Технический анализ фьючерсных рынков: Теория и практика

Его показатели выражаются по процентной шкале: от 0 до 100%. Индикатор работает по принципу осциллятора и показывает моменты вступления всего товарного рынка (в целом) в период перекупленности и перепроданности. Традиционно считается, что когда показатель индикатора превышает отметку 70%, товарные рынки находятся в состоянии перекупленности и возможен скорый спад, показатель ниже 20% свидетельствует, что рынок вступает в состояние перепроданности и скоро цены достигнут основания рынка, после которого начнут расти. Этот инструмент широкоохватного анализа, хорошо отражающий настроения рынка, может быть эффективно использован для отслеживания движения индекса фьючерсных цен СКВ.

«РАСПОЗНАВАНИЕ МОДЕЛЕЙ» С ПОМОЩЬЮ «ИСКУССТВЕННОГО ИНТЕЛЛЕКТА»

Заслуга компьютера в том, что с его помощью пользователь получает быстрый и легкий доступ к целому арсеналу средств и методов технического анализа. В то же время задача трейдера усложняется. Если раньше аналитик работал лишь с несколькими любимыми инструментами, счастливый обладатель компьютера теперь имеет в своем распоряжении показатели по сорока различным индикаторам одновременно.

Исследования в области когнитивной психологии показали, что сознание человека с трудом воспринимает более трех различных переменных, если требуется одновременно устанавливать их взаимосвязь. Иными словами, сознание аналитика, который пытается параллельно отслеживать четыре индикатора или более, может дать сбой. Если же он решит ограничиться тремя, то какие следует выбрать?

Традиционно в рыночном анализе компьютер почти исключительно использовался как вычислительное устройство. Его основная функция сводилась к расчетам данных и представлению результатов на экране дисплея. Усложнение роли компьютера может пойти по пути машинной интерпретации результатов расчетов, то есть речь идет о использовании «логической» функции машины наряду с «вычислительной». Вот тут-то мы и подходим к проблеме так называемого «искусственного интеллекта», в частности, автоматического распознавания моделей.

Когда говорят об «искусственном интеллекте», имеют в виду так называемые эвристические программы, которые способны решать задачи — примерно так же, как это делает человек. Работу компьютера, решающего эвристическую задачу, в принципе можно назвать «разумной»: он оценивает условия, принимает решения и даже учится на своих ошибках. Функция автоматического распознавания моделей позволяет машине учиться принимать решения и делать прогнозы на основе классификаций различных объектов или индикаторов. В данном случае значение слова «модель» отлично оттого, которое использовалось при описании «графических моделей». Цель автоматического распознавания моделей — получение синергетического эффекта путем одновременной оценки данных всех индикаторов (вместо того, чтобы рассматривать каждый из них по отдельности).

Первым шагом в этом процессе является поиск лучшего индикатора из набора представленных. Затем необходимо найти лучшую связку инструментов (сначала два, а потом и три) — из тех, которые способны оптимально работать вместе. Процесс добавления новых индикаторов из числа оставшихся продолжается до того момента, когда очередной добавленный инструмент не дает улучшения работы всей системы в целом. В процессе тестирования используется два набора материала: так называемые данные научения и тестовый набор. Результаты, полученные на данных научения, должны быть затем подтверждены на отдельном тестовом материале. Метод раздельного материала нужен для того, чтобы избежать так называемого «подгадывания», которое, по утверждениям противников технического анализа, часто используется при тестировании других технических методов, особенно их оптимизированных параметров.

Внедрение средств, функционирование которых основано на принципах «искусственного интеллекта» и автоматического распознавания моделей, может стать ответом на поставленный выше вопрос: как работать с огромным количеством часто противоречащих данных. В случае поступления противоречивой информации компьютеру дается команда просчитать все индикаторы и затем выбрать из них ту комбинацию, которая является оптимальной для данных условий.

Здесь возникает очередной вопрос: если все так просто, то почему такая система еще не разработана и не внедрена повсеместно? Пока исследования в этой области проводятся исключительно учеными, до прикладных программ дело еще не дошло. Автоматическая система такого рода стоила бы очень дорого, кроме того для ее эффективного функционирования потребовались бы колоссальные вычислительные мощности; ведь даже если какая-либо модель, проявившаяся на рынке, определена, ее необходимо постоянно подвергать повторным проверкам — в силу непостоянства рыночной динамики. И все-таки исследования в этом направлении продолжаются, причем одна группа исследователей продвинулась достаточно далеко вперед. Это исследовательская фирма «Рейден рисерч груп», расположенная в Нью–Йорке.

ЗАКЛЮЧЕНИЕ