3

Как анализ данных помогает трейдерам в работе

Анализ больших данных за последнее время вышел на совершенно новый уровень и может считаться полноправной самостоятельной отраслью. Многие финтех-компании сегодня полагаются на анализ данных при разработке стратегий. Трейдинг с его огромными потоками информации — как раз то поле игры, на котором анализ данных может дать ощутимое преимущество. Правда, большими данными в трейдинге занимаются сейчас в основном биржевые аналитики, а сами трейдеры пока остаются в стороне. Из всех участников фондового рынка трейдеры ближе всех к рынку, поэтому им особенно важно понимать, какие модели управляют его поведением. Анализ данных дает трейдеру ключ к пониманию глубинных процессов рынка.

В анализе данных (Data Science) можно выделить два основных направления: статистический анализ и машинное обучение (Machine Learning, ML). Эти направления тесно связаны друг с другом, а статистический анализ может существовать как самостоятельно, так и как одна из составляющих машинного обучения.

 

Что такое статистический анализ и чем он полезен трейдеру

Статистический анализ — это, по сути, та же традиционная статистика, или наука о том, как обрабатывать данные произвольной природы. Происходит это обычно так: берется массив произвольных данных и анализируется на всевозможные показатели, например, распределение или степень корреляции, на основе которых делается тот или иной вывод.

Например, анализ распределения показывает вероятность наступления того или иного события. В контексте криптотрейдинга с помощью анализа распределения можно увидеть, какие биржи накручивают объем, а какие нет. Об использовании статистики для выявления нечестных бирж более подробно и простым языком рассказывается в этой статье. Еще один полезный статистический метод — анализ корреляции. С его помощью можно проанализировать, насколько каждый актив в портфеле трейдера похож на любой другой, то есть, коррелирует с другими активами. Составлять портфель только из высоко коррелированных активов крайне рискованно — в случае падения цены на один из таких активов можно потерять все деньги.

 

Методы машинного обучения в трейдинге

Машинное обучение — это применение искусственного интеллекта, нейросетей и других методов обучения для выявления и анализа закономерностей и предикторов в массивах данных. Работает это так: разрабатывается алгоритм, который обучается определять те или иные закономерности на заданных примерах, а затем по результатам обучения строится математическая модель. Существует несколько типов таких математических моделях. Для наших задач актуальны две таких модели, и они же на сегодня являются самыми распространенными — это деревья решений и нейросети.

Деревья решений

Дерево решений в машинном обучении и статистике — это средство принятия решений, которое состоит из “листьев” и “веток”. На “ветках” дерева записаны атрибуты, от которых зависит целевая функция, на “листьях” — ее значения, а в остальных узлах — атрибуты, по которым различаются случаи. Для анализа данных в деревьях решений применяется нисходящий подход, который иногда называют “разделяй и властвуй”. По сути машина разбивает данные на множество вопросов, на которые можно ответить “да” и “нет”, а цель состоит в том, чтобы получить модель, которая предсказывает значение целевой переменной на основе нескольких переменных на входе.

Усложненный вариант этой модели — ансамбли деревьев, где есть несколько решений, для каждого из которых строится свое дерево, а правильный ответ выбирается голосованием.

Деревья решений особенно хорошо подходят для использования в трейдинге, так как они позволяют трейдеру сделать именно то, что заложено в их названии — принимать информированные решения. Они позволяют обрабатывать данные с сильным шумом, выделять нелинейные тенденции и отслеживать взаимосвязи между индикаторами.

Торговая стратегия как дерево решений

Нейросети

Нейросети — это математические модели, организованные по принципу биологических нейронных сетей, которые состоят из связанных между собой нейронов, нервных клеток организма. Математический нейрон — это упрощенная модель биологического нейрона, а нейросеть имитирует процессы, протекающие в мозге и нервной системы, которые опираются на предыдущий опыт и учатся не делать ошибок.

Правильно построенная и обученная нейросеть легко способна заменить человека там, где есть огромные массивы постоянно обновляющихся данных. Трейдинг — как раз подходящая сфера. В условиях множества вводных данных сейчас ни один человек не способен полностью проанализировать ситуацию на финансовом рынке, а вот нейросеть вполне может это сделать. Нейросеть не подвластна человеческим эмоциям, поэтому на ее прогнозы не влияют сиюминутные факторы и импульсивные решения. Вместе с тем эксперты отмечают, что на данном этапе развития нейросети несовершенны, а результаты их анализа должны контролироваться человеком, прежде чем внедряться в трейдинг.

 

Анализ данных постепенно захватывает финансовые рынки. Скоро сложно будет представить себе, что трейдеры прошлого действовали исключительно по интуиции без использования больших данных и самообучающихся алгоритмов. Методы анализа данных ускоряют процесс трейдинга, делают процесс принятия решений более осмысленным, снижают риски и увеличивают прибыльность сделок. Тем не менее, нельзя не отметить, что алгоритмы искусственного интеллекта и традиционной статистики не могут со стопроцентной точностью прогнозировать ситуацию на рынке. Статистический анализ чувствителен к таким моментам, как неполнота данных или отсутствие четких закономерностей. Но в целом в использовании методов анализа данных гораздо больше плюсов. Вполне вероятно, что в недалеком будущем нейросети заменят живых трейдеров, а люди будут только время от времени контролировать их и пожинать плоды их работы.