Chagua Lugha

Mtindo wa Kukusanya na Umakini kwa Biashara ya Akili ya Forex

Uchambuzi wa mtindo wa kujifunza mashine unaounganisha mbinu za kukusanya na umakini kwa utabiri wa bei unaoendeshwa na matukio katika hali za soko la forex zilizouzwa kupita kiasi.
computecurrency.net | PDF Size: 1.4 MB
Ukadiriaji: 4.5/5
★ ★ ★ ★ ★
Ukadiriaji Wako
Umekadiria waraka huu tayari
Kifuniko cha Waraka PDF - Mtindo wa Kukusanya na Umakini kwa Biashara ya Akili ya Forex
Tazama Waraka PDF Pakua PDF Tafsiri PDF
Nyumbani » Nyaraka » Mtindo wa Kukusanya na Umakini kwa Biashara ya Akili ya Forex

1. Utangulizi

Soko la ubadilishaji wa fedha za kigeni (Forex) ndilo soko kubwa zaidi la kifedha duniani, linalojulikana kwa urahisi wa kugharimu, kutofautiana kwa bei, na utata. Kutabiri mienendo ya bei ya Forex ni changamoto kubwa kutokana na ushawishi wa mambo mengi ya kimakroekonomiki, matukio ya kisiasa-kijiografia, na hisia za soko. Uchambuzi wa kiufundi wa jadi, ingawa ni muhimu, mara nyingi hushindwa kukabiliana na mabadiliko ya ghafla ya soko au matukio ya "bata mweusi". Karatasi hii inapendekeza njia mpya ya kujifunza mashine inayounganisha mbinu za kukusanya na utaratibu wa umakini kuboresha usahihi wa utabiri, ikilenga hasa hali za soko zilizouzwa kupita kiasi kwa mikakati ya biashara inayoendeshwa na matukio. Mtindo huu hutumia data ya kihistoria ya Forex na viashiria vya kiufundi vilivyotokana kuanzia 2005 hadi 2021.

2. Fasihi Husika

Utafiti huu unajengwa juu ya nadharia thabiti ya kifedha na matumizi ya kujifunza mashine katika fedha za kiasi.

2.1 Viashiria vya Kiufundi

Viashiria vya kiufundi ni mahesabu ya hisabati yanayotokana na bei ya kihistoria, kiasi, au riba wazi inayotumika kutabiri mwelekeo wa soko la kifedha. Mtindo huu unajumuisha viashiria kadhaa muhimu.

2.1.1 Kiashiria cha Nguvu ya Jamaa (RSI)

RSI ni oscillator ya msukumo inayopima kasi na mabadiliko ya mienendo ya bei. Inatumika kutambua hali za kununuliwa kupita kiasi au kuzwa kupita kiasi.

Fomula: $RSI = 100 - \frac{100}{1 + RS}$ ambapo $RS = \frac{\text{Wastani wa Faida katika vipindi vya N}}{\text{Wastani wa Hasara katika vipindi vya N}}$.

RSI chini ya 30 kwa kawaida inaonyesha hali ya kuzwa kupita kiasi (fursa inayowezekana ya kununua), wakati RSI juu ya 70 inapendekeza hali ya kununuliwa kupita kiasi (fursa inayowezekana ya kuuza).

2.1.2 Wastani Sawa wa Kusonga (SMA), Wastani wa Kielelezo wa Kusonga (EMA), MACD

SMA ni wastani usio na uzani wa pointi za data N zilizopita. EMA huipa uzito zaidi kwa bei za hivi karibuni. Muunganiko na Kutofautiana kwa Wastani wa Kusonga (MACD) ni kiashiria cha msukumo kinachofuata mwelekeo.

Fomula: $MACD = EMA(\text{vipindi 12}) - EMA(\text{vipindi 26})$.

Mstari wa Ishara (EMA ya siku 9 ya MACD) hutumiwa kutoa ishara za biashara. Vipitio kati ya MACD na Mstari wa Ishara vinaonyesha mienendo inayowezekana ya kupanda au kushuka.

2.1.3 Bendi za Bollinger

Bendi za Bollinger zinajumuisha mstari wa kati wa SMA na bendi mbili za nje zilizopangwa katika viwango vya mkengeuko wa kawaida (kwa kawaida 2). Zinapima kutofautiana kwa soko. Mkandamizo (bendi zinazopunguka) mara nyingi hutangulia kipindi cha kutofautiana kwa juu, wakati mwendo wa bei nje ya bendi unaweza kuashiria kuendelea au kugeuka.

3. Uelewa wa Msingi & Mpangilio wa Mantiki

Uelewa wa Msingi: Shauku ya msingi ya karatasi hii ni kwamba miundo safi ya mfululizo wa wakati wa bei/kiashiria ni fupi. Kwa kwanza kukusanya hali zinazofanana za soko (mfano, kuzwa kupita kiasi kwa kutofautiana kwa juu, uimarishaji wa kutofautiana kwa chini) na kisha kutumia utaratibu wa umakini ndani ya muktadha hizo, mtindo unaweza kutenganisha ishara kutoka kwa kelele kwa ufanisi zaidi kuliko mtindo mmoja wa mtandao wa LSTM au GRU. Hii ni aina ya muundo wenye masharti—tabia ya mtandao inategemea wazi hali ya soko iliyotambuliwa.

Mpangilio wa Mantiki: Mfuatano huu ni mzuri kwa mpangilio: 1) Uhandisi wa Vipengele: Data ghafi ya OHLC hubadilishwa kuwa seti tajiri ya viashiria vya kiufundi (RSI, MACD, nafasi ya Bendi ya Bollinger). 2) Kukusanya Hali: Algorithm ya kukusanya (labda K-Means au Mtindo wa Mchanganyiko wa Gaussian) hugawa vipindi vya kihistoria katika hali tofauti kulingana na wasifu wa viashiria. 3) Utabiri Unaotambua Muktadha: Kwa pointi fulani ya data, mtindo huo kwanza hutambua kundi lake. Kisha, mtindo wa mfuatano unaotegemea umakini (kama vile kipima-simu cha Transformer) huchakata historia ya hivi karibuni, na uzito wake wa umakini unaweza kurekebishwa na utambulisho wa kundi, ili kutabiri uwezekano wa kurudi kwa wastani wenye faida kutoka kwa hali ya kuzwa kupita kiasi.

4. Nguvu & Kasoro

Nguvu:

  • Ubunifu wa Usanifu: Hatua ya awali ya kukusanya ni njia ya vitendo ya kuanzisha usimamizi wa kutokaa, ambayo ni shida ya kawaida katika fedha za kiasi. Inaeleweka zaidi kuliko kutarajia mtandao wa kina ujifunze hali kwa njia isiyo wazi.
  • Kulenga Hali Zinazoweza Kutekelezwa: Kulenga hali za "kuzwa kupita kiasi" ni kikwazo kizuri. Kinageuza tatizo la utabiri lisilo na mwisho kuwa uainishaji wa jozi unaoweza kudhibitiwa: "Je, ishara hii ya sasa ya kuzwa kupita kiasi ni fursa ya kweli ya kununua au mtego?"
  • Msingi kwenye Viashiria Vilivyothibitishwa: Kutumia viashiria vya kiufundi vinavyojulikana kama vipengele hufanya pembejeo za mtindo zieleweke kwa wafanyabiashara wa jadi, na hivyo kuwezesha kupitishwa kwa uwezekano.

Kasoro & Mapungufu Muhimu:

  • Hatari ya Upendeleo wa Kuchungulia Data: Seti ya data ya 2005-2021 inashughulikia mizozo mingi (2008, COVID-19). Bila uchambuzi wa kuendelea mbele au majaribio nje ya sampuli kwenye hali za soko ambazo hazijawahi kuonekana kabisa (mfano, 2022-2024 na vita na mfumuko wa bei), hatari ya kufaa kupita kiasi ni kubwa.
  • Umakini wa Sanduku Nyeusi: Ingawa tabaka za umakini zina nguvu, kuelezea kwa nini mtindo ulilenga vipindi fulani vya zamani bado ni changamoto. Katika fedha zilizodhibitiwa, "uelewevu" sio tu jambo la ziada.
  • Ukosefu wa Majadiliano ya Chanzo cha Alpha: Karatasi hii haizungumzii gharama za manunuzi, kuteleza, na usimamizi wa hatari. Mkakati unaoonekana mzuri katika majaribio ya nyuma unaweza kuharibiwa na msuguano wa ulimwengu wa kweli. Je, ukingo uliotabiriwa unabaki baada ya gharama?

5. Uelewa Unaoweza Kutekelezwa

Kwa fedha za kiasi na wafanyabiashara wa algoriti:

  1. Rudia Njia ya Kukusanya Hali: Kabla ya kujenga mtindo wako unaofuata wa kina wa utabiri, gawa data yako ya kihistoria katika hali. Hatua hii rahisi inaweza kuboresha kwa kiasi kikubwa utulivu wa mtindo. Tumia vipimo kama kutofautiana, nguvu ya mwelekeo, na uhusiano kwa vipengele vya kukusanya.
  2. Jaribu kwa "Mabadiliko ya Hali": Usijaribu tu kwenye mgawanyiko wa wakati wa nasibu. Jaribu kwa makusudi utendaji wa mtindo wako wakati wa mabadiliko ya hali yanayojulikana (mfano, mpito hadi kwenye mzozo wa 2008 au mgomo wa COVID wa 2020). Hii ndiyo jaribio la kweli la majaribio.
  3. Changanya na Data ya Msingi: Mabadiliko yanayofuata ni kuwapa algorithm ya kukusanya sio tu viashiria vya kiufundi bali pia vipande vya data ya kimakro (hisi ya benki kuu kutoka kwa habari, data ya mkunjo wa mavuno). Hii inaweza kuunda ufafanuzi wa hali thabiti zaidi.
  4. Taka Uelewevu: Tekeleza zana kama SHAP au LIME kufasiri uzito wa umakini. Ni siku zipi za zamani mtindo uliziona kuwa muhimu kwa utabiri wake? Wimbo huu wa ukaguzi ni muhimu kwa uthibitishaji na kufuata kanuni.

6. Uchambuzi wa Asili

Mtindo uliopendekezwa unawakilisha jaribio la kisasa la kushughulikia tatizo la kutokaa katika mfululizo wa wakati wa kifedha—changamoto iliyoelezewa katika kazi muhimu kama "Maendeleo katika Kujifunza Mashine ya Kifedha" na Marcos López de Prado. Kwa kutumia kukusanya kama hatua ya awali ya kutambua hali tofauti za soko, waandishi huunda usanifu wenye masharti. Hii ni bora zaidi kwa dhana kuliko kulisha data ya mfululizo ghafi kwenye LSTM moja, ambayo mara nyingi hupambana na kurekebisha hali yake ya ndani kwa mienendo inayobadilika ya soko, kama ilivyoelezwa katika tafiti zinazolinganisha RNN za jadi na usanifu wa kisasa zaidi kwa fedha (mfano, Borovkova & Tsiamas, 2019).

Ujumuishaji wa utaratibu wa umakini, unaowezekana kuwa umechochewa na mafanikio ya Transformers katika NLP (Vaswani et al., 2017), huruhusu mtindo kupima uzito wa umuhimu wa pointi tofauti za kihistoria. Katika muktadha wa ishara ya RSI iliyouzwa kupita kiasi, mtindo unaweza kujifunza kulenga kwa nguvu matukio yanayofanana ya zamani ya kuzwa kupita kiasi ambayo yalifuatiwa na kugeuka, huku ukipuuza yale yaliyosababisha kushuka zaidi. Mwelekeo huu wa kuchagua ni maendeleo muhimu zaidi kuliko wastani wa kusonga ambao huchukulia data yote ya zamani sawasawa.

Hata hivyo, uwezo wa mtindo huu unategemea ubora na uwakilishi wa data yake ya mafunzo. Kipindi cha 2005-2021 kinabeba hali maalum za kutofautiana. Mtindo uliofunzwa kwenye data hii unaweza kushindwa wakati wa hali mpya, kama vile mazingira ya mfumuko wa bei wa juu, kiwango cha juu cha riba baada ya 2022—jambo linalofanana na matatizo ya mabadiliko ya kikoa yanayojadiliwa katika fasihi ya kujifunza mashine (mfano, katika uonekanaji wa kompyuta na CycleGAN (Zhu et al., 2017), lakini muhimu sawa katika fedha). Zaidi ya hayo, ingawa viashiria vya kiufundi ni muhimu, mwishowe vinachelewa. Kujumuisha vyanzo mbadala vya data, kama vile fedha za uwekezaji zinazongoza kama Two Sigma hufanya, inaweza kuwa mruko unaofuata unaohitajika. Jaribio la kweli la usanifu huu litakuwa uwezo wake wa kujumlisha kwa miundo ya soko isiyoonekana na utendaji wake halisi baada ya gharama zote za biashara.

7. Maelezo ya Kiufundi & Mfumo wa Hisabati

Ubunifu wa kiufundi wa msingi uko katika usanifu wa mtindo wa hatua mbili.

Hatua ya 1: Kukusanya Hali ya Soko
Acha $\mathbf{F}_t = [f^1_t, f^2_t, ..., f^m_t]$ iwe vekta ya kipengele kwa wakati $t$, ikibeba thamani zilizosanifishwa za viashiria vya kiufundi (RSI, MACD, nafasi ya Bendi ya Bollinger, kutofautiana, n.k.). Algorithm ya kukusanya $C$ (mfano, K-Means na vikundi $k$) hugawa data ya kihistoria katika hali $k$:
$C(\mathbf{F}_t) = r_t \in \{1, 2, ..., k\}$.
Kila kundi $r$ linawakilisha hali tofauti ya soko (mfano, "soko la ng'ombe lenye mwelekeo wa juu", "lililofungwa kwa anuwai ya kutofautiana kwa chini", "kuzwa kupita kiasi kwa kutofautiana kwa juu").

Hatua ya 2: Utabiri wa Mfuatano Unaotegemea Umakini
Kwa mfuatano wa vekta za hivi karibuni za vipengele $\mathbf{X} = [\mathbf{F}_{t-n}, ..., \mathbf{F}_{t-1}, \mathbf{F}_t]$ na lebo yake ya hali inayohusiana $r_t$, mtindo unalenga kutabiri lengo $y_t$ (mfano, lebo ya jozi kwa ongezeko la bei baada ya ishara ya kuzwa kupita kiasi). Utaratibu wa umakini huhesabu vekta ya muktadha $\mathbf{c}_t$ kama jumla yenye uzito wa mfuatano wa pembejeo:
$\mathbf{c}_t = \sum_{i=t-n}^{t} \alpha_i \mathbf{h}_i$,
ambapo $\mathbf{h}_i$ ni uwakilishi usioonekana wa $\mathbf{F}_i$, na uzito wa umakini $\alpha_i$ unahesabiwa na:
$\alpha_i = \frac{\exp(\text{score}(\mathbf{h}_t, \mathbf{h}_i))}{\sum_{j=t-n}^{t} \exp(\text{score}(\mathbf{h}_t, \mathbf{h}_j))}$.
Kazi ya kufanya alama inaweza kuwa bidhaa rahisi ya nukta au kazi iliyojifunza. Hali $r_t$ inaweza kujumuishwa kama ujumuishaji unaoathiri hali za awali zisizoonekana au kazi ya kufanya alama ya umakini, na kufanya mwelekeo wa mtindo kuwa na masharti kulingana na hali ya soko.

8. Mfumo wa Uchambuzi & Mfano wa Kesi

Hali: Jozi ya EUR/USD, Oktoba 15, 2020. RSI inashuka hadi 28, ikionyesha hali ya kuzwa kupita kiasi.

Utumizi wa Mfumo:

  1. Utoaji wa Kipengele: Hesabu vekta ya kipengele $\mathbf{F}_t$: RSI=28, histogram ya MACD hasi lakini inapanda, bei ikigusa Bendi ya Chini ya Bollinger, kutofautiana kwa siku 30 = 8%.
  2. Uainishaji wa Hali: Mtindo wa kukusanya, uliofunzwa kwenye data ya 2005-2019, huchukua $\mathbf{F}_t$ na kuipeleka kwenye Kundi #3, ambalo limepewa lebo "Kuzwa Kupita Kiasi katika Kutofautiana Kati na Msukumo wa Kushuka Dhaifu".
  3. Utabiri Unaotambua Muktadha: Kipima-tabiri kinachotegemea umakini, sasa kikiwa na masharti maalum ya "Kundi #3," kinachambua data ya siku 20 zilizopita. Tabaka la umakini linaweza kupeana uzito wa juu kwa siku 5 na 12 zilizopita, ambazo zilikuwa na wasifu sawa wa vipengele na zilifuatiwa na kurudi kwa bei ya 2% ndani ya siku 5.
  4. Matokeo: Mtindo hutoa uwezekano wa juu (mfano, 72%) wa biashara ya kurudi kwa wastani yenye mafanikio (ongezeko la bei >1% ndani ya siku 3). Hii inatoa ishara iliyopimwa, yenye muktadha mwingi zaidi kuliko sheria rahisi ya "RSI < 30".

Kumbuka: Huu ni mfano wa dhana. Mantiki halisi ya mtindo itafafanuliwa na vigezo vyake vya mafunzo.

9. Matumizi ya Baadaye & Mwelekeo

Usanifu uliopendekezwa una njia zenye matumaini ya kupanuliwa:

  • Hali za Mali Nyingi & Soko la Kuvuka: Tumia kukusanya sawa kwa mali zinazohusiana (mfano, mataifa makubwa ya FX, fahirisi, bidhaa) kutambua hali za kifedha za kimataifa, kuboresha tathmini ya hatari ya kimfumo.
  • Ujumuishaji na Data Mbadala: Jumuisha alama za hisia za habari za wakati halisi (kutoka kwa miundo ya NLP) au toni ya mawasiliano ya benki kuu kwenye vekta ya kipengele $\mathbf{F}_t$ kwa kukusanya, na kuunda hali zilizofafanuliwa na hali za kiufundi na za msingi.
  • Ujumuishaji wa Kujifunza Kwa Nguvu (RL): Tumia mtindo wa umakini wa kukusanya kama moduli ya uwakilishi wa hali ndani ya wakala wa RL anayejifunza sera bora za biashara (kuingia, kutoka, ukubwa wa nafasi) kwa kila hali iliyotambuliwa, na kuhamia kutoka utabiri hadi uboreshaji wa moja kwa moja wa mkakati.
  • AI Inayoeleweka (XAI) kwa Udhibiti: Unda kiolesura cha maelezo cha baadaye kinachoonyesha wazi: "Ishara hii ya biashara ilisababishwa kwa sababu soko liko katika Hali X, na mtindo ulilenga mifumo ya kihistoria A, B, na C." Hii ni muhimu kwa kupitishwa katika taasisi zilizodhibitiwa.
  • Kujifunza Mtandaoni Kinaendana: Tekeleza utaratibu wa mtindo wa kukusanya kusasisha hatua kwa hatua na data mpya, na kuuruhusu kutambua na kukabiliana na hali mpya kabisa za soko kwa wakati halisi, na hivyo kupunguza hatari ya kuharibika kwa mtindo.

10. Marejeo

  1. López de Prado, M. (2018). Maendeleo katika Kujifunza Mashine ya Kifedha. Wiley.
  2. Vaswani, A., et al. (2017). Umakini Ni Kila Unachohitaji. Maendeleo katika Mfumo wa Usindikaji wa Habari ya Neural 30 (NIPS 2017).
  3. Borovkova, S., & Tsiamas, I. (2019). Mkusanyiko wa mitandao ya neva ya LSTM kwa uainishaji wa soko la hisa la masafa ya juu. Jarida la Utabiri, 38(6), 600-619.
  4. Zhu, J.-Y., et al. (2017). Tafsiri ya Picha-hadi-Picha Isiyo na Jozi kwa kutumia Mitandao ya Adversarial Yenye Mzunguko-Thabiti. Mkutano wa Kimataifa wa IEEE wa Uonekanaji wa Kompyuta (ICCV).
  5. Murphy, J. J. (1999). Uchambuzi wa Kiufundi wa Masoko ya Kifedha. Taasisi ya Fedha ya New York.
  6. Investopedia. (n.d.). Viashiria vya Kiufundi. Imepatikana kutoka https://www.investopedia.com.