Модель на основе кластеризации и механизма внимания для интеллектуальной торговли на Форекс

1. Введение

Валютный рынок (Форекс) является крупнейшим финансовым рынком в мире, для которого характерны высокая ликвидность, волатильность и сложность. Прогнозирование движений цен на Форекс печально известно своей сложностью из-за влияния многочисленных макроэкономических факторов, геополитических событий и рыночных настроений. Традиционный технический анализ, хотя и полезен, часто не способен адаптироваться к внезапным рыночным сдвигам или событиям типа «черный лебедь». В данной статье предлагается новый подход машинного обучения, сочетающий методы кластеризации с механизмами внимания для повышения точности прогнозирования, специально нацеленный на условия перепроданности рынка для событийных торговых стратегий. Модель использует исторические данные Форекс и производные технические индикаторы с 2005 по 2021 год.

2. Обзор литературы

Исследование основывается на устоявшейся финансовой теории и применении машинного обучения в количественных финансах.

2.1 Технические индикаторы

Технические индикаторы — это математические расчеты, основанные на исторических ценах, объеме или открытом интересе, используемые для прогнозирования направления финансового рынка. Модель включает несколько ключевых индикаторов.

2.1.1 Индекс относительной силы (RSI)

RSI — это осциллятор импульса, который измеряет скорость и изменение ценовых движений. Он используется для определения условий перекупленности или перепроданности.

Формула: $RSI = 100 - \frac{100}{1 + RS}$, где $RS = \frac{\text{Средний прирост за N периодов}}{\text{Средняя потеря за N периодов}}$.

RSI ниже 30 обычно указывает на состояние перепроданности (потенциальная возможность покупки), а RSI выше 70 предполагает состояние перекупленности (потенциальная возможность продажи).

2.1.2 Простое скользящее среднее (SMA), Экспоненциальное скользящее среднее (EMA), MACD

SMA — это невзвешенное среднее предыдущих N точек данных. EMA придает больший вес последним ценам. Схождение-расхождение скользящих средних (MACD) — это индикатор импульса, следующий за трендом.

Формула: $MACD = EMA(\text{12 периодов}) - EMA(\text{26 периодов})$.

Сигнальная линия (9-дневная EMA от MACD) используется для генерации торговых сигналов. Пересечения между MACD и сигнальной линией указывают на потенциальные бычьи или медвежьи тренды.

2.1.3 Полосы Боллинджера

Полосы Боллинджера состоят из средней линии SMA и двух внешних полос, построенных на уровнях стандартного отклонения (обычно 2). Они измеряют волатильность рынка. Сжатие (сужающиеся полосы) часто предшествует периоду высокой волатильности, в то время как движение цены за пределами полос может сигнализировать о продолжении или развороте.

3. Ключевая идея и логика работы

Ключевая идея: Фунментальная ставка статьи заключается в том, что чистые модели временных рядов цен/индикаторов близоруки. Сначала кластеризуя схожие рыночные режимы (например, перепроданность с высокой волатильностью, консолидация с низкой волатильностью), а затем применяя механизм внимания в этих контекстах, модель может более эффективно отделить сигнал от шума по сравнению с монолитной сетью LSTM или GRU. Это форма условного моделирования — поведение сети явно обусловлено идентифицированным рыночным состоянием.

Логика работы: Конвейер элегантно последователен: 1) Создание признаков: Необработанные данные OHLC преобразуются в богатый набор технических индикаторов (RSI, MACD, положение полос Боллинджера). 2) Кластеризация режимов: Алгоритм кластеризации (вероятно, K-Means или Гауссова смесь) сегментирует исторические периоды на различные состояния на основе профилей индикаторов. 3) Контекстно-зависимое прогнозирование: Для данной точки данных модель сначала определяет ее кластер. Затем модель последовательностей на основе внимания (например, кодировщик Transformer) обрабатывает недавнюю историю, причем ее веса внимания могут модулироваться идентификатором кластера, чтобы предсказать вероятность прибыльного возврата к среднему из состояния перепроданности.

4. Сильные стороны и недостатки

Сильные стороны:

• Архитектурная новизна: Этап предварительной кластеризации — это прагматичный способ введения обработки нестационарности, классической головной боли в количественных финансах. Это более интерпретируемо, чем надежда, что глубокая сеть неявно изучит режимы.
• Фокус на практических сценариях: Нацеленность на условия «перепроданности» — это умное ограничение. Оно превращает открытую проблему прогнозирования в более управляемую бинарную классификацию: «Является ли этот текущий сигнал перепроданности реальной возможностью для покупки или ловушкой?»
• Основа на устоявшихся индикаторах: Использование известных технических индикаторов в качестве признаков делает входные данные модели понятными для традиционных трейдеров, облегчая потенциальное внедрение.

Недостатки и критические пробелы:

• Опасность смещения подглядывания в данные: Набор данных 2005-2021 охватывает несколько кризисов (2008, COVID-19). Без тщательного walk-forward анализа или тестирования на полностью невидимых рыночных режимах (например, 2022-2024 с войной и инфляцией) риск переобучения серьезен.
• «Черный ящик» внимания: Хотя слои внимания мощны, объяснение почему модель обратила внимание на определенные прошлые периоды остается сложной задачей. В регулируемых финансах «объяснимость» — это не просто приятное дополнение.
• Отсутствие обсуждения источника альфы: В статье ничего не говорится о транзакционных издержках, проскальзывании и управлении рисками. Стратегия, которая отлично выглядит на бэктестах, может быть уничтожена реальными трениями. Сохраняется ли прогнозируемое преимущество после учета издержек?

5. Практические рекомендации

Для количественных фондов и алгоритмических трейдеров:

1. Воспроизведите подход кластеризации режимов: Прежде чем строить следующую глубокую модель прогнозирования, сегментируйте свои исторические данные на режимы. Этот простой шаг может значительно улучшить стабильность модели. Используйте такие метрики, как волатильность, сила тренда и корреляция для признаков кластеризации.
2. Стресс-тестирование на «сменах режимов»: Не тестируйте только на случайных временных отрезках. Намеренно проверяйте производительность вашей модели во время известных смен режимов (например, переход к кризису 2008 года или краху 2020 года из-за COVID). Это настоящая лакмусовая бумажка.
3. Гибридизация с фундаментальными данными: Следующий шаг эволюции — подавать в алгоритм кластеризации не только технические индикаторы, но и фрагменты макроданных (настроения центральных банков из новостей, данные кривой доходности). Это может создать более надежные определения режимов.
4. Требуйте объяснимости: Внедрите инструменты, такие как SHAP или LIME, для интерпретации весов внимания. Какие прошлые дни модель сочла важными для своего прогноза? Этот аудиторский след имеет решающее значение как для валидации, так и для соответствия нормативным требованиям.

6. Оригинальный анализ

Предложенная модель представляет собой сложную попытку решить проблему нестационарности, присущую финансовым временным рядам — задачу, подчеркнутую в основополагающих работах, таких как «Advances in Financial Machine Learning» Маркоса Лопеса де Прадо. Используя кластеризацию в качестве этапа предварительной обработки для идентификации различных рыночных режимов, авторы эффективно создают условную архитектуру. Это концептуально превосходит подачу необработанных последовательных данных в монолитную LSTM, которая часто борется с адаптацией своего внутреннего состояния к изменяющейся рыночной динамике, как отмечается в исследованиях, сравнивающих традиционные RNN с более современными архитектурами для финансов (например, Borovkova & Tsiamas, 2019).

Интеграция механизма внимания, вероятно, вдохновленная успехом Transformers в NLP (Vaswani et al., 2017), позволяет модели динамически взвешивать важность различных исторических точек. В контексте сигнала перепроданности RSI модель может научиться сильно обращать внимание на аналогичные прошлые события перепроданности, за которыми последовали развороты, игнорируя те, которые привели к дальнейшему снижению. Этот избирательный фокус является ключевым достижением по сравнению со скользящими средними, которые одинаково относятся ко всем прошлым данным.

Однако потенциал модели зависит от качества и репрезентативности ее обучающих данных. Период 2005-2021 включает специфические режимы волатильности. Модель, обученная на этих данных, может дать сбой во время нового режима, такого как среда с высокой инфляцией и высокими процентными ставками после 2022 года — явление, сходное с проблемами сдвига домена, обсуждаемыми в литературе по машинному обучению (например, в компьютерном зрении с CycleGAN (Zhu et al., 2017), но столь же критичное в финансах). Кроме того, хотя технические индикаторы ценны, они в конечном счете являются запаздывающими. Включение альтернативных источников данных, как это делают ведущие хедж-фонды, такие как Two Sigma, может стать следующим необходимым скачком. Истинная проверка этой архитектуры будет заключаться в ее способности обобщать для невидимых рыночных структур и ее производительности за вычетом всех торговых издержек.

7. Технические детали и математическая модель

Основное техническое новшество заключается в двухэтапной архитектуре модели.

Этап 1: Кластеризация рыночных режимов
Пусть $\mathbf{F}_t = [f^1_t, f^2_t, ..., f^m_t]$ — вектор признаков в момент времени $t$, содержащий нормализованные значения технических индикаторов (RSI, MACD, положение полос Боллинджера, волатильность и т.д.). Алгоритм кластеризации $C$ (например, K-Means с $k$ кластерами) разбивает исторические данные на $k$ режимов:
$C(\mathbf{F}_t) = r_t \in \{1, 2, ..., k\}$.
Каждый кластер $r$ представляет собой отдельное рыночное состояние (например, «бычий рынок с сильным трендом», «консолидация с низкой волатильностью», «перепроданность с высокой волатильностью»).

Этап 2: Прогнозирование последовательностей на основе внимания
Для последовательности недавних векторов признаков $\mathbf{X} = [\mathbf{F}_{t-n}, ..., \mathbf{F}_{t-1}, \mathbf{F}_t]$ и связанной с ней метки режима $r_t$ модель стремится предсказать цель $y_t$ (например, бинарную метку для роста цены после сигнала перепроданности). Механизм внимания вычисляет контекстный вектор $\mathbf{c}_t$ как взвешенную сумму входной последовательности:
$\mathbf{c}_t = \sum_{i=t-n}^{t} \alpha_i \mathbf{h}_i$,
где $\mathbf{h}_i$ — скрытое представление $\mathbf{F}_i$, а веса внимания $\alpha_i$ вычисляются по формуле:
$\alpha_i = \frac{\exp(\text{score}(\mathbf{h}_t, \mathbf{h}_i))}{\sum_{j=t-n}^{t} \exp(\text{score}(\mathbf{h}_t, \mathbf{h}_j))}$.
Функция оценки может быть простым скалярным произведением или обученной функцией. Режим $r_t$ может быть включен как эмбеддинг, влияющий на начальные скрытые состояния или функцию оценки внимания, делая фокус модели условным относительно рыночного состояния.

8. Аналитическая структура и пример

Сценарий: Пара EUR/USD, 15 октября 2020 года. RSI опускается до 28, указывая на состояние перепроданности.

Применение структуры:

1. Извлечение признаков: Рассчитайте вектор признаков $\mathbf{F}_t$: RSI=28, гистограмма MACD отрицательна, но растет, цена касается нижней полосы Боллинджера, 30-дневная волатильность = 8%.
2. Классификация режима: Модель кластеризации, обученная на данных 2005-2019, принимает $\mathbf{F}_t$ и присваивает его Кластеру #3, который был помечен как «Перепроданность при умеренной волатильности со слабым нисходящим импульсом».
3. Контекстно-зависимое прогнозирование: Предиктор на основе внимания, теперь специально обусловленный «Кластером #3», анализирует данные за последние 20 дней. Слой внимания может присвоить высокие веса дням 5 и 12 назад, которые имели схожие профили признаков и за которыми последовал отскок цены на 2% в течение 5 дней.
4. Выходные данные: Модель выдает высокую вероятность (например, 72%) успешной сделки на возврат к среднему (рост цены >1% в течение 3 дней). Это дает количественный, богатый контекстом сигнал, далеко выходящий за рамки простого правила «RSI < 30».

Примечание: Это концептуальный пример. Фактическая логика модели определялась бы ее обученными параметрами.

9. Будущие применения и направления

Предложенная архитектура имеет перспективные направления для расширения:

• Мульти-активы и кросс-рыночные режимы: Примените ту же кластеризацию к коррелированным активам (например, основные валютные пары, индексы, товары) для идентификации глобальных финансовых режимов, улучшая оценку системного риска.
• Интеграция с альтернативными данными: Включите оценки настроений из новостей в реальном времени (от NLP-моделей) или тон коммуникаций центральных банков в вектор признаков $\mathbf{F}_t$ для кластеризации, создавая режимы, определяемые как техническими, так и фундаментальными условиями.
• Интеграция с обучением с подкреплением (RL): Используйте модель кластеризации-внимания в качестве модуля представления состояния в рамках RL-агента, который изучает оптимальные торговые политики (вход, выход, размер позиции) для каждого идентифицированного режима, переходя от прогнозирования к прямой оптимизации стратегии.
• Объяснимый ИИ (XAI) для регулирования: Разработайте интерфейсы постфактумного объяснения, которые четко показывают: «Этот торговый сигнал был активирован, потому что рынок находится в Режиме X, и модель сосредоточилась на исторических паттернах A, B и C». Это критически важно для внедрения в регулируемых учреждениях.
• Адаптивное онлайн-обучение: Реализуйте механизмы для инкрементного обновления модели кластеризации новыми данными, позволяя ей распознавать и адаптироваться к совершенно новым рыночным режимам в реальном времени, смягчая риск деградации модели.

10. Ссылки

1. López de Prado, M. (2018). Advances in Financial Machine Learning. Wiley.
2. Vaswani, A., et al. (2017). Attention Is All You Need. Advances in Neural Information Processing Systems 30 (NIPS 2017).
3. Borovkova, S., & Tsiamas, I. (2019). An ensemble of LSTM neural networks for high-frequency stock market classification. Journal of Forecasting, 38(6), 600-619.
4. Zhu, J.-Y., et al. (2017). Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks. IEEE International Conference on Computer Vision (ICCV).
5. Murphy, J. J. (1999). Technical Analysis of the Financial Markets. New York Institute of Finance.
6. Investopedia. (n.d.). Technical Indicators. Retrieved from https://www.investopedia.com.