Почему не работают популярные методы технического анализа

Мы утверждаем, что ни один метод, который широко доступен для среднестатистического трейдера, в принципе не может работать на развитом высоколиквидном рынке. Под доступностью метода понимается либо простота самостоятельной реализации, либо покупка за небольшую цену программ автотрейдинга. Например, реализовать расчет точки пересечения двух линий MA не составляет практически никакого труда даже для трейдера-новичка.

Доказательство этого утверждения простое. Рынок формируют его участники: банки, торговые и производственные компании, и, в некоторой степени, вся совокупность трейдеров. Именно трейдеры делают рынки эффективными. Если бы можно было запретить спекулятивные операции на рынке, то конечно рынок не стал бы полностью предсказуем. Но достаточно эффективно прогнозировать рынки стало бы возможным стандартными методами, которые широко и с успехом используются в других экономических областях - ритейле, банкинге, страховом деле и др. Обороты, создаваемые трейдерами, в сумме не такие уж и большие, по сравнению с остальным оборотом рынка. Но ведь и рыночные зависимости не такие уж и сильные. Вся масса трейдеров стремится по максимуму выжать из рынка и этим разрушают рыночные зависимости. Попутно происходит распределение дохода, который в пределе можно «выжать» из рыночных закономерностей, между всем «коллективом» трейдеров. Конечно, распределение дохода не равномерное. Очевидно, «львиная доля пирога» достается не тем, кто торгуеть по пересечению линий MA, волнам Эллиота, уровням Фибоначчи и прочим методам, описанным во множественной литературе. Некоторые «специалисты» бросаются в другую крайность, путая сложность метода со сложностью вычислений – начинают использовать «сложные» методы типа «Нейронные сети», зачастую даже не понимая, насколько стандартные алгоритмы «нейронных сетей» требовательны к объему и качеству обрабатываемых данных.

Мы встречали такое мнение, что прогнозы по популярным индикаторам могут самореализовываться. Якобы большинство трейдеров видят прогноз в своих торговых терминалах, начинают открывать позиции в определенном направлении. Благодяря этому спрос растет и цена на инструмент начинает также изменятся в направлении массово открываемых позиций. Но не надо забывать о факторе ликвидности и механизме работы «стакана» позиций. В какой-то момент из-за перекоса спроса и предложения возникает дифицит предложения, и трейдеры, почувствовав риск ликвидности, наперегонки начинают сдвигать цены к ближайшим противоположным позициям в «стакане», чтобы раньше других закрыть свои позиции. Обычно в такие моменты мы видим резкие развороты тренда, похожие на крутой обрыв. Вовремя закрыть позиции успевают не все. И это печально.

Также имеется мнение, что внимательно визуально изучая графики котировок можно заметить тренды, развороты тренда, головы-плечи, трех самураев, созерцающих весеннюю сакуру на склоне священной горы Фудзияма, и прочие рыночные «фигуры». Заметив эти признаки, совершать на их основе прибыльные торговые сделки. Проблема в том, что зрительная система человека (трейдер тоже человек) многие миллионы лет эволюционировала для выполнения задач типа охота на мамонта. Да, мы генетически являемся кроманьонцами, собирателями грибов-ягод, охотниками на мамонтов. Зрительная система человека за миллионы лет приспособилась для прогнозирования процессов естественной природы. Современные же рынки существуют не более 100 лет, и являются искусственным процессом.
Поэтому в графиках котировок человеческий глаз легко находит тренды и фигуры, которых на рынке в реальности нет. И именно поэтому вместо удачной охоты на пипсы получается охота на «лосей».

В этом разделе мы привели качественные рассуждения (Лирика). Далее попробуем показать предельную сложность поиска рыночных зависимостей на примере применения методов статистического анализа (Физика).

Анализируем рыночные данные

Попробуем на простом примере показать сложность анализа рыночных данных. Мы будем подходить к анализу рыночных данных как к анализу временных рядов. Понадобяться некоторые знания об анализе временных рядов, авторегресии, доказательства статистических гипотез. Базовыми знаниями по этим темам должен обладать любой специалист занимающийся автотрейдингом. Если есть не согласные с этим утверждением, предлагаем поспорить при обсуждении статьи.

В общем случае под анализом зависимостей во временных рядах понимается поиск вообще любых зависимостей, выразимых математическими средствами. Тем не менее, рамки статьи заставляют нас ограничиться стандартными методами анализа – анализом авторегрессии и распределений.

На рисунке 1 представлен пример ограниченных наблюдений некоторого временного ряда, который может быть историей котировок (например, цен закрытия баров) некоторого рыночного инструмента (валютной пары, акции, биржевого индекса и т.п.). Можно сказать, что график напоминает поведение Forex.



Напомним, что первым моментом называется взятие разницы от соседних отсчетов временного ряда. Операция перехода к временному ряду первых моментов исходного ряда иногда позволяет избавиться от нестационарности. Исследуем распределение первых моментов приведенного временного ряда. На рисунке 2 представленна оценка распределения первых моментов.


Данное распределение можно считать нормальным (normal distribution) с нулевым матожиданием и единичным стандартным отклонением (standard deviation). Мы не приводим здесь расчеты, подтверждающие эти выводы, и предлагаем читателям поверить нам наслово.

Установление факта нормального распределения дает нам право воспользоваться стандартными методами проверки статистических гипотез, и в частности, проверить наличие автокорреляции (Рис. 3).


График автокорреляции быстро снижается. Уже при t-3 (при лаге = 3) автокорреляция меняет свой знак с положительного на отрицательный. Максимальный коэффициент автокорреляции получен при t-1 (при лаге равном 1) и равен 0.074. Критичный уровень корреляции в двухстороннем t-тесте с уровнем значимости 0.05 и количестве наблюдений 500 приблизительно равен 0.089, что больше чем максимальный полученный нами коэффициент автокорреляции.

Это говорит, что по статистическим стандартам наличие автокорреляции не доказано. Альтернативное решение – использовать менее строгий уровень значимости (Например, 0.1 или 0.2).

Здесь мы видим типичную проблему исследования рыночных данных, все оценки практически важных зависимостей находятся на границе или за пределами статистической доказуемости. В тоже время цена ошибочных выводов вполне определенная – убытки.

Создаем торговую стратегию

Так как на этапе предварительного анализа мы наблюдали хотя и слабую, но положительную автокорреляцию, то можно попробовать построить несколько простейших торговых стратегий использующих это свойство. Для упрощения мы не будем учитывать спреды и стоп-уровни.

Автор статьи примерно за 20 минут построил три простейших торговых стратегии, не претендующие на какую-то оптимальность (продвинутость), и использующие при принятии решений анализ толко три последних закрытых баров. Созданные стратегии не имеют настроечных параметров и не требуют выполнения процедуры оптимизации.

Оценивать эффективность стратегий будем по кривой доходности и коэффициенту прибыльности (profit factor). Коэффициент прибыльности определяется как отношение суммы всех выигрышей к сумме всех убытков . Существуют и другие критерии эффективности торговых стратегий, но для целей статьи приведенных критериев достаточно.

Таблица 1 - коэффициент прибыльности стратегий.


Как видно из таблицы 1, лучшую эффективность демонстрирует торговая стратегия №2. Но вспомним, как мы оценивали достоверность авторегрессии. Мы оценивали доверительную вероятность и выполняли процедуру доказательства статистической гипотезы существования корреляции. Можно ли подобные процедуры доказательства значимости построить и для оценки торговых стратегий? Это вторая проблема анализа рыночных данных - неразвитость статистического аппарата для оценки торговых стратегий, по сравнению с «классическими» задачами прикладной статистики.

Некоторые специалисты по торговым стратегиям могут сказать, что по их «опыту» полученные значения profit factor не достаточны, что необходимо достичь значения profit factor не менее 2, что требуется уменьшать просадки. Но каким способом они достигают таких значений? Вероятно за счет введения настроечных параметров, оптимизации, сокращения периода оптимизации для «лучшего учета» последних изменений рынка. Но все подобные меры в «классической» прикладной статистике автоматически ужесточают и усложняют требования к доказательству наличия статистических связей, эффекта. Не думаем, что область автоматизации торговли не подпадает под те-же требования. Таким образом «отвертеться» от строгого статистического анализа не получается.

Ниже представлены кривые доходности представленных торговых стратегий, полученные на имеющейся ограниченной выборке данных (Рис. 1). Чувствуете ли уверенность в доходности этих торговых стратегий? Решили использовать их в торговле? Дерзайте.

Раскроем карты, временной ряд, представленный на рисунке 1, полностью описывается моделью броуновского движения и сформирован с использование достаточно хорошего генератора случайных чисел из пакета MS Excel Data Analysis (можно так-же использовать функцию RAND в Excel). Другими словами, на данном временном ряде в принципе невозможно построить прибыльную торговую статегию. Но как он похож на ряды котировок Forex! Ах, как похож…

В данном случае нам заведомо известна модель временного ряда и мы точно знаем его свойства. Но в реальности модель рыночных временных рядов полностью определить не удается. Более того, мы можем только улавливать некие «слабые» статистические зависимости.

Подведем итоги

На простом примере мы показали некоторые сложные проблемы, возникающие при построении торговых стратегий:

1. Простой визуальный анализ эффективности торговых стратегий не дает хороших результатов по той же причине, по которой не дает результатов визуальное распознавание трендов и фигур. Человеческий глаз генетически приспособлен для охоты на мамонтов и собирательства, а не для анализа сложных искусственных процессов.
2. Простые средства технического анализа, включая популярные индикаторы и инструменты создания торговых роботов, не позволяют трейдеру зарабатывать. Популярные средства не позвляют трейдеру выделится из общей «толпы» и получить более крупный кусок трейдерского пирога. Достаются только «крошки» тонким слоем «размазанные» по общему коллективу трейдеров. Да и эти крошки эффективно съедаются спредами и комиссиями брокеров-посредников.
3. Обнаруживаемые практически важные статистические связи в рыночных данных не проходят стандартные процедуры доказательства гипотез.
4. Для распространенных метрик эффективности торговых стратегий нет обоснованных оценок доверительных интервалов, процедур определения критичных значений (авторам статьи пришлось разрабатывать такие процедуры самостоятельно). Трудно в числе выразить каковы наши шансы получить прибыль по некоторой торговой стратегии.
5. Статистические условия, такие, к примеру, как распределения, для рынков удается определить только очень приблизительно. Стационарность рыночных временных рядов или их преобразований подтвердить не удается.

Нам видится, что решение перечисленных проблем может заключаться в использовании рыночной истории охвытывающий значительный период наблюдений (5 и более лет). Мы также предлагаем широко использовать кросс-тестирование торговых стратегий и иммитационное моделирование, непараметрические методы оценок. Правда все эти предложения требуют сложного программного обеспечения, расширенного программирования и значительных вычислительных ресурсов.

Мы приглашаем всех заинтересованных читателей обсудить перечисленные проблемы, предложить свои варианты решений, поделиться своим опытом.