Достигнет ли цена цели: оценка вероятности вместо гадания
В реальных задачах анализа данных и трейдинга часто требуется понять: насколько вероятно, что цена биржевого актива достигнет определённого или заранее заданного уровня. Это одна из ключевых задач алгоритмической торговли и риск-менеджмента, потому что помогает отфильтровать нереалистичные сигналы на открытие позиции по активу. Простой прогноз вроде «достигнет / не достигнет» здесь работает плохо: рынок нестабилен, подвержен случайным колебаниям, шуму и аномальным ценовым выбросам.
Поэтому вместо жёстких предсказаний целесообразно строить вероятностную оценку достижения цели. Для этого используются разные методы:
- традиционные прогнозные модели (например, линейная регрессия и ARIMA);
- машинное обучение и нейросети;
- статистический подход: анализ распределения изменения цены и оценка вероятности достижения целевого уровня.
Этот третий способ проще, легче объясним и надёжнее в условиях реальных зашумлённых данных. В том числе он хорошо подходит для автоматизированных сигнальных систем, где нужна быстрая оценка достижимости без «тяжёлых» моделей.
Почему нельзя просто сказать «достигнет» или «не достигнет»
На реальных рынках данные зашумлены, то есть имеют:
Такие выбросы могут сильно исказить оценку — единичный «прокол уровня» на тонком рынке не означает, что цена стабильно достигает целей. Поэтому перед оценкой вероятности данные очищаются от аномалий, чтобы убрать влияние редких случайных всплесков.
Один из методов очистки — фильтрация методом Хампеля, о чём было написано в предыдущей статье. После фильтрации уже можно работать с очищенным рядом ценовых изменений и строить корректные оценки вероятности. Вместо аномального значения цены, можно использовать, например, среднее её двух соседей по ряду.
Задача оценки вероятности достижения цели
В качестве исходных данных используются исторические цены закрытия (close) стандартных биржевых свечей OHLCV (open, high, low, close, volume), представленные пятиминутными и часовыми интервалами (на самом деле, может быть выбрана любая пара таймфреймов). Значение цели, достижимость которой мы анализируем, может быть получено в результате внешнего прогноза (техническим или фундаментальным анализом) или задано как предположение эксперта без строгого обоснования.
Задача заключается в оценке интегральной вероятности достижения активом целевой цены от текущей цены Cₜ на заданном горизонте H свечей с помощью анализа числовых рядов значений цен актива для двух таймфреймов: пятиминутных C₅ₘ(t) и часовых C₁ₕ(t). Схематично постановка задачи представлена на рисунке.
Как оценивается вероятность достижения цели
Чтобы оценить вероятность достижения ценой заданного уровня, используется следующий подход.
- Берём исторические данные: составляем числовые ряды из цен закрытия пятиминутных и часовых свечей.
- Очищаем данные от выбросов, чтобы убрать аномальные скачки. Используем фильтрацию по Хампелю.
- Определяем начальную цену — ту, от которой будут выполняться все расчёты достижимости целевого уровня.
- Рассчитываем различные статистики изменения цен за выбранные интервалы времени:
• логарифмические доходности;
• средние доходности;
• среднеквадратичное отклонение доходностей (волатильность);
• стандартизированное отклонение. - Используя функцию стандартного нормального распределения от значения стандартизированного отклонения — получаем вероятность того, что цена с нормальным распределением превысит целевой уровень.
- Далее строим агрегированные оценки достижимости для разных таймфреймов и затем интегральную оценку (в виде числа или нечёткого уровня).
Алгоритм выше описан только общими словами, без использования формул, чтобы не усложнять понимание метода.
Почему не стоит оценивать вероятность только числом
Иногда точная числовая вероятность (например, 74.3%) даёт ложное ощущение уверенности — число создаёт иллюзию точности там, где есть неопределённость. На практике полезно использовать нечёткие шкалы вероятностей, особенно если данные нестабильные или неполные.
Нечёткие шкалы — разновидность качественных или уровневых шкал, где каждый уровень определяется некоторой лингвистической переменной (именованным нечётким множеством).
Вместо точного числа можно указать уровень вероятности:
- лучше воспринимается человеком;
- отражает реальную неопределённость;
- помогает строить более устойчивые автоматизированные системы принятия торговых решений.
Подробнее о нечётких шкалах и оценку с их использованием было рассказано в одной из предыдущих статей.
Практическая применимость оценки
Вероятностная оценка достижения цели — это не попытка угадать будущее, а инженерный способ оценить разумные границы достижения уровня цены на основе реальных данных.
Очищая исторические данные от выбросов и анализируя их статистические распределения, можно:
- построить корректные вероятностные модели;
- сделать вывод о достижимости цели в реальных условиях;
- выбрать более надёжные сценарии для торговли.
Преимущество вероятностного подхода заключается в том, что:
- не требуется сложных обучающих процедур или громоздких моделей машинного обучения;
- оценка проводится быстро, на основе элементарных статистик;
- алгоритм адаптивен и универсален, так как основан на данных о ценах закрытия, которые доступны на любой бирже для любых таймфреймов;
- подход легко реализуется на любом языке программирования для использования в автоматических сигнальных системах;
- метод хорошо интегрируется с алгоритмами автоматизации генерации торговых сигналов и системами поддержки принятия торговых решений.
Интегральную оценку достижимости целевой цены можно дать как в виде числа, так и на нечётких шкалах. Числовая оценка удобна для использования в трейдинговых алгоритмах, а нечёткая оценка легче воспринимается экспертами.
Это делает вероятностную оценку достижения цели удобным инструментом как для ручной аналитики, так и для алгоритмической торговли.
🔗 Полезные ссылки
- 🌐 Полный FAQ по сигналам и описание методик FMA: fuzzy-technologies.github.io/FMA
- ⚙️ Платформа TKSBrokerAPI: fuzzy-technologies.github.io/TKSBrokerAPI
- 📡 Подписка на биржевые сигналы: web.tribute.tg/s/nub