Астротрейдинг в нейросетевом модуле Neural Net: как работает динамическая модель
Статья Сергея Тарасова
Сама идея, лежащая в основе динамической модели, очень близка природе / поведению / реальности фондового рынка; пожалуй, это будет ближе к реальности финансовых данных, чем в других астрологических моделях. После двадцати лет работы с финансовыми данными я могу сказать, что данная модель "пахнет", как сам рынок. И вот почему я так думаю.
Вот один из элементов, что используется в динамической нейросетевой астрологической модели:
На скрине выше (вы видите фрагмент из модуля ULE, вкладка Towards/From) - один из астрологических фрагментов модели; того, что мы загружаем на вход в нейросеть. Аспект между Солнцем и Юпитером именно в такой конфигурации мы добавляем в такую модели среди прочих аспектов между двумя планетами. Но делаем мы это не в ручную - Timing Solution сама это делает в автоматическом режиме, когда мы отдаем соответствующую команду (ниже будет показано как).
И вот как именно этот элемент работает во времени:
Этот элемент описывает одно конкретное астрономическое явление: ситуацию, когда угол между Солнце и Юпитером близок к 60 градусам (фактически, планеты находятся в стадии формирования этого угла, двигаясь к его кульминации). И вот как видит это программа: она видит, что в один день угол Солнца-Юпитера составляет 90 градусов, на следующий день - 89 градусов, через два дня - 88 градусов, и, наконец, через месяц этот угол этих двух планет достигает 60 градусов. Иначе говоря, здесь мы работаем не моментом точного 60-градусного аспекта между Солнцем и Юпитером, а с ожиданием того факта, что через некоторое количество дней этот аспект будет иметь место. Прямо сейчас у нас нет этого аспекта, но небесная ситуация показывает, что этот аспект когда-нибудь произойдет, рано или поздно. Иначе говоря, это еще не само событие, но потенциальное / ожидаемое событие.
Просто сравните два похожих события, рассматриваемых в разных моделях программы:
вот у нас есть простая FAM-модель с планетарной парой Sun-Jupiter и углом между ними в 60 градусов - здесь мы имеем точный момент, когда этот угол образуется, у нас это событие есть по факту свершения; мы работаем со свершившимся фактом.
а вот ДИНАМИЧНАЯ модель Sun-Jupiter 60 градусов - самого аспекта еще нет, но мы ожидаем это событие, оно неуклонно приближается; мы работаем не с фактом, но с ожиданием, что событие произойдет.
Теперь, вероятно, вы уже понимаете, почему я заявляю, что динамическая модель "пахнет", как фондовый рынок? ИМХО, очень часто, когда мы рассматриваем движения фондового рынка, ожидание какого-либо события X намного важнее, чем само фактическое событие. Очень часто, когда происходит реальное событие, которое потенциально могло бы воздействовать на фондовый рынок, на нем уже ничего не происходит - потому что это событие было уже учтено фондовым рынком. Например, мы все ждем заседания OPEK, которое должно принять, как мы думаем, важное решение о сокращении добычи нефти. И вот когда оно происходит - рынок нефти никак не реагирует, а то и вовсе цены идут вниз: возможный позитив ранее уже был отыгран на рынке нефти, до самого факта события.
Простейшим астрономическим аналогом динамической модели являются явления растущей и убывающей Луны, когда мы ожидаем новолуния (убывающая Луна) или полнолуния (растущая Луна). Это самая простая динамическая модель; в течение двух недель мы ожидаем новолуния, а затем, в течение еще двух недель, мы ожидаем полнолуния.
Как это работает в Timing Solution
В модуле Neural Net, когда вы определяете, что будете подавать на входы нейромодели, нажмите на кнопку «+» и выберите этот пункт:
Вы получите конструктор динамической модели, Dynamic model constructor, в котором вы можете указать параметры для вашей собственной модели:
Эта группа элементов управления позволяет выбрать требуемые планетарные пары и тип зодиака (здесь можно выбирать разные вариации):
Параметр ниже помогает указать, как рассчитывать динамику модели, именно здесь мы можем бороться с прыжками в прогнозной линии, делать ее более гладкой:
Я рекомендую использовать опции "#2 2-Fold" или "#6 Smooth".
Это помогает справится с прыжками, излишне рваным поведением прогнозной линии, типа этого:
Параметр шага: я рекомендую оставить его как есть, но вы можете и увеличить данный параметр, думаю максимум до 30 градусов:
Как я уже сказал, динамическая модель похожа на модель растущей / убывающей Луны, опция ниже поможет нам расширить модели роста / убывания в используемых планетарных парах. Используя эту опцию, вы можете использовать в нейромодели либо чистое восходящее / убывающее событие (опция waxing/waning), исключив все другие динамические термины, либо полную динамическую модель (опция dynamic):
Вы можете упростить свою жизнь, выбрав одну из стандартных наиболее типичных настроек для динамической модели:
И не забывайте об общей опции сглаживании в модуле Neural Net: вы можете сделать прогнозную кривую более гладкой, используя эту опцию:
Чем больше здесь значение - тем более гладкой будет прогнозная кривая. Я настоятельно рекомендую применять сглаживание в любой динамической модели, это улучшает прогнозируемость проекционной кривой на основе динамического режима. Важность сглаживания подтверждается форвардным анализом (Walk Forward Analysis).
Результаты Walk Forward Analysis (WFA) по астрологическим динамическим моделям
Мы провели тестирование, при помощи форвардного анализа WFA, четырех финансовых инструментов (SNP 500, Gold, Crude Oil и EuroUSD, все котировки дневные, EOD), в этом анализе мы прогнали все 20 вариантов стандартных динамических моделей, что имеются в установках программы. Вот результаты этого тестирования в сводной таблице:
Обратите внимание, что это результаты 2016 года. Возможно, в тот год, когда вы читаете эту статью, эти данные могут устареть; используйте их как точку входа, начало для вашего анализа. Для всех этих моделей используется сглаживающее значение 10 в нейронной сети:
Используя таблицу, что приведена выше, вы можете начать работу и построить свою первую динамическую модель следующим образом:
например, для S & P500 у нас лучшая модель # 7 (см. вторую колонку в таблице); значит, просто выберите для начала стандартную настройку # 7 в конструкторе динамических моделей и обучите на ней нейронную сеть:
Последовательность шагов - на картинке ниже.
- Выберите динамическую модель - в этом примере #7, и жмите на ОК.
- Далее жмем на Traning и обучаем эту модель. Котировки должны быть уже загружены в Timing Solution (как это сделать, читайте здесь). Для S&P 500 (^SPX) котировки, например, можно скачать здесь, жмите там внизу экрана под таблицей с данными на строчку Download data in csv file...
- После тренировки отправляем прогнозную линию на главный экран программы.
- И кликаем здесь, чтобы скрыть нейромодуль.
От блога:
Прочитайте также этот пост с прогнозами от Виталия Иванова прогноз по нему был сделан именно в нейромодуле, при помощи астрологической динамической модели.
Настройки осциллятора у Виталия Иванова такие: RPO 1-50-50
Также, скорее всего, по этой методике работает Алон Аврамсон. И видимо, делает это так: разбивает прогноз на несколько линий, не сваливает в одну кучу.
Тяжелые планеты самая плавная линия прогноза - в одной линии прогноза, она будет более плавной. Здесь могут быть пары планет: Уран-Сатурн, Сатурн-Нептун, Юпитер-Уран, Юпитер-Нептун, Юпитер-Сатурн. Две-три или все пять пар. Здесь же Плутон с этими же тяжелыми планетами.
Средняя линия прогноза: пары планет Венера, Солнце, Меркурий с Ураном, Сатурном, Нептуном, Юпитером и Плутоном.
Наконец, самая быстрая линия прогноза - пары самых быстрых планет: Меркурий-Венера, Меркурий-Солнце, Венера-Солнце.
Луну не используем вообще - она слишком быстрая.
Далее, запускаем сразу три копии модуля Neural net. В первый из них - подаем самые тяжелые планеты. Во вторую копию модуля - даем средние аспекты. В третий - самые быстрые.
Запускаем все три модуля, обучаем поочередно. И далее, после обучения, прогнозные линии от них подаем на главный экран. Таким образом, у вас будут три линии на экране, как у Аврамсона - медленные циклы, средние и быстрые.
Интервью с Аврамсоном читайте здесь: https://timing-solution.livejournal.com/84977.html
---------
Оригинал статьи Сергея Тарасова на английском: Dynamic model