Файл: Анализ и оценка средств реализации структурных методов анализа и проектирования экономической информационной системы (Анализ предметной области)..pdf

Временные ряды

Под временными рядами, как правило, понимают последовательно измеренные через некоторые интервалы времени данные. Анализ временных рядов объединяет методы их изучения, а также их прогнозирование. Под прогнозированием временных рядов понимают построение модели для прогнозирования будущих событий, основываясь на результатах уже произошедших событий. Примером такого прогнозирования является предсказание цены открытия биржи, основываясь на предыдущей деятельности и результатах деятельность этой биржи. Пример временного ряда изображен ниже на рис. 1.1:

Рисунок 1.1 Пример временного ряда

Модель временных рядов привержена идее, что близкие во времени наблюдения будут теснее связаны между собой, чем удаленные. Также стоит отметить, что модели временных рядов используют однонаправленный порядок по времени, то есть текущие значения временного ряда выражаются через прошлые значения, а не через последующие [2].

Важно понимать, что необходимо учитывать внешние факторы, не отраженными в накопленных данных, то есть, при выходе на рынок более сильного конкурента, предсказанные значения временного ряда могут не совпасть с реальными. Поэтому, в ситуациях, при которых большое влияние оказывают факторы из вне, необходимо использовать и другие методы анализа, не связанные с временными рядами.

Рассматривая временные ряды, необходимо понимать их базовые характеристики.

Для последующего анализа временных рядов, необходимо понимать базовые характеристики временных рядов. Если рассматривать, как меняются в течение времени значения временного ряда, можно выделить следующие характеристики:

Базовый уровень. Базовым уровнем называют среднее значение временного ряда. В некоторых моделях прогнозирования временных рядов базовым уровнем называют начальное значение временного ряда.

Тренд. Тренд показывает, как временной ряд изменяется от одного периода к другому. Т.е. направление движения к росту или спаду значений временного ряда. Пример тренда показан на рисунке ниже (рис. 1.2):

Рисунок 1.2 Тренд временного ряда

Сезонные колебания. Некоторые значения имеют прямую зависимость от определенных периодов времени, это может быть определенный день недели, или месяц в году. На примере ниже приведен пример сезонных колебаний, сезонный тренд с наивысшими показателями в январе и июле и низкими показателями в мае и октябре [3]. Пример сезонных колебаний представлен на рисунке (см. рис. 1.3).

Рисунок 1.3 Сезонные колебания

Шум. Шумом называют случайные колебания не неравномерные движения данных. Пример шумов на временном ряде приведен ниже на рис. 1.4. Все что выходит за пределы красных линий является шумом, или по-другому выбросом:

Рисунок 1.4 Шум на временном ряде

Определение необходимой точности прогноза

Для того, чтобы можно было оценить результат работы программы, необходимо определить критерии качества её работы. В данном случае, необходимо определить, с какой точностью программа должна давать прогноз на следующий день закрытия торгов. Для определения точности прогнозирования необходимо понимать среднюю волатильность монет на бирже. Для примера, принято решение рассматривать пару BTC/ USD.

Согласно данным сайта bits.media, которые провели исследование волатильности главной пары криптовалютного рынка, средневзвешенная волатильность за 2018 год составила порядка 20% в неделю. При этом среднесуточная волатильность за 2018 год составила 7,13% (bitstap.top). Таким образом, идеальным вариантом является работа программы, дающей прогноз с погрешностью менее 6%. В данном случае, ежедневно можно проводить операции со средним доходом в 1%, который в год составит уже более 150% (если рассматривать вариант, что профитно отрабатывают ½ всех ставок). Однако, получив прогноз с такой погрешностью, эта система будет являться не поддержкой принятия решений, а полноценной системой для торгов. К тому же, данная система, скорее всего должна принимать во внимание внешние факторы, т.е. фундаментальный анализ.

Исходя из этого, прогноз с точностью от 90% является достаточно хорошим результатом, поскольку, брокер, принимает во внимание также и результаты фундаментального анализа. В этом случае, система поможет качественно дать прогноз, принимая во внимания который, брокер сможет увеличить доходность своего портфеля.

Обзор аналогов

Вероятно, почти каждый игрок на бирже хотел бы обладать программой, по которой можно торговать с постоянной доходностью. Следовательно, существует спрос на всякого рода ИС, которые стремятся к точному прогнозу цены по определенной ценной бумаге. В сети Интернет была найдена интересная ИС с названием ITI Global. Данная информационная система в основном агрегирует данные из различных источников и нужна для фундаментального анализа. ИС по каждой запрошенной бумаге предоставляет конкретную информацию, а также постоянно предоставляет актуальную информацию о состоянии экономики на текущий день. К сожалению, так и не удалось узнать стоимость данной ИС, по причине сложного взаимодействия. Т.е. изначально нужно воспользоваться продуктом в демо версии, далее, после истечении срока выставляется цена продукта.

Конкретных же продуктов, которые основаны на техническом анализе найти не удалось [4, 5, 6].

Выводы по главе

В данной главе был произведен анализ предметной области, определены термины технического анализа и фундаментального анализа. Рассмотрена теория временных рядов, основные виды графиков, применяемые в техническом анализе. Для последующего исследования определена минимально необходимая точность прогноза, которая составляет 90%, то есть при достижении точности выше 90%, можно считать, что разрабатываемая информационная система применима и полезна для использования в инструментах анализа трейдера.

Глава II. Анализ и оценка средств реализации структурных методов анализа и проектирования экономической информационной системы

В данной главе будут проанализированы одни из самых популярных, эффективных методов, используемых при прогнозировании временных рядов, сделаны выводы относительно их применимости в разрабатываемой информационной системе. Будет определен подход использования данных методов и ожидаемые результаты применения методов.

Использование математических методов в прогнозировании

При прогнозировании финансовых временных рядов также стоит рассмотреть и стандартные, наиболее популярные математические методы прогнозирования.

Ниже будут рассмотрены математические методы прогнозирования[7].

Комбинация скользящих средних

Данный метод достаточно прост в использовании, однако является весьма эффективным. Многие трейдеры применяют данный метод для игры на бирже. Рассматриваемый метод помогает определить смену тренда на существующих данных. То есть, применив данный метод можно определить смену тренда в будущем и определить стратегию своего поведения относительно анализируемой позиции.

В наиболее популярной вариации применения данного метода используется количество сглаживаний равное двум. Предполагается использовать именно данную вариацию метода. Ниже приведен пример использования метода комбинации скользящих средних при сглаживании равном двум (рис. 2.1).

Рисунок 2.1 Пример использования комбинации скользящих средних

Для применения данного метода необходимо выбрать два различных скользящих средних: короткую скользящую среднюю (с окрестностью n1) и длинную скользящую среднюю (с окрестностью n2 > n1).

Исходя из графика видно, что через небольшой промежуток времени после изменения тренда скользящие средние пересекаются. Это связано с тем, что зеленая скользящая средняя имеет меньшую окрестность, соответственно она более приближена к исходному графику. Ситуация, при которой скользящая средняя с меньшей окрестностью пробивает снизу скользящую среднюю с большей окрестностью, сигнализирует о убывающей средней тенденции на рынке. Соответственно в этот момент лучше всего совершить продажу позиции.

Полосы Боллинджера

Алгоритм комбинаций скользящих средних имеет свои недостатки, такие как, необходимость большой окрестности длинного скользящего среднего, в связи с чем данный алгоритм достигает наибольшей ценности при нахождении общих тенденций временного ряда. Исходя из этого, за весь временной промежуток совершается относительно небольшое количество сделок, что не позволяет использовать более мелкие движения временного ряда. Для определения более мелких движений временного ряда был вычислен алгоритм, названный полосами Боллинджера.

Прародителем алгоритма является алгоритм «Конверт», его суть заключается в двух извилистых параллельных линиях, проходящих выше и ниже скользящей средней. Эти линии образуют между собой область, которая охватывает большую часть ценовых колебаний временного ряда. Для расчёта диапазона необходимо на небольшой процент (преимущественно он 1,5 %до 3%) увеличить и уменьшить значения короткого скользящего среднего.

Сигнал к покупке подается в случае, если цена пробивает нижнюю границу области. И обратное, если цена пробивает верхнюю границу – подается сигнал к продаже. Однако данный метод дает очень много недолговечных коротких сигналов, что и является его недостатком. Его усовершенствованием является алгоритм «полосы Боллинджера», предложенный Джоном Боллинджером. Для описания данного алгоритма необходимо понимать определение волатильности финансового инструмента. Волатильностью финансового инструмента называют статистических финансовых показатель, который характеризует изменчивость цены и позволяющий определить риск приобретения финансового инструмента.

Рассматриваемый алгоритм аккумулирует в себе алгоритм «Конверт» с учетом волатильности финансового инструмента. Основной задачей алгоритма является определение относительно высоких и низких цен. В качестве меры волатильности используют стандартное отклонение из-за его чувствительности к экстремальным значениям. Границы областей как правило берутся на 2 стандартных отклонения выше или ниже короткого скользящего среднего. Полосы Боллинджера напоминают то сужающийся то расширяющийся конверт, пример алгоритма представлен на рис. 2.2.

Рисунок 2.2 Полосы Боллинджера

Алгоритм рассчитывается по следующим формулам (формулы 1 – 4):

(1)

(2)

(3)

(4)

где:

d – отклонение от скользящего среднего

Pi – значение цены в заданной точке

MAi – значение скользящего среднего в заданной точке

n – число слагаемых

– стандартное отклонение

LB(low bound) – нижняя граница области

UB(up bound) – верхняя граница области

Сужение полосы обозначает низкую волатильность финансового инструмента и предшествует скорому её расширению. Однако малая волатильность не указывает направление будущего изменения цены.

Расширение полосы говорит о высокой волатильности. При таком развитии событий тренд четко определен и направление разворота очевидно. Необходимо уловить момент разворота тренда[8].

Также существуют и другие сигналы рассматриваемого алгоритма, например, ситуация, при которой две следующие друг за другом вершины вмененного ряда, первая из которых лежит вне области полос, а вторая внутри неё – сигнал к продаже. И наоборот, если одна из вершин выходит за нижнюю границу области полос, а вторая над нижней границу – подается сигнал к покупке. На рисунке ниже красными маркерами отмечены сигналы к покупке; зелеными маркерами отмечены сигналы к продаже (рис. 2.3):

Рисунок 2.3 Примеры сигналов алгоритма полос Боллинджера

Осцилляторы скользящих средних