Как повысить эффективность различных технологий, используемых трейдером-практиком?
Вице-президент по развитию компании "Франклин & Грант" начинает цикл статей, призванных помочь разобраться в этом тонком деле.
По теории управления
Какую стратегию биржевой игры ни возьми, все трейдеры, так или иначе, решают весьма схожие задачи. Если попытаться их классифицировать, то выяснится, что основных типов задач не так и много - всего три. Выбор акций, которые наилучшим образом отвечают стратегии вашей игры Прогноз дальнейшей динамики цены на интересующий период Выставление конкретных ордеров
Эти задачи соответствуют трем основным этапам, хорошо известным в теории управления: сбор и анализ информации, прогноз развития ситуации, принятие управленческих решений для коррекции в случае отклонения динамики от прогнозируемой.
На такое подобие не могли не обратить внимание производители аналитического программного обеспечения. Так, для выбора покупаемых акций широкую популярность завоевали сток-скринеры, или простейшие фильтры - из базы данных они выбирают только имеющие заданные параметры акции. Для прогноза цен используется широчайший набор инструментов. Сюда относятся и традиционные методы экстраполяции, и довольно сложные (и дорогие!) решения, основанные на нейросетевых алгоритмах.
Для выставления ордеров на рынок существует много торговых систем. Большинство из них позволяют запрограммировать правила принятия решения для автоматической расстановки ордеров. Но сами правила должен задать пользователь! Труд составить такие правила автоматически на себя берут механические торговые системы, но большинство из них на поверку оказываются несостоятельными.
Какая же вырисовывается картина? Производители программных продуктов и онлайновых услуг опираются на теорию управления, но того впечатляющего эффекта, которым сопровождается ее применение в традиционных областях, при управлении инвестициями явно не наблюдается. В чем же дело? Простота хуже воровства
Более глубокий анализ предлагаемых инструментов показывает, что в большинстве случаев в основе аналитических программ заложены неоправданно простые алгоритмы решения. Эта простота не соответствует изощренности изучаемого объекта - рынка.
Судите сами. Что, например, представляют собой сток-скринеры? Это просто один запрос в базу данных с нужным <профилем>. Для профессиональных участников рынка, которые точно знают, чего хотят, такой инструмент, конечно, будет полезен.
Но гораздо более востребованным, на мой взгляд, был бы инструмент, позволяющий определять допустимые интервалы значений по каждому показателю, характеризующему акцию, для конкретных целей. Например, пользователь указывает, что его интересует недельный рост компаний. В каких диапазонах должны лежать значения интересующих его показателей, чтобы вероятность такого роста была максимальной? Сейчас на рынке нет ни одного инструмента, позволяющего ответить на этот вопрос.
Или такой аспект. Чтобы задать параметры сток-скринера, нужно знать, какие на данный момент значения по конкретной группе компаний, например, производителей лекарств, вообще есть. Какое количество компаний попадает в тот или иной диапазон значений конкретного индикатора? К сожалению, и этот вопрос решается неудовлетворительно.
Последнее время предпринимаются попытки построить подобную <карту> рынка, но далеко не на всех ресурсах и только по одному-двум показателям, например, доходности и капитализации. А что делать, когда необходимо отслеживать сразу несколько показателей?
Как прогнозировать?
Что касается методов прогноза, то здесь наблюдается ярко выраженная поляризация подходов: либо методы катастрофически просты, либо настолько сложны и требовательны к ресурсам, что их практическое использование для трейдера затруднительно. К первым относятся привычные методы экстраполяции, а ко вторым - модели, созданные на основе нейронных сетей или нечеткой логики. Эти две большие области сами по себe имеют много тонких нюансов и настроек, установить которые адекватно решаемой задаче под силу только узким специалистам.
Так, немаловажную роль играет способ формирования обучающего множества. Существует проблема с выбором идеального момента, когда нужно остановить обучение. Особенностью адаптивных систем является самообучение, или способность подстраивать свои внутренние параметры под динамику прогнозируемого ряда. Обучение может проводиться <без учителя> и <с учителем>: в первом случае изменение параметров модели происходит в соответствии с внутренним алгоритмом, заложенным в модель, а во втором случае нужно явное указание, какое изменение лучше или хуже.
Часто в качестве <мнения учителя> выступает величина ошибки прогноза, называемая целевой функцией, и цель обучения - настроить параметры таким образом, чтобы она была минимальна. Множество данных, на котором происходит минимизация, называется тренировочным или обучающим множеством. При таком способе обучения возникает одна очень серьезная проблема - overfitting.
Явление это связано со случайным выбором самого тренировочного множества. Сначала, при первых шагах обучения, модель начинает улавливать искомую зависимость, что приводит к уменьшению ошибки - целевой функции. Однако при дальнейшем обучении, стремясь уменьшить ошибку, параметры подстраиваются под особенности наблюдаемого тренировочного множества.
При этом модель уже описывает не закономерность динамики значений ряда, а особенности конкретного его подмножества, выбранного в качестве тренировочного множества. Естественно, с понижением точности реального прогноза (вне тренировочного множества).
Предлагаемые системы не дают ответа и на вопросы о количестве используемых для обучения каналов, объеме данных, необходимых по каждому каналу, а также о принципиальной предсказуемости того или иного ценового ряда. Стоит ли, в контексте предсказуемости, связываться с конкретной акцией или нет?
Эффективность применения сложных систем прогноза определяется уровнем решения всех проблем настройки, а это, в свою очередь, определяется квалификацией пользователя.
Последний шаг
Однако наиболее трудным моментом является доводка процесса анализа и прогноза до принятия конкретных шагов. Чтобы обоснованно принять решение, необходима статистическая информация о том, с какой степенью вероятности выполняется найденное правило или система правил. Сколько ни вводи броских аббревиатур типа money management, в основе любой такой новомодной <парадигмы> для практического успеха должна быть <зашита> надежная теория, а не сомнительное мифотворчество о чудодейственных опережающих индикаторах рынка. И каждый раз - новых.
В следующих публикациях мы расскажем о проблематике прогнозируемости рынка, о средствах анализа рыночной ситуации и поддержке управленческих решений при игре на фондовых рынках, о современных концепциях управления деньгами, рисками и постараемся развеять завесу <тайны> над теоретическими основами этих новомодных парадигм.
