Методологія моделювання динаміки валютного курсу

Бібліографічний опис:

Крюков П. А. Методологія моделювання динаміки валютного курсу [Текст] // Економіка, управління, фінанси: матеріали Міжнар. науч. конф. (г. Пермь, червень 2011 року). - Перм: Меркурій, 2011. - С. 66-72. - URL https://moluch.ru/conf/econ/archive/10/748/ (дата звернення: 04.07.2019).

Поняття валютного ринку (ВР) включає в себе різноманіття фінансових інструментів і інститутів, органи регулювання та ін. Учасників, які надають різноспрямований вплив на динаміку валютного курсу (ВК), що призводить до його мінливості, яка, в свою чергу, є основною причиною його невизначеності. Тому для всіх учасників валютного ринку є актуальним питання прогнозування можливих змін курсу (напрямки руху - зростання, падіння) з метою мінімізації втрат і забезпечення прибутковості здійснюваних операцій.

Для прогнозування валютного курсу використовують методи фундаментального (ФА) і технічного (ТА) аналізу, які є основою інструментарію валютного дилінгу. Всі методи ТА можна розділити на три групи: графічний, теорія циклів і математико-статистичний. До останньої групи відносять методи, в основі яких лежать формалізовані моделі, що описують закономірності поведінки макроекономічних показників (валютного курсу), побудовані за допомогою відомих математичних і економічних теорій.

Для прогнозування валютного курсу в практичній діяльності трейдера широко застосовуються всі три групи методів технічного аналізу. Загальним недоліком методів можна вказати «ручний» спосіб і суб'єктивізм прийняття рішення в реалізації торгових операцій. Відомо, застосовність індикаторів і осциляторів в реальній торгівлі невисока [1]. Крім того, низька достовірність застосовуваних методів ТА, на яку вказують дослідження М. Чекулаева і В.Н. Якимкин [2], пояснюється тим, що вони припускають тимчасові ряди ВК однорідними і підкоряються одним законом розподілу (нормальному в теорії ефективного ринку).

З розвитком обчислювальної техніки і засобів комунікацій, появою мережі Інтернет з'явилася можливість автоматизувати процес прийняття рішення у вигляді механічної торгової системи трейдера, що дозволяє формалізувати правила торгівлі, науково обґрунтувати елементи прийнятої торгової стратегії. Дослідження, досвід створення прогностичних механічних торгових систем на фінансових ринках практично не представлені в науковій літературі.

У статті наводиться огляд сучасних емпіричних досліджень методів аналізу і прогнозування валютного ринку і опис нового методичного підходу до моделювання динаміки валютного курсу з позиції вирішення завдання типологічну класифікацію його станів методами факторного шкалювання і логістичної регресії.

Огляд емпіричних досліджень методів моделювання валютного ринку

В роботі Ричкова В.В. [3] запропонована методика аналізу і прогнозування валютного ринку, що включає систему генерації сигналів торгової системи (купити, продати, утримувати, закрити поточну позицію). Для генерації та ідентифікації сигналів використовується аналіз перетину декількох експоненційних ковзних середніх з різними періодами усереднення. Критерієм відкриття позицій на купівлю / продаж є емпірично знайдені порогові значення величини середньої кількості всіх поданих сигналів. Критерієм закриття позиції - рівень прибутку / збитку, що задається експертом. Порівняння ефективності методики на різних частотах тимчасового ряду показує, що найбільша ефективність досягається на часових даних. Недоліком є ​​використання ковзних середніх, відомо, що вони часто дають помилкові сигнали, особливо у флеті, запізнювання сигналу під час тренда і розвороту тенденції, що призводить до втрати прибутку. Перевагою методики є простота використання, недоліком - неточність сигналів опису ринкової ситуації, низька ефективність при бічному тренді.

В роботі Зинина А.Н. [4] запропоновані моделі прогнозування прибутковості валют (і портфеля інвестора) на ВР FoRex, побудовані на основі виділення періодичних компонент ряду прибутковості методами сингулярного спектрального аналізу. Аналізується ряд прибутковості у вигляді логарифмічних різниць валютного курсу. Для визначення періодичних компонент і їх характеристик застосовується метод передбачення головних компонент (PCLP) Д. Тафтса і Р. Кумаресана. Розрахунки по запропонованим моделям відповідно до розроблених методиками є обчислювальну задачу великої місткості. Зазначений недолік обмежують можливості використання даного підходу для активної стратегії трейдера на ринку Forex в швидко мінливих умовах.

В роботі Літинського Д.С. [5] запропонована методика побудови ефективних трендових торгових стратегій з використанням індикатора PCC і осциляторів RSI, Stohastic. Моделі являють собою рівняння регресії, в яких керуюча змінна (УП) представляється лінійною функцією деяких характеристик осциляторів. Значення УП інтерпретуються як критерії достовірності сигналів на вхід в ринок (вихід з ринку). У торговельній стратегії для визначення поточної (довгострокової) тенденції використовується технологія «потрійного вибору» і індикатор PCC, тобто ідентифікація поточного тренда здійснюється поза моделлю. Отримано чотири моделі для чотирьох стратегій. Результати апробації моделей на часових даних курсу GBP / USD для всіх чотирьох стратегій показують, що додавання керуючоїзмінної (моделі) до стандартних стратегій (без моделі) практично не змінює ситуацію.

В роботі Болотовой Л.Р. [6] представлені методи і моделі дослідження часового ряду валютного курсу пари євро-долар і ряду його збільшень з метою виявлення довготривалої пам'яті, її глибини, трендоустойчівості, циклів. Використовуються методи фрактального аналізу і апарат теорії нечітких множин. Для визначення рівня ризику використовується фрактальна характеристика тимчасового ряду - показник Херста. Результати фазового аналізу часових рядів підтверджують наявність довгострокової пам'яті, яка пояснюється присутністю циклів. Запропоновано шестицветная кусочно - автоматна прогнозна модель, в якій вихідний числовий ряд збільшень ВК перетворюється в лінгвістичний шляхом заміни числових значень термами (лінгвістичними змінними) з урахуванням глибини пам'яті досліджуваного ряду. Результат прогнозу (величина приросту ВК на день) представляється у вигляді нечіткої множини, який потім трансформується в числовий еквівалент за допомогою процедури дефазифікації. Модель і метод прогнозування призначені для предпрогнозного етапу дослідження ВР. Автор визначає область застосування отриманих результатів - короткострокове прогнозування критичних тенденцій на валютному ринку в якості додаткового інструменту трейдера.

В роботі Смирнова С.В. [7] зроблений акцент на дослідження економіко-математичних моделей впливу макроекономічних факторів на валютні курси, в основу яких покладено поняття індексу мінової цінності валюти. Запропоновано показники інваріантних індексів мінової цінності валюти (адитивний і мультиплікативний), які використані для модифікації стандартних (структурних) моделей для визначення рівноважного ВК. Розглянуто модель Манделла-Флемінга, монетарні моделі з гнучкими і з жорсткими цінами Дорнбуша. Запропоновано методику факторно-регресійного аналізу впливу агрегованих факторів на номінальні і «інваріантної - індексні» курси валют, за допомогою якої розроблені нові економетричні моделі регресії мінової цінності валюти на виділену групу агрегованих факторів. Побудована регресія індексу мінової цінності британського фунта на виділені 4 головні компоненти. Низькі значення коефіцієнта детермінації рівняння регресії - 0, 309 і величин питомої впливу кожного агрегованого фактора на валютний індекс британського фунта свідчать про невисоку практичну значущість отриманої моделі для прогнозування ВК (не всі фактори враховані).

В роботі Муравйова Д.Г. [8] запропонований алгоритм (модель) прогнозу біржових котирувань на основі «багатовимірного нелінійного регресійного методу, окремим випадком якого є шаруваті нейронні мережі». Вихідні дані в моделі попередньо згладжуються за допомогою полінома Чебишева. Як нелінійної функції регресії (індикаторної функції) використаний гіперболічний тангенс. За допомогою оціненої моделі здійснювався прогноз значення валютного курсу на день вперед. Для порівняння ця ж модель, отримана нейромережевим методом, застосовувалася для прогнозування напрямку руху валютного курсу. Автор робить висновок, що регресійний метод показав кращий результат. Недоліком запропонованого підходу є відносно низький відсоток правильних прогнозів (60%). Крім того, знак значення гіперболічного тангенса «+/-» інтерпретується як зростання / падіння (висхідний / спадний тренд) курсу відповідно, в тому числі і на ділянках бічного тренда, що різко знижує цінність моделі для використання в трендової стратегії.

Дослідження на зазначену тему запропоновано Гуляєвой О.С. [9]. Автор у своїй роботі вказує на «змішану» (неоднорідну) природу ВК і можливості розбиття тимчасової кривої на «фрактальні інтервали». Як показник неоднорідності кривої тимчасового ряду ВК автор використовує фрактальну розмірність, метод визначення якої, полягає у вимірюванні довжини кривої в різних масштабах часу. Автор виділив три інтервалу змін значень фрактальної розмірності: персистентний (відповідає тренду), стохастичний (відповідає флет) і антіперсістентний інтервал (попереджає про зміну тренда). Недоліками є: суб'єктивний вибір «характерних ділянок» тимчасової кривої для розрахунку фрактальної розмірності, предпрогнозной характер методу і низький відсоток точності прогнозу на двох останніх інтервалах.

В роботі Панілова М.А. [10] запропонована нова теоретична модель рівноважного валютного курсу, динаміка якого формується в результаті агрегованого попиту і пропозиції на валюту учасників валютного ринку: експортерів, імпортерів, домашніх господарств (населення), центральних банків. В основі моделі лежать подмодели динаміки основних фундаментальних показників, що впливають на формування ВК: дефіцити торговельного і платіжного балансів, індекси інфляції та ін. Отримано специфікації моделей для кожного учасника ринку. Емпірична перевірка синтетичної моделі формування ВК рубля на основі моделей попиту і пропозиції з боку учасників ринку проводилася на місячних даних ВК рубля по відношенню до долара США і євро за 1999 - 2008 роки. Прогнозування динаміки здійснювалося на основі моделі Інгла - Гренжера. Запропонована модель може застосовуватися для середньо- і довгострокового прогнозування динаміки валютного курсу в біржовій практиці. Модель не враховує вплив валютних спекулянтів на формування ВК, тоді як в короткостроковій перспективі в кожен момент часу вони забезпечують високу ліквідність ринку.

Коротко сформулюємо основні висновки огляду. Всі підходи до проблеми моделювання динаміки ВК різні з точки зору визначення поняття прогнозування. Більшість робіт акцентує увагу на прогноз як визначення напряму тренда, а не на безпосередньо пророкування майбутнього значення ціни інструменту. Аналізуючи роботи, присвячені моделюванню динаміки валютного курсу, можна зробити висновок, що вся методологія в публікаціях за характером використовуваних методів може бути згрупована в три основні категорії. Перша категорія присвячена безпосередньо прогнозування майбутнього значення ВК методами множинної регресії.

Друга група робіт використовує сигнальний метод в рамках вирішення завдання діагностики (розладнання) часового ряду. Як математичного апарату для побудови моделей використовуються:

• спектральний і фрактальний аналізи для класифікації (періодизації) тимчасової кривої з метою виділення однорідних ділянок динамічної поведінки ВК;

• формалізація індикаторів ймовірностей на основі багатовимірної нелінійної регресії і нейромереж;

• формалізація керуючоїзмінної на основі сигналів відомих індикаторів і осциляторів.

Третя група дослідників намагається прогнозувати динаміку номінального і реального валютних курсів на основі товарного підходу (моделі потоку на основі теорії ППС, модель Манделла - Флемінга) і монетарного підходу - монетарні моделі з жорсткими і гнучкими цінами.

Зазначені недоліки розглянутих підходів не дозволяють побудувати ефективні торгові стратегії для реальної торгівлі на валютному ринку з автоматизацією процесу прийняття рішень. Тому подальшим напрямком розвитку теорії і практики прогнозування ВК є застосування сучасних методів, що дозволяють підвищити точність прогнозу, зокрема, за рахунок уточнення меж однорідних вибірок (ділянок тимчасової кривої) за поточним станом часового ряду ВК.

Методичний підхід автора до моделювання динаміки ВК

В основі нового підходу лежить методологія моделювання динаміки ВК як складної динамічної системи з позиції вирішення завдання типологічну класифікацію його станів, що враховує фактичну неоднорідність тимчасової кривої валютного курсу. Як інструмент вирішення завдання використовуються методи логістичної регресії (імовірнісний підхід) і факторного шкалювання (функціонально - структурний підхід) на різних частотах тимчасового ряду. Під методологією будемо розуміти систему принципів і методів, що застосовуються для опису і дослідження динаміки ВК, об'єднаних загальною концепцією. Основа концепції - об'єктно - орієнтований погляд на динаміку ВК в сенсі методів дискретної класифікації. Формально методологію можна представити у вигляді набору елементів: Mt = {Pr, {Ar, Op}, In}, де Pr - принципи; Ar - архітектура формальних моделей з відповідними описами (уявленнями) Op; In - інструментальні засоби - відображення принципів, архітектури та методу {Ar, Op}, що реалізують відповідні моделюють алгоритми. Основу формалізованих методів моделювання в даній методології становить кореляційно - регресійний аналіз багатовимірних даних. Сформулюємо принципи методології (Pr):

1. Видимий фактична неоднорідність тимчасової кривої ВК визначає можливість розбиття її на кластери - ділянки однорідних спостережень.

2. Стан ВК в момент часу t інтерпретується як об'єкт, описуваний вектором, координати якого - значення показників, що роблять істотний вплив на динаміку ВК.

3. Прогноз - ідентифікація (діагностика) поточного стану ВК (поточної ситуації) - віднесення до певного типу динамічної поведінки тимчасової кривої (висхідний, спадний, бічний тренд). В силу інерційності економічних процесів, прогноз майбутнього напрямку руху - поточний тренд продовжиться.

Детальний опис методики моделювання динаміки ВК в рамках нового підходу, суворе обгрунтування моделей, отриманих на основі методів логит-регресії і факторного шкалювання, наводяться в попередніх роботах автора [11, 12]. Інформаційною базою дослідження є котирування ринку FoRex - годинні і денні зміни курсу EUR / USD c 2004 по 2009 роки [13]. Коротко розглянемо основні етапи моделювання і застосування отриманих моделей до побудови ефективних торгових стратегій на ВР FoRex.

Моделювання динаміки ВК на часових даних

У загально випадка, завдання прогнозування валютного курсу вірішується Шляхом побудова нелінійної дінамічної системи, что відновлює функцію умовно математичного Очікування, что опісує стохастичную залежність валютного курсу увазі , де - вектор - функція попередня превращение змінніх. Якість прогнозу оцінюється с помощью Функції - індікатора ймовірності виду: , , тобто , Де ψ - Деяк поріг відсікання, α - параметр, что Належить множіні Α. P f (L (X, ;)) - монотонна функція розподілу, область значень якої - Інтервал від 0 до 1. В якості індікаторного Функції звертаючись функція логістичного розподілу . Лінійний предиктор L (X, α) має вигляд: , Де x j ; X (j = 1, ..., k) - змінні, однозначно визначаються стан Сайти Вся (системи) в момент часу t. Для розробки та ідентіфікації моделі вікорістовується логит - регресія. ! Застосування інтеграла ймовірності як превращение деякої лінійної Функції дозволяє отріматі результат в інтервалі від 0 до 1. Для доказу адекватності отриманий моделей вікорістані Стандартні статистичні Критерії и процедури. Для ОЦІНКИ якості моделі логіт - регресії вікорістовується інструмент ROC - аналіз. Структура індикатора є загальний індекс, що описує множинну класифікацію сигналів від різних відомих індикаторів, осциляторів і індексів різних показників динаміки валютного курсу (змінних моделі), що виражає збіг сигналів для ідентифікації поточного динамічного поведінки ціни інструменту.

В результаті попереднього аналізу відібрано наступні змінні (фактори). Як динамічного показника коливань щодо середнього рівня в момент часу t (волатильність дохідності) приймаємо лінійне відхилення логарифмічних збільшень курсів валют, до значення якого застосовано перетворення (Для укрупнення). У моделі - це змінна корЛінОткл.

Як показник сигналу точки розвороту використовуємо величину d-різницю значень оперативної і сигнальної ліній індикатора MACD, до якої застосовано перетворення . У моделі - це змінна Кор MACD різн. Знак значення індикатора ідентифікує напрям тренда: «+» - висхідний, «-» - спадний тренд, зміна знака - точка розвороту.

Осцилятори індекс відносної сили RSI і Stochastic без запізнювання (а іноді і з випередженням) показує назріваючі розвороти трендів. Величина dR = (RSI (8) - MA (8)) → 0 дає перетин осцилятора зі своєю середньою MA (8) і попереджає про розворот ціни. У моделі - це змінні RSI разПР і RSI _100. RSI _100 - це величина dR / 100, а RSI разПР - значення, отримане в результаті застосування перетворення Фішера до RSI _100. Знак значення індикатора ідентифікує напрям тренда: «+» - висхідний, «-» - спадний тренд; зміна знака і значення, близьке до нуля, попереджає про розворот тенденції.

Стохастичний осцилятор Stochastic пророкує розворот з великою точністю, складається з 2-х ліній: повільної і швидкої. Перетин повільної і швидкої ліній d2 =% K -% D → 0 пророкує точку розвороту. У моделі - це змінна% D пр, значення якої отримано в результаті застосування перетворення Фішера до змінної% D / 100. Для обчислення значень індикатора і осциляторів використовуються відомі розрахункові формули.

Для ідентифікації точки розвороту тенденції і областей тренда використовуємо середній темп зростання і приросту ціни закриття за n = 10 останніх барів. У моделі - це змінна корСрПрірост, до якої застосовано перетворення . Знак значення індикатора ідентифікує напрям тренда: «+» - висхідний, «-» - спадний тренд; зміна знака попереджає про розворот тенденції. Для висхідного / низхідного тренда середній приріст (цін закриття за останні 10 періодів) збільшується зі зростанням / падінням ціни і зменшується при коригуванні ціни.

Позначимо змінні: корЛінОткл - x 1, корСрПрірост - x 2, і RSI _100 - x 3, Кор MACD різн - x 4, RSI разПР - x 5,% D пр - x 6. Результати оцінки моделей за допомогою програми Statistica 6.0 детально викладені в роботі автора [11]. Пороги відсікання моделей знайдені за двома критеріями: максимальної сумарної чутливості і специфічності, балансу між чутливістю і специфічністю. Отримано моделі:

L (x) = 6,0 + 11,1992 ; x 2 - 20,0 ; x 3 - 19,8217 ; x 1 (М1);

L (x) = 18,0056 ; x 4 - 7,6658 ; x 5 + 6,0 ; x 6 - 4,42162 (М2.2);

L (x) = 19,0 ; x 4 - 12,1016 ; x 5 - 1,0 (М2.1).

Придатними для прогнозування валютного курсу визнані всі три моделі [11]. Кращі результати (в тому числі з позиції отриманого прибутку) показала модель М2.1 з порогом відсікання ζ м 2 = 0,22.

Моделювання динаміки ВК на денних даних

Під факторним шкалированием (ФШ) в даній роботі розуміємо факторний аналіз з метою виділення прихованих чинників, що пояснюють закономірності поведінки валютного курсу, і шкалювання - обчислення значень виділених факторів для кожного об'єкта (стану курсу) через значення спостережуваних змінних. В даному дослідженні спочатку проводиться розвідувальний ФА методом головних компонент, потім по величині власних значень і відсотка дисперсії визначається необхідну кількість чинників і проводиться повторний ФА, рішення якого приймається остаточним.

В якості вихідних змінних, що характеризують поточну ситуацію на ринку в момент часу t, використані ціна закриття і середня ціна. У загальному випадку, поточну ситуацію на ринку описує вектор з координатами X t = {x 1, x 2, x 3, x 4}, де: Верхняя_цена - x 1, Ніжняя_цена - x 2, і Верхняя_средняя - x 3, Ніжняя_средняя - x 4. Кожна із зазначених величин є швидкість зміни тренда в однакових одиницях виміру і відповідає тангенсу кута нахилу лінії підтримки або опору до осі часу, проведеної через сусідні піки (префікс в імені - «Верхня») або западини (префікс в імені - «Нижня») . Кожна западина або пік є точкою розвороту проміжної тенденції. Обчислюється кутовий коефіцієнт прямої, що з'єднує дві сусідні западини або два сусідніх піку за відомою формулою. Кутовий коефіцієнт перераховується в пунктах. Значення x 1 і x 2 обчислені за ціною закриття.

Для отримання факторного відображення в даній роботі використовується МГК (метод головних компонент). Для перевірки адекватності однофакторного рішення використовуються різні критерії в тому числі, з метою оцінки значущості рішення - метод максимальної правдоподібності (ММП) [12].

Виділений фактор використовується для ФШ, мета якого - визначення значень загального фактора через спостережувані змінні. Проекції випадків (об'єктів) на фактор - план підтверджують гіпотезу про тип поведінки валютного курсу і його можливої ​​типологічну класифікацію. Класи станів ВК (об'єктів) спадний / висхідний тренд, флет добре розділяються і не перетинаються. Значення фактора Factor 1> 1,25 стандартних відхилення визначає стан як спадний тренд; Factor 1 <-1,1 - як висхідний тренд і значення, що лежить в інтервалі 1,25> Factor 1> -1,1, визначає тип поведінки ВК як флет [12]. Прихований перший фактор може мати назву - тип тренда, яке розкриває економічний зміст виявленої закономірності.

Верифікація моделі проводилася в два етапи: класифікація об'єктів, пошук порогових значень і реалізація простий торгової стратегії на екзаменаційної вибірці обсягу 1 249 спостережень [12]. Обчислені факторні координати випадків, використана факторна шкала, отримана в програмі Statistica 6.0:

Фактор1 = Верхняя_цена ; (-0,37513) + Верхняя_средняя ; (-0,391583) + Ніжняя_средняя ; (-0,385691).

Для пошуку порогових значень факторної шкали, застосований ROC - аналіз, в результаті якого знайдені порогові значення: П1 = -19,66 і П2 = 22,83, що доставляють максимальний прибуток торгової стратегії [12].

Проведено класифікацію валютного курсу за правилом: якщо -19,66 <ФК <22,83, то спостерігається флет; якщо ФК <-19,66, то - висхідний тренд; якщо ФК> 22,83, то - спадний тренд (ФК - значення факторної шкали). Результати класифікації: тип тренда - 0, відсоток правильної класифікації - 86,52%; тип тренда - 1, відсоток правильної класифікації - 91,67%; тип тренда - 2, відсоток правильної класифікації - 94,23%; загальний відсоток правильної класифікації - 89,46%. Результати тестування торгової стратегії (в пунктах): кількість угод - 106, прибуток - 29522,9961, збиток - -95,9992, чистий прибуток - 29426,9961.

Ефективність торгових стратегій на основі використання системи

«Подвійного вибору» сигналу відкриття позиції

Порівняємо результати застосування моделей логит-регресії і факторного шкалювання на одному і тому ж інтервалі спостережень (інтервал побудови і тестування логит-моделей): денні дані - 38, годинні дані - 873 (період з 17.06.2004 по 6.08.2004 р). Розглянемо три торгові стратегії. Оцінимо їх ефективність за критерієм максимального прибутку.

Стратегія 1. Торгівля з застосуванням ФШ на денних даних. Використовуються пороги відсікання: поріг 1 = -19,66 і поріг 2 = 22,83. Опис стратегії: вхід на покупку по сигналу - ФК <-19,66 (тренд висхідний); вхід на продаж за сигналом - ФК> 22,83 (тренд спадний); якщо -19,66 <ФК <22,83, то спостерігається флет (не торгувати у флеті); зміна відповідного сигналу - закриття поточної і відкриття разворотной позиції.

Стратегія 2. Торгівля з застосуванням логит - регресії на часових даних без відсікання флет. Використовується модель індикатора ймовірностей М2.1 з порогом відсікання ζм = 0,22:

.

Опис стратегії: вхід на покупку по сигналу - прогнозне значення ймовірності ; > 0,22 (тренд висхідний); вхід на продаж за сигналом - ; <0,22 (тренд спадний); зміна відповідного сигналу - закриття поточної і відкриття разворотной позиції.

Стратегія 3. Торгівля з застосуванням логит-моделі М2.1 на часових даних з відсіканням флет на денних даних за допомогою ФШ. Використовується система «подвійного вибору»: одночасно аналізуються сигнали моделей на різних частотах тимчасової кривої. Опис стратегії: вхід на покупку - сигнал на часових даних - спадний, а на денних - висхідний тренд (вхід на продаж - навпаки); якщо сигнал на денному діапазоні флет, - не торгувати; зміна відповідного сигналу - закриття поточної і відкриття разворотной позиції. Результати роботи стратегій (в пунктах) наведені в табл. 1.

Таблиця 1

Оцінка ефективності стратегій

Стратегія, метод

кількість угод

прибуток

збиток

Чистий прибуток

1. ФШ, денні дані

3

895,9985

0

895,9985

2. логіт - регресія без відсікання флет

89

1548,0042

-1017,0007

531,0035

3. Система «подвійного вибору»

46

1125,0031

-493,0007

632,0024

Аналіз результатів показує:

1. Найбільше значення чистого прибутку (896 пунктів) отримано при денній торгівлі із застосуванням моделі ФШ, збитку немає.

2. Відсікання флет дозволило отримати чистий прибуток на 20% більше і зменшити збиток на 52% за рахунок зменшення кількості угод на 48,3% (при зменшенні прибутку на 27%).

3. Система «подвійного вибору» ефективна за рахунок можливості відсікання флет і відкриття позиції в найбільш сприятливих умовах (мінімальна ціна при висхідному і максимальна ціна при низхідному тренді).

3. Незважаючи на найменшу кількість угод, денна торгівля дала кращий результат за критерієм «найбільший прибуток».

4. Всі три стратегії прибуткові і можуть бути використані для реальної торгівлі на ринку FoRex.

Висновки

Розроблений підхід відрізняється від відомих тим, що дозволяє реалізувати короткострокове прогнозування напрямку тренда в реальному масштабі часу за рахунок уточнення меж однорідних спостережень тимчасової кривої по поточному стану ВК. Підхід дозволяє оперативно приймати найкраще рішення про можливість укладення угоди в потрібному напрямку, використовуючи систему «подвійного вибору», тим самим практикувати активні торгові стратегії (відкривати оборотні позиції) і будувати механічні торгові системи трейдера в якості інструменту методології (In) для прийняття ефективних рішень по управління валютною позицією на ВР.

література:

1. Колбі Р.В., Мейерс Т.А. Енциклопедія технічних індикаторів: Пер. з англ. М .: Видавництво. Будинок «Альпіна», 1998. 581 с.

2. Якимкин В. Н. Як почати заробляти на валютному ринку Forex. М .: Смартбук, 2008. 352 с.

3. Ричков В.В. Удосконалення інструментальних методів аналізу та прогнозування міжнародного валютного ринку. Автореф. дисс .... канд. екон. наук. Перм, 2001. 22 с.

4. Зінін А.Н. Моделі прибутковості і прогнозування ризику портфеля інвестора на міжнародному валютному ринку (на прикладі ринку Forex). Автореф. дисс .... канд. екон. наук. Ростов-на-Дону, 2003. 24 с.

5. Літинський Д.С. Статистичне прогнозування для побудови ефективних торгових стратегій на валютному ринку. Автореф. дисс .... канд. екон. наук. Москва, 2003. 23 с.

6. Болотова Л.Р. Математичні методи статистики і нелінійної динаміки для оцінки валютних ризиків на базі предпрогнозного аналізу. Автореф. дисс .... канд. екон. наук. Ставрополь, 2005. 23 с.

7. Смирнов С.В. Статистичні моделі аналізу факторів, що впливають на динаміку валютних курсів. Автореф. дисс .... канд. екон. наук. Санкт-Петербург, 2005. 16 с.

8. Муравйов Д.Г. Математичні методи розробки та оцінки стратегій торгівлі на міжбанківському валютному ринку Forex. Автореф. дисс .... канд. екон. наук. Самара, 2006. 15 с.

9. Гуляєва О.А. Управління валютними ризиками на основі предпрогнозного аналізу валютних курсів фрактальними методами. Автореф. дисс .... канд. екон. наук. Москва, 2008. - 27 с.

10. Панілов М.А. Економічне моделювання динаміки валютного курсу. Автореф. дисс .... канд. екон. наук. Москва, 2009. 32 с.

11. Крюкова В.В., Крюков П.А. Статистичне прогнозування валютного курсу // Укр. Кузбасівського держ. тех. унив. 2010, № 6. С. 178-188.

12. Крюков П.А., Крюкова В.В. Прогнозування валютного курсу на основі факторного шкалювання // Укр. Кузбасівського держ. тех. унив. 2011, №1. С. 118-127.

13. Дилінговий центр Альпарі. [Електронний ресурс]. - Режим доступу: http://www.alpari-idc.ru/ru/dc/databank.php .

Основні терміни (генеруються автоматично): валютний курс, модель, спадний тренд, валютний ринок, тимчасовий ряд, RSI, моделювання динаміки, дані, момент часу, подвійний вибір.