Резюме по вопросу о МТС, распознавании образов, многовакторном анализе и иже с ними Денис Мамаев (простак), сторонний наблюдатель О механических торговых системах (МТС) написаны толсты

Резюме по вопросу о МТС, распознавании образов, многовакторном анализе и иже с ними

Денис Мамаев (простак), сторонний наблюдатель

О механических торговых системах (МТС) написаны толстые книги, опубликованы бесчисленные статьи, сложены легенды; для их реализации написаны специальные программы, адаптированы математические инструменты, разработаны языки программирования; желающим предлагаются на продажу и в аренду готовые МТС, МТС-полуфабрикаты, а также готовый продукт – МТС-сигналы. Но энтузиазм разработчиков МТС не стихает.

За неполный май в «Разборе ..» опубликованы две статьи на эту тему, каждая из которых включает рассмотрение актуальности, методов исследования, исходных данных, апробацию результатов. Для доведения их до уровня диссертации не хватает только обзора публикаций по теме и пары рецензий.

На взгляд простака, эта тема давно закрыта благодаря исключительно большому объему проведенных исследований. В результате обзора этих исследований можно составить простое и короткое резюме: идеал недостижим, но работоспособную МТС можно слепить из чего угодно.

Поскольку формализованных правил разработки МТС не существует, единственным методом их создания является метод «научного втыка». Экспериментирование по созданию МТС перестало быть трудоемким благодаря созданию множества программных продуктов. Все они сводятся к автоматизации нахождения эмпирических правил на основе подгонки (анализа, программирования) исходных данных к желаемому результату. Исходными данными может быть что угодно: от котировок до образов (patterns), причем в любом наборе.

В одном из майских комментов довелось разглядеть намек на трудность построения МТС для интрадей EESR ( 18:36 appraiser Nikolz, а вы на основе разложения Каруне-Лоева и декорреляции составляющих на конечных выборках сделайте МТС и запустите её на интрадей в РАО:)).

Поэтому такой пример, возможно, будет показательным. В качестве исходных данных взята мешанина из значений и образов (patterns) цены, объема и индикаторов EESR. Желаемый результат взят в виде прогноза цены на 10 минут вперед.

Дав компьютеру немного времени на выработку правил (обучение) и увидев наличие требуемой тенденции (что на рисунке отражается в виде уменьшения ошибки прогноза), перейдем к оценке дееспособности полученной МТС.

Рис. 1

Дееспособность МТС выглядит обнадеживающе (следующий рисунок).

Рис. 2

Полученная МТС дает прогноз (predicted output), более-менее соответствующий действительности (actual output).

К сожалению, этот результат относится к исходным данным, что не гарантирует работоспособность МТС даже в следующие день – два. Но и эта проблема решается тем же методом: поменяв состав исходных данных или правила выработки эмпирических правил или схему их выработки, одним словом, поэкспериментировав некоторое время, можно получить нечто уже вполне достойное названия «работоспособная МТС». На следующих рисунках показан результат прогнозирования МТС движения цены на 10 минут по EESR. Выработка правил сделана на данных за 13 – 16 марта, а дееспособность поверена на данных 17 – 22 марта 2006 г. (out-of-sample Range). Эксперименты с этой инкарнацией МТС можно продолжать в стремлении к идеалу, а можно начать сначала – замешать исходных данных, искать прогноз не на 10 минут, а на час и т.д.

Вместо заключения.

Исследование отдельных методик подготовки исходных данных и их «ручного» анализа выглядит атавизмом в эпоху автоматизации разработки МТС. Поэтому на первый план выходит не столько разработка модели МТС или отдельного «правила», сколько анализ работоспособности целых классов МТС, а также пригодность той или иной информации для формирования прогнозов.

Рис. 3

Рис. 4