Трейдер на практике использует множество разных технологий и всегда заинтересован в том, чтобы эти технологии работали максимально эффективно. Что нужно сделать для этого?

Какие бы стратегии не использовались в игре на бирже, все они в конечном итоге призваны решать похожие задачи. Если попробовать сформулировать эти задачи, то в итоге можно получить три основных направления, по которым двигается трейдер на пути к результату:

● выбор тех акций, которые больше всего соответствуют принятой трейдером стратегии;

● прогнозирование будущей динамики цен на определенный период;

● выставление определенных ордеров.

Таким образом, прослеживается полное соответствие данных задач трем главным этапам из теории управления, а именно:

● сбор и анализ необходимой информации;

● прогноз того, как будет развиваться ситуация;

● принятие управленческого решения с целью коррекции, если динамика отклонилась от той, которая прогнозировалась.

Это близкое сходство обратило на себя внимание создателей программного обеспечения для аналитики. Например, для выбора акций для покупки широко применяются сток-скринеры, представляющие собой очень простые фильтры, которые служат для выборки из базы данных только тех акций, которые имеют заданные параметры. Очень широк спектр инструментов, используемых для прогнозирования цен. К их числу относятся и традиционно применяемые методы экстраполяции, и достаточно сложные и дорогостоящие методы, которые имеют в своей основе нейросетевые алгоритмы.

Множество торговых систем обеспечивают выставление ордеров. Большая часть этих систем предоставляют возможность программирования правил по принятию решений, чтобы автоматически расставлять ордера. При этом правила задает непосредственно пользователь системы. Для составления этих правил в автоматическом режиме можно использовать механические системы торговли, но при этом нужно помнить, что большая часть таких систем на практике показывают свою несостоятельность.

Что же получается? Создатели программного обеспечения и он-лайн-услуг используют теорию управления, но если в традиционных сферах деятельности эта теория демонстрирует значительную эффективность, то при управлении инвестированием такого эффекта не наблюдается. Почему?

Если глубже проанализировать предлагаемые для управления инвестициями инструменты, то можно увидеть, что чаще всего в основе аналитических программных продуктов закладываются такие алгоритмы принятия решения, которые неоправданно просты для такого рода программ. Такая простота никак не соответствует такой сложной системе, как рынок. Например, если взять сток-скиннеры, то по сути это просто запрос с определенным параметром, направляемый в базу данных. Профессионалам, работающим на рынке и знающим точно, что им нужно, подобный инструмент приносит пользу.

У других же участников рынка, не обладающих таким профессионализмом и опытом, наиболее востребованным стал бы такой инструмент, который позволяет определять интервалы значений, допустимые по каждому из показателей, служащему для характеристики акции, для определенных целей. Например, пользователю интересен рост компаний за неделю. Каким должен быть диапазон значений тех показателей, которые интересны этому пользователю, чтобы получить максимальную вероятность этого роста? К сожалению, на сегодняшний день рынок не располагает инструментом, который бы справился с ответом на этот вопрос.

И еще одна сторона проблемы. Для задания сток-скринеру параметров необходимо иметь информацию о том, какие на определенный момент значения параметров по определенным компаниям, например, по компаниям, производящим фармацевтические продукты. Сколько компаний попадет в данный диапазон значений определенного индикатора? И на этот вопрос удовлетворительного ответа современные инструменты не дают. Сейчас делаются попытки создания некой подробной карты рынка, но эти попытки пока позволяют получать чаще всего не более двух показателей, как правило, капитализации и доходности. Несколько показателей одновременно с помощью подобных инструментов отслеживать пока не получается.

Если же говорить о методах прогнозирования, то в первую очередь стоит упомянуть ту поляризацию, которая происходит в подходах к прогнозам. Методы прогнозирования либо не в меру просты, либо наоборот, чрезвычайно сложны и предполагают наличие таких ресурсов, которыми большинство трейдеров не обладает и по этой причине не может применять эти методы на практике. К первой группе методов относят ставшие привычными методы экстраполяции, к другой группе – решения, которые создаются на базе нейронных сетей или имеют в своей основе нечеткую логику. Обе эти области отличаются множеством нюансов и тонких настроек, для установки которых под решение задачи требуется помощь специалистов узкого профиля. Например, значимое место занимает способ, предполагающий формирование так называемого обучающего множества. Возникают трудности при выборе оптимального момента, в который обучение останавливается. Адаптивные системы имеют такую особенность, как самообучение, то есть способность к подстройке собственных внутренних параметров под текущую динамику ряда прогнозирования. Обучение проводится двумя способами: «без учителя» и «с учителем». При первом способе параметры модели меняются согласно внутреннему алгоритму, который заложен в модели, а при втором способе необходимо точно указывать, какое из изменений является лучшим или худшим.

Нередко в виде «мнения учителя» берется величина ошибки прогнозирования, которая называется целевой функцией, при этом обучение направлено на то, чтобы провести настройку параметров таким образом, чтобы величина этой ошибки имела минимальное значение. Минимизация проводится на множестве данных. Это множество носит название тренировочного (обучающего) множества. Такой способ обучения вызывает возникновение довольно неприятной проблемы, называемой overfitting. Данное явление имеет связь со случайным выбором обучающего множества. В начале обучения модель улавливает зависимость, являющуюся искомой, в результате чего ошибка (целевая функция) уменьшается. Но в дальнейшем при обучении, преследуя цель уменьшить целевую функцию, параметры делают подстройку под особенности того обучающего множества, которое наблюдается. Модель уже не описывает закономерность движения значений прогнозируемого ряда. Она описывает особенности вполне конкретного подмножества, которое выбрано как обучающее множество. При этом реальный прогноз, находящийся вне обучающего множества, становиться менее точным.

Данные системы оставляют без ответов и вопросы, касающиеся количества каналов для обучения, объема необходимого для каждого из каналов данных, о том, насколько в принципе предсказуемы ценовые ряды. Учитывая все эти нюансы, возникает сомнение в возможности эффективного использования этих систем. Эффективность в данном случае зависит от того, на каком уровне решены проблемы настройки, что зависит уже от той квалификации, которой обладает пользователь.

Однако труднее всего бывает довести процесс анализа и прогнозирования до принятия вполне определенных шагов. Для обоснованного принятия решения нужно обладать статистическими данными о степени вероятности, с которой выполняется то или иное найденное правило или же система этих правил. Любая из новых идей типа современной «money management» должна базироваться не на сомнительных мифах о чудесных рыночных индикаторах, действующих с большим опережением, а на надежной теоретической основе.