در تاپ تریدرز امروز با مقاله تازه و متفاوتی به نام اندیکاتورهای نسل جدید در خدمت شما دوستان هستیم. با ما همراه باشید.

بزرگترین خصوصیت دنیائی که ما در آن زندگی میکنیم، دینامیک بودن آنست . یعنی با گذشت زمان دچار تغییر و دگرگونی می شود.
هیچ فرایند ایستائی در کائنات وجود ندارد . همه چیز با زمان تغییر میکند. حتی اگر به سنگها نگاه کنید با گذشت زمان دچار دگرگونی و تغییر می شوند . این همان چیزی است که ملاصدرا از آن به نام حرکت جوهری یاد میکند.
جوامع بشری و روابط میان انسانها نیز از این قانون مستثنی نبوده و در طول زمان دچار تغییر می شوند. مناسبات انسانها در گذشته تفاوت بسیاری با زمان حاضر دارد. لذا لازم است قوانین حاکم بر آنها نیز در طول زمان تغییر کند.

در دنیای معامله گری نیز چنین است. اندیکاتورهائی که در دهه ۷۰ میلادی و قبل از آن برای توضیح عملکرد بازار ارائه شدند در زمان خودشان کارا بوده اند زیرا اگر کارا نبودند، مقبولیت نمی یافتند. اما از آن زمان تا کنون علاوه بر مناسبات اقتصادی بین کشورها، تغییرات حیرت‌انگیز در حوزه فناوری و تکنولوزی کامپیوتر و سطح دسترسی افراد معمولی به بازارهای جهانی بوجود آمده که قبلا فقط در انحصار بانک ها و موسسات مالی بزرگ بود.

اگر برای مدتی در مارکت ترید کرده باشید، حتما فهمیده اید که اندیکاتورهای معمول به هیچ وجه کار نمی کنند. MACD در فاصله سالهای ۱۹۹۰-۱۹۸۰ عالی بود. اما اکنون سیگنالهای خطای زیادی صادر می‌کند. همینطور استوکاستیک و سایر اندیکاتورهایی که در گذشته استفاده میشدند اما اکنون دیگر کار نمی کنند. الگوهای کندل استیک مانند اینگلفینگ ، هارامی و دوجی، اغلب سیگنالهای خطا می دهند. چرا اینگونه است؟
حال میخواهم روشن کنم که وقتی از تغییر مناسبات صحبت میکنم دقیقا منظورم چیست.

Emergence پدیده

طیق قانون برآمدگی (Emergence) اگر تعداد بازیگران یک بازی خیلی زیاد باشد، حتی در صورتیکه هر یک از آن بازیگران دارای شعوری در حد تک سلولی باشند، مجموعه آنها دارای ماهیت فوق العاده هوشمند و متفاوت با هوش تک تک آن بازیگران خواهند داشت. بعنوان مثال در کلونی مورچه ها با وجود اینکه هر یک از تک تک مورچه ها از هوش بسیار پائینی برخوردار هستند، اما مجموعه کلونی ماهیت و ویژگیهای شگفت انگیزی خواهد داشت که مستقل از ماهیت و ویژگیهای تک تک (مورچه ها) خواهد بود.

و یا در کپک لجن با وجود اینکه تک سلولی است و دارای هیچ هوشی نیست اما مجموعه آن با بهینه ترین الگوریتم می تواند یک هزار تو را برای یافتن غذا جستجو کند.

هم اکنون از الگوریتم هائی مانند کلونی موچه ها و کلونی زنبور عسل و … برای حل پیچیده ترین مسائل بهینه سازی استفاده می شود.
به بازارهای مالی بر گردیم. مارکت چیزی نیست جز تک تک تریدرها. در واقع مارکت دارای هیچ مکان فیزیکی خاصی نیست. این تک تک تریدرها هستند که مارکت را شکل می دهند. پس در اینجا هم یک کولونی از تریدرهائی داریم که در تمام نقاط دنیا پراکنده هستند. بنابراین یک پدیده فوق العاده با هوش به نام مارکت متولد می شود. چرا می گویم فوق‌العاده باهوش ؟ به این دلیل که ما طبق قانون Emergence از کولونی مورچه ها برای حل پیچیده ترین مسائل بهینه سازی خود استفاده میکنیم چرا ؟ چون میدانیم مجموعه کولونی دارای هوشی به مراتب بالاتر از تک تک بازیگران آن یعنی مورچه ها می باشد. حال مارکت را بعنوان کولونی تریدرها را در نظر بگیرید قطعا هوش بازیگران این کولونی که انسانها هستند از هوش مورچه ها خیلی بالاتر است . لذا میتوان حدس زد مارکت دارای هوش بسیار بالاتری نسبت به هوش کولونی مورچه ها خواهد بود.

پس موجود هوشمند جدیدی متولد شده است که می دانیم طبق قانون Emergence فوق‌العاده باهوش است. این موجود هوشمند که آنرا مارکت می نامیم موجودی به شدت یادگیرنده است . او از تریدرهای خود می آموزد.

در بین مارکتهای مالی، فارکس یکی از پیچیده ترین آنهاست. فارکس مارکتی با جمع صفر است. بدین معنی که سود تریدرها الزاما از ضرر تریدرهای دیگر حاصل می شود. هنگامیکه در فارکس معامله میکنید، طرف معامله شما مارکت است. شما سعی میکنید مارکت را شکست داده و بازی را ببرید . مارکت هم متقابلا سعی میکند شما را شکست داده و شما را از بازی بیرون کند. قبلا هم اثبات کردیم هوش مارکت بسیار بیشتر از هوش شماست. حال در این بین برنده کیست؟

شریعتی جمله معروفی دارد که میگوید: ” هنگامیکه فردوسی شاهنامه را می ساخت شاهنامه هم فردوسی را می ساخت.”
همیشه بین خالق و مخلوق رابطه دو طرفه وجود دارد. وقتی نویسنده ایی کتابی را مینویسد و یا نقاشی یک نقاشی میکشد و یا مهندسی یک ساختمان می سازد، از طرف مخلوق خود تاثیر می پذیرد. جمله کلیشه ائی در مارکت وجود دارد که میگوید: “استاد همه ما مارکت است.” خوب این استاد دانش خودش را از کجا آورده؟ قطعا از تک تک تریدرهای خود گرفته است. پس مارکت از تریدر می آموزد و تریدر از مارکت. این رابطه دو طرفه است. پس باید مارکت را یک موجود هوشمند و آموزش پذیری در نظر بگیریم که از تریدرهای خود می آموزد.

از طرف دیگر با گسترش تکنولوژی کامپیوتر که باعث شده ورود به بازارهای مالی در سطح مشاغل خانگی به سهولت امکان پذیر شود، (که این امر سابقآ تنها در انحصار شرکتها و موسسات مالی بزرگ بود) خیل عظیمی از نخبه های فیزیک و ریاضی به این رشته هجوم آورده و استراتژیهای جدید و پیچیده آنها، باعث تکامل بیشتر مارکت شده و در برابر استراتژیهای ضعیف تریدرهای خرده پائی مانند ما، بسیار مقاوم تر شده است.

اگر اندیکاتور و یا استراتژی سود دهی باعث سواری گرفتن از مارکت شود در اینصورت طبیعی است که این موجود هوشمند و آموزنده ، بزودی خودش را طوری تطبیق خواهد داد، که نتوانید با آن استراتژی سود کنید. هر چه این استراتژی سودده عمومی تر باشد، سرعت عکس العمل مارکت سریعتر خواهد بود یعنی سرعت ساخته شدن آنتی بادی برای واکسینه شدن مارکت در برابر آن سریعتر خواهد بود. اما حتی اگر این استراتژی عمومی هم نشود، ممکن است مارکت برای مدت بیشتری فریب بخورد و به شما سواری دهد. اما سرانجام تا زمانی میتوانید با آن سود کنید که آنتی بادی ان در مارکت ساخته نشده باشد.

مارکت در مواجهه با هر ترفند، تکنیک و استراتژی، در صورتیکه چیز جدیدی باشد، و هنوز نسبت به آن واکسینه نشده باشد، به شما سود میدهد. اما بعد از مدتی نسبت به آن واکسینه شده و دیگر سواری نمی دهد. من معتقدم از استراتژیهای پابلیک شده و اندیکاتورهای مرسوم به هیچ وجه نمی توان در حال حاضر از مارکت سود گرفت. اگر آنقدر با هوش باشید که روش و استراتژی جدیدی برای سود گرفتن از مارکت ابداع کنید، حتی اگر آنرا پابلیک نکنید تنها برای مدت محدودی می توانید با استفاده از آن، از مارکت سود بگیرید. زیرا بزودی مارکت نسبت به آن آداپته خواهد شد. مارکت موجود فوق العاده هوشمندی است که در هر لحظه، از تریدرهای نخبه خود می آموزد. می آموزد که چگونه شما را شکست دهد.

(Anomaly) ناهنجاری

عدم کارائی روشهای پابلیک شده را میتوان به گونه دیگری نیز توضیح داد.

در طبیعت ناهنجاری به هیچ وجه تحمل نمی شود. نیرویهای طبیعت در جهتی حرکت میکنند تا به سرعت ناهنجاری را بر طرف کنند.

بعنوان مثال فرض کنید یک ویروس بیماری زا به بدن انسان وارد شود. این یک ناهنجاری است زیرا در حالت نرمال و طبیعی چنین ویروسی نباید وجود داشته باشد. بلافاصله سیستم ایمنی بدن در برابر آن واکشن نشان داده و در صدد دفع آن برمی آید.

یا فرض کنید قیمت دلار در اهواز اندکی پایین تر از قیمت دلار در تهران باشد. در اینصورت یک ناهنجاری یا آربیتراژ یا فرصت سرمایه گذاری بدون ریسک بوجود آمده که در اثر آن سرمایه گذارن به سرعت وارد عمل شده و با خرید دلار در اهواز باعث بالا رفتن تقاضا در اهواز و یکسان شدن قیمت آن با تهران می شود. در نتیجه این ناهنجاری به سرعت از بین می رود و قیمت دلار در تهران با اهواز برابر می شود. یا فرض کنید تولید یک محصول خاص حاشیه سود بالائی داشته باشد، به سرعت سرمایه گذارن وارد عمل شده و با تولید آن محصول و افزایش عرضه، باعث کاهش قیمت محصول و از بین رفتن فرصت آربیتراژ یا ناهنجاری بوجود آمده می شوند.

حال به فارکس برمی گردیم. فرض کنید شما دارای یک استراتژی سود ده و یا یک اندیکاتور خاص و ویژه هستید که میتوانید با استفاده از آن سودهای زیادی از مارکت کسب کنید. این یک ناهنجاری در مارکت و یک فرصت آربیتراژ برای شما است. اما به محض اینکه پابلیک شود و تریدرهای زیادی از ان استفاده کنند، این ناهنجاری از بین می رود و نمی توان با استفاده از آن از مارکت سود گرفت.

 

مثالها

• Fischer و Scholes Myron در اوایل ۱۹۷۰ روشی برای کشف قیمت سهام در بازار آپشن ابداع کردند. فورمول آنها که به فورمول بلاک شولتز معروف شد، باعث شد تا دکتر شولتز در ۱۹۹۵ جایزه نوبل ردیافت کند ( فیشر بلاک در آن زمان از دنیا رفته بود). قبل از اینکه بلک و شولنز فورمول خود را در سال ۱۹۷۳ منتشر کنند، آنرا به دانشجویانی در دانشگاه شیکاگو و MIT آموزش دادند. این دانشجویان توانستند با استفاده از روش بلک شولتز سایر تریدرهائی را که بصورت تجربی اینگونه سهام را قیمت گذاری میکردند را کنار زده و سود زیادی کسب کنند. اما هنگامیکه مقاله آنها بصورت عمومی منتشر شد، همگان دانستند که قیمت گذاری اینگونه سهام چگونه باید باشد و مزیت تریدرهای قبلی از بین رفت.

 

• تریدرهای افسانه ائی زیادی در مارکت وجود داشته اند. یکی از آنها به نام Jim Simons مالک هج فاند Renaissance Technologies بود. جیم سیمون برای مدلسازی ریاضی مارکت تعدای ریاضیدان با مدرک دکتری بدون هیچگونه تجربه در بازارهای مالی را به استخدام شرکت خود درآورده بود. این مدلها باعث شدند تا جیم سیمون بتواند در فاصله سالهای ۲۰۱۴-۱۹۹۴ بطور متوسط سالانه %۷۱ سود آوری داشته باشد. بعد از بحران مالی شدید در سال ۲۰۰۸ در حالیکه بسیاری از هج فاندها وضعیت خوبی نداشتند، هج فاند جان سیمونز در همان سال %۹۸ سود کسب کرده بود. او یک فورمول برنده داشت اما آنرا با هیچکس در میان نگذاشت. و با مخفی نگه داشتن رازش به یکی از میلیاردرهای مارکت تبدیل شد.

 

• ریچارد دنیس یکی دیگر از تریدرهای افسانه ائی است. سیستم ترید او به نام لاکپشت در سال ۱۹۸۰ بخوبی کار میکرد. بطوریکه او با استفاده از آن میلیارد ها دلار بدست آورد. سیستم ترید او نزدیک به ۲۰۰ میلیون دلار برای او سود آوری داشت. اما اگر بخواهید امروز از همان سیستم استفاده کنید فقط باخت نصب شما خواهد شد. پس سعی نکنید امروز با سیستم او ترید کنید!

آنچه که خوب کار میکند، تنها برای عده ائی که در ابتدا آنرا شروع کرده اند یعنی قبل از اینکه به حد کافی عمومی شده باشد، خوب کار میکند سپس کارائی خودش را از دست خواهد داد. هنگامیکه رازی فاش شود، دیگر یک راز نیست.

تا اینجا گفتیم استراتژیهای پابلیک شده و اندیکاورهای سنتی در زمان خودشان خوب بوده اند و برای الان کارائی ندارند و مارکت نسبت به آنها واکسبنه شده و آنتی بادی آنها را در بدن خودش ساخته است.

اگر منابع تحلیل تکنیکال و سایتهای اینترنتی آموزشی را زیرورو کنید به جز توضیح همان اندیکاتورهای سنتی چیز دیگری در آنها نخواهید یافت. حال می توانید درک کنید چرا در این مارکت %۹۵ بازنده وجود دارد. چون این روشها دیگر کار نمی کنند.چه باید کرد؟

باید اندیکاتورها و استراتژیهای پابلیک شده را دور بریزیم و به سراغ نسل جدیدی از اندیکاتورها که من آنها را اندیکاتورهای نسل دوم می نامم برویم که هنوز مارکت نسبت به آنها واکسینه نشده است. البته بدیهی است بعد از مدتی آنها را نیز باید دور ریخت و باید به سراغ نسل بعدی رفت. در اندیکاتورهای نسل دوم فرصت آربیتراژ وجود دارد و میتوان بر اساس آنها از مارکت سود گرفت.

قبل از ورود به اندیکاتورهای نسل دوم ابتدا به مقدمه ائی در مورد بازارهای کارا و سپس هوش مصنوعی می پردازم.

آیا مارکت واقعا کارا است؟

کارا بودن مارکت به این معنی است که قیمت بازتابی از تمام اطلاعات ممکن است و غیر ممکن است که بتوان از گذشته مارکت اطلاعات بدرد بخوری در مورد آینده حرکت قیمت استخراج کرد. این به معنی آنست که حرکت قیمت بصورت تصادفی است. به عبارت دیگر در یک مارکت کارا هیچ ناهنجاری وجود ندارد و فرصت آربیتراژ ایجاد نمی شود و هیچ شانسی برای شکست دادن مارکت وجود ندارد. از طرف دیگر می دانیم افرادی وجود دارند که بطور مستمر و برای مدت طولانی توانسته اند از مارکت سود بگیرند. یکی از این افراد وارن بافت است. نمونههای اینچنینی تا حدی فرضیه بازار کارا را زیر سوال میبرد.

امروزه میدانیم مارکتها شاید در بلند مدت کارا باشند اما در کوتاه مدت کارا نیستند. به همین دلیل است که می بینید یک استراتژی ترید در کوتاه مدت کار میکند اما در بلند مدت کار نمی کند. چرا؟ به این دلیل که بازارها در بلندمدت کارا هستند و نمی توان از آنها سود گرفت. در محافل آکادمی از تئوری بازارهای کارا برای توضیح عدم کارائی تحلیل تکنیکال در بلندمدت استفاده می شود. اما امروزه ثابت شده است که این فرضیه حداقل در کوتاه‌مدت صادق نیست.

امروزه تقریبا تمام بازیگران اصلی بازار از ترید اتو ماتیک استفاده میکنند. تریدرهای تکنیکال به دنبال الگوهای تکرار شوند ه در مارکت هستند تا بتوانند بوسیله آن آینده حرکت مارکت را پیش بینی کنند. آنها معتقدند، اطلاعات گذشته قیمت، میتواند اطلاعاتی در مورد آینده قیمت بدست دهد. الگوهائی در نمودار قیمت وجود دارند (در کوتاه مدت) که میتوانند برای پیش بینی مارکت استفاده شوند. شناسائی این الگوها از نویز های مارکت کار آسانی نیست. این نشان می دهد که چرا بسیاری از ما نمی توانیم از مارکت سود بگیریم. هنکامیکه با چشم به حرکت قیمت نگاه میکنید ممکن است بسیاری از این الگو ها به دلیل آمیخته شدن با نویز قابل شناسائی نباشند.

وظیفه یک تحلیلگر تکنیکال شناسائی این الگوها از نویز هایی است که با آن ترکیب شده اند. تکنیکالیست هائی که بتوانند این الگو ها را به درستی تشخیص دهند، میتوانند از مارکت سود بگیریند و آنهائی که این قابلیت را نداشته باشند، نمی توانند. اما هنگامیکه یک الگو عمومی میشود، قدرت پیش بینی اش را از دست می دهد. چرا؟ زیرا مارکت، باهوش و کارا است و به سرعت یاد میگیرد نسبت به آن الگو واکسینه شود.

هوش مصنوعی

هوش مصنوعی کاملآ زندگی ما را دگرگون کرده است. با موفقیتهای جدید در مورد ماشینهای خود ران، آینده هوش مصنوعی به نظر خیلی روشن می رسد. هوش مصنوعی تم اصلی در بسیاری از فیلم های علمی تخیلی است که در آنها روباتها باهوش تر از انسانها هستند فیلمهای دیگر هالیودی در زمینه علمی تخیلی نیز وجود دارند که در آنها هوش مصنوعی دارای قدرتهای تخریبی نشان داده شده است. البته ممکن است نتوانیم به آن درجه از توسعه تکنولوزی هوش مصنوعی که در آن، روباتها بر انسانها مسلط شوند برسیم. اما قطعآ به آن درجه از توسعه خواهیم رسید که در آن، ماشین تنها در مسائلی خاص قدرت یادگیری از تجربیاتش را داشته باشد.

ماشین لرنینگ

ماشن لرنینگ یا یادگیری ماشین قلب هوش مصنوعی است. الگوریتمهای ماشین لرنینگ برای یادگیری از تجربیات گذشته طراحی شده اند.

امروزه ما در نیای بزرگ اطلاعات زندگی می کنیم تمام کسب و کارهای بزرگ، کمپانیها، شرکتها و بانکها از کارمندانی استفاده میکنند که وظیف آنها تحلیل اطلاعات و یافتن الگوهائی است که بتوانند بر اساس آنها تصمیم های سود آور برای شرکت خود بگیرند. بر روی پلتفرم متاتریدر تنها در عرض چند ثانیه میتوانید به راحتی اطلاعات ده سال گذشته مارکت را برای چندین جفت ارز بصورت فایل csv دانلود کنید. تنها چیزی که لازم است، آنست که بتوانید این اطلاعات را برای یافتن الگوهای مناسب که بتواند به شما در تصمیم گیری های سود آور کمک کند، کندوکاو کنید. هدف ما استفاده از ماشین لرنینگ به منظور کندو کاو در این اطلاعات و یافتن الگوهای مناسب برای خرید و فروش است . ماشین لرنینگ ترکیبی از ریاضیات، آمار، تکنولوژی کامپیوتر، کد نویسی و تکنولوژی اطلاعات است که الگوهای پیش بینی کننده مارکت را از حجم بزرگی از اطلاعات استخراج میکند. این کاری است که هم اکنون هج فاند ها برای توسعه نسل جدیدی از استراتژیهای ترید اتوماتیک از آن استفاده میکنند.

 

کوانتاتیو تریدینگ

کوانتاتیو تریدینگ (ترید اتوماتیک و مبتنی بر کمیت) در حال پیشترفت است. هج فاند ها و بانکهای بزرگ کارمندانی با مدرک دکترا در زمینه فیزیک و ریاضی را به استخدام خود در می‌آورند که به آنها کوانت گفته میشود. وظیفه یک کوانت توسعه مدلهای مارکت به نحوی است که امکان پیش بینی حرکت آتی قیمت وجود داشته باشد. سپس از این پیش بینی ها در ترید و سرمایه گذاری استفاده میشود.

اینفو گرافی زیر ۸ الگوریتم ماشین لرنینگ معروف، که من آنها را نسل جدید اندیکاتورها می نامم نشان می دهد.

(Neural Networks) شبکه های عصبی

اولین الگوریتمی که به بحث در مورد آن میپردازیم Neural Network است. Neural Network اتصال ساده بین نودها یا گره ها است. از هر نود برای ترکیب ورودیها از نودهای قبلی، با استفاده از یک تابع حلقوی استفاده می شود. در چند دهه قبل به دلیل فقدان قدرت محاسباتی لازم، آموزش این شبکه ها مشکل بود. اما امروزه با افزایش قدرت محاسباتی کامپیوتر ها میتوان این شبکه ها را به راحتی آموزش داد. الگوریتم انتشار رو به عقب، پیشترفت غیر منتظره ائی را در زمینه محاسبات این شبکه ها ایجاد کرده است. سیستم های ترید زیادی از شبکه های عصبی استفاده میکنند.

 

هج فاند ها عاشق شبکه های عصبی هستند. مشکلی که با شبکه های عصبی وجود دارد آنستکه آنها دارای جعبه های سیاه هستند که از آنها برای یافتن رابطه خطی بین ورودی و خروجی استفاده می شود. در اغلب اوقات نمی توان نحوه آنها را به سادگی توضیح داد. مشکل دیگر آنست که آنها تمایل دارند در حداقل موضعی (local minima) باقی بمانند. در این حالت هر بار که آنرا ران میکنید، نتایج متفاوتی بدست می آورید. اگر میخواهید از شبکه های عصبی استفاده کنید باید تجربه زیادی در این مورد داشته باشید. نرم افزارهای گران قیمت زیادی در بازار وجود داد که ادعا میکنند با استفاده از شبکه های عصبی میتوانند با دقت بالا مارکت را پیش بینی کنند.

 

Support Vector Machines

Support Vector Machines یکی دیگر از الگوریتم هائی هست که میتواند در ترید استفاده شود. اگر جهت حرکت مارکت را بدانید میتوانید ضررهای خود را به نصف کاهش دهید. هنگامیکه حدس می زنید به احتمال زیاد مارکت به سمت بالا خواهد رفت، از باز کردن پوزیشن فروش خودداری خواهید کرد. بر خلاف شبکه های عصبی، SVM در مینیمال های موضعی گیر نمی کند یعنی همیشه یک جواب منحصر به فردی به شما خواهد داد.

 

(Decision Trees) درخت تصمیم گیری

همانگونه که گفته شد شبکه های عصبی و SVM بلاک باکس هائی هستند که درک آنها مشکل است. این بلاک باکسها میتوانند روابط غیر خطی را بخوبی مدل کنند اما در بخش پیش بین یضعیف هستند. درخت تصمیم گیری از یک گراف درختی بعنوان مدل استفاده کرده که به شما مسیر تمام اتفاقاتی که میتواند رخ دهد را میدهد. درخت تصمیم گیری میتواند برا ی سیستمهای ترید خصوصآ برای مدل کردن الگوهای کندلی بخوبی مورد استفاده قرار گیرد. اور فیتینگ مشکلی است که با این نوع مدلسازی به کرات برخورد میکنیم. الگورتمهای متعددی برای درخت تصمیم گیری وجود دارد که بصورت اتوماتیک در خت را هرس کرده و آنرا ساده تر میکند. ترکیب چند درخت تصمیم گیری در یک سیستم خبره می تواند نتایج خوبی بدست دهد.

Fuzzy Logic

فرآیند تصمیم گیری در انسان همیشه برای دانشمندان مبهم بوده است. هیچ چیز سیاه و سفید در دنیا وجود ندارد. ما همیشه با احتمالات سروکار داریم. هیچ قطعیتی در کار نیست. منطق فازی برای مدلسازی فرآیند تصمیم سازی در انسان بکا رمی رود. مقادیر فازی بصورت خشک و غیر قابل انعطاف نیستند. هنگامیکه صحبت از پیش بینی مارکت می شود، الگوهای کندلی عالی هستند اما ترید بر اساس آنها نیاز به تجربه بالائی دارد. الگوهای اشتباه زیادی وجود دارند که میتوانند شما را در ترید گرفتار کنند. باید با دقت، به هر الگو، در تصویر بزرگتر نگاه کنید.
الگوهای کندلی فازی برای پیش بینی مارکت میتوانند تا %۸۰ دقت داشته باشند. ما یک مدل کندلی فازی را توسعه داده ایم که از آن در یک درخت تصمیم گیری یا در یک شبکه عصبی برای پیش بینی مارکت مورد استفاده قرار می گیرد. که نتایج آن خوب بوده است. منطق فازی میتواند در دو متد عینی و ذهنی مورد استفاده قرار گیرد. متد عینی که توسط Takagi and Sugeno پیشنهاد شده است که دارای نتایج درخشانی بوده است.

 

Genetic Algorithm

الگوریتم ژنتیک یک قید یا محدودیت برای مسئله بهینه سازی است که از فرایند انتخاب طبیعی در تکامل موجودات زنده الهام گرفته شده است.
از الگوریتم ژنتیک میتوان برای یافتن بهینه ترین پارامترها در یک استراتژی ترید بهره برد. الگوریتم ژنتیک از فرآیندهای مقدار دهی اولیهانتخاب، تقاطع و جهش برای یافتن بهترین راه حل ممکن در یک مسئله بهینه سازی استفاده میکند. نتایج حاصل از پیش بینی مارکت با استفاده از الگوریتم ژنتیک نیز چشمیگیر و در خور توجه بوده است. استفاده از الگوریتم ژنتیک در گذشته به دلیل محدودیت در حجم محاسبات، با محدودیت روبرو بود اما الان با افزایش ظرفیت محاسباتی کامپیوتر ها، استفاده از این الگوریتم فراگیر شده است.

 

Kalman Filter

فیلتر کالمن در ابتدا برای سیستمهای کنترل ایجاد شد. این سیستم با موفقیت در ماموریت سفینه فضائی آپولو که به ماه فرستاده شد، مورد استفاده قرار گرفت. قیمت سهام بعنوان فرآیند گام تصادفی (random walk) مدل می شود سپس مدل بدست آمده با استفاده از فیلتر کالمن هموار می شود.

 

در این روش از فضای حالت برای تخمین مشاهده بعدی سیستم دینامیکی استفاده میشود. ابتدا شرایط اولیه پارامترهای فضای حالت سیستم دینامیکی صفر در نظر گرفته می شود و مقدار بعدی خروجی تخمین زده میشود. هنگامیکه مقدار واقعی متغییر خروجی مشخص می شود، تفاوت مقدار تخمین زده شده و مقدار واقعی، که مقدار خطا می باشد، برای تصحیح پارامترهای فضای حالت استفاده میشود. با n مشاهده اول که معمولا ۱۰۰-۲۰ مشاهده می باشد، معمولآ پارامترهای فضای حالت با دقت بالائی مشخص میشوند. حال با هر مشاهده جدید (که در بازارهای مالی میتواند قیمت کلوز در جفت ارز و تایم فریم مورد نظر باشد)، که از راه می رسد، پارامترهای فضای حالت آپدیت شده و مقدار مشاهده بعدی تخمین زده میشود.

فیلتر کالن برای هج فاندها و موسسات بزرگ بسیار محبوب است و از آن به صورت وسیعی استفاده میکنند. در حالیکه تریدرهای جزء حتی نمیدانند چنین فیلتری وجود دارد.

از فیلتر کالمن برای هموار سازی مدلهای GARCH و ARIMA نیز استفاده می شود. فیلتر کالمن یک مدل دینامیکی خطی است که بطور وسیعی در مدلسازی آماری بکار می رود.

(Particle Filter) فیلتر ذره

فیلتر ذرات یک الگوریتم ترتیبی مونت کارلو (Sequential Monte Carlo algorithm) می‌باشد. در فیلتر کالمن فرض ما اینست که خطاهای رندم دارای توزیع نرمال گوسی هستند. فرض توزیع نرمال گوسی خطاهای رندم، یک فرض مرسوم در اغلب تحلیلهای سریهای زمانی است. اما در واقعیت می دانیم که قیمتهای سهام درای توزیع نرمال نیستند. به این معنی که بجای شکل زنگ مانند تایع توزیع، دارای دنبالههای تخت هستند. تخت بودن دنباله تابع توزیع بسیار مهم است و به معنی اینست که قیمت های دورتر از مقدار میانگین به تعداد زیاد، اتفاق می افتد. این چیزی است که ما بعنوان تریدر دقیقا در طول روز مشاهده می کنیم. در مدلسازیهائی که در گذشته انجام می شد، امکان در نظر گرفتن توزیع غیر نرمال وجود نداشت. اما با افزایش قابلیت محاسبات سنگین کامپیوتری در دهه اخیر، امکان توسعه مدلهای غیر خطی خصوصا Sequential Monte Carlo algorithm که بعنوان فیلترینگ ذره شناخته میشود، فراهم شده است. فیلترینگ ذره برای پیش بینی قیمت high و low سهام استفاده می‌شود که نتایج حاصل ار آن چشمگیر است.

 

(Wavelets) موجک

ویولت یا موجک برای هج فاند ها محبوبیت زیادی دارد. گزارش شده است که هج فاندها در هنگام مصاحبه استخدام کوانت ها، سوالات زیادی در مورد ویولت می پرسند. امواج عادی قابلیت ادامه و گسترش در هر دو جهت را دارند اما موجکها درای اغتشاش های کمی بوده و بعد از مدت کوتاهی از بین می روند. در دیتاهای مالی از سریهای زمانی بطرز گسترده ائی استفاده می شود. اما نتایج خوب نیستند. موجک ها شیوه جدیدی است که برای بر طرف کردن محدودیت هائی که در ذات تحلیل سریهای زمانی سنتی وجود دارد، توسعه داده شده اند.

موجکها موجهای کوچکی هستند که دارای عمر محدودی هستند. تبدیل Haar نسبت به تبدیل فوریه سریع (Fast Fourier Transform) نتایج بهتری بدست می دهد.

 

نتیجه

در این مقاله فقط به معرفی کوتاهی از ۸ الگوریتم ماشین لرنینگ که میتواند به ترید شما کمک کند، پرداخته شد. همانگونه که گفته شد،
اندیکاتورهای تحلیل تکنیکال که در سال ۱۹۷۰ و قبل از آن به مارکت عرضه شدند، دیگر مفید نیستند. ما به مجموعه ائی از اندیکاتورهای جدید نیاز داریم که بطور صحیحی بتوانند مارکت امروز را مدل کنند. اینها الگوریتمهای قدرتمند ماشین لرنینگ هستند که بر خلاف اندیکاتورهای سنتی قادر به لحاظ کردن عدم قطعیت در ذات رندوم وار مارکت هستند. ما بعنوان تریدر میدانیم عدم قطعیت دارای نقش اساسی در ترید است. حال اگر قصد یادگیری و بکار بستن این الگوریتمهای ماشن لرنینگ را دارید، باید زبان Python یا R که در زمینه تحلیل داده و ماشین لرنینگ بسیار قدرتمند است را بیاموزید. از یاد گیری این زبانها وحشت نداشته باشید. این زبانها سطح بالا بوده و به زبان محاوره ائی بسیار نزدیک هستند. کمی تلاش برای یادگیری آنها کافی است. شانس خود را برای یادگیری این الگوریتمها از دست ندهید. بزودی الگوریتمهای ماشین لرنینگ جای خودش را به الگوریتمهای یادگیری عمیق (deep learning) خواهد داد که نیازمند قدرت محاسباتی سنگین بوده که هم اینک در اکثر کامپیوتر ها در دسترس است. امروزه حتی میتوانید از محاسبات ابری (cloud computing) برای محاسبات ریل تایم در استفاده از این الگوریتمها بهره ببرید.
به دنیای جدید کوانتاتیو تریدینگ خوش آمدید.

نویسنده: مهدی طهماسبی