УДК 004

Исследование применения методов машинного обучения в разработке программного обеспечения для торговли на бирже

Цыпалева Анна Николаевна – студент кафедры Информационных систем и программной инженерии Балтийского государственного технического университета «ВОЕНМЕХ» им. Д.Ф. Устинова.

Аннотация: В данной статье рассмотрена возможность и необходимость создания торговых роботов, основанных на применении методов машинного обучения. Отмечается, что машинное обучение выступает в качестве наиболее удобного и эффективного средства разработки программного обеспечения для торговли на бирже, так как существующее программное обеспечение не всегда позволяет достигнуть необходимого результата.

Ключевые слова: искусственный интеллект, творчество машин, нейросети, произведения машин.

Задача в сфере прогнозирования финансовых рынков является достаточно сложной и емкой, однако ее решение обладает высокой степенью актуальности, так как реализация правильного прогноза динамики цены выступает в качестве ключевого структурного элемента успешной деятельности в сфере инвестиций.

Известно, что процессы в области перераспределения финансовых активов между участниками рынка осуществляется на организованных торговых площадках, которые именуются биржами. Инвесторы, обладая свободными денежными средствами, могут вложить их в тот или иной финансовый инструмент, например, в акции, что будут означать передачу денежных средств участникам торгов, которые в данных денежных средствах нуждаются. Таким образом, осуществляя торговлю на финансовом рынке, а именно, покупая или продавая (соответственно) определенные финансовые активы, инвестор будет приобретать возможности по получению прибыли за счет разницы в цене этого актива за установленный промежуток времени.

Одним из самых популярных способов, применяемых для осуществления торговли на бирже, выступает торговля с помощью сети «Интернет», которая именуется в качестве системы «интернет-трейдинг». Стоит отметить, что для данной системы характерным является то, что в рамках ее применения весьма упрощаются процедуры, направленные на продажу и покупку различного рода активов. Одновременно с этим, для совершения указанных торговых операций, объективной необходимостью является программное обеспечение, однако его предоставление возлагается на биржу или на брокера. Отметим, что на фоне появления рассматриваемой системы, скорость проведения торговых операций очень увеличилась. Более того, на практике появились механические торговые системы, например, торговые роботы или автоматические системы, которые выступают на современном этапе развития в качестве программ, необходимых для частичной, а в ряде случаев и для полной автоматизации деятельности трейдеров [1].

Для получения в рамках данной деятельности положительного результата, трейдер должен придерживаться некоторой торговой стратегии, под которой необходимо понимать максимально четкий и полный свод правил, равно как условий, необходимых для совершения трейдером определенных операций на бирже. Однако известно, что в рамках торгов, трейдер утрачивает контроль над своим эмоциональным фоном и вступает в азарт, что в большинстве случаев будет вести к определенным убыткам. Для того, чтобы минимизировать, равно как и полностью исключить такие ситуации, трейдер вполне может применять торговые роботы, так как они лишены каких-либо эмоций и четко следуют тем правилам, которые заложены в него для осуществления торгов на рынке.

Можно констатировать, что торговый робот представляет собой одну из специальных компьютерных программ, деятельность которой находится в тесной связке с интерфейсом брокера. Стоит отметить, что в качестве связующего звена между ними выступает терминал QUIK. Одновременно с этим, некоторые брокеры нередко предоставляют доступ к своему API, а именно, к программному интерфейсу «клиент-сервер», в рамках которого на сервере прописываются все необходимые команды, а клиент, в свою очередь, будет использовать все данные команды и получать то, что в данный момент времени ему необходимо. Примером такой ситуации является то, когда он смотрит текущие позиции или, например, подает торговые приказы.

Стоит отметить, что большая часть торговых роботов с нуля не пишется, а в практической деятельности используются уже готовые программные решения. Например, широкое распространение получили такие программы, как Quik или Astrend. Однако в данном аспекте стоит учитывать, что торговый робот или, как его называют, механическая торговая система (далее-МТС), вполне применим в ситуациях, когда имеет место четкая торговая система, обладающая строго формализованным характером. Формальность в данном аспекте означает, что правила открытия, сопровождения, а также закрытия сделок максимально полно определены и запрограммированы в систему. Как уже отмечалось ранее, это позволяет минимизировать человеческий фактор и какие-либо эмоции, так как робот прямо следует алгоритму. На практике робот настраивают на работу по определенному алгоритму, включающему в себя определенные интервалы. Отсюда возникает закономерный вопрос о том, для чего нужны торговые работы в практической деятельности? Ответом на данный вопрос может стать то, что роботы выступают в качестве весьма эффективного инструмента для заработка, так как такие роботы не устают и не совершают ошибок, могут работать без перерыва, используя при этом максимальную совокупность инструментов.

Однако роботы имеют и определенные недостатки, к числу которых стоит отнести то, что они обладают скрытым (в том числе, частично скрытым) принципом работы. Более того, многие из них применяют для принятия того или иного решения, достаточно строгую логику, опирающуюся только на те условия, которые прописаны пользователем или разработчиком. Отсюда явно следует, что разработчик должен в полной мере знать тонкости финансовых рынков, в то время как трейдер должен обладать навыками программирования. Идеальным условием осуществления деятельности будет их работа сообща [2]. В то же время, надежность программных продуктов, которые предоставлены в свободном доступе, вызывает достаточно большие сомнения, так как в ряде случаев они представляют собой роботы, которые уже устарели и которые не смогут принести разработчикам необходимый доход. Как следствие, они часто реализуются, однако эффективность такой покупки будет минимальная.

Как уже отмечалось ранее, компьютер намного лучше, чем человек, может справиться с точными вычислениями. Одновременно с этим, если речь заходит о классификации или же о решениях, которые не нуждаются в четкой логике, человек тут справится намного лучше. Именно в данной ситуации на помощь могут прийти алгоритмы машинного обучения.

Под машинным обучением (далее-МЛ) понимают класс методов искусственного интеллекта, для которого свойственно не прямое и четкое решение той или иной задачи, а обучение посредством использования решения задач аналогичной направленности. В целях формирования методов подобного рода достаточно активно применяются как инструменты математической статистики, так и численные методы. Кроме того, в данном случае применим математический анализ и методы оптимизации, теория графов, равно как теория вероятностей, различные методы работы с данными в цифровом виде. На современном этапе развития выделяют два типа МЛ: во-первых, обучение на базе определенных случаев, которое также именуется индуктивным обучением, основанном на выявлении эмпирических закономерностей в тех или иных данных. Во-вторых, это так называемое «дедуктивное обучение», которое подразумевает формализацию экспертных знаний и последующую передачу таковых на компьютер в качестве базы знаний. Стоит отметить, что второй тип обучения нередко относят к сфере экспертных систем, в связи с чем, сегодня стоит рассматривать в качестве синонимов такие понятия, как «машинное обучение» и «кейс-ориентированное обучение».

На практике многие методы индуктивного обучения были разработаны в качестве альтернативы классическим статистическим подходам. Отметим, что многие такие методы достаточно тесно взаимосвязаны с извлечением той или иной информации, равно как с анализом данных на основе интеллекта.

Сегодня выделяют весьма широкую совокупность ситуаций, а также много потенциальных ответов (реакций и откликов). На этом фоне можно наблюдать прямую взаимозависимость между ответами и ситуациями, однако доподлинно данная взаимозависимость пока неизвестна. В то же время, известна конечная совокупность прецедентов, в частности, пар «объект-ответ», которых именуют обучающей выборкой. Полагаем, что на базе таких данных необходимостью будет восстановление неявной зависимости, что можно сделать посредством формирования такого алгоритма, который выдает точный классифицирующий объект для того или иного входного объекта. Стоит отметить, что зависимость такого рода не всегда будет выражаться на автоматической основе, так как в таких случаях нейросети будут на практике реализовать принцип эмпирически формируемого решения. В качестве ключевой особенности в данном случае можно назвать то, что обучаемая система имеет способности к обобщению, а именно, к адекватному отклику на данные, которые выходят за пределы обучающей выборки, имеющей место быть. В связи с этим, с целью измерения точности того или иного ответа должен быть оценочный функционал качества. Отметим, что постановка подобного рода выступает в качестве обобщения классических задач аппроксимации функций. Стоит отметить, что в таких задачах объектами выступают векторы или действительные числа. Как правило, в реальных прикладных задачах входные данные о тех или иных объектах могут быть неполными, нечисловыми, неточными или разнородными. Именно эти особенности в практической деятельности порождают широкое разнообразие методов машинного обучения.

Одновременно с этим, в практической деятельности трейдеры также вполне могут применять методы интеллектуального анализа. Однако отсюда возникает закономерный вопрос: что обладает наибольшей эффективностью: методы, которые во многом ориентированы на определенную модель стратегии или стратегии машинного обучения в целом? Полагаем, что именно стратегии машинного обучения обладают несомненными преимуществами, так как в этом случае можно не учитывать психологию трейдеров и многие иные аспекты и концентрироваться только на математике. В связи с этим, именно машинное обучение представляет собой более оптимальный способ для создания системы, необходимой для трейдинга.

В рамках изучения указанного вопроса особое внимание стоит уделить книге «Разработка, тестирование и оптимизация торговых систем для биржевого трейдера». Так, автор данного издания Р. Пардо осуществляет свою деятельность в сфере решения оптимизационных проблем, причем в течение достаточно длительного периода времени. Именно данный автор выступает в качестве автора тестовой программы Advanced Trader и в качестве разработчика ряда торговых стратегий. В связи с этим, у него есть необходимая совокупность знаний для процесса рассмотрения и дальнейшей оптимизации программных продуктов подобного рода [3]. Ведь только на первый взгляд использование оптимизационных методологий кажется простым и идеальным, однако на практике использование таких методик по праву требует принятия различных трудных и серьезных решений. Отметим, что практическая сторона проведения тестирования в данном случае состоит в наличии необходимости понять то, какие именно результаты могут быть достигнуты в результате применения правил к прошлым данным. В связи с тем, что большая часть методов исходит именно из опыта прошлого, вполне закономерным видится желание понять то, где именно человек прав, а где он ранее ошибался. Как отмечается в упомянутой нами ранее книге, подлинным экспертом в данном случае может выступать только тестирование идей на исторических данных. В завершении стоит отметить, что в условиях современной реальности и развития цифровых технологий, рассмотренное направление приобретает особую актуальность и будет актуальным ровно до того момента времени, пока не будет создан «идеальный

Список литературы

1. Торговые роботы на российском фондовом рынке / Ю. Чеботарев. – 2-е изд., перераб. и доп. – М.: СмартБук, 2019. – 160 с.
2. Элдер А. Как играть и выигрывать на бирже. – М.: Диаграмма, 2016. – 352 с.
3. Роберт Пардо. Разработка, тестирование, оптимизация торговых систем для биржевого трейдера. – М.: Минакс, 2002. - 224 с.