Neurotinklai Forex rinkoje – ar verti jie dėmesio?

Sveiki, mielieji skaitytojai, Forex treideriai!

Šiuolaikiniame technologijų pasaulyje vis giliau į mūsų gyvenimą skverbiasi dirbtinis intelektas, įvairūs kalbantys pagalbininkai ir Big Data analizė. Paprasti žmonės su tuo dažniausiai susidūria per savo išmaniųjų telefonų apps’us, bet faktas lieka faktu – neurotinklai, arba savarankiškai besimokančios kompiuterinės programos plinta visur, net jei mes jų nematome.

Jau nemažai metų atgal, galima sakyti nuo 2006 m., programuotojai bando panaudoti neurotinklus ir treidinge. Idėja atrodo įdomi – sukurti automatinę prekybą nuolat besikeičiančioje rinkoje. Tačiau kokia situacija realybėje?

Dauguma treiderių yra nuolatinėse Forex strategijų paieškose. Kiekviena rasta sistema yra testuojama istoriniuose perioduose. Idealiu atveju, testavimas turi išryškinti tokius paternus, kurie veiktų pakankamai ilgame laiko periode.

Realybėje tai sunkiai įgyvendinama užduotis – prekybos sistemos pradeda “deginti” sąskaitą pradirbus nuo kelių mėnesių iki keleto metų. Pratęsti “galiojimo laiką” padeda optimizacija, bet galutiniame rezultate tenka ieškoti naujo priėjimo prie Forex rinkos.

Kaip išeitis – daug vilčių buvo dėta į neurotinklus. Neva, dirbtinis intelektas jau tikrai sugebės pažaboti Forex rinką. Kas tai yra, ir kaip dirbtinis intelektas gali įtakoti Forex – mūsų šiandieniniame straipsnyje.

Kai uždarbiai Forex rinkoje buvo dideli

Didžioji dalis treiderių, kurie yra darę valiutų prekybos testus nuo 90-ųjų iki šių dienų, dažnai pastebi strategijų silpnąsias vietas perioduose  2001-2008 ir 2013 metais. Jie tai sieja su ekonominėmis krizėmis, tačiau tai tik viena iš priežasčių, beje, ne pati svarbiausia.

90-aisiais metais Forex rinka tiesiog “dalino” pinigus pirmiesiems spekuliantams, kurie buvo pirmieji įsidiegę terminalus, pasijungė prie Interneto, ir naudojo pakankamai primityvias taktikas, aprašytas dar prieš dešimtmetį treidingo knygose. Uždarbiui netrukdė net laikini ryšio “lagai”, platformų “bagai”, dideli brokerio spredai ir pan.

Kova už pingą ir žemas komisijas tarp brokerių prasidėjo 2001 metais, kai rinkoje pradėjo masiškai rastis Forex robotai ir skalpingo strategijos, kurios iš esmės pakeitė trendų formą. Algotreidingas privertė market-meikerius imtis gudrybių: analizuoti klientų orderių srautus, “medžioti” jų stopus, taikyti įvairias pasalas, valdant minią su automatizuotų strategijų pagalba.

Treideriai atsakė tuo pačiu: prekybos platformos XXI amžiuje pradėjo analizuoti fjučerių kontraktų srautus ir Atvirojo intereso opcionus, prekybos apimtys buvo pradėtos analizuoti VSA žvakių analizės pagalba, į Forex industriją įsijungė būrys programuotojų ir matematikų, kurie prikūrė tūkstančius įvairių robotų.

2008 metais strategijos išėjo už loginės matematikos ribų: rinka pradėjo įsisavininti nelinijinius indikatorius ir ekonometriką, kurių jau buvo neįmanoma “pakartoti” standartiniuose prekybos terminaluose. Tuo momentu slapti brokerių reitingai fiksavo stiprius klientų rezultatyvumo kritimus.

Naujieji metodai kol kas nepaplito plačiai tarp treiderių dėl ekonometrikos temos specifiškumo, taip pat sudėtingumo ir analitinių programų naudojimo brangumo. Vienok, 2013 metais atsirado dar viena “bėda”: Forex rinkoje pradėjo aktyviai vystytis dirbtinis intelektas, kuris grasino nepalikti jokių šansų rankinei ir automatinei prekybai.

Kas yra neurotinklas paprastais žodžiais?

Neurotinklų tema “iššovė” 2011 metais, ir per 8 metus įsiskverbė į visas sferas. Dabar nieko nenustebinsi kalbančiais pagalbininkais, kurie valdo “protingus namus”, atpažįsta veidus ir t.t.

Antrajame XXI amžiaus dešimtmetyje vidutinio sudėtingumo dirbtinis intelektas aplošia didmeistrius šachmatais. Ryškus to pavyzdys – dabartinį šachmatų pasaulio čempioną Magnusą Carlseną lengvai įveikė Stockfish šachmatų variklis, kurį gali atsisiųsti kiekvienas norintis į savo išmanųjį telefoną. Ir tai ne riba, aukšto sudėtingumo DI geba spręsti kur kas sudėtingesnes logines užduotis.

Tačiau neurotinklai neatsirado vakar. Už šio atradimo stovi beveik amžiaus evoliucija: mažai kas žino, bet pirmajam neurotinklui greit sukaks 80 metų. Mokslininkai Warren Sturgis McCulloch ir Walter Pitts pirmieji pradėjo dirbti ties skaičiavimų kūrimu, kopijuojant žmogaus smegenų neurono darbą.

Kiekvienam iš jų gali būti suteiktas savas matematinis darbo algoritmas, sukonfigūruotas tam tikro formato įvesties duomenims apdoroti. Išvestinis neuronas kontroliuoja šią lygiagretaus skaičiavimo sistemą, kuri parenka darbo rezultatus, kad rezultatai būtų pakoreguoti teisingam atsakymui.

Atsakymus pateikia žmogus – tai vadinama tinklo mokymosi procesu, kuris yra privalomas etapas kuriant neuroninį tinklą. Išvestinis neuronas turi stengtis apskaičiuoti neuronų skaičių taip, kad, gaudamas įvairius išvesties duomenis, rastų rezultatus, kuriuos jam nurodė žmogus.

Tinklo konfigūraviams arba jo „treniravimas“ prieš jį paleidžiant yra labai panašus į strategijų testavimus  – tinklas kaskart vykdo skaičiavimus ir, naudodamas svertinius koeficientus, parenka labiausiai reikšmingiausius algoritmus, kurie yra svarbiausi teisingam atsakymui. Vartotojas tik nustato dirbtinio intelekto darbą pagal matematinę klaidų ataskaitą.

Lygiai taip pat, kaip ir Forex strategijoje, kai neurotinklas kaskart parodo patenkinamą rezultatą, paleidžiamas forward-testas realiuose, bet jau praėjusiuose įvykiuose su žinoma baigtimi. Jei tinklas praeina šiuos bandymus, jis pradedamas naudoti darbui. Tuo pačiu metu niekada nėra visiškai tiksliai žinoma, ko tiksliai ir kaip išmoko dirbtinis intelektas: rezultatas ir pats neuronų algoritmų veikimo vidinis procesas – yra „juodoji dėžė“.

Pateiksiu du pavyzdžius. Pirmasis – iš veido atpažinimo teorijos. Manau, daugelis skaitytojų yra susipažinę su fotoroboto sudarymo procesu – lūpų, akių, kaktos, veido formos parinkimu ir kt. Neuroninis tinklas šią problemą išsprendė savaip ir gana paprastai.

Neuronai bet kurį nuotraukos lauko plotą užpildo taškelio dydžio kryžiukais (pikseliais), kurių analizės pagalba ir nustatomos vaizdo ribos. Pašalinus neryškus plotus, skaičiavimas prasideda įstrižai ir horizontaliai. Pasirodo, atliekant šį „veido matavimą“ gaunamos unikalios sumos, kurios atitinka konkretų žmogų, jei paisomas mastelis ir proporcijos, kurias nėra sunku nustatyti.

Kitas įdomus atvejis, dažnai prisimenamas mokantis apie neuroninį tinklą, yra JAV kariškių bandymas išmokyti dronus aptikti karinę techniką, atpažįstant jos tipą iš oro. Daugybė įvairiomis sąlygomis nušautų lėktuvų, tankų ir sraigtasparnių parodymų lėmė, kad DI padėjo idealiai nustatyti oro sąlygas, bet taip ir neišmoko ieškoti technikos.

Kuo pavojingas dirbtinio intelekto taikymas Forex rinkoje?

Neuroninis tinklas gali iš esmės pakeisti valiutų spekuliacijas, o brokeriai gali grįžti prie taktikų, šiek tiek primenančių „virtuvinį“ brokeražą, tik pasauliniu mastu. Tiesą sakant, neribotos neuroninių tinklų galimybės gali būti panaudotos prieš minią, prognozuojant ne valiutų kursus, o kiekvieno atskiro treiderio elgesį. Market-meikeriai ir prime-brokeriai galės pasirinkti kontr-strategijas, medžiodami “stopus”, didindami spredus orderių paraiškų pateikimo rinkose metu, nustatydami “vaiduokliškas” apimtis stiklinėse aplenkdami realų grafiką, o ne pagal esamą faktą.

Suprojektuotas ir paleistas startupo „Sentinent Technologies“ neurotinklas jau gali emuliuoti 1800 darbo sesijų, labai tiksliai prognozuodamas iki trilijono (!) realių treiderių kognityvinio elgesio modelių. Sistema buvo treniruojama pagal orderių srautus, paimtus iš biržų paraiškos knygos ir brokerių serverių.

Duomenų kokybė ir kiekis – raktas į sėkmingą neuroninių tinklų mokymą; momentinių sandorių archyvai, suskirstyti pagal konkrečias sąskaitas – pati populiariausia prekė data-mainingo rinkoje. Šiuo terminu pavadinta atskira pramonės šaką, išgaunanti, analizuojanti ir formuojanti pirminę neurotinklo įvesties informaciją.

Kitas ramstis, lemiantis sistemos darbo sėkmę – neuronų skaičius “juodojoje dėžutėje”. Kuo jis didesnis, tuo daugiau reikia skaičiavimo galios, viršijančios standartinius procesoriaus pajėgumus. Projektuotojai ir neuroninių tinklų kūrėjai naudoja lustus, pagamintus specialiai pagal užsakymą. Idėja buvo paimta iš kriptovaliutų mainerių, kasančių Bitcoin ir kitas monetas su ASIC įranga.

Net jei brokeriams ir nepavyks universaliai perprasti treiderių elgesio ir sėkmingai sužaisti prieš minios strategijas, jie gali sukurti aukštos kokybės prognozavimo sistemas, kurių nebebus galima pakartoti prekybos terminaluose. Šiuolaikinės prekybos sistemos, veikiančios akcijų, prekių ir valiutų rinkose, skaito ir supranta naujienas, atpažįsta paternus, tai yra, jie yra kaip savarankiški analitikai su superkompiuterio smegenimis. Pavyzdžiui, taip veikia Emma robotas.

Kai kurios kompanijos tiesiogiai naudoja treiderius, kad apmokytų savo neurotinklo sistemą sėkmingiausių strategijų, kurios praėjo konkurso atranką. Kompanija Numerai rengia reguliarius treidingo turnyrus, neslėpdama savo tikslo ir netgi siūlydama nugalėtojams gauti nuolatinius dividendus, proporcingus jų indėliui į bendrą neuroninio tinklo prekybos sistemą.

Markas Lindas iš kompanijos IBM, dirbantis neurotinklų projektavime ir paleidime, ypač pabrėžė “neurobumą” 2017 metų gale. Daugiau nei 90% IT-giganto kurtų neurotinklų buvo skirti ekonomikos sektoriui, tame tarpe buvo susiję su valiutų kursų ir biržos rinkų prognozavimu.

Kas įdomiausia, kad tokios sistemos praktiškai nenaudoja techninės analizės, dirbdamos su realiais pinigų-prekių srauto duomenimis, analizuodamos verslo spaudą ir finansinius indikatorius, pramonės statistiką, politines naujienas, nepriklausomų ekspertų produkcijos kokybės ataskaitas ir netgi orų prognozes. IBM neurotinklų algoritmai ne tiek prognozuoja rinkos kainas, kiek analizuoja minios reakcijas į vienus ar kitus fundamentalius indikatorius ir naujienas, kurie atsispindi ne tik rinkoje, bet ir soc. tinkluose.

Ši tendencija įrodo tezę, kad kompanijos daugiau tiria ne rinkos elgesį, bet minios reakciją į įvykius, dalį kurių galima numatyti, sužinoti insaido pagalba arba sukelti netiesioginėmis manipuliacijomis. Tokiu atveju Reguliatoriai neturės pagrindo bausti stambių kompanijų.

Dirbtinis intelektas stambiuose investiciniuose fonduose ir bankuose

Viena iš pirmųjų kompanijų, kuri pritaikė dirbtinį intelektą rinkos judėjimo prognozei, tapo Renaissance Technologies –  kompanija, vadovaujama talentingų matematikų, iš principo samdanti darbuotojus, neturinčius jokių žinių apie treidingą ir techninę analizę.

Šioje kompanijoje labai žema darbuotojų kaita, kurie sugebėjo sukurti pilnai robotizuotą fondą Medallion, parodžiusį vidutinį 35% metinį pelningumą per 20 investicijų valdymo metų.

O bene pats radikaliausias treiderių pakeitimas dirbtiniu intelektu įvyko banke Goldman Sachs, – bankas sumažino treiderių skyrių net 99%.

Žinoma pasaulyje investicinė kompanija BlackRock patikėjo neurotinklui Aladdin iki 10% nuo visų savo portfelių, taip pat atlieka totalų visų kompanijos analitikų sprendimų auditą. Toks sprendimas buvo priimtas po pelno kritimo 2018 metais. Fondas pažymėjo konkurentų sėkmingumą Azijoje, kur dabar vyksta neurobumas investicijų sferoje, pavyzdžiui, Honkongo biržoje jau keletą metų sėkmingai veikia Aidyia Limited – hedž-fondas, pilnai valdomas dirbtinio intelekto.

Kaip dirbtinis intelektas keičia kapitalo pasitikėjimo valdymą?

Neurotinklas pamažu keičia investicijų konsultantus, asmeninius vadybininkus, taip pat ir pasitikėjimo kapitalo valdytojus. Startup’ai ir stambios kompanijos jau keletą metų siūlo panašius padėjėjus, kurie gali 100% prisitaikyti prie kiekvieno konkretaus kliento. Neuroninis tinklas tiria kliento norus ir įpročius, kad galėtų individualiai parinkti jam rizikos lygį ir portfelio sudėtį, pasiūlyti tinkamas rinkas ir optimalų kapitalo valdymą.

Pavyzdžiui, tokio pobūdžio pagalbininkus kuria startup’as FutureAdvisor kompanijai BlackRock; testuojamas Motif Investing partnerystėje su JPMorgan;  bankui UBS pagalbininkai kuriami ant SigFig bazės.

Remiantis McKinsey tyrimais ir apklausomis, investuotojų grupė, kuri vadovaujasi neurokonsultantų patarimais, lenkia gyvų analitikų pelningumą maždaug 7% per metus.

Be neuro-robotų iš bankų ir stambių brokerių, finansų paslaugų rinkoje atsirado atskira kryptis kuriant visiškai parengtas neuro-strategijas, pavyzdžiui, Binatix. Taip pat ištisa paslaugų sfera data-mainingui – informacijos pateikimas neurotinklams, suformatuotas bet kokiai konkrečiai rinkai, pavyzdžiui, kaip BUZZ Indexes atveju.

O kaipgi robotai paprastiems treideriams? Ar jie verti dėmesio? Kaip sukurti savo neurotinklą?

Valiutų rinkos Forex prognozavimas su dirbtinio intelekto pagalba yra prieinamas ir “paprastam mirtingajam” treideriui. Neurotinklai dalyvauja įvairiuose algotreidingo čempionatuose, kurie rengiami tarpautinės brokerių asociacijos nuo 2008 metų.

Sukonstruoti savo strategiją galima specializuotose platformose: neuroshell, matlab, statistica, deductor arba brainmaker. Treideriai, turintys programavimo žinių gali pasinaudoti specialiais servisais iš Google, Microsoft, Amazon.

Kad maksimaliai supaprastinti sudėtingus neurotinklo apmokymo procesus ir įvestinių duomenų pasirinkimą, treideris gali pasinaudoti įvairiais šablonais ir papildiniais, surinktais strategijų blokinio konstruktoriaus principu.

Yra tekę matyti sukurtų robotų, kurie dirba neurotinklų principu ir terminalui Metatrader 4, tačiau jų pelningumas buvo momentinis tik roboto išleidimo arba kokio nors konkurso metu – vėliau tokie robotai prekiaudavo į minusą arba “ant nulio”. To priežastis yra akivaizdi – Metatraderis yra technologiškai gan ribota programa ir negali pasiūlyti neurotinklų robotams didesnių tobulinimo galimybių.

Neurotinklų pliusai ir minusai

Apžvelgsime robotų su neurotinklais pliusus ir minusus, taip geriau juos suprasime. Pats metodas yra perspektyvus, bet ne universalus, ir kad pasiekti efektyvumo su jais, treideriui reikia laikyti eilės sąlygų ir, be abejo, adapduoti juos pagal save.

PLIUSAI:

• Forex-robotas su neurotinklais iškart gali dirbti su keliais informaciniais srautais ir pateikti jų pagrindu vieningą paruoštą rezultatą.
• Aukštas prognozavimo tikslumas retrospektyvos pagrindu (įvykiais praeityje).
• Darbo procese robotas kombinuoja techninę ir fundamentinę analizę. Tai gali suteikti labai tikslius signalus įėjimui į sandorį.

MINUSAI:

• Prieš pradedant darbą teks atlikti paternų korekcinį apmokymą. Tai užims labai daug laiko.
• Darbo efektyvumas labai priklauso nuo įvesties duomenų kokybės. Jeigu treideris įves į sistemą neteisingus duomenis, tai gaus klaidingus apskaičiavimus ir nuostolius.
• Robotas vistik negali pilnai įvertinti psichologinių minios nuotaikų, jos emocijų. Todėl robotas dažnai priims neteisingus sprendimus, kai rinkoje vyraus, pavyzdžiui, panikos nuotaikos.

Išvados

Pirmoji neurotinklų banga Forex rinkoje nuvilnijo 2006-2008 metais. Ekonominė krizė ir įvesties duomenų trūkumas ženkliai praretino entuziastų gretas. Treideriai ir kompanijos taip ir nesugebėjo pasiekti stabilių ir ilgalaikių rezultatų, kurie galėtų pateisinti brangias neurotinklų platformas. Antroji banga, startavusi 2011-2012 metais, sukūrė nemažai produktų 2016-2018 metais, tačiau jie dar nesugebėjo parodyti rezultatų, kad objektyviai juos įvertinti.

Nors neurotinklų idėja atrodo yra žavi ir daug žadandi, realybėje nėra taip viskas gražu… Pavyzdžiui, kompanijos, reklamuojančios savo neuro-patarėjus, ir fondai, valdomi neurotinklo, slepia pelningumo grafikus; dauguma PAMM sąskaitų, paleistų Alparyje neurotinklų pagrindu, yra jau sudegintos straipsnio rašymo metu, o naujų nebeatsiranda.

Turint galvoje tai, kad viešai prieinamų pelningumo rezultatų su neurotinklų prekyba praktiškai nėra (visame servise myfxbook yra tik penkios sistemos, iš kurių 4 jau uždarytos), galima teigti, kad ši tema kol kas aktuali tik stambiems brokeriams ir biržoms, kurios turi didžiulius resursus jų tobulinimui.

Pagarbiai, Mykolas Kuzminskis

Spekuliantas.com