ПОРІВНЯННЯ СИСТЕМ ПРОГНОЗУВАННЯ НАПРЯМУ ЗМІН КУРСУ ФІНАНСОВОГО ІНСТРУМЕНТУ З ВИКОРИСТАННЯМ ПРОСТИХ ТА ЕКСПОНЕНЦІЙНИХ КОВЗНИХ СЕРЕДНІХ

Автор(и)

DOI:

https://doi.org/10.31732/2663-2209-2022-70-61-75

Ключові слова:

торгова система трейдера, індикатор технічного аналізу, ковзна середня, проста ковзна, експоненційна ковзна, валютна пара, біржова операція

Анотація

Ряд сучасних досліджень вказують на той факт, що певні індикатори технічного аналізу мають прогнозну силу. Тобто, торгові стратегії, побудовані на їх основі, можуть мати певну прикладну цінність. У даній роботі досліджено деякі актуальні питання розробки та використання торгової системи трейдера, що в прийнятті рішення про виконання біржової операції опирається на сигнали, що їх генерують індикатори технічного аналізу, зокрема, експоненційні та прості ковзні середні. Проаналізовано роботи сучасних дослідників, в яких описано підходи до використання даних індикаторів. В цьому контексті метою дослідження є аналіз впливу налаштувань експоненційних ковзних середніх та їх комбінацій на прибутковість торгової системи, а також порівняння результатів такої системи з результатами стратегії, побудованої на простих ковзних та комбінації простих і експоненційних ковзних середніх. Виходячи з цього сформовано завдання, які вирішуються використанням ковзних такого роду. Запропоновано методику відбору технічних індикаторів та їх налаштувань при створенні торгової системи трейдера. Розглянуто кілька варіантів формування та інтерпретації сигналу щодо подальшої зміни курсу фінансового активу, що його генерує така система. Також в статті розглянуто критерії співставлення стратегій на етапі тестування. Розраховано та порівняно результати використання різних варіантів стратегій, визначено оптимальні згідно визначених критеріїв відбору. Торгові симуляції виконано для валютної пари EUR/USD, використано тижневі котирування з 1999 по 2023 роки, на основі чого визначено оптимальну комбінацію ковзних для використання в торговій системі. Окремо зазначено, що стратегія, яка будується на експоненційних ковзних середніх, потребує додаткової оптимізації. Вказано варіанти можливої оптимізації та відповідний інструментарій, який можна використовувати. Виходячи з результатів дослідження, зроблено висновок, що запропонований підхід до розробки торгової системи трейдера може бути використано для виконання реальних біржових операцій.

Завантаження

Дані завантаження ще не доступні.

Біографія автора

Вадим Савченко, ВНЗ "Університет економіки та права "КРОК"

Аспірант, ВНЗ «Університет економіки та права «КРОК», м. Київ

Посилання

Пилипченко, О., Кузьмінський, В., & Чумаченко, О. (2021). Використання методів технічного аналізу для прогнозування ринку криптовалют. Вчені записки Університету «КРОК», 4(64), 28–35. URL: https://doi.org/10.31732/2663-2209-2021-64-28-35 (Дата звернення: 01.05.2023)

Бакай Є. І. Модель прийняття рішень для фінансових часових рядів на основі пари середніх з використанням оцінки різних часових вимірів / Є. І. Бакай, В. В. Кабачий, Р. В. Маслій // Вісник Вінницького політехнічного інституту. - 2017. - № 1. - С. 70-77. - URL: http://nbuv.gov.ua/UJRN/vvpi_2017_1_13. (Дата звернення: 04.05.2023)

ДЯЧЕНКО, Ю. А. Розвиток методів прогнозування динаміки біржових цін на сільськогосподарські товари. 2018. URL: http://surl.li/gbous (Дата звернення: 03.03.2023)

KHAND, Salma, et al. The Performance of Exponential Moving Average, Moving Average Convergence-Divergence, Relative Strength Index and Momentum Trading Rules in the Pakistan Stock Market. Indian Journal of Science and Technology, 2019, 12: 26. URL: http://surl.li/irnvk (Дата звернення: 03.05.2023)

RESTA, Marina; PAGNOTTONI, Paolo; DE GIULI, Maria Elena. Technical analysis on the bitcoin market: trading opportunities or investors’ pitfall?. Risks, 2020, 8.2: 44. URL: https://pdfs.semanticscholar.org/8f8f/96b4089c651f92053a57b49d2cfb430fbe9e.pdf (Дата звернення: 03.05.2023)

COCCO, Luisanna; TONELLI, Roberto; MARCHESI, Michele. An agent-based artificial market model for studying the bitcoin trading. IEEE Access, 2019, 7: 42908-42920. URL: http://surl.li/irnvz (Дата звернення: 03.05.2023)

ZAKAMULIN, Valeriy; GINER, Javier. Trend following with momentum versus moving averages: A tale of differences. Quantitative Finance, 2020, 20.6: 985-1007. URL: https://www.tandfonline.com/doi/full/10.1080/14697688.2020.1716057 (Дата звернення: 04.05.2023)

PASPANTHONG, Art; TANTIVASADAKARN, Nick; VITHAYAPALERT, Will. Machine learning in intraday stock trading. Computer Science Department, Stanford University, 2019. URL: cs229.stanford.edu/proj2019spr/report/28.pdf (Дата звернення: 04.05.2023)

HUSHANI, Phillip. Using Autoregressive Modelling and Machine Learning for Stock Market Prediction and Trading. URL: http://surl.li/irnwm (Дата звернення: 04.05.2023)

ALONSO-MONSALVE, Saúl, et al. Convolution on neural networks for high-frequency trend prediction of cryptocurrency exchange rates using technical indicators. Expert Systems with Applications, 2020, 113250. URL: https://drive.google.com/file/d/199OnPesR4lUrVDgKiy0714iIbJuK8Huf/view (Дата звернення: 04.05.2023)

HOSEINZADE, Ehsan; HARATIZADEH, Saman. CNNpred: CNN-based stock market prediction using a diverse set of variables. Expert Systems with Applications, 2019, 129: 273-285. URL: http://surl.li/irnxi (Дата звернення: 04.05.2023)

LAI, Chun Yuan; CHEN, Rung-Ching; CARAKA, Rezzy Eko. Prediction stock price based on different index factors using LSTM. In: 2019 International conference on machine learning and cybernetics (ICMLC). IEEE, 2019. p. 1-6. URL: http://surl.li/irnxm (Дата звернення: 05.05.2023)

PRAMUDYA, Rommy. Technical analysis to determine buying and selling signal in stock trade. International Journal of Finance & Banking Studies (2147-4486), 2020, 9.1: 58-67. URL: https://www.ssbfnet.com/ojs/index.php/ijfbs/article/view/666/539 (Дата звернення: 05.05.2023)

SONKIYA, Priyank; BAJPAI, Vikas; BANSAL, Anukriti. Stock price prediction using BERT and GAN. arXiv preprint arXiv:2107.09055, 2021. URL: http://surl.li/irnxv (Дата звернення: 06.05.2023)

Moving averages: simple and exponential. ChartSchool. [Електронний ресурс] URL: https://school.stockcharts.com/doku.php?id=technical_indicators:moving_averages (Дата звернення: 07.05.2023)

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 (Дата звернення: 07.05.2023)

QuantifiedStrategies. Trading System And Strategy Performance Metrics [Електронний ресурс]. URL: https://www.quantifiedstrategies.com/trading-strategy-and-system-performance-metrics/ (Дата звернення: 07.05.2023)

ATAS. Core mathematics for Forex traders. Part 2. URL: https://atas.net/trading-preparation/funds-management/core-mathematics-for-forex-traders-part-2/ (Дата звернення: 07.05.2023)

САВЧЕНКО, Вадим. ПРОГНОЗУВАННЯ НАПРЯМУ ЗМІН КУРСУ ФІНАНСОВОГО ІНСТРУМЕНТУ З ВИКОРИСТАННЯМ ПРОСТИХ КОВЗНИХ СЕРЕДНІХ. Вчені записки Університету «КРОК», 2023, 1 (69): 38-51. URL: http://snku.krok.edu.ua/index.php/vcheni-zapiski-universitetu-krok/article/view/566/590 (Дата звернення: 09.05.2023)

О. В. Раєвнєва, І. В. Аксьонова, О. І. Бровко. Статистика: навч. посіб. / за заг. ред. О. В. Раєвнєвої. Харків: ХНЕУ ім. С. Кузнеця, 2019. – 389 с. URL: http://:repository.hneu.edu.ua/bitstream/123456789/24523/1/2019%20-%20Раєвнєва%20О%20В.pdf (Дата звернення: 20.05.2023)

Downloads

Опубліковано

2023-06-30

Як цитувати

Савченко, В. (2023). ПОРІВНЯННЯ СИСТЕМ ПРОГНОЗУВАННЯ НАПРЯМУ ЗМІН КУРСУ ФІНАНСОВОГО ІНСТРУМЕНТУ З ВИКОРИСТАННЯМ ПРОСТИХ ТА ЕКСПОНЕНЦІЙНИХ КОВЗНИХ СЕРЕДНІХ. Вчені записки Університету «КРОК», (2(70), 61–75. https://doi.org/10.31732/2663-2209-2022-70-61-75

Номер

Розділ

Розділ 1. Економіка