1. 概述

人工智能系統(tǒng)遍及人類的日?；顒?dòng)。交易者是首批采用它們的群體。我們來討論如何在交易中使用基于 神經(jīng)網(wǎng)絡(luò) 的人工智能系統(tǒng)。

首先, 我們設(shè)定一個(gè)神經(jīng)網(wǎng)絡(luò)不能自行完成交易。這便是, 如果有一個(gè)神經(jīng)網(wǎng)絡(luò), 并為它提供無限量的價(jià)格數(shù)據(jù), 指標(biāo)和其它他美味佳肴 — 獲得永無終止的結(jié)果, 所以這個(gè)想法可以立即被丟棄。神經(jīng)網(wǎng)絡(luò)只能從側(cè)面為策略 "服務(wù)": 協(xié)助制訂決策, 過濾, 預(yù)測。能體現(xiàn)出一個(gè)完整策略的神經(jīng)網(wǎng)絡(luò)是無稽之談 (至少我個(gè)人從未見過)。

在本文中, 我將告訴您如何把一個(gè)非常著名的策略與神經(jīng)網(wǎng)絡(luò)合并以便成功交易。它是有關(guān)運(yùn)用人工智能系統(tǒng)實(shí)現(xiàn) Thomas DeMark 次序 策略。DeMark 在 "技術(shù)分析的新科學(xué)" 一書中很好地描述了次序, 任何讀過此書的交易者均將受益。您可 在此 找到此書的更多詳情。

首先, 用幾句話來概括策略。次序是逆勢策略。其中出現(xiàn)的信號(hào)不依賴于彼此。換言之, 可以在一行里收到買賣信號(hào), 這令次序的使用極大地復(fù)雜化。就像任何其它策略一樣, 它會(huì)產(chǎn)生假信號(hào), 我們將要找出來。作者本人很好地描述了基于次序生成信號(hào)的原理。他的解釋在這里稍作修改。僅應(yīng)用了策略的第一部分, 使用 設(shè)置 和 交匯 信號(hào)。選擇它們出于兩個(gè)原因: 一是這些信號(hào)位于頂部和底部; 其次, 它們發(fā)生的頻率比倒計(jì)時(shí)和入場要高得多。

請注意: 人工智能絕對可以嵌入任何交易策略, 甚至傳統(tǒng)的均線交叉。在任何一種情況下, 決策時(shí)刻在任何策略中都是最重要的。關(guān)鍵點(diǎn)是分析每根柱線是一個(gè)烏托邦。所以, 有必要確定分析市場狀況的柱線時(shí)刻。這恰恰是交易策略的意圖所在。再者, 只要能收到信號(hào), 分析方法也許是絕對任意的, 從均線交叉到分形。在次序的情況下, 我們感興趣的是綠點(diǎn)窗口, 在此期間要甄別市場狀況, 并判斷信號(hào)的有效性。

編輯切換為居中

圖例. 1. 由 nikelodeon.mql5 指標(biāo)生成的 TDSEQUENTA

我們來分析一下沒有神經(jīng)網(wǎng)絡(luò)的次序交易策略的運(yùn)行情況。在圖例中, 您可以看到綠點(diǎn)的外觀。此處展示了策略的自適應(yīng)版本 — 不使用特定數(shù)量的柱線 (例如, 9 根連續(xù)柱線), 而是只要滿足條件。一旦策略的條件不再符合, 就會(huì)出現(xiàn)一個(gè)信號(hào)。因此, 根據(jù)當(dāng)前的市場狀況, 每個(gè)信號(hào)會(huì)出現(xiàn)在自身的數(shù)個(gè)圓點(diǎn)之后。這是次序適應(yīng)市場的地方。此效果提供了分析由綠點(diǎn)組成的窗口的能力。該窗口對于每個(gè)信號(hào)具有不同的持續(xù)時(shí)間。當(dāng)使用 AI 時(shí)這會(huì)給出一定的優(yōu)勢。選擇以下配色方案: 綠點(diǎn)后的藍(lán)點(diǎn)表示買入信號(hào), 紅點(diǎn) — 賣出信號(hào)。

可以看出, 第一個(gè)賣出信號(hào) (紅點(diǎn)) 原來是假的, 因?yàn)樗S后的信號(hào)更高。當(dāng)依次跟隨信號(hào)操作時(shí), 按照這個(gè)紅點(diǎn)入場肯定會(huì)造成損失。第一個(gè)藍(lán)點(diǎn)也是欺騙性的: 在此價(jià)格買入會(huì)帶來顯著的回撤。如何區(qū)分信號(hào)的虛假或有效？這個(gè)任務(wù)可以通過人工智能, 即神經(jīng)網(wǎng)絡(luò) (NN) 來解決。

2. 市場前后承接

交易系統(tǒng)在前一天運(yùn)行良好。昨天, 它搞砸了。今天, 一切都再次可以容忍。聽起來很熟悉？當(dāng)然, 每位交易者都要面對交易系統(tǒng)的質(zhì)量日益變化的事實(shí)。問題不在于系統(tǒng)本身。這要?dú)w咎于所謂的 交易日前后承接。它是根據(jù)以往交易量的變化, 持倉和價(jià)格波動(dòng)形成的。簡言之, 交易背景是由這些數(shù)據(jù)精確地確定的, 在每天的結(jié)束時(shí)這些都是不同的。這為我們帶來一個(gè)重要的建議: 在假定進(jìn)行交易的日子里, 以類似條件交易日的數(shù)據(jù)優(yōu)化您的機(jī)器人。優(yōu)化神經(jīng)網(wǎng)絡(luò)時(shí)最困難的任務(wù)是確保訓(xùn)練樣本不包括當(dāng)天將會(huì)形成的形態(tài)。日線前后承接即是這種包含之一。

我們來研究下面的例子。今天, 交易量和持倉下降, 而匯率上升。顯然, 行情正在減弱, 預(yù)期會(huì)出現(xiàn)下行逆轉(zhuǎn)。僅使用交易量和持倉降低同時(shí)匯率增長的交易日數(shù)據(jù)訓(xùn)練神經(jīng)網(wǎng)絡(luò), 為神經(jīng)網(wǎng)絡(luò)輸入提供這樣的形態(tài), 則在全天產(chǎn)生更多機(jī)會(huì)的概率極大。這將令神經(jīng)網(wǎng)絡(luò)依據(jù)行情前后承接進(jìn)行訓(xùn)練。以同樣的參數(shù), 行情更有可能在當(dāng)天做出相同的反應(yīng)。輕易就可計(jì)算出, 交易量、價(jià)格和持倉的組合只有 9 種變化。通過為每個(gè)前后承接單獨(dú)訓(xùn)練網(wǎng)絡(luò), 整個(gè)行情將被覆蓋。九個(gè)訓(xùn)練有素的模型可平均工作兩周, 在某些情況下更長。

在 eVOLution-dvoid.1.3 (1) 指標(biāo)的協(xié)助下, 可輕松在日線前后承接下安排操作。該指標(biāo)基本上是從位于目錄 ...\Files\evolution-dvoid\dvoid-BP.csv 的 csv 文件里讀取數(shù)據(jù)?？梢钥吹? 在此使用的是英鎊兌美元的報(bào)價(jià)。為了正確顯示數(shù)據(jù), 并能夠在當(dāng)天的前后承接中隨時(shí)使用這些數(shù)據(jù), 必須在每天早上在莫斯科時(shí)間大約 7 點(diǎn) 30 分訪問 芝加哥證券交易所 網(wǎng)站。下載每日公報(bào) (英鎊第 27 號(hào)), 它體現(xiàn)前一天結(jié)束時(shí)的交易量和持倉。這些數(shù)據(jù)應(yīng)該在每天交易開始前添加到 "dvoid-BP.csv"。日間, 指標(biāo)將顯示交易量與前值的比值變化。也就是說, 它并非市場需求的實(shí)際數(shù)值, 而只是變化率。持倉數(shù)值也是如此: 重要的是它的相對走勢。

3. 組織模型的方法

為了增加訓(xùn)練樣本, 并提供恰當(dāng)?shù)姆夯?jí)別, 有必要引入一個(gè)重要的條件。這些信號(hào)將被 分別針對買入和賣出 化分為有效和虛假的。這樣神經(jīng)網(wǎng)絡(luò)本身的資源不會(huì)浪費(fèi)在信號(hào)歸類上。我們將提前分離這些信號(hào), 并建立兩個(gè)模型: 一個(gè)負(fù)責(zé)買入信號(hào), 另一個(gè)將用于賣出信號(hào)。這個(gè)簡單的技巧使訓(xùn)練樣本的大小倍增。已知事實(shí): 培訓(xùn)樣本越多, 其泛化程度越高, 模型對行情的適應(yīng)性就越長久。

我們來引入 置信區(qū)間 的概念: 模型被信任并認(rèn)為適合使用的間隔。假設(shè)計(jì)算模型的置信區(qū)間包含訓(xùn)練間隔的 1/3。也就是說, 依據(jù) 30 個(gè)信號(hào)進(jìn)行模型訓(xùn)練之后, 我們假定它的充分運(yùn)行周期為 10 個(gè)信號(hào)。然而, 一個(gè)模型的持續(xù)時(shí)間比訓(xùn)練間隔長三倍并不罕見。

值得注意的是 (且相當(dāng)自然), 當(dāng)訓(xùn)練間隔增加時(shí), 模型的泛化能力下降。這證實(shí)了理論: 圣杯不存在。如果我們能夠依據(jù)所有的行情歷史訓(xùn)練一個(gè)具有 100％ 泛化程度的神經(jīng)網(wǎng)絡(luò), 我們應(yīng)能得到一個(gè)無限期工作的理想模型。唉, 實(shí)踐表明這是一個(gè)烏托邦式的空想。但構(gòu)建一個(gè)良好的長線模型仍然是可行的。這個(gè)秘密在于作為輸入傳遞到網(wǎng)絡(luò)的數(shù)據(jù)。如果它們反映出輸出變量的本質(zhì), 并以此為根源, 那么構(gòu)建模型就不會(huì)有麻煩了。

順便說一下, 關(guān)于 輸出變量。選擇構(gòu)建網(wǎng)絡(luò)的輸入數(shù)據(jù)如同搜索輸入數(shù)據(jù)一樣困難。通過查看信號(hào)的歷史數(shù)據(jù), 可以精確地判定哪些信號(hào)是有效的, 哪些是虛假的。作為規(guī)則, 構(gòu)建輸出變量時(shí), 每個(gè)信號(hào)都要明白無誤地解釋, 使得網(wǎng)絡(luò)輸出理想。此即為, 輸出不可包含單個(gè)錯(cuò)誤, 這使得神經(jīng)網(wǎng)絡(luò)在學(xué)習(xí)中努力達(dá)到相同的理想輸出。自然地, 在較長的間隔內(nèi)獲得泛化級(jí)別為 100％ 的模型實(shí)際上是不可能的。畢竟, 不太可能存在這種在足夠長的間隔中無誤解讀輸出變量信號(hào)的數(shù)據(jù)。甚或, 如果這樣的數(shù)據(jù)存在, 則令神經(jīng)網(wǎng)絡(luò)變得完全沒必要。

有鑒于此, 輸出變量的形成應(yīng)會(huì)帶有輕微的錯(cuò)誤, 而此處由信號(hào)帶來的小損失會(huì)被顯著的盈利所掩蓋。這會(huì)導(dǎo)致輸出變量不理想, 但有令資金增長的潛力。換言之, 失誤導(dǎo)致的損失微不足道, 可由其它更多獲利信號(hào)所覆蓋。這樣即可獲得具有高泛化級(jí)別的輸出變量模型。在此情況下, 已知這種模型的誤差程度是非常重要的。因此, 信號(hào)的置信將會(huì)有調(diào)整。

最后, 當(dāng)構(gòu)建模型時(shí)最重要的方面是為輸出變量 選擇一個(gè)含義。當(dāng)然, 盈利是首先想到的。過去的盈利信號(hào)將被表示為 1, 而虧損的則為 0。不過, 還有許多其它語義變量用于輸出, 這將提供更多關(guān)于行情的有價(jià)值信息。例如: 信號(hào)后會(huì)有回滾, 會(huì)達(dá)到一定的盈利, 跟隨信號(hào)的柱線會(huì)看跌還是看漲？所以, 使用相同的輸入數(shù)據(jù)時(shí), 輸出變量可能以各種方式分配一個(gè)含義。這產(chǎn)生了更多關(guān)于行情的信息, 如果多個(gè)模型相互確認(rèn), 盈利的概率就會(huì)增加。

我經(jīng)常遇到嘗試在長間隔里接收 100 個(gè)或更多信號(hào)的交易者。所以, 我不會(huì)分享這種渴望。在我看來, 10-15 個(gè)信號(hào)足以生活, 但它們的誤差不能超過 20%。這是出于這樣一個(gè)事實(shí), 即使十分之二的信號(hào)導(dǎo)致最大的虧損, 我們?nèi)匀挥邪藗€(gè)正確的信號(hào)。其中至少有兩個(gè)會(huì)產(chǎn)生足夠的利潤來彌補(bǔ)損失。

那么, 如何制定一個(gè)能長時(shí)間工作的模型？例如, 我們需要一或兩周內(nèi)在 M5 上穩(wěn)定運(yùn)行的系統(tǒng) — 如果操作沒有過度優(yōu)化, 這是一個(gè)很好的結(jié)果。假設(shè)主要指標(biāo), 主要交易系統(tǒng) (在我們的例子中, 次序) 每天平均生成 5 個(gè)信號(hào)。將為行情前后承接的九種模式中的每一種選取 10 個(gè)信號(hào)。只是, 一周只有五個(gè)交易日。這意味著一些模型將徹底無法工作, 而有些模型則可工作。實(shí)踐表明, 每個(gè)模型每周觸發(fā)不超過兩次, 而且很罕見 — 每周觸發(fā)三次。這表明, 考慮到 10 個(gè)信號(hào)樣本以外周期的置信區(qū)間, 泛化神經(jīng)網(wǎng)絡(luò)的工作時(shí)間將會(huì)超過一周。