильность – ключевой параметр в моделях вроде Блэка-Шоулза).
Оптимизации торговых стратегий.
Обнаружение периодов риска: Модель четко показывает, когда рынок переходит в режим высокой неопределенности.
Моделирование зависимости: Многомерные модели (например, DCC-GARCH) позволяют анализировать, как изменяется корреляция между разными активами (например, долларом и нефтью) во времени.
5. Развитие и альтернативы классическому GARCH
Классический GARCH(1,1) часто бывает достаточным, но для более сложных случаев есть модификации:
EGARCH: Учитывает асимметричный эффект ("рынки боятся падений сильнее, чем радуются ростам" – плохие новости увеличивают волатильность сильнее, чем хорошие).
TGARCH: Аналогично, моделирует асимметричный эффект.
GARCH-M: Включает волатильность как фактор прямо в уравнение для средней доходности (инвесторы требуют премию за риск).
Многомерные GARCH: Для анализа ковариации и корреляции нескольких активов.
Итог
Модель GARCH не просто применима к нестационарным рядам котировок – она является одним из основных инструментов для их анализа. Важно помнить, что объектом моделирования являются не сами цены, а стационарные ряды доходностей, рассчитанные на их основе. GARCH блестяще справляется с задачей описания и прогнозирования их главной особенности – кластеризации волатильности.
Применяется ли GARCH для моделирования нестационарных процессов?
Ответ Perplexity:
Модель GARCH (Generalized Autoregressive Conditional Heteroskedasticity) по своей классической формулировке применяется к стационарным временным процессам, в частности к стационарным рядам условной гетероскедастичности. Для того чтобы процесс GARCH был ковариационно стационарным, должна выполняться неравенство, при котором сумма коэффициентов авторегрессии и скользящего среднего в модели меньше 1: ∑ α i + ∑ β i < 1 ∑αi+∑βi<1. При этом безусловная дисперсия процесса остается постоянной во времени.
Если сумма коэффициентов равна единице, возникает так называемая интегрированная GARCH-модель (IGARCH), для которой безусловная дисперсия теоретически бесконечна, что соответствует нестационарному процессу.
Таким образом, стандартные GARCH-модели рассчитаны на стационарные ряды, а для работы с нестационарными процессами часто применяют предварительную обработку данных (например, дифференцирование, преобразование), либо используются специальные расширения и обобщения модели GARCH (например, IGARCH, другие интегрированные версии или модели с учетом структурных изменений).
Итог: GARCH применяется для моделирования стационарных процессов. Для нестационарных применяются либо предварительная обработка, либо специализированные расширения, например IGARCH, которая моделирует интегрированную нестационарность в вариации ряда.