УДК 519.652/657:336.745
РАЗЛИЧНЫЕ МОДЕЛИ ПРЕДСКАЗАНИЯ КУРСА ИНСТРАННОЙ ВАЛЮТЫ
Власов Сергей Александрович
1
,
1
Магистр техники и технологии по направлению «Системный анализ и управление», фрилансер;
e-mail: vlasovs2@yandex.ru.
Работа посвящена исследованию различных моделей предсказания курса иностранной
валюты и возможности получения дохода.
Чаще всего покупка и продажа происходят без учёта рисков и делаются после прогноза
курса валюты. В данной работе описана попытка автоматизации данного процесса.
Было выполнено экспериментальное сравнение нескольких различных эмпирических моделей, и
полученные результаты представлены в виде графиков и таблиц.
Ключевые слова: биржа, лот, ликвидность, японские свечи, нейронная сеть, авторегрессия.
DIFFERENT FOREIGN CURRENCY RATE PREDICTION MODELS
Vlasov Sergey Aleksandrovich
1
,
1
Master of technology and technologies, freelancer;
e-mail: vlasovs2@yandex.ru.
The work is devoted to the study of various models for predicting the rate of foreign exchange
and the possibility of earning income.
Most often, buying and selling occurs without taking into account the risks and is done after
forecasting the exchange rate. This paper describes an attempt to automate this process.
Experimental comparisons of several different empirical models have been performed and the
results are presented in graphs and tables.
Keywords: exchange, lot, liquidity, candlesticks, neural network, autoregressive.
Введение в терминологию
Биржа — организатор торгов товарами, валютой, ценными бумагами, производными и
другими рыночными инструментами. Торговля ведётся стандартными контрактами или партиями
(лотами), размер которых регламентируют нормативные документы биржи.
Актив – это то, что приносит доход.
Ликвидный – обращаемый в деньги. Чем легче и быстрее можно обменять актив с учётом
его полной стоимости, тем более ликвидным он является.
Доллар США и евро – высоколиквидные валюты.
Японские свечи – вид интервального графика и технический индикатор, применяемый
главным образом для отображения изменений курса валют.
Одна свеча включает в себя четыре значения: цену открытия, нижнюю/верхнюю тень и
цену закрытия.
Если цена закрытия выше цены открытия, свеча окрашивается в белый цвет и носит
название “бычьей” (“быки” - покупатели), иначе окрашивается в чёрный цвет и называется
“медвежьей” (“медведь” - продавец).
Лот – наименьшая сумма валюты, которую банк может выставить на валютной бирже.
Биржевой стакан – очередь заявок. Заявки о покупке/продаже лота по рыночной или
лимитной цене попадают в стакан, где ожидают совершения сделки.
Глобальный идентификатор финансовых инструментов (FIGI) (ранее называвшийся
Bloomberg Global Identifier (BBGID)) - это открытый стандартный уникальный идентификатор
финансовых инструментов, который можно присвоить инструментам, включая обыкновенные
акции, опционы, фьючерсы, корпоративные и государственные облигации, муниципалитеты и т. д.
валюты и ипотечные продукты.
В данной статье приводится описание попытки создания биржевого робота.
Материал обучения
Для формирования материала обучения скачиваются данные о свечах в выбранные дни и
обрабатываются. Обработка одного дня торгов на бирже происходит по следующему алгоритму:
1) Значение цены открытия первой свечи запоминается и вычитается из самой свечи.
2) Из каждой следующей свечи вычитается запомненная цена открытия предыдущей свечи.
3) Ищется максимальное и минимальное относительное отклонение среди всех
относительных значений для нормализации при необходимости.
4) Составляются тесты по интервалам фиксированной длины из относительных значений
свеч, а так же искомое прогнозируемое значение относительного значения закрытия.
5) Тесты добавляются в список тестов материала обучения.
Таблица 1. Исходные данные одного дня для часового интервала
Data
Open
Low
High
Close
25.11.2020 7:00:00
75.52
75.4
75.6275
75.445
25.11.2020 8:00:00
75.4575
75.32
75.5175
75.4475
25.11.2020 9:00:00
75.445
75.37
75.535
75.48
25.11.2020 10:00:00
75.475
75.4675
75.73,
75.6775
25.11.2020 11:00:00
75.68
75.59
75.755
75.61
25.11.2020
12:00:00
75.6025
75.52
75.67
75.66
25.11.2020 13:00:00
75.66
75.55
75.7275
75.67
25.11.2020 14:00:00
75.6725
75.645
75.8975
75.87
25.11.2020 15:00:00
75.87
75.795
75.98
75.9375
25.11.2020 16:00:00
75.9325
75.7175
75.9725
75.8
25.11.2020 17:00:00
75.81
75.58
75.8125
75.595
25.11.2020 18:00:00
75.6
75.53
75.685
75.5675
25.11.2020 19:00:00
75.5725
75.525
75.6375
75.5425
25.11.2020 20:00:00
75.54
75.53
75.5775
75.5625
Таблица 2. Относительные ненормализованные значения одного дня
Data
Open
Low
High
Close
25.11.2020 7:00:00
0
-
0,12
0,1075
-
0,075
25.11.2020 8:00:00
-
0,0625
-
0,2
-
0,0025
-
0,0725
25.11.2020
9:00:00
-
0,0125
-
0,0875
0,0775
0,0225
25.11.2020 10:00:00
0,03
0,0225
0,285
0,2325
25.11.2020 11:00:00
0,205
0,115
0,28
0,135
25.11.2020
12:00:00
-
0,0775
-
0,16
-
0,01
-
0,02
25.11.2020 13:00:00
0,0575
-
0,0525
0,125
0,0675
25.11.2020 14:00:00
0,0125
-
0,015
0,2375
0,21
25.11.2020 15:00:00
0,1975
0,1225
0,3075
0,265
25.11.2020 16:00:00
0,0625
-
0,1525
0,1025
-
0,07
25.11.2020 17:00:00
-
0,1225
-
0,3525
-
0,12
-
0,3375
25.11.2020 18:00:00
-
0,21
-
0,28
-
0,125
-
0,2425
25.11.2020 19:00:00
-
0,0275
-
0,075
0,0375
-
0,0575
25.11.2020 20:00:00
-
0,0325
-
0,0425
0,005
-
0,01
Обучение
На материале обучения обучались различные модели следующими методами:
1. Градиентный.
2. Левенберга-Марквардта.
Градиентный метод
Оптимизация суммы квадратов отклонений на тестах материала обучения производилась
по формулам:
где φ – функционал в виде суммы квадратов отклонений, α – коэффициент смешивания, w – веса
нейронной сети, h – шаг.
Алгоритм Левенберга-Марквардта
Алгоритм Левенберга-Марквардта [1,2] предназначен для оптимизации параметров
нелинейных регрессионных моделей. Отличается от метода сопряженных градиентов тем, что
использует матрицу Якоби модели, а не градиент вектора параметров. От алгоритма Гаусса-
Ньютона этот алгоритм отличается тем, что использует параметр регуляризации.
Формула следующая:
где J – Якобиан модели, λ - коэффициент регуляризации w – веса нейронной сети, y – значение в
тесте, w – веса нейронной сети.
Такие операции как матричное умножение и решение систем линейных алгебраических
уравнений были распараллелены специально под видеокарту и реализованы с использованием
CUDA C++.
Модели
Нейронная сеть NAR
Для получения прогнозируемого значения курса валют используется модель
многослойного перцептрона Розенблатта в качестве нелинейной регрессионной модели (NAR).
Многослойный перцептрон Розенблатта реализован на C++ и C#. Брались двухслойные
модели с небольшим количеством нейронов во внутреннем слое (порядка десяти).
Обучение модели проводилось методом сопряженных градиентов и Левенберга-
Марквардта [1,2] по данным 70 дней (с 29.07.2020 по 03.11.2020) на часовых интервалах.
Авторегрессия AR(12)
Кроме нелинейной авторегрессионной модели NAR была обучена модель AR(12) для 3-х
свечей по данным 70 дней (с 29.07.2020 по 03.11.2020) на часовых интервалах.
Сочетание AR(p) используется для обозначения авторегрессионной модели порядка p.
AR(p) записывается следующим образом:
где ϕ
i
— параметры модели, c — константа, а ε
t
— белый шум. Белый шум принят равным нулю.
В сравнении с авторегрессионной нейронной сетью, данная конструкция практически не
переобучается, за счет малого количества коэффициентов.
Линейная модель по относительным значениям
Считается по следующей формуле:
Простое скользящее среднее по относительным значениям
Для двух значений одной свечи (открытия и закрытия), считается по формуле:
Экспоненциальное скользящее среднее по относительным значениям
Для двух значений, считается по формуле:
Рациональная модель по относительным значениям
Для трёх значений можно посчитать по следующей формуле:
Формула получена чисто интуитивно, на основе рациональной интерполяции по трем
точкам. При появлении нуля в знаменателях дроби, сделка откладывается.
Тестирование
Для подсчёта точности модели вычисляется отношение угадываний направления курса
доллара к общему количеству проверяемых значений.
В качестве глобального идентификатора финансовых инструментов (FIGI) был выбран
“BBG0013HGFT4" (долларовая валюта).
Сделка — покупка и дальнейшая продажа одного лота. Одна сделка включает в себя одну
покупку и одну продажу.
Минимальная стоимость одного лота на бирже составляет 1000 у. е. Покупка/продажа
происходит при изменении курса валюты:
1) если тренд идет вниз, а прогнозируется рост, то лот покупается;
2) если тренд шёл вверх и прогнозируется изменение направления, то лот продаётся;
3) если курс меняется менее чем на одну копейку, то покупка/продажа откладывается;
4) лот продается в конце дня;
5) копейки не округляются.
Так же рассчитывается доход/убыток от каждой покупки/продажи, учитывая комиссию в
0.05% от суммы покупки либо продажи.
Статистический пример работы NAR
На следующем приведенном графике синем показана цена закрытия свечи, а оранжевым
показано прогнозируемое значение NAR. По оси абсцисс отображается номер свечи. Прогноз
начинается с четвёртого значения, так как делается по 12-ти значениям трёх предыдущих свечей.
В идеале, графики реальной и прогнозируемой цены должны совпадать.
Рисунок 1. NAR для часового интервала на 25.11.2020
В следующей таблице приведена точность прогнозирования, которая определяется
количеством совпадений знака при относительном значении цены закрытия свечи и
прогнозируемом значении в текущий момент времени. Начальная сумма денег взята случайным
образом, после чего расчёт ведётся по описанному выше алгоритму.
Таблица 3. NAR для часового интервала
Дата
Точность
Итоговая
сумма
(руб.)
Разница с предыдущим
днём (руб.)
0
5.11.2020
70 %
60788,86
-
448,96625
06.11.2020
70 %
59771,2425
-
1017,6175
09.11.2020
90 %
59292,46
-
478,7825
10.11.2020
80 %
59200,55875
-
91,90125
11.11.2020
80 %
59934,42
733,86125
12.11.2020
50 %
59470,7875
-
463,6325
13.11.2020
70 %
59005,7025
-
465,085
16.11.2020
70 %
58425,935
-
579,7675
17.11.2020
90 %
57966,73
-
459,205
18.11.2020
80 %
58257,47125
290,74125
19.11.2020
60 %
58027,345
-
230,12625
20.11.2020
50 %
57575,18375
-
452,16125
23.11.2020
70 %
57315,95125
-
259,2325
24.11.2020
80 %
56968,38625
-
347,565
25.11.2020
90 %
57087,11125
118,725
Выводы:
Точность на материале обучения: 77,2857142857143 %
Точность на тестовом материале: 73,3333333333333 %
3 из 15 дней принесли бы прибыль.
Общее количество сделок: 44
Общее количество убыточных сделок: 33
Общий прирост составил: -5,51667669908584 %
Статистический пример работы AR(12)
На следующем приведенном графике синем показана цена закрытия свечи, а оранжевым
показано прогнозируемое значение AR(12). По оси абсцисс отображается номер свечи. Прогноз
начинается с четвёртого значения, так как делается по 12-ти значениям трёх предыдущих свечей.
В идеале, графики реальной и прогнозируемой цены должны совпадать.
График AR(12) очень похож на график NAR.
Рисунок 2. AR(12) для часового интервала на 25.11.2020
В следующей таблице приведена точность прогнозирования, которая определяется
количеством совпадений знака при относительном значении цены закрытия свечи и
прогнозируемом значении в текущий момент времени. Начальная сумма денег взята случайным
образом, после чего расчёт ведётся по описанному выше алгоритму.
Таблица 4. AR(12) для часового интервала
Дата
Точность
Итоговая
сумма
(руб.)
Разница с предыдущим
днём (руб.)
0
5.11.2020
70 %
60239,5925
-
448,96625
06.11.2020
70 %
59221,975
-
1017,6175
09.11.2020
90 %
58743,1925
-
478,7825
10.11.2020
80 %
58651,29125
-
91,90125
11.11.2020
80 %
59385,1525
733,86125
12.11.2020
60 %
58921,52
-
463,6325
13.11.2020
70 %
58456,435
-
465,085
16.11.2020
70 %
57876,6675
-
579,7675
17.11.2020
90 %
57417,4625
-
459,205
18.11.2020
80 %
57487,22625
69,76375
19.11.2020
60 %
57398,3825
-
88,84375
20.11.2020
50 %
56946,22125
-
452,16125
23.11.2020
70 %
56815,375
-
130,84625
24.11.2020
80 %
56467,81
-
347,565
25.11.2020
90 %
56586,535
118,725
Выводы:
Точность на материале обучения: 77,4285714285714 %
Точность на тестовом материале: 74 %
3 из 15 дней принесли бы прибыль.
Общее количество сделок: 43
Общее количество убыточных сделок: 32
Общий прирост составил: -5,45196161160708 %
Статистические примеры работы линейной модели
На следующем приведенном графике синем показана цена закрытия свечи, а оранжевым
показано прогнозируемое значение линейной модели. По оси абсцисс отображается номер свечи.
Прогноз начинается с третьего значения, так как делается по двум предыдущим.
Рисунок 3.Линейная модель для часового интервала на 25.11.2020.
В следующей таблице приведена точность прогнозирования, которая определяется
количеством совпадений знака при относительном значении цены закрытия свечи и
прогнозируемом значении в текущий момент времени. Начальная сумма денег взята случайным
образом, после чего расчёт ведётся по описанному выше алгоритму.
Таблица 5. Линейная модель для часового интервала.
Дата
Точность
Итоговая
сумма
(руб.)
Разница с предыдущим
днём (руб.)
0
5.11.2020
63,6363636363636 %
60321,81125
-
396,95625
06.11.2020
63,6363636363636 %
60104,17625
-
217,635
09.11.2020
45,4545454545455 %
59460,815
-
643,36125
10.11.2020
45,4545454545455 %
58644,75
-
816,065
11.11.2020
81,8181818181818 %
59378,61125
733,86125
12.11.2020
81,8181818181818 %
59572,18125
193,57
13.11.2020
72,7272727272727 %
59597,2475
25,06625
16.11.2020
63,6363636363636 %
58635,24875
-
961,99875
17.11.2020
72,7272727272727 %
58042,3625
-
592,88625
18.11.2020
81,8181818181818 %
58068,10875
25,74625
19.11.2020
72,7272727272727 %
57766,47
-
301,63875
20.11.2020
45,4545454545455 %
57408,0175
-
358,4525
23.11.2020
72,7272727272727 %
57277,17125
-
130,84625
24.11.2020
81,8181818181818 %
56974,70625
-
302,465
25.11.2020
63,6363636363636 %
57077,84875
103,1425
Выводы:
Точность на материале обучения: 70,1298701298701 %
Точность на тестовом материале: 67,2727272727273 %
5 из 15 дней принесли бы прибыль.
Общее количество сделок: 40
Общее количество убыточных сделок: 28
Общий прирост составил бы -4,83911124502393 %
На следующем приведенном графике синем показана цена закрытия свечи, а оранжевым
показано прогнозируемое значение линейной модели для суточного интервала на 2019 год. По оси
абсцисс отображается номер свечи.
Рисунок 4. Линейная модель для суточного интервала на 2020 год.
В следующей таблице показана точность линейной модели уже для суточных интервалов.
Начальная сумма денег взята случайным образом, после чего расчёт ведётся по описанному выше
алгоритму.
Таблица 6. Линейная модель для суточного интервала.
Год
Точность
Итоговая
сумма
(руб.)
Разница с предыдущим
годом (руб.)
2000
48,4472049689441
72959,27975
-
2280,1302
5
2001
57,7519379844961 %
71633,3558
-
1325,9239
5
2002
65,1162790697674 %
70561,8453
-
1071,510
5
2003
70,1550387596899 %
67862,37525
-
2699,4700
5
2004
65,6370656370656 %
65988,722
-
1873,6532
5
2005
71,5953307392996 %
64943,9147
-
1044,807
3
2006
66,5369649805447 %
62071,01665
-
2872,8980
5
2007
70,1550387596899 %
60003,0676
-
2067,9490
5
2008
67,9536679536679 %
61969,0758
1966,0082
2009
72,8682170542636 %
64926,17475
2957,09895
2010
68,6046511627907 %
63482,17395
-
1444,000
8
2011
68,8715953307393 %
66508,6737
3026,49975
2012
68,4210526315789 %
64945,581
-
1563,092
7
2013
65,9919028340081 %
65532,00055
586,41955
2014
65,3225806451613 %
85628,45115
20096,4506
2015
65,1821862348178 %
89439,08265
3810,6315
2016
65,7258064516129 %
71697,7155
-
17741,3671
5
2017
67,8714859437751 %
69104,477
-
2593,238
5
2018
70,2380952380952 %
72295,1438
3190,6668
2019
68,6746987951807 %
66081,0138
-
6214,1
3
2020
69
,2307692307692 %
73791,73005
7710,71625
Выводы:
8 лет из 21 принесли бы прибыль
Общая точность: 67,0107033639144 %
Общее количество сделок: 1199
Общее количество убыточных сделок: 810
Общий прирост составил: -1,92409795610419 %
Статистическое сравнение работы различных моделей
На следующем графике показан рост прибыли от работы различных моделей на часовых
интервалах с 7 марта 2018 по 28 декабря 2020. Стартовая сумма денег: 75239 рублей 41 копейка.
По оси абсцисс отображается номер свечи.
Рисунок 5. Графики прибыли с 3 января 2020 по 28 декабря 2020 на часовых интервалах
Синий график показывает расчёт по самому курсу, если бы он был известен.
В следующей таблице приведены статистические данные по работе моделей за год,
изображённых на графике выше.
Таблица 7. Работа различных моделей в 2020 году.
Модель
NAR
AR(12)
Линейная
Простое
скользящее
среднее
Экспон
ен
-
ное
скользящее
среднее
Рацион
-
ная
Сам курс
Общее
количество
сделок
725
716
741
616
467
561
591
Количество
убыточных
сделок
553
553
565
459
354
410
222
Количество
дней принёсших
прибыль
61
61
60
75
65
62
190
Точность (%)
77,21774
77,29839
69,83138
61,99597
62,24340
57,82258
100
,00000
Итоговая сумма
(руб.)
27738,15
27408,25
28350,57
36545,33
47033,47
40838,73
148560,36
Прибыль (%)
-
63,13347
-
63,57195
-
62,31952
-
51,42794
-
37,48826
-
45,72162
97,450195
Как выяснилось модель, обученная на часовых интервалах, неплохо работает и на
суточных. На следующем графике показан рост прибыли от работы различных моделей на
суточных интервалах с 3 января 2020 по 28 декабря 2020. Стартовая сумма денег: 75239 рублей 41
копейка. По оси абсцисс отображается номер свечи.
Рисунок 6. Графики прибыли с 3 января 2020 по 28 декабря 2020 на суточных интервалах
Синий график показывает расчёт по самому курсу, если бы он был известен.
Можно заметить, что результат работы всех моделей внешне очень похож: середина марта
принесла прибыль, больше которой за целый год не было. В результате наибольшую прибыль
принесла в конце года модель AR(12).
В следующей таблице приведены статистические данные по работе моделей за год,
изображённых на графике выше.
Таблица 8. Сравнение работы различных моделей в 2020 году.
Модель
NAR
AR(12)
Линейная
Простое
скользящее
среднее
Экспон
ен
-
ное
скользящее
среднее
Рацион
-
ная
Сам курс
Общее
количество
сделок
62
54
58
45
34
44
43
Количество
убыточных
сделок
38
29
36
28
23
27
3
Точность (%)
70,32520
71,9512
2
69,2307
7
61,6935
5
62,7530
4
59,34959
100
,00000
Итоговая сумма
(руб.)
81878,19
87345,3
8
82950
,
1
3
8240
3,89
81834,4
7
80286,62
133497,51
Прибыль (%)
8,8235
4
16,08992
1
0,24824
9,5209
2
8,76543
6,70820
77,43030
На следующем графике показан рост прибыли от работы различных моделей на суточных
интервалах с 3 января 2020 по 28 декабря 2020 по курсу евро, FIGI: “BBG0013HJJ31”. Стартовая
сумма денег: 75239 рублей 41 копейка. По оси абсцисс отображается номер свечи.
Рисунок 7. Графики прибыли с 3 января 2020 по 28 декабря 2020 на суточных интервалах для Евро
Синий график показывает расчёт по самому курсу, если бы он был известен.
В следующей таблице приведены статистические данные по работе моделей по курсу Евро
за 2020 год, изображённых на графике выше.
Таблица 9. Работа различных моделей в 2020 году по курсу Евро.
Модель
NAR
AR(12)
Линейная
Простое
скользящее
среднее
Экспон
ен
-
ное
скользящее
среднее
Рацион
-
ная
Сам курс
Общее
количество
сделок
59
57
58
46
37
45
45
Количество
убыточных
сделок
3
5
33
34
29
25
28
7
Точность (%)
72,76422
71,95122
66,80162
59,27419
59,91903
57,31707
100
,00000
Итоговая сумма
(руб.)
82666,78
86994,30
80794,47
77670,39
79159,82
83537,35
142239,66
Прибыль (%)
9,87165
15,62331
7,38318
3,230996
5,21058
11,02871
89,04941
Детали реализации
Для проверки работоспособности был использован инструментарий на языке C# для
работы с OpenAPI Тинькофф Инвестиции [3], который можно использовать для создания торговых
роботов. SDK доступен на nuget.org.
Торговля начинается с 7:00:00 по местному времени или с 10:00:00 по московскому и
длится 14 часов. Биржа работает каждый день, кроме выходных и праздников.
Запрограммированный робот работает автономно, сохраняя выводимую информацию в
консоль и в файл. Моменты купли/продажи подгоняются по времени к закрытию свечей в момент
их накопления. Для модели, которая требует три свечи часового интервала, это будет в 13:00:00,
14:00:00, и т.д. по московскому времени пока биржа не закроется. После этого робот ждёт нового
дня, и отключается только по выходным и праздникам. Робот всегда проверяет изменения баланса
и ждёт, пока покупка/продажа не будет совершена.
Тестирование в реальной ситуации
В реальной ситуации робот торговал несколько месяцев, перерывами, разными моделями,
на разных интервалах: сначала 5-ти минутных, потом 15-ти минутных, затем на часовых. Начиная
с суммы около 78807 рублей. Результаты отрицательные. И только один день 30.11.2020
закончился с прибылью порядка 200 рублей, после чего курс доллара стал падать. Текущий
баланс: 74629 рублей 69 копеек. Статика очень похожа на реальную ситуацию, но отличается из-за
нестабильности цены в один и тот же момент времени.
В следующей таблице показана история торгов робота 30.12.2020. Было замечено, что
биржевой брокер не сразу снимает комиссию, которая равна 0.05% от стоимости покупки/продажи
и составляла в тот день около 37 рублей.
Таблица 10. Реальная ситуация 30.12.2020
Местное
время
Московское
время
Последняя свеча
Предсказание
курса
Действие
Баланс
9:00:00
13:00:00
74
.
12
(Open)
,
74.12 – 74.48,
74.4575 (Close)
+
0,368858397
Buy
796,91 Rub
1001 Usd
0 Eur
10:00:00
14:00:00
74
.
46
(Open)
,
74.3025 – 74.55,
74.3775 (Close)
-
0,11438287
3
Sell
75112,19 Rub
1 Usd
0 Eur
11:00:00
15:00:00
74
.
3525
(Open)
,
74.2675 – 74.4875,
74.4675 (Close)
0,1143951963
Buy
600,01 Rub
1001 Usd
0 Eur
12:00:00
16:00:00
74,465
(Open)
,
74,3625 – 74,78,
74,7125 (Close)
0,2696541724
-
-
13:00:00
17:00:00
74,78
(Open)
,
74,66 – 74,8475,
74,845 (Close)
0,0282184508
-
-
14:00:00
18:00:00
74,8375
(Open)
,
74,755 – 74,99,
74,8825 (Close)
0,044989670
5
-
-
15:00:00
19:00:00
74,8475
(Open)
,
74,4275 – 74,92,
74,445 (Close)
-
0,393116499
Sell
74882,77 Rub
1 Usd
0 Eur
16:00:00
20:00:00
74,4625
(Open)
,
74,2525 – 74,5825,
74,5625 (Close)
0,0713622012
Buy
289,19 Rub
1001 Usd
0 Eur
17:00:00
21:00:00
74,57
(Open)
,
74,5075 – 74,6325,
74,555 (Close)
-
0,025815707
Sell
74800,55 Rub
1 Usd
0 Eur
18:00:00
22:00:00
74,5275
(Open)
,
74,4575 – 74,5275,
74,525 (Close)
0,0119342842
Buy
254,42 Rub
1001 Usd
0 Eur
19:00:00
23:00:00
74,5325
(Open)
,
74,375 – 74,5525,
74,415 (Close)
-
Sell,
Waiting
New Day
74648,29 Rub
1 Usd
0 Eur
Робот не стал продавать лот, когда курс доллара составлял 74,8825, предполагая, что он
может ещё вырасти, а получилось обратное. В итоге:
Количество сделок за день: 4.
Количество убыточных сделок за день: 4.
Вывод: из-за несильного колебания цен (из-за комиссии) и их непредсказуемости (из-за
ошибки прогноза) в течение рассмотренных периодов при реальной торговле получение дохода
невозможно на коротких интервалах.
Ссылки на интернет ресурсы
1. G. Ososkov, Yu. Pepelyshev and Ts. Tsogtsaikhan. Prediction of Liquid Sodium Flow Rate through
the Core of the IBR-2M Reactor Using Nonlinear Autoregressive Neural Networks. URL:
https://doi.org/10.1051/epjconf/201610802036
2. Профессиональный информационно-аналитический ресурс MachineLearning.ru,
посвященный машинному обучению, распознаванию образов и интеллектуальному
анализу данных. URL:
http://www.machinelearning.ru/wiki/index.php?title=%D0%90%D0%BB%D0%B3%D0%BE%D1%
80%D0%B8%D1%82%D0%BC_%D0%9B%D0%B5%D0%B2%D0%B5%D0%BD%D0%B1%D0%B5%D
1%80%D0%B3%D0%B0-
%D0%9C%D0%B0%D1%80%D0%BA%D0%B2%D0%B0%D1%80%D0%B4%D1%82%D0%B0
3. OpenAPI .NET SDK. URL: https://github.com/TinkoffCreditSystems/invest-openapi-csharp-sdk