Нейросетевая торговая система. Пошаговая разработка для платформы Meta Trader 4 в среде MATLAB. Сокращенное издание

© Андрей Дибров, 2019

ISBN 978-5-4493-8977-0

Создано в интеллектуальной издательской системе Ridero

Предисловие

Важно! Данное издание представляет собой сокращенный вариант. Все разделы оглавления соответствую полному изданию, за исключением программных кодов основных скриптов и экспертов. Механизм работы с MATLAB+MT4 также включен в книгу. Для приобретения полного издания Вы можете связаться с автором по адресу электронной почты andreydib@yandex.ru.

Книга разрабатывалась с учетом интересов всех категорий трейдеров, а так же тех читателей, которые готовятся заняться трейдингом. В данной книге вы не найдете никакого теоретического материала по проблемам нейросетей и самого трейдинга. В любой литературе посвященной этим двум направлениям есть список трудов различных уважаемых авторов. Мне так же хотелось бы снабдить эту книгу таким же списком. Однако, увы, я этого не могу сделать, так как максимально постарался уйти от какой либо теории и психологии, которым в основном посвящена литература о трейдинге. Однако это не значит, что в свое время я не изучал подобную литературу и, что от нее нет пользы. Вот не полный список авторов, труды которых мною изучались – Чарльз Лебо и Дэвид В. Лукас, Юрий Жваколюк, Д. Ю. Пискулов, В. С. Сафонов, Шерри Де Ковни и Кристин Такки, Анна Эрлих, Александр Элдер, Джон Дж. Мэрфи. Но для понимания и практического применения материала представленного мною в принципе, достаточно теоретической информации, которая подается на сайтах дилинговых компаний и официального сайта Matlab. То есть, любой читатель имеющий представление о трейдинге может выполнить пошаговую инструкцию из моей книги и получить готовую автоматическую нейросетевую систему торговли. Причем, при кажущейся сложности системы в итоге вы придете к пониманию, что конечный результат в плане применения программных кодов поразительно легок, но в тоже время самодостачен и функционален. Ведь основная нагрузка в данной системе происходит при обучении нейросетей. Но и здесь, вникнув в процесс, вы обнаружите, что настроив систему, обучение не занимает много времени. Однако нам все равно придется немного пофилософствовать в следующем разделе на тему логического обоснования обучения нейросетей на принятие решения. От этого обоснования во многом зависит конечный результат.

Важно! Данная книга ориентирована на Matlab. Matlab не поставляется с этой книгой, прежде чем приступать к изучению и разработки автоматической нейросетевой системы торговли, вы должны приобрести ее отдельно и установить.

Также обращаю Ваше внимание на достоинствах нейросетевых систем как способов трейдинга. Мной разработано еще несколько систем, в том числе на основе платформы «NeuroSolutions» http://neurotrade.ucoz.com. Видео с примерами этой системы и системы представленной в этой книге также можно посмотреть по ссылкам https://youtu.be/5GwhRnSqT78, https://youtu.be/cIegQGJKbhY.

Логическое обоснование обучения нейросетей на принятие решения

Прежде чем приступать к разработке любой торговой системы, мы задаемся вопросом – на каких принципах данная система будет функционировать? У нас есть два основополагающих принципа – использования флэтов и продолжение тенденции. Пока не будем рассматривать более узкие производные от них – внутри дневная торговля или нет, на фундаментальных данных, на новостях, на открытии рынков и т. д. Мне пришлось сталкиваться с описанием нейросетевых продуктов, где их авторы в примерах использования предлагали прогнозирование каких либо курсов – акций, валют и т. д. Приведем пример, используя платформу NeuroSolutions. Весь процесс повторять не обязательно, так как данную платформу мы в построении нашей системы использовать не будем, а я в данном случае использую ее как пример. Напишем коротенький скрипт для получения ценовых данных в MT4. Хочется обратить внимание на то, что при копировании программного кода из файла в формате PDF не сохраняется его стиль – все строки при переносе сохраняются без отступов. Так же могут быть скопированы номера страниц. Для текстовых редакторов эта проблема отсутствует.

//+ – – – – – – – – – – – – – – – – – – – – – – – +

//| History.mq4 |

//| Copyright © 2009, Andrey Dibrov. |

//+ – – – – – – – – – – – – – – – – – – – – – – – +

#property copyright «Copyright © 2009, Andrey Dibrov.»

int file=FileOpen («history. csv», FILE_CSV|FILE_READ|FILE_WRITE,»;»);

//+ – – – – – – – – – – – – – – – – – – – – – – – – – – – +

//| Script program start function |

//+ – – – – – – – – – – – – – – – – – – – – – – – – – – – +

void OnStart ()

{

// – —

FileWrite (file,«OpenD; HighD; LowD; CloseD; Date»);

if (file> 0)

{

Alert («Идет запись файла»);

for (int i=iBars (NULL,1440) -1; i> =0; i – )

{

FileWrite (file,

iOpen (NULL,1440,i),

iHigh (NULL,1440,i),

iLow (NULL,1440,i),

iClose (NULL,1440,i),

TimeToStr (iTime (NULL,1440,i)));

}

}

Alert («Файл записан»);

FileClose (file);

}

//+ – – – – – – – – – – – – – – – – – – – – – – – – – – – +

Запустив данный скрипт – в папке …MQL4/Filse каталога данных терминала, получим файл «history».

Откроем этот файл и добавим в начале десять столбцов In1—10 и один столбец Out.

Заполним эти столбцы Данными из столбца CloseD. Как Вы уже поняли, это данные дневных закрытий.

Далее мы сдвинем эти данные в наших столбцах последовательно на одну ячейку вверх.

Таким образом, мы получим в каждой строке вектор из дневных цен закрытия с глубиной в десять дней – это будут входы нейросети. А в столбце Out, который также сдвинут на один день вперед по отношению к In10, будут обучающие примеры закрытия дня для нейросети.

С помощью надстройки NeuroSolutions, выделив столбцы In1-In10, отформатируем их как входы.

А столбец Out как выход нейросети.

Аналогичным образом разобьем нашу матрицу построчно на обучающее множество.

И множество, которое мы будем использовать для анализа.

Теперь мы сформируем файлы для программы NeuroSolutions.

Откроем NeuroSolutions и нажмем кнопку NeuralBuilder.

Выберем модель нейросети Multilayer Perceptron.

Нажмем кнопку Browse…

И откроем файл с обучающими входами.

Далее откроем файл с обучающим выходом.

Определим 30% данных из тренировочного множества для перекрестной проверки в процессе обучения нейросети.

Жмем кнопку Next до тех пор, пока не сформируется нейросеть.

С помощью кнопки Start и запустим процесс обучения.

После завершения процесса обучения нажмем кнопку Testing.

В выпадающем списке выберем Production.

Выберем файл с данными для анализа.

Создадим текстовой файл Prod.

И экспортируем в него данные с результатами, полученными от нейросети.

Откроем файл Prod и скопируем из него отклики нейросети.

Вставим эти отклики рядом с реальными дневными закрытиями, которые мы хотели бы получить в результате работы нейросети.

Поместим эти данные на график.

Результат вроде бы нас должен устроить. Кажется, что полученный результат хорошо накладывается на график цен закрытия. Однако, увеличив масштаб, мы обнаружим, что —

график отклика нейросети, хоть и повторяет график цен, но на один шаг от него отстает. Причем это не зависит – прогнозируем ли мы ценовые данные или производные от них. Исходя из этого, мы можем вывести какой-то постулат. Например – «То, что для нас – вчера, для нейросети – сегодня». Согласитесь, что здесь, в принципе, ни о каком прогнозе речи идти не может. Однако, забегая вперед, отмечу, что данный вариант, при определенной доработке мы так же будем использовать. Но, мы бы, конечно, хотели бы использовать постулат – «То, что для нейросети сегодня, для нас – завтра». Машина времени, какая то. Но мы с Вами ведь понимаем, что все-таки самая лучшая нейросеть – это наш мозг. И то, мы можем использовать этот постулат максимум с 50% успехом (если мы говорим о вероятности да или нет), а то и хуже. Но ведь есть еще и третий вариант постулата – «То, что для нейросети – вчера, для нас – сегодня». Разберем, что для нас означают эти постулаты в трейдинге:

первый – мы совершаем сделку и завтра получаем ответ от нейросети, что мы открылись в правильном направлении или нет. Хотя мы это уже знаем и без нейросети;

второй – мы получаем информацию от нейросети, совершаем сделку и завтра видим, правильная рекомендация была или нет;

третий – мы получаем информацию от нейросети, когда нам надо совершить ту или иную сделку.

Первый вариант, естественно мы отбрасываем сразу. А вот второй и третий для торговли подходят. Однако второй вариант – вариант как бы заглядывания в будущее. Утрировано этот вариант торговли заключается в том, что мы получаем сигнал от нейросети в определенный момент времени – например по закрытию дня с прогнозом как закроется следующий день. Реализовать его для чисто механической торговли на данном этапе сложно. Ну, а если представить, что им получит возможность воспользоваться большинство торговцев – то он сразу же потеряет свою актуальность. Смысл третьего варианта, заключается в том, что мы отслеживаем отклик нейросети на протяжении торговой сессии и покупаем либо продаем его интерпретируя. И здесь нам надо понять основное. Какой из вариантов мы сможем реализовать зависит от того как мы будем обучать нейросеть. И согласитесь, что третий вариант реализовать все-таки легче. Если во втором – мы будем использовать, какую либо информацию с прицелом на получение результата на следующий день – его закрытия (день выбран как пример, естественно может быть какой либо другой период), то в третьем варианте мы используем информацию, пришедшую за шаг до принятия решения – куда двинется цена в этот момент времени.

Конец ознакомительного фрагмента.

Текст предоставлен ООО «ЛитРес».

Прочитайте эту книгу целиком, купив полную легальную версию на ЛитРес.

Безопасно оплатить книгу можно банковской картой Visa, MasterCard, Maestro, со счета мобильного телефона, с платежного терминала, в салоне МТС или Связной, через PayPal, WebMoney, Яндекс.Деньги, QIWI Кошелек, бонусными картами или другим удобным Вам способом.