Методы трендового анализа

Трендовый анализ является критически важным методом в алгоритмической торговле, используемым для определения и прогнозирования направления рыночных движений. С помощью различных методов трейдеры и специалисты по обработке данных могут получить представление о рыночных трендах для принятия обоснованных решений. Здесь мы углубимся в некоторые из наиболее известных методов трендового анализа, используемых в этой области.

Скользящие средние

Простая скользящая средняя (SMA)

Простая скользящая средняя вычисляет среднее значение выбранного диапазона цен, обычно цен закрытия, по количеству периодов в этом диапазоне. SMA рассчитывается путем сложения цен закрытия заданного количества периодов и последующего деления этой суммы на количество периодов.

SMA = (P1 + P2 + ... + Pn) / n

В этой формуле:

P1, P2,…, Pn представляют цены для соответствующих периодов.
n представляет количество периодов.

Экспоненциальная скользящая средняя (EMA)

Экспоненциальная скользящая средняя является взвешенной формой простой скользящей средней, которая придает большее значение самым последним точкам данных.

EMA = [P(t) * (2 / (n + 1))] + EMA(y) * [1 - (2 / (n + 1))]

В этой формуле:

P(t) - цена в момент времени t.
EMA(y) - EMA предыдущего дня.
n - фактор сглаживания.

Индекс относительной силы (RSI)

Индекс относительной силы (RSI) - это осциллятор импульса, который измеряет скорость и изменение ценовых движений. RSI колеблется между 0 и 100 и обычно используется для определения условий перекупленности или перепроданности на рынке.

RSI = 100 - [100 / (1 + RS)]
RS = Средний прирост / Средняя потеря

В этой формуле:

RS - это средний прирост восходящих периодов в течение указанного временного интервала, деленный на среднюю потерю нисходящих периодов.

Схождение-расхождение скользящих средних (MACD)

MACD - это трендовый индикатор импульса, показывающий отношение между двумя скользящими средними цены ценной бумаги. MACD рассчитывается путем вычитания 26-периодной EMA из 12-периодной EMA. Результатом этого вычисления является линия MACD.

Линия MACD = 12-периодная EMA - 26-периодная EMA
Сигнальная линия = 9-дневная EMA линии MACD

Затем поверх линии MACD наносится девятидневная EMA линии MACD, называемая “сигнальной линией”, которая функционирует как триггер для сигналов покупки и продажи.

Полосы Боллинджера

Полосы Боллинджера - это тип ценовых конвертов, разработанный Джоном Боллинджером. Концепция полос Боллинджера заключается в отображении волатильности и указании условий перекупленности или перепроданности.

Средняя полоса - это N-периодная простая скользящая средняя (MA)
Верхняя полоса находится на K-кратном N-периодном стандартном отклонении выше средней полосы (MA + Kσ)
Нижняя полоса находится на K-кратном N-периодном стандартном отклонении ниже средней полосы (MA - Kσ)

Верхняя полоса = SMA + (Стандартное отклонение * 2)
Нижняя полоса = SMA - (Стандартное отклонение * 2)

Коррекция Фибоначчи

Уровни коррекции Фибоначчи - это горизонтальные линии, указывающие, где, вероятно, возникнут поддержка и сопротивление, на основе последовательности Фибоначчи. Обычно используемые коэффициенты: 23,6%, 38,2%, 50%, 61,8% и 100%.

Расчет коррекции Фибоначчи включает взятие двух экстремальных точек (обычно основной пик и впадина) на графике акций и деление вертикального расстояния на ключевые коэффициенты Фибоначчи для создания уровней.

Теория Доу

Теория Доу - это метод понимания движений рынка, основанный на трудах Чарльза Доу. По сути, он включает анализ рыночных трендов с шести точек зрения:

Рынок дисконтирует все.
Рынок имеет три тренда: первичный (долгосрочный), вторичный (среднесрочный) и малые тренды.
Первичные тренды имеют три фазы: накопление, участие публики и распределение.
Средние показатели фондового рынка должны подтверждать друг друга.
Объем должен подтверждать тренд.
Тренды сохраняются до тех пор, пока не произойдет четкий разворот.

Облако Ишимоку

Облако Ишимоку, также известное как Ichimoku Kinko Hyo, представляет собой универсальный индикатор, определяющий поддержку, сопротивление, направление тренда и импульс. Оно имеет пять основных компонентов:

Tenkan-sen (линия преобразования): среднее из наивысшего максимума и наинизшего минимума за последние 9 периодов.
Kijun-sen (базовая линия): среднее из наивысшего максимума и наинизшего минимума за последние 26 периодов.
Senkou Span A (опережающий спан A): среднее Tenkan-sen и Kijun-sen, отложенное на 26 периодов вперед.
Senkou Span B (опережающий спан B): среднее из наивысшего максимума и наинизшего минимума за последние 52 периода, отложенное на 26 периодов вперед.
Chikou Span (запаздывающий спан): цена закрытия, отложенная на 26 периодов назад.

Tenkan-sen = (Наивысший максимум + Наинизший минимум) / 2
Kijun-sen = (Наивысший максимум + Наинизший минимум) / 2
Senkou Span A = (Tenkan-sen + Kijun-sen) / 2
Senkou Span B = (Наивысший максимум + Наинизший минимум) / 2
Chikou Span = Закрытие, отложенное на 26 периодов назад

Машинное обучение и ИИ в трендовом анализе

Машинное обучение и искусственный интеллект все чаще используются для трендового анализа в алгоритмической торговле. Эти методы включают обучение алгоритмов на больших наборах данных для распознавания паттернов и прогнозирования.

Обучение с учителем

При обучении с учителем алгоритмы обучаются на размеченном наборе данных, то есть входные данные сопоставлены с выходными метками. Распространенные алгоритмы, используемые в трендовом анализе, включают:

Линейная регрессия: используется для прогнозирования числовых значений на основе линейных зависимостей между переменными.
Случайный лес: ансамблевый метод, использующий множество деревьев решений для классификации и регрессии.
Метод опорных векторов (SVM): используется для задач классификации, полезен при разделении одного тренда от другого.

Обучение без учителя

Алгоритмы обучения без учителя работают с данными, которые не размечены, и они пытаются найти скрытые структуры в данных. К этой категории относятся такие методы, как кластеризация и обнаружение аномалий.

Кластеризация K-средних: группирует точки данных в k кластеров на основе сходства признаков.
Анализ главных компонент (PCA): уменьшает размерность данных, сохраняя при этом дисперсию, полезен для визуализации трендов.

Обучение с подкреплением

При обучении с подкреплением агент учится принимать решения, выполняя действия в среде для максимизации некоторого понятия кумулятивного вознаграждения.

Глубокое Q-обучение: использует методы глубокого обучения для аппроксимации функции Q-значения, которая предсказывает вознаграждение за действия в заданных состояниях.
Градиенты политики: напрямую оптимизируют функцию политики, которая отображает состояния на действия, используется в более сложных задачах принятия решений.

Сентимент-анализ

Сентимент-анализ включает анализ текстовых данных из новостных статей, социальных сетей и других источников для оценки рыночных настроений. Для извлечения оценок настроения обычно используются методы обработки естественного языка (NLP), которые затем можно включить в торговые алгоритмы.

Классификация текста: использование алгоритмов машинного обучения для классификации текстовых данных по категориям настроений (положительное, отрицательное, нейтральное).
Распознавание именованных сущностей (NER): идентифицирует и категоризирует ключевую информацию (сущности) в тексте.
Индикаторы настроения: агрегирует оценки настроения для создания индикаторов, отражающих рыночное настроение.

Заключение

Методы трендового анализа являются незаменимыми инструментами в арсенале алгоритмических трейдеров. Используя скользящие средние, RSI, MACD, полосы Боллинджера, коррекцию Фибоначчи, теорию Доу, облако Ишимоку и продвинутые методы, такие как машинное обучение и сентимент-анализ, трейдеры могут лучше понимать и прогнозировать движения рынка. По мере развития торгового ландшафта постоянное совершенствование и интеграция этих методов останется ключевым для достижения успеха в торговле.

Для тех, кто заинтересован в более глубоком изучении алгоритмической торговли и трендового анализа, рассмотрите изучение ресурсов и платформ, предлагаемых такими компаниями, как QuantConnect и Alpaca.