ПРОГНОЗУВАННЯ НАПРЯМУ ЗМІН КУРСУ ФІНАНСОВОГО ІНСТРУМЕНТУ З ВИКОРИСТАННЯМ ПРОСТИХ КОВЗНИХ СЕРЕДНІХ
DOI:
https://doi.org/10.31732/2663-2209-2022-69-38-51Ключові слова:
торгова система трейдера, індикатор технічного аналізу, ковзна середня, валютна пара, арбітражАнотація
Власні попередні дослідження вказують на той факт, що ряд індикаторів технічного аналізу мають певну прогнозну силу, а відтак торгові правила та стратегії, побудовані з використанням цих індикаторів, мають певну практичну цінність. У даній статті досліджено деякі актуальні питання створення та функціонування торгової системи трейдера з використанням індикаторів технічного аналізу, зокрема, ковзних середніх. Проаналізовано підходи, які пропонуються сучасними дослідниками, до використання даних індикаторів в прогнозуванні змін курсу фінансового активу. В даному контексті метою дослідження є аналіз впливу налаштувань ковзних середніх та їх комбінацій на результативність торгової системи, яка базується на їх використанні для прогнозування напряму змін курсу фінансового інструменту. На основі цього сформовано завдання, що їх вирішує використання ковзних середніх. Запропоновано варіант організації робіт зі створення торгової системи трейдера. Розглянуто різні варіанти до формування та інтерпретації торгового сигналу, що його генерує система. Також в статті приділено увагу критеріям порівняння стратегій на етапі тестування. Наведено та порівняно результати використання різних варіантів налаштувань та комбінацій індикаторів, визначено оптимальні з них згідно заданих критеріїв відбору. Торгові симуляції проведено на прикладі валютної пари EUR/USD, використано дані за період з 1999 по 2023 роки, на основі чого відібрано оптимальну комбінацію технічних індикаторів для включення в торгову систему. Окремо відмічено розуміння того, що торгова система, яка базується на ковзних середніх, вимагає додаткової оптимізації. Вказано напрямки можливої оптимізації, а також інструментарій, який можна використовувати, при цьому акцент зроблено на інструменти, що доступні для роздрібного трейдера. Беручи до уваги результати дослідження, зроблено висновок про те, що запропонований підхід до побудови торгової системи може використовуватись для виконання реальних арбітражних операцій.
Завантаження
Посилання
ISLAM, Md Saiful; HOSSAIN, Emam. Foreign exchange currency rate prediction using a GRU-LSTM hybrid network. Soft Computing Letters, 2021, 3: 100009. URL: http://surl.li/gbove.
SOBREIRO, Vinicius Amorim, et al. The profitability of moving average trading rules in BRICS and emerging stock markets. The North American Journal of Economics and Finance, 2016, 38: 86-101. URL: http://surl.li/gbovl.
SALISU, Afees A.; GUPTA, Rangan; OGBONNA, Ahamuefula E. A moving average heterogeneous autoregressive model for forecasting the realized volatility of the US stock market: Evidence from over a century of data. International Journal of Finance & Economics, 2022, 27.1: 384-400. URL: https://onlinelibrary.wiley.com/doi/epdf/10.1002/ijfe.2158
YILDIRIM, Deniz Can; TOROSLU, Ismail Hakkı; FIORE, Ugo. Forecasting directional movement of Forex data using LSTM with technical and macroeconomic indicators. Financial Innovation, 2021, 7: 1-36. URL: http://surl.li/gbovr.
Moving averages: simple and exponential. URL: http://surl.li/gbovx.
SIM, Hyun Sik, et al. Is deep learning for image recognition applicable to stock market prediction?. Complexity, 2019, 2019. URL: https://www.hindawi.com/journals/complexity/2019/4324878/
DIACHENKO, Y.A. Rozvytok metodiv prohnozuvannia dynamiky birzhovych tsin na silskogospodarski tovary. 2018. URL: http://surl.li/gbous.pdf
KUO, Shu-Yu; CHOU, Yao-Hsin. Building Intelligent Moving Average-Based Stock Trading System Using Metaheuristic Algorithms. IEEE Access, 2021, 9: 140383-140396. URL: https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=9565877
Dzhusov A. A. Osobennosti primeneniya indikatora "skolzyashchaya srednyaya" dlya povisheniya effektivnosti investirovaniya / A. А. Dzhusov // Visnyk Dnipropetrovskoho universytetu. Seriia : Menedzhment innovatsii. - 2015. - Т. 23, vyp. 4. - s. 42-48. - URL: http://nbuv.gov.ua/UJRN/vdumi_2015_23_4_8
Bakai Ye. I. Model pryiniattia rishen dlia finansovykh chasovykh riadiv na osnovi pary serednikh z vykorystanniam otsinky riznykh chasovykh vymiriv / Ye. I. Bakai, V. V. Kabachyi, R. V. Maslii // Visnyk Vinnytskoho politekhnichnoho instytutu. - 2017. - № 1. - S. 70-77. - URL: http://nbuv.gov.ua/UJRN/vvpi_2017_1_13
Ostrovska K. Yu. Doslidzhennia tekhnichnykh indykatoriv dlia optymalnoi stratehii birzhevoho rynku z vykorystanniam Python ta biblioteky Ta-lib / K. Yu. Ostrovska, N. O. Kyslova, O. O. Holovatskyi // Systemni tekhnolohii. - 2018. - Vyp. 5. - С. 71-80. - URL: http://nbuv.gov.ua/UJRN/st_2018_5_11
GROBYS, Klaus; AHMED, Shaker; SAPKOTA, Niranjan. Technical trading rules in the cryptocurrency market. Finance Research Letters, 2020, 32: 101396. https://www.sciencedirect.com/science/article/pii/S1544612319308852
LI, Yuming; NI, Pin; CHANG, Victor. Application of deep reinforcement learning in stock trading strategies and stock forecasting. Computing, 2020, 102.6: 1305-1322. URL: http://surl.li/gbowk
HARI, Yulius; DEWI, Lily Puspa. Forecasting system approach for stock trading with relative strength index and moving average indicator. Journal of Telecommunication, Electronic and Computer Engineering (JTEC), 2018, 10.2-3: 25-29. URL: https://core.ac.uk/download/pdf/270215518.pdf
AYCEL, Üzeyir; SANTUR, Yunus. A new moving average approach to predict the direction of stock movements in algorithmic trading. Journal of New Results in Science, 2022, 11.1: 13-25. URL: https://web.archive.org/web/20220511052359id_/https://dergipark.org.tr/en/download/article-file/1912987
Moving Average. Справка по MetaTrader 5. URL: https://www.metatrader5.com/ru/terminal/help/indicators/trend_indicators/ma
ZHANG, Zezheng; KHUSHI, Matloob. Ga-mssr: Genetic algorithm maximizing sharpe and sterling ratio method for robotrading. In: 2020 International Joint Conference on Neural Networks (IJCNN). IEEE, 2020. p. 1-8. URL: https://arxiv.org/ftp/arxiv/papers/2008/2008.09471.pdf
HUANG, Zhe; MARTIN, Franck. Pairs trading strategies in a cointegration framework: back-tested on CFD and optimized by profit factor. Applied Economics, 2019, 51.22: 2436-2452. URL: http://surl.li/gboww
QuantifiedStrategies. Trading System And Strategy Performance Metrics [Електронний ресурс]. URL: https://www.quantifiedstrategies.com/trading-strategy-and-system-performance-metrics/
ATAS. Core mathematics for Forex traders. Part 2. URL: http://surl.li/gboxx.
Downloads
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Ця робота ліцензується відповідно до Creative Commons Attribution-NonCommercial 4.0 International License.
