Технический анализ фьючерсных рынков. Теория и практика

Его показатели выражаются по процентной шкале: от 0 до 100%. Индикатор работает по принципу осциллятора и пока­зывает моменты вступления всего товарного рынка (в целом) в период перекупленности и перепро данности. Традиционно считается, что когда показатель индикатора превышает от­метку 70%, товарные рынки находятся в состоянии перекуп­ленности и возможен скорый спад, показатель ниже 20% свидетельствует, что рынок вступает в состояние перепро-данности и скоро цены достигнут основания рынка, после которого начнут расти. Этот инструмент широкоохватного анализа, хорошо отражающий настроения рынка, может быть эффективно использован для отслеживания движения ин­декса фьючерсных цен СКВ.

"РАСПОЗНАВАНИЕ МОДЕЛЕЙ" С ПОМОЩЬЮ "ИСКУССТВЕННОГО ИНТЕЛЛЕКТА"

Заслуга компьютера в том, что с его помощью пользова­тель получает быстрый и легкий доступ к целому арсеналу средств и методов технического анализа. В то же время задача трейдера усложняется. Если раньше аналитик работал лишь с несколькими любимыми инструментами, счастливый обла­датель компьютера теперь имеет в своем распоряжении пока­затели по сорока различным индикаторам одновременно.

Исследования в области когнитивной психологии показа­ли, что сознание человека с трудом воспринимает более трех различных переменных, если требуется одновременно уста­навливать их взаимосвязь. Иными словами, сознание анали­тика, который пытается параллельно отслеживать четыре индикатора или более, может дать сбой. Если же он решит ограничиться тремя, то какие следует выбрать?

Традиционно в рыночном анализе компьютер почти ис­ключительно использовался как вычислительное устройст­во. Его основная функция сводилась к расчетам данных и представлению результатов на экране дисплея. Усложнение роли компьютера может пойти по пути машинной интерпре­тации результатов расчетов, то есть речь идет о использова­нии "логической" функции машины наряду с "вычислитель­ной". Вот тут-то мы и подходим к проблеме так называемого "искусственного интеллекта", в частности, автоматического распознавания моделей.

Когда говорят об "искусственном интеллекте", имеют в виду так называемые эвристические программы, которые способны решать задачи - примерно так же, как это делает человек. Работу компьютера, решающего эвристическую за­дачу, в принципе можно назвать "разумной": он оценивает условия, принимает решения и даже учится на своих ошиб­ках. Функция автоматического распознавания моделей поз­воляет машине учиться принимать решения и делать прогно­зы на основе классификаций различных объектов или инди­каторов. В данном случае значение слова "модель" отлично оттого, которое использовалось при описании "графических моделей". Цель автоматического распознавания моделей -получение синергетического эффекта путем одновременной оценки данных всех индикаторов (вместо того, чтобы рас­сматривать каждый из них по отдельности).

Первым шагом в этом процессе является поиск лучшего индикатора из набора представленных. Затем необходимо найти лучшую связку инструментов (сначала два, а потом и три) - из тех, которые способны оптимально работать вместе. Процесс добавления новых индикаторов из числа оставших­ся продолжается до того момента, когда очередной добавлен­ный инструмент не дает улучшения работы всей системы в целом. В процессе тестирования используется два набора материала: так называемые данные научения и тестовый набор. Результаты, полученные на данных научения, должны быть затем подтверждены на отдельном тестовом материале. Метод раздельного материала нужен для того, чтобы избе­жать так называемого "подгадывания", которое, по утвер­ждениям противников технического анализа, часто исполь­зуется при тестировании других технических методов, осо­бенно их оптимизированных параметров.

Внедрение средств, функционирование которых основано на принципах "искусственного интеллекта" и автоматичес­кого распознавания моделей, может стать ответом на постав­ленный выше вопрос: как работать с огромным количеством часто противоречащих данных. В случае поступления проти­воречивой информации компьютеру дается команда просчи­тать все индикаторы и затем выбрать из них ту комбинацию, которая является оптимальной для данных условий.

Здесь возникает очередной вопрос: если все так просто, то почему такая система еще не разработана и не внедрена повсеместно? Пока исследования в этой области проводятся исключительно учеными, до прикладных программ дело еще не дошло. Автоматическая система такого рода стоила бы очень дорого, кроме того для ее эффективного функциониро­вания потребовались бы колоссальные вычислительные мощ­ности; ведь даже если какая-либо модель, проявившаяся на рынке, определена, ее необходимо постоянно подвергать повторным проверкам - в силу непостоянства рыночной динамики. И все-таки исследования в этом направлении продолжаются, причем одна группа исследователей продви­нулась достаточно далеко вперед. Это исследовательская фирма "Рейден рисерч груп", расположенная в Нью-Йорке.