Цифровая обработка торговых сигналов для торговой стратегии

Спектральный анализ в современном трейдинге

Любой торговый сигнал организован достаточно сложно. Можно сделать вывод, что он состоит из множества ритмов с различными периодами, при этом ритмы непостоянные – возникают и исчезают в ходе своей эволюции во времени. Произвести оценку структуры ритмов сигнала котировок можно с использованием цифрового спектрального анализа, применяемого в цифровой обработке сигналов.

Спектральный анализ в настоящее время широко используется в трейдинге. На рисунке 1 показан характерный спектр некоторого сигнала котировок. Пики с различной высотой на графике спектра отражают величину (размах по амплитуде) ритмов с соответствующими периодами. График спектра отображен в диапазоне периодов до 100 (крайнее правое значение).

Из рисунка 1 видно, что размах ритмов по величине (амплитуде) возрастает с увеличением периодов ритмов (высоты пиков спектра возрастают слева направо), это практически всегда наблюдается для котировочных сигналов различных торгуемых инструментов.

Рис. 1. Характерный спектр котировочного сигнала торгуемого инструмента.

Можно сделать вывод, что котировочный сигнал в среднем состоит из множества ритмов, наложенных друг на друга, причем размах ритмов по амплитуде тем больше, чем больше величина периода.

Индикаторы или цифровые фильтры

При построении торговой стратегии с использованием технологии цифровой обработки сигналов возможно отделять эти ритмы друг от друга и по их соотношению между собой принимать торговые решения, то есть формировать торговые сигналы.

Для разделения (расслоения) сложного котировочного сигнала на более простые компоненты (ритмы с различными периодами и различными размахами по амплитуде) используются цифровые фильтры. В настоящее время методы расчета и разработки цифровых фильтров достаточно широко представлены в многочисленной литературе.

Индикаторы: фильтры нижних частот

Для разделения (расслоения) сложного котировочного сигнала на более простые компоненты будем использовать цифровые фильтры нижних частот (ФНЧ), например, скользящую среднюю SMA. Задача SMA – сгладить (усреднить) все колебания с периодами меньше периода усреднения SMA и оставить (пропустить) все колебания с периодами больше периода усреднения индикатора. Фильтр нижних частот делает то же самое, но

появляется возможность более сильного подавления усредняемых быстрых колебаний (более высокое качество сглаживания),
изменять соотношение между собой пропускаемых (не сглаживаемых) ритмов (то есть, изменять нужным образом реакцию сглаженной кривой на изменение котировочного сигнала во времени),
управлять вносимой задержкой ФНЧ (то есть, управлять реакцией сглаженной кривой на изменение котировочного сигнала).

Различные типы скользящих средних: SMA, EMA, взвешенные скользящие средние, ранее опубликованная скользящая средняя с улучшенным качеством сглаживания RAMA – являются фильтрами нижних частот (ФНЧ).

Рассмотрим примеры

На рисунке 2 изображена ранее опубликованная скользящая средняя RAMA(60) c периодом сглаживания 60, также изображен осциллятор, полученный с использованием двух цифровых ФНЧ, то есть сдвоенная сглаженная кривая – результат сглаживания этими двумя цифровыми ФНЧ. Цифровые ФНЧ рассчитывались специально по стандартным методикам, приведённым в литературе, чтобы подчеркнуть структуру ритмов сигнала котировок. Необходимо отметить, что осциллятор (индикатор), полученный с использованием двух специально рассчитанных цифровых ФНЧ, расположен в окне котировок, а не в сноске «внизу», что удобно, так как сглаженные кривые осциллятора в данном случае также являются линиями уровней (опорными линиями) для графиков котировок.

Рис. 2. Скользящая средняя RAMA(60) и осциллятор из двух ФНЧ.

На рисунке 3 изображена скользящая средняя RAMA (40) с периодом сглаживания 40 и осциллятор, полученный с использованием двух рассчитанных цифровых ФНЧ с соответствующими (подобранными) настройками.

Рис. 3. Скользящая средняя RAMA(40) и осциллятор из двух ФНЧ.

На рисунке 4 изображены RAMA (20) и соответственно настроенный осциллятор из двух цифровых ФНЧ, добавлена сигнальная (синяя) линия с выхода еще одного цифрового ФНЧ с небольшим периодом сглаживания.

Рис. 4. Скользящая средняя RAMA(20) , осциллятор из двух ФНЧ, добавленная сигнальная (синяя) линия, полученная с использованием ФНЧ.

На рисунке 5 графики рисунков 2-4 совмещены.

Рис. 5. Результат совмещения рисунков 2-4.

Таким образом, на рисунке 5 изображены три модифицированные скользящие средние RAMA с периодами 60, 40, 20, также три осциллятора, полученные с использованием пар цифровых ФНЧ, и дополнительная сигнальная линия, полученная с использованием одного цифрового ФНЧ. На рисунке хорошо видно разложение котировочного сигнала на более простые структуры ритмов, что можно применять для построения эффективных торговых стратегий.

Проверим эффективность сборки

На рисунках 6, 7, 8 приведены графики с сохраненными настройками для других участков графиков котировок.

Рис. 6. Графики с сохраненными настройками для второго участка графика котировок.

Рис. 7. Графики с сохраненными настройками для третьего участка графика котировок.

Рис. 8. Графики с сохраненными настройками для четвёртого участка графика котировок.

Рис. 9. Графики с сохраненными настройками для пятого участка графика котировок.

Цифровая обработка сигналов открывает широкие технологические возможности для использования в трейдинге. В настоящее время методики расчёта различных цифровых фильтров широко представлены в многочисленной литературе и цифровая фильтрация применяется в различных системах технического анализа. Цифровые фильтры являются мощным и гибким инструментом при построении эффективных торговых стратегий.