Главная задача любого инвестора — купить дешевле и продать дороже. Чем выше изменчивость цен актива, тем больше имеется возможностей для проведения выигрышных стратегий торговли, но они сопряжены с высоким риском. Ключевым вопросом при этом является определение направления, величины и волатильности (изменчивости) будущих цен на основе прошлых данных. В статье дается пример прогноза курсов валют на рынке Forex, полученного с применением нейронных технологий.
Нейронные сети как инструмент прогнозирования
Начиная с 80-х годов, для решения экономических задач широкое распространение получили нейронные сети. Использование нейросетей обусловлено их способностью работать с противоречивыми и зашумленными данными. Нейросеть представляет собой вычислительный алгоритм, функционирующий наподобие мозга, который состоит из простейших вычислительных элементов — искусственных нейронов. Каждый такой элемент вычисляет взвешенную сумму своих входов x (с весами w) и производит нелинейное преобразование F. Таким образом, выход нейрона вычисляется по следующей формуле:
Основной этап работы с нейросетью -это ее обучение. На данном этапе определяются веса для каждого нейрона. При обучении происходит прогон множества примеров через сеть с коррекцией весов нейронов и с указанием значений, которые подаются на вход, и значений, которые должны быть получены на выходе нейросети. В процессе обучения происходит подстройка (коррекция) весов нейронов таким образом, чтобы уменьшить функцию ошибки, которая равна разности выхода нейросети и требуемого выходного значения. В общем случае нейронные сети могут решать как задачи классификации (разделения входных примеров на заданное число классов), так и задачи аппроксимации (предсказания непрерывных функций). Второй класс задач нашел широкое применение при анализе временных рядов. Задача анализа временных рядов заключается в том, чтобы извлечь из них полезную информацию с конечной целью предсказания будущих значений на основе предыдущих. Такой подход строится на предположении, что временной ряд имеет определенную математическую структуру. Эта структура существует в так называемом фазовом пространстве, координатами которого являются независимые переменные, описывающие поведение системы в целом. Поэтому главная проблема, которую необходимо решить, — это определение фазового пространства. Для этого нужно выбрать наиболее важные характеристики системы в качестве фазовых переменных (например, индикаторы технического анализа).
Нейронные сети дают дополнительные возможности в моделировании нелинейных явлений и распознавании их хаотического поведения. Благодаря своей гибкости они могут «ухватить» самые разные структуры в фазовом пространстве. Способность обобщения и определения скрытых закономерностей является уникальным свойством нейро-сетей и позволяет их использовать в трудноформализуемых финансовых задачах. В настоящее время рынок Forex получил широкое распространение в России. Это обусловлено его высокой ликвидностью и малой стоимостью входа (средний страховой депозит в российском дилинге 1000–2000 USD). Поэтому представляется актуальной задача прогнозирования курсов валют, торгуемых на рынке Forex. В этой статье дан общий подход и оценка результатов прогнозов курсов валют с использованием нейронных сетей.
