Фрактальный анализ (ФА) почему то мало популярен среди трейдеров Форекс. Но фракталы встречаются повсеместно, являясь отображением единых космических законов. Это справедливо и для финансовых рынков, где фрактальная уже доказала свою эффективность.
Фракталы, открытые Бенуа Мандельбротом, широко используются в техническом анализе для прогнозирования будущей рыночной ситуации. Интересно, что многие вещи и явления реального, физического мира также фрактальны. Данный термин буквально значит, что маленькое повторяет большое и наоборот. Фракталы – самоподобные (самоповторяющиеся), но нерегулярные структуры. Другими словами, каждая часть фрактала является маленькой копией целого.
В один прекрасный день Б.Мандельброт начал изучать колебания цены на бирже. И оказалось, что характер этих колебаний отнюдь не произвольный, но и не может быть описан стандартными кривыми. Продолжив изучение статистики изменения цены на хлопок на протяжении 100-а лет, Мандельброт сделал открытие, подтверждающее симметрию краткосрочных и длительных колебаний цены.
Для работы нужен надежный брокер Forex4you или RoboForex
Примеры фракталов можно найти повсюду: это очертания гор, кровеносная и лимфатическая системы человека, линия морского берега, дерево с его ветками, волны, торнадо, галактики и др. Иногда можно наблюдать меняющиеся фракталы – они возникают в мерцающем пламени или движущихся облаках. Фракталы – это нелинейные системы, которые имеют несколько вариантов решения (трактовки). Именно фрактальная теория занимается изучением закономерностей формирования подобных случайных явлений.
Сам термин “фрактал” происходит от слов Fractus и Frangere (ломать, разламывать), что значит создание фрагментов неправильной формы. Рынок является идеальной фигурой, состоящей из размерностей. Долгосрочные движения цены – неслучайны, скажем, можно торговать в плюс на дневных либо недельных графиках, следуя тренду. Именно поэтому искать ключевые точки на графике эффективно, используя фрактальный анализ, в котором не задействованы индикаторы и механистические системы. ФА не подходит под классическую классификацию методов технического анализа, что и является причиной столь редкого его применения в трейдинге.
Давайте рассмотрим 2 основных свойства фракталов.
Чтобы освоить ФА, нужно усомниться в т.н. теории эффективности рынка. Согласно последней, рыночная цена корректно и почти без задержек отображает всю известную участникам рынка информацию, включая их ожидания (постулат “Цена учитывает всё”).
Данная теория утверждает, что обыграть рынок невозможно, поскольку новая информация поступает к участникам случайным образом, а рыночная реакция мгновенна. Именно поэтому стоимость актива в любой момент времени является совершенно справедливой величиной. Получается, актив нельзя ни переоценить, ни наоборот – недооценить. Значит, извлечение прибыли представляется невозможным.
И никакие попытки применения технического или фундаментального не смогут увеличить прибыльность торговых операций, поскольку в цену уже вошёл весь поток информации, и она не может реагировать по-другому. Также ФА утверждает, что данные в прошлом не оказывают влияния на будущие.
Однако не учитывается момент, что большое количество ожиданий участников рынка основано на значении цены в прошлом. Не учитывается использование индикаторов и информации о состоянии компании или страны, которую учитывают умы участников рынка. То есть, поскольку цена определяется ожиданиями, то прошлая цена однозначно может влиять на будущую.
Вот такие различия между теорией эффективности рынка и фракталов. Последняя позволяет понимать связи в приемлемых графических структурах.
У ФТС нет недостатков ТС, базирующихся на запаздывающих скользящих средних или других аналогичных индикаторах. Фракталы дают конкретную точку входа – это предыдущий фрактал. ФА позволяет легко определить соотношение риска и потенциальной прибыли.
Другими словами, фрактал – это разворотная модель рынка, повторяющаяся снова и снова на различных временных интервалах графика. Для определения такой модели нужно 5 или более баров (свечей). Средняя свеча имеет максимальное или минимальное значение, если сравнивать с другими свечами. Свечи, имеющие одинаковые Max или Min значения – исключаются из подсчёта, что и формирует модель фрактала вверх или вниз. Суть ФА состоит в поиске конкретно фрактала на графике цены, который (фрактал) определяет поворотные рыночные точки, а трейдер торгует в сторону прорыва сигнала от фрактальной модели. Волны на графике и являются такими фрактальными моделями.
Для прибыльной торговли по ФА нужно:
Фрактальный анализ – универсален. Его можно эффективно использовать на любых рынках. Главное – понять суть и отработать практический навык, и помните, что прибыльность торговли очень сильно зависит от
М.В. Прудский. ФРАКТАЛЬНЫЙ АНАЛИЗ ФИНАНСОВЫХ РЫНКОВ. Рассмотрены основные свойства и природа фракталов, возможности их применения в повседневной жизни, а также преимущества фрактального подхода при моделировании финансовых рынков. Будут разобраны основные стохастические модели временных рядов и на примере курса доллара будет построена фрактальная ARIMA лог-приростов, определение которой будет основано на фрактальном R/S-анализе размерности графика курса доллара. Будет дана также интерпретация показателя Хёрста – результата R/S-анализа, позволяющего судить о возможности прогнозирования исследуемого финансового инструмента.
В современном мире финансовые рынки привлекают довольно широкий общественный интерес. Круг людей, которые имеют дело с финансовой аналитикой, разнится от рядовых трейдеров, до аналитиков глобальных корпораций и государственных органов. Человечество давно интересуют законы поведения таких практически непредсказуемых объектов. Котировки акций, валютные курсы, цены на фьючерсы, опционы и прочие финансовые инструменты – это лишь малая часть того, на чём может заработать деньги квалифицированный человек. Существует множество способов анализа событий, происходящих на рынках. Это и технический анализ, и фундаментальный, и теория волн Эллиота, а также много различных менее известных методик. Но одна методика выделяется среди них своей простотой и оригинальностью – фрактальный анализ. Многие слышали о том, что такое фрактал, изучали в школах и университетах, видели простейшие одномерные и сложные дифференциальные многомерные фракталы, но мало кто знает об их истинной пользе. Изобретённые Мандельбротом, они нашли применение практически во всех сферах повседневной жизни. Фрактальную природу имеют форма раковины моллюска, турбулентные завихрения в воздухе, человеческие сосуды, крона дерева, форма листа, волны, береговая линия, трещины, молнии и многие другие всем знакомые объекты реального мира. Фрактальную природу имеют и графики котировок акций и валют. Если вычислить фрактальные свойства времени и пространства финансовых инструментов, становится возможным осуществлять точечные и интервальные прогнозы будущих значений с высокой точностью. Фракта?л (лат. fractus - дроблёный, сломанный, разбитый) - геометрическая фигура, обладающая свойством самоподобия, т.е. составленная из нескольких частей, каждая из которых подобна всей фигуре целиком. Фактически не существует точного определения термина «фрактал». Бенуа Мандельброт, отец фрактальной геометрии, тоже не сформулировал точного определения. Фракталы имеют определенные особенности, которые измеримы, и свойства, которые являются желательными для целей моделирования. Первое свойство – самоподобие. Оно означает, что части в некотором роде связаны с целым. Это свойство самоподобия делает фрактал масштабно-инвариантным. Фрактальные зависимости имеют вид прямой на графиках, где обе оси имеют логарифмический масштаб. Модели, описываемые таким образом должны использовать степенную зависимость (вещественное число, возведенное в степень). Эта особенность масштабирования по степенному закону является вторым свойством фракталов, фрактальной размерностью, которая может описывать либо физическую структуру, такую как легкое, либо временной ряд . Слово «фрактал» может употребляться не только как математический термин. Фракталом в прессе и научно-популярной литературе могут называть фигуры, обладающие какими-либо из перечисленных ниже свойств:
1. Обладает нетривиальной структурой на всех масштабах. В этом отличие от регулярных фигур
(таких как окружность, эллипс, график гладкой функции): если мы рассмотрим небольшой фрагмент
регулярной фигуры в очень крупном масштабе, он будет похож на фрагмент прямой. Для фрактала
увеличение масштаба не ведёт к упрощению структуры, на всех шкалах мы увидим одинаково сложную
картину.
2. Является самоподобной или приближённо самоподобной.
3. Обладает дробной метрической размерностью или метрической размерностью, превосходящей
топологическую.
Рисунок 1 – Пример фрактала
Фракталы – безусловно красивые математические причуды природы. Если взглянуть на график функции Вейерштрасса, то можно увидеть сходство с графиками курсов валют или котировок акций. Этот фрактал описывается функцией
где a – нечётное число, а b – число, меньшее единицы. Эта функция непрерывная и нигде не дифференцируемая. Применяется для моделирования временных рядов методом Монте-Карло .
Стохастические модели временных рядов
Существует несколько процессов с кратковременной памятью, которыми обычно пользуются при
прогнозировании цен на финансовых рынках. В их числе:
1. AR.
2. MA.
3. ARMA.
4. ARIMA.
5. ARFIMA.
Остановлюсь более подробно на фрактальной авторегрессии.
ARIMA ARIMA (англ. autoregressive integrated moving average) – интегрированная модель авторегрессии - скользящего среднего – модель и методология анализа временных рядов, иногда называемые моделями (или методологией) Бокса-Дженкинса. Модель ARIMA(p,d,q) означает, что разности временного ряда порядка подчиняются модели ARMA(p,q) .
С использованием лагового оператора модель можно записать в таком виде:
Модели ARFIMA Данные модели предполагают использование дробных порядков разностей, поскольку теоретически порядок интегрированности d временного ряда может быть не целой величиной, а дробной. В этом случае говорят о дробно-интегрированных моделях авторегрессии –скользящего среднего (ARFIMA, AutoRegressive Fractional Integrated Moving Average). Для понимания сущности дробного интегрирования необходимо рассмотреть разложение оператора взятия d-ой разности в степенной ряд по степеням лагового оператора для дробных d (разложение в ряд Тейлора):
Кроме коэффициент при k-м члене ряда Тейлора = Гk-dГk+1Г-d. К полученным разностям применяется модель ARIMA. Таким образом, последняя модель является более точной в силу её фрактальных свойств .
R/S-анализ курса доллара к рублю. Прежде чем моделировать ряд курсов доллара, необходимо вычислить его фрактальную размерность. Для этого следует воспользоваться методикой R/S-анализа и вычислить показатель Хёрста. Для выполнения всех необходимых вычислений автором были использованы пакет статистического анализа «R 2.5.1», а также аналитический комплекс «Прогноз 5.26». Первым шагом станет преобразование исходного ряда в ряд лог-приростов, в дальнейшем все операции по моделированию будут происходить именно в отношении преобразованного ряда. На Рис. 2 можно увидеть преобразованный ряд.
На этом рисунке особенно видна хаотичность показателя в кризисный и послекризисный периоды. Однако на данном этапе при применении R/S-анализа можно столкнуться с серьёзной трудностью – данная методика требует независимости данных во времени. Известен факт, что дневные данные по курсам финансовых инструментов обладают очень высокой автокорреляцией первых порядков. Коррелированно может быть до 7-10 значений. Для устранения этой проблемы применяется методика вычисления AR(1)- разностей. Конечно, метод разностей первого порядка не устраняет всю линейную авторегрессионную зависимость и не учитывает разности более высоких порядков, но он позволяет свести её к минимуму, достаточному для применения анализа с начальным условием независимости. Внешне ряд лог-приростов, скорректированный на AR(1)-разности, почти ничем не отличается от исходного ряда, однако его автокорреляция значительно ниже. Для вычисления фрактальной размерности ряда было использовано 4500 значений курса рубля к доллару с начала его публикации Центральным банком России. С имеющимся в распоряжении рядом связано несколько трудностей: 1. До 2002 года (включительно) Центральный банк Российской Федерации фиксировал значения курса только до 2-го знака после запятой, что создавало ошибки и неточности округления. 2. Курс доллара динамически изменяется в течение дня и иногда округление создаёт фиксацию на одинаковом курсе в течение нескольких дней. (особенно актуально для предыдущего недостатка). Вследствие перечисленных проблем возникают целые последовательности нулевых лог-приростов в ряду значений. Наибольшая такая цепочка была обнаружена ближе к концу исследуемого периода – она составила 10 значений. Для проведения анализа необходимо было разбить ряд скорректированных лог-приростов на несколько групп рядов меньшей длины. Далее посчитать в каждой группе рядов R/S-статистику и усреднить на количество элементов. Длину необходимо постоянно увеличивать до половины начального ряда. Авторы советуют не брать длину меньше 10, поскольку она может исказить значение RS-статистики . В Таблица представлены результаты R/S-анализа курса доллара.
Таблица 1 - Результаты R/S-анализа/
Таким образом, первоначальными данными для регрессии и определения фрактальной размерности станут 2-й и 4-й столбцы Таблица. Для того чтобы узнать размерность ряда, необходимо решить уравнение, прологарифмировав его: RS=nH ec В итоге искомая регрессия будет иметь вид lnRS=c+H lnn. Решением этой регрессии будут следующие значения: С = -0.4617; H = 0.6294; R 2 полученной регрессии составляет 0.997529, что свидетельствует о высокой точности и правдоподобности полученных результатов. На Рис. 3 представлен график R/S-статистик и регрессии по шкале у. По шкале х показан логарифм длины подпериода (n).
Рисунок 3 – Результат R/S-анализа
Исходя из полученного значения показателя Хёрста, можно сделать вывод о персистентности ряда. Хотя уровень персистентности ряда низок (значение показателя ближе к 0.5, чем к 1, тем не менее лог-приросты курса доллара поддаются моделированию. Они обладают долговременной памятью и выводятся и прогнозируются из своих предыдущих значений. Это оказалось вполне естественным, поскольку персистентные временные ряды очень распространены в природе.
Построение фрактальной модели ARFIMA
Вычисление показателя Хёрста требовалось для определения параметра оператора дробного дифференцирования в модели ARFIMA. Дробно-интегрированные авторегрессионные модели скользящего среднего являются фрактальными и поэтому очень подходят для моделирования курса доллара. Параметр d для такой модели будет равен H-0,5 = 0,1294. Для построения такой модели сначала необходимо дробно дифференцировать исходный ряд курсов доллара по степени d. Далее моделирование будет происходить уже относительно этих разностей.
Для начала необходимо написать разложение разностного оператора 1+L0,1294 в ряд Тейлора. Данная разность будет учитывать значения в несколькие предыдущие периоды. Перед использованием коэффициентов ряда Тейлора необходимо доказать, что при степени d числовая последовательность коэффициентов при лаговых операторах сходится. Для этого воспользуемся признаком Лейбница: 1) докажем, что a1>a2>a3>…>an; 2) докажем, что an стремится к 0.
Доказательство:
1. limk>?-1k+1 j=0kd-j k!-1k j=0k-1d-j k+1!=k-dk=1-dk. При всех конечных значениях k отношение (k+1)-го и k-го членов ряда
2. Далее нужно сравнить его с рядом 1k, который превосходит его по значению, и при этом стремится к 0. Таким образом, можно сделать вывод, что числовая последовательность коэффициентов при ряде Тейлора также стремится к 0 по признаку Лейбница. Несмотря на то что курс доллара обладает бесконечной долговременной памятью, на мой взгляд, наиболее логичным и оптимальным решением будет ограничить количество членов ряда Тейлора для вычисления разностей, поскольку было бы неправильно оценивать завтрашний курс с учётом курса десятилетней давности.
Таким образом, решено ограничиться 30 предыдущими днями для вычисления каждой из разностей (месяц). В Таблица приведены результаты вычислений значений коэффициентов для каждого лага
Таблица 2 - Коэффициенты при лагах для фрактальных разностей
На Рис.4 приведены результаты вычисления разностей на всём исследуемом периоде.
Этот график почти не отличается от исходного по курсам доллара, однако модель этих разностей будет гораздо точнее, чем простая или целая интегрированная модель дневного курса доллара. Для моделирования предпочтительно взять последние 40 значений разностей, поскольку это не слишком превышает месячную динамику и в то же время делает модель значимой. Путём длительного перебора нескольких вариаций был установлен оптимальный вид авторегрессионной модели скользящего среднего (ARMA) для разностей. Ею оказалась модель ARMA(4,7). В Таблица представлены основные характеристики модели.
Таблица 3 - Статистика модели разностей ARMA(4,7)
Коэффициент детерминации говорит о том, что модель в целом, несмотря на некоторую пилообразность, хорошо объясняет динамику фрактальных разностей во времени. На Рис. 5 изображён график, показывающий модельный, исходный и прогнозный ряды
После моделирования и прогнозирования разностей наступает этап, когда требуется восстановить исходный ряд, имея в распоряжении значения разностей.
Построенная модель обладает способностью делать краткосрочные прогнозы курса доллара.
После проведённого анализа и моделирования хочется заметить высокие перспективы применения фрактального анализа в изучении свойств финансовых рынков, поскольку, несмотря на то, что данные модели являются высокоточными и эффективными, они не являются вершиной достижений фрактального анализа. В данный момент существуют мультифрактальные модели, применяемые не только для имитации и прогнозирования финансовых рынков, но и в таких сферах, как предсказание землетрясений. Такие модели очень распространены в научных лабораториях Европы, поскольку смысл подобных моделей предполагает проникновение в саму суть и структуру того показателя, который подвергается изучению.
1. Кроновер Р. М. Фракталы и хаос в динамических системах. Основы теории. М.: Постмаркет, 2000. 353с.
2) Магнус Я.Р., Катышев П.К., Пересецкий А.А. Эконометрика. Начальный курс. М.: Дело, 2007. 504 с.
3) Мандельброт Бенуа, Ричард Л. Хадсон (Не)послушные рынки: фрактальная революция в финансах The
Misbehavior of Markets. М.: Вильямс, 2006. 400с.
4) Морозов А.Д. Введение в теорию фракталов. М.; Ижевск: Ин. компьютерных иссл., 2002. 160с.
5) Петерс Э. Фрактальный анализ финансовых рынков: применение теории хаоса в инвестициях и
экономике. М.: Интернет-трейдинг, 2004. 304с.
6) http://ru.wikipedia.org
7) http://www.nsu.ru/phpBB/viewtopic.php?t=19201
8) http://www.cbr.ru/
9) http://fraktals.ucoz.ru/publ/12-1-0-54
14 октября 2010 года ушел из жизни Бенуа Мандельброт - человек, во многом изменивший наше представление об окружающих нас предметах и обогативший наш язык словом «фрактал», обозначающим «структуру, состоящую из частей, в определенном смысле подобных целому» 1 . Теперь именно благодаря Мандельброту мы знаем, что фракталы окружают нас повсюду. Некоторые из них непрерывно меняются, как движущиеся облака или пламя, в то время как другие, подобно береговым линиям, деревьям или нашим сосудистым системам, сохраняют структуру, приобретенную в процессе эволюции. При этом реальный диапазон масштабов, где наблюдаются фракталы, простирается от расстояний между молекулами в полимерах до расстояния между скоплениями галактик во Вселенной. Богатейшая коллекция таких объектов собрана в знаменитой книге Мандельброта «Фрактальная геометрия природы» 2 .
Важнейшим классом природных фракталов являются хаотические временные ряды , или упорядоченные во времени наблюдения характеристик различных природных, социальных и технологических процессов. Среди них имеются как традиционные (геофизические, экономические, медицинские), так и те, которые стали известными относительно недавно (ежедневные колебания уровня преступности или ДТП в регионе, изменения количества показов определенных сайтов в интернете и т. д.). Эти ряды обычно порождаются сложными нелинейными системами, которые имеют самую различную природу. Однако у всех характер поведения повторяется на разных масштабах. Наиболее популярными их представителями являются финансовые временные ряды (в первую очередь цены акций и курсы валют).
Самоподобная структура таких рядов известна очень давно. В одной из своих статей Мандельброт писал, что его интерес к котировкам на фондовом рынке начался с высказывания одного из биржевиков: «…Движения цен большинства финансовых инструментов внешне похожи, на разных масштабах времени и цены. По внешнему виду графика наблюдатель не может сказать, относятся данные к недельным, дневным или же часовым изменениям». Мандельброт, занимающий совершенно особое место в финансовой науке, имел славу «ниспровергателя основ», вызывая среди экономистов явно неоднозначное к себе отношение. С момента возникновения современной финансовой теории, основанной на концепции общего равновесия, он был одним из главных ее критиков и до конца жизни пытался найти ей приемлемую альтернативу. Однако именно Мандельброт разработал систему понятий, которая при соответствующей модификации, как оказалось, позволяет не только построить эффективный прогноз, но и предложить, видимо, единственное на данный момент эмпирическое обоснование классической теории финансов.
Основной характеристикой фрактальных структур является фрактальная размерность D , введенная Феликсом Хаусдорфом в 1919 году. Для временных рядов чаще используют индекс Херста H, который связан с фрактальной размерностью соотношением D = 2 – H и является показателем персистентности (способности сохранять определенную тенденцию) временного ряда. Обычно различают три принципиально разных режима, которые могут существовать на рынке: при Н = 0,5 поведение цен описывается моделью случайного блуждания; при Н > 0,5 цены находятся в состоянии тренда (направленного движения вверх или вниз); при H < 0,5 цены находятся в состоянии флэта, или частых колебаний в достаточно узком диапазоне цен.
Однако для надежного вычисления H (так же как и D ) требуется слишком много данных, что исключает возможность использования этих характеристик в качестве показателей, определяющих локальную динамику временного ряда.
Как известно, базовой моделью финансовых временных рядов является модель случайного блуждания, впервые полученная Луисом Башелье для описания наблюдений за ценами акций на Парижской фондовой бирже. В результате переосмысления этой модели, которая иногда наблюдается в поведении цен, возникла концепция эффективного рынка (Effective Market Hypothesis , EMH ), на котором цена в полной мере отражает всю доступную информацию. Для существования такого рынка достаточно предположить, что на нем действует большое число полностью информированных рациональных агентов, которые мгновенно реагируют на поступающую информацию и корректируют цены, приводя их в состояние равновесия. Все основные результаты классической теории финансов (портфельная теория, модель CAPM, модель Блэка-Шоулза и др.) были получены в рамках именно такого подхода. В настоящее время концепция эффективного рынка продолжает играть доминирующую роль и в финансовой теории, и в финансовом бизнесе 3 .
К началу 60-х годов прошлого века эмпирические исследования показали, что сильные изменения цен на рынке происходят значительно чаще, чем предсказывала основная модель эффективного рынка (модель случайного блуждания). Одним из первых, кто подверг концепцию эффективного рынка всесторонней критике, был Мандельброт. Действительно, если корректно вычислить значение показателя H для какой-либо акции, то оно, вероятнее всего, будет отлично от H = 0,5, которое соответствует модели случайного блуждания. Мандельброт нашел все возможные обобщения этой модели, которые могут иметь отношение к реальному поведению цен. Как оказалось, это, с одной стороны, процессы, названные им полетом Леви (Levi flight), а с другой - процессы, которые он назвал обобщенным броуновским движением (Fractional Brownian Motion). Поведение временного ряда, для которого (достаточно часто наблюдается на реальном рынке), можно обозначить с помощью любого из этих процессов.
Для описания поведения цен обычно используют концепцию фрактального рынка (Fractal Market Hypothesis , FMH ), которую принято рассматривать в качестве альтернативы EMH. Концепция предполагает, что на рынке есть широкий спектр агентов с разными инвестиционными горизонтами и, следовательно, разными предпочтениями. Эти горизонты меняются от нескольких минут для внутридневных трейдеров до нескольких лет для крупных банков и инвестиционных фондов. Устойчивым положением на таком рынке является режим, при котором «средняя доходность не зависит от масштаба, если не считать умножения на соответствующий масштабный коэффициент» 4 . Фактически речь идет о целом классе режимов, каждый из которых определяется своим значением показателя H . При этом значение H = 0,5 оказывается одним из многих возможных и, следовательно, равноправным с любым другим значением (). Эти и другие близкие соображения стали поводом для серьезных сомнений 5 относительно существования действительного равновесия на фондовом рынке.
Исследование фрактальных свойств цен российских (в индексе ММВБ) и американских (входящих в Dow Jones Internet Index) компаний вместе с соответствующими индексами за последние десять лет подчеркивает особое положение значения H = 0,5. Для этого, однако, необходимо использовать новый фрактальный показатель (индекс фрактальности), введенный авторами данной статьи в отдельной работе 6 . Он связан с показателем Н соотношением, однако для его определения с приемлемой точностью требуется на два порядка меньше данных, чем для показателя H, поэтому его можно рассматривать в качестве локальной фрактальной характеристики. Оказывается, что с помощью индекса фрактальности можно дать обоснование современной теории финансов, а также предсказать сильные колебания на фондовом рынке.
В первом приближении общая картина, наблюдаемая во всех рядах, оказывается следующей. Индекс фрактальности (и фрактальная размерность финансовых рядов) совершает квазипериодические колебания около положения = 0,5 (этот режим соответствует случайному блужданию). При этом временной ряд непрерывно изменяет свой режим, переходя из тренда (< 0,5) через состояние случайного блуждания во флэт (> 0,5) и обратно. Время от времени для каждого ряда появляются и исчезают состояния с относительно стабильными значениями, отличными от 0,5. При этом режим с = 0,5 занимает явно привилегированное положение. Для каждого временного ряда он является самым длительным на всех интервалах, содержащих восемь точек и более.
Следует заметить, что интерпретация колебаний цен, основанная на описании поведения рыночных агентов, может сильно различаться на разных масштабах. Так, например, внутри дня, где более половины сделок совершается торговыми роботами (на рынках США), поведение агентов, видимо, является очень близким к рациональному. На масштабах же от нескольких дней до нескольких месяцев существенную роль играет социальная психология, которая всегда содержит иррациональный элемент. Между тем неизменный характер колебаний с наиболее часто встречающимся режимом случайного блуждания воспроизводится на всех масштабах, начиная от самых малых. Это наводит на мысль о том, что в основе природы этих колебаний лежит, видимо, общий механизм запаздывания, сопутствующий самому способу принятия решений агентами на фондовом рынке. При этом основным состоянием цен является все же именно случайное блуждание, которое остается главным режимом притяжения на всех масштабах. Другими словами, несмотря на часто возникающие длительные локальные отклонения, цены стремятся вернуться к эффективному поведению, которое описывает модель случайного блуждания.
Наличие описанных фрактальных свойств ценового ряда, наблюдаемых в широком диапазоне масштабов, позволяет по-новому взглянуть на возможность прогнозирования фондового рынка. В общем, задача прогноза - определить качественные или количественные параметры будущего поведения временного ряда на основе всего массива исторических данных. При этом особый интерес представляет определение ранних предвестников критического поведения ряда.
Рассмотрим один из новых подходов к решению этой задачи, основанный на фрактальных свойствах цен. Было строго доказано 6 , что если ввести среднюю амплитуду колебаний как среднюю разность между максимальным и минимальным значениями цены, усредненными по сегментам размера t , то средняя амплитуда колебаний будет связана с масштабом наблюдения степенной зависимостью:
,Индекс (который, как и индекс, для своего определения требует на два порядка меньше данных, чем показатель H ) совпадает с H на тех участках, где H можно вычислить с приемлемой точностью. Зависимость средней амплитуды колебаний от масштаба наблюдений для разных значений Н представлена на графике 1.
Оказывается, что знание закона зависимости амплитуды колебаний от времени в разных режимах позволяет обосновать весьма любопытный эффект, который может стать ключом к прогнозу возникновения на рынке сильного движения. Действительно, предположим, что в данный момент рынок находится в переходном режиме от случайного блуждания к сильному тренду. Значит, через определенное время амплитуда колебаний на больших масштабах (например, несколько месяцев) станет существенно больше, чем текущая амплитуда (стрелка 2 на графике 1 показывает переход от случайного блуждания к тренду на больших временных масштабах). Это одновременно означает (в силу свойства степенной функции), что на малых временных масштабах (часы, дни недели) должно наблюдаться уменьшение амплитуды колебаний по сравнению с предыдущим периодом (стрелка 1 на графике 1 показывает такой переход на малых масштабах). Таким образом, наблюдая за поведением амплитуды на малых масштабах, в некоторых случаях можно прогнозировать существенное увеличение амплитуды колебаний цен в будущем.
Состояния рынка с увеличенной амплитудой колебаний обычно наблюдаются в корнерах (резких взлетах цен на рынке) или крахах (резких обвалах). Эффект увеличения крупномасштабных колебаний при уменьшении мелкомасштабных был теоретически обоснован авторами 6 . Как показало тестирование по всей указанной выше базе финансовых данных, этот эффект проявляется с вероятностью 70–80%. В тех же случаях, когда удается свести до минимума влияние внешних факторов, этот процент оказывается еще выше.
Наиболее интересным, конечно, является прогноз с помощью этого метода не локальных движений в отдельных акциях, а глобальных событий типа мирового финансового кризиса 2008 года. При анализе подобного рода, кроме поведения отдельных страновых индексов, следует учитывать также переток капитала на глобальном финансовом рынке, который сильно либерализовался за последние 20 лет. Поэтому мы выбрали девять наиболее крупных фондовых рынков 7 , как развитых (developed markets), так и развивающихся(emerging markets), построили для них индикаторы нестабильности и рассчитали средний по всем рынкам.
Результаты расчетов показаны на графике 2. Здесь страновые индикаторы для разных рынков изображены в виде линий разного цвета. Индикатор, усредненный по всем рынкам, изображен в виде широкой красной линии. Повышенное значение индикатора означает переход рынка к флэтовому режиму. Пониженное и разворот вверх - возможное увеличение будущей амплитуды колебаний и переход к трендовому режиму. На рисунке вполне четко различаются два типа поведения. С апреля 2001-го по апрель 2004 года отдельные страновые индикаторы вели себя достаточно независимо друг от друга, что приводило к тому, что средний индикатор колебался около нуля. На языке микроэкономики это, видимо, означало, что участники отдельных рынков принимали решения без существенного учета происходящего на соседних рынках. После апреля 2004 года начинается синхронизация отдельных индикаторов: все они снижаются и повышаются примерно в одно и то же время, что приводит к достаточно сильным колебаниям среднего индикатора. С мая 2009-го по май 2010 года также наблюдается довольно слабая синхронизация, а с мая 2010 года все страновые индикаторы одновременно начинают синхронно снижаться. Что же происходило при этом на фондовых рынках?
На графике 3 построенный выше средний индикатор (красная пунктирная линия) представлен вместе со средним агрегированным индексом исходного ряда (синяя сплошная линия), включающим фондовые индексы указанных рынков. Такой подход исключает фактор влияния фондовых рынков различных стран друг на друга, который связан с перетоком капитала на глобальном финансовом рынке. Из графика видно, что индикатор показал резкое уменьшение мелкомасштабных флуктуаций, начиная с 2001 года, два раза. Первый раз - в декабре 2004 года, после чего через полгода последовал бурный рост всех индексов, который продолжался около двух лет. Второй раз - в апреле 2008-го, после чего также примерно через полгода в связи с кризисом произошло резкое падение всех индексов.
Кроме того, из графика видно, что в настоящий момент активно идет формирование нового сигнала, который является предвестником сильных колебаний фондового рынка в среднесрочной перспективе (от полугода до одного года). И хотя индикатор ничего не говорит о том, в какую сторону произойдет движение, полученной информации может оказаться вполне достаточно, например, для построения успешной стратегии управления активами на фондовом рынке. Если определить прогноз более точно, то исходя из него получается, что восстановление будет либо быстрым с возможным выходом на исторические максимумы фондовых рынков уже в следующем году (минимальное значение индекса РТС, которое в этом случае будет достигнуто, составляет 2150 пунктов), либо фондовые рынки накроет нечто похожее на вторую волну кризиса (при этом сценарии минимальная цель по индексу РТС составит 1050 пунктов). Следует заметить, что прогноз находится в явном противоречии с общепринятым ожиданием «медленного выхода из рецессии».
С точки зрения теории, опирающейся на фрактальные свойства цен, снижение амплитуды колебаний на малых масштабах должно сопровождаться двумя наиболее существенными эффектами: общим снижением торговой активности на рынках и особой подстройкой участников под действия друг друга. Второе, увы, проверить независимыми от фрактального анализа методами на сегодня не представляется возможным. А вот торговая активность действительно снизилась. Так, средний еженедельный объем торгов российскими акциями, по данным ММВБ, сократился до 230 млрд руб. за январь-ноябрь 2010 года с 253 млрд руб. в аналогичном периоде 2009-го. В США снижение еще более значительное - с $5,5 млрд до $4,7 млрд за те же периоды.
В завершение этой статьи скажем несколько слов относительно эффекта увеличения крупномасштабных колебаний при уменьшении мелкомасштабных. По существу, указанный эффект означает, что тенденции в сложных системах (природных, социальных, технологических), формирующиеся очень медленно и незаметно, но имеющие повышенную неуклонность, со временем часто становятся глобальными, определяя основной вектор развития таких систем. Заметим, что хорошо известный эффект затишья (подавление высокочастотной компоненты шума), который обычно предшествует природным катастрофам (например, землетрясениям), является частным проявлением указанного эффекта. Таким образом, многие глобальные тенденции в своей эволюции в действительности напоминают горчичное зерно из евангельской притчи, «которое, хотя меньше всех семян, но, когда вырастет, бывает больше всех злаков и становится деревом, так что прилетают птицы небесные и укрываются в ветвях его» (Мф. 13: 32).
1 История появления фрактальной геометрии достаточно подробно описывалась одним из авторов в статье «От MA до FRAMA через EMA и фрактал», опубликованной в D′ №15 за 23 августа 2010 года (algoritmus.ru/?p=2638).
2 Mandelbrot B. The Fractal Geometry of Nature. San Francisco: W. H. Freeman, 1982.
3 См. Ширяев А. Н. «Основы стохастической финансовой математики». Т . 1. М .: «Фазис», 1998.
4 См. Mandelbrot B. Journal of Business . № 36, 1963; Mandelbrot B. & Van Ness SIAM Rev . № 10, 1968.
5 См. Полтерович В. М. «Экономическая наука современной России » . №1, 1998.
6 См. Dubovikov M. M., Starchenko N. S., Dubovikov M. S. Physica A 339 591, 2004.
7 США, Германия, Франция, Япония, Россия, Бразилия, Китай, Корея.
Поведение среднего фондового индекса (синяя линия, правая шкала, стартовое значение в апреле 2001 года принято за единицу) и среднего индикатора нестабильности (красная пунктирная линия, левая шкала)
Фракталы достаточно популярны среди многих трейдеров. Интерес к фрактальному анализу появился после публикации нескольких трудов Билла Вильямса, посвященных данной теме. Фракталы были изобретены еще до него, но упоминались под другим названием. Вильямс, изучая финансовые рынки, пришел к выводу, что движения курсов многих финансовых инструментов являются хаотичными. В результате исследований он доказал, что график изменения стоимости хлопка подобен береговой линии и движению крови в организме человека.
В своих исследованиях Вильямс пришел к выводу, что рынки – хаотичные, а не прямолинейные системы, поэтому применение на них индикаторов, в основе которых используются линейные функции, бесполезно. По его мнению, стабильность на рынках присутствует лишь небольшую долю времени, а во всех других случаях на них царит хаос.
Фрактал – повторяющаяся формация, которая в том или ином виде встречается на любых ценовых графиках. У фракталов береговой линии, как и у фракталов фондового рынка, одинаковая природа. Фрактал состоит минимум из пяти баров.
Верхние и нижние фракталы могут находиться в одной и той же группе баров. Иногда верхний и нижний фрактал одновременно образуются на одном баре. Когда фрактал сформировался, то он наделяется всеми свойствами.
Оценивая верхний фрактал, необходимо обращать внимание на его максимум. При изучении нижнего, соответственно, минимум. Фрактальный старт формируется из двух последовательных фракталов, направленных в разные стороны. Фрактальный сигнал появляется на противоположной старту стороне. Фрактальный стоп находится за дальним фракталом. Если появляется противоположный сигнал, то он отменяет предыдущие.
Данная техника позволяет повысить процент прибыльных сделок, но средняя убыточная сделка будет больше. Так как стоп-лоссы при использовании такой стратегии будут нечастыми, то в итоге можно рассчитывать на хорошую прибыль. Фрактальный анализ рынка не дает всегда 100% прибыльных сделок. В связи с этим не следует применять в торговой системе только его. Для подтверждения сигналов или фильтрации рекомендуется использовать другие инструменты.
При использовании фрактального анализа также важно изучать данные с разных таймфреймов. Система, которую описывал в своих трудах Билл Вильямс, является трендовой. Чтобы правильно ее использовать, вначале следует определить доминирующую на рынке тенденцию, обратившись к старшему периоду.
В системе следует учитывать и «фрактальный рычаг». Так называется возможная амплитуда при откатах. Оценить «фрактальный рычаг» можно, пользуясь стандартными линиями Фибоначчи, которые имеются в MT4. Коррекции до 38% по Фибоначчи являются свидетельством сильного трендового движения. В данном случае фрактальный рычаг является сильным. Все наоборот, если откаты составляют 62% по фибо и более.
Фракталы можно использовать и совместно с волновой теорией. Ведь по своей сути фрактал – не что иное, как начало или конец импульсного движения или волны. Здесь появляется определенная сложность, потому что на разных периодах графиков формируются разные импульсы. Трейдерам, набравшимся опыта в использовании волновой теории, не составляет труда точно определять конкретную волну на определенном таймфрейме.
Если на одном и том же уровне образуется несколько групп фракталов, то в случае пробития данного уровня следует ожидать продолжительную и мощную тенденцию. Фрактальный анализ рынка дает очень хорошие результаты при наличии трендов. Когда цена долго находится в каналах, то стратегия на пробой фрактала приносит убытки. Сложность состоит в том, что распознать возникающий флет бывает достаточно сложно.
Следует торговать на пробой только в направлении ярко выраженного тренда. Не следует переживать из-за нескольких лоссов подряд. Будущий профит наверняка покроет все убытки, которые стратегия получила во время колебания в коридоре. Хороший эффект достигается при работе на мелких временных интервалах. Если трейдер входит на пробой фрактала, ориентируясь на дневной график, то стоп-лосс можно выставлять, основываясь на H4. Обычно чем больше фракталов располагается на одном уровне и чем дольше длится флет, тем более сильным и направленным окажется будущее движение.
Чтобы достоверно определять, является ли пробой фрактала истинным или ложным, можно пользоваться анализом пробойной свечи. Если пробойная свеча является «сильной», то есть обладает большим телом и уровень ее закрытия располагается далеко от скоплений фракталов, то существует большая вероятность того, что движение продолжится в выбранном направлении. Пользуясь данным выводом, можно с успехом торговать на мелких графиках с целью увеличения прибыли. К примеру, если вчера произошел пробой на D1, то сегодня можно рассматривать прорывы на четырехчасовом графике.
Если после пробоя скопления фракталов образовалась разворотная модель свечи, то в дальнейшем скорее всего на рынке будет царить флет, появятся новые фракталы. В связи с этим очень большое внимание следует уделить именно анализу пробойной свечи. Для повышения эффективности рекомендуется ознакомиться хотя бы с основами Price Action (свечной анализ).
Билл Вильямс рекомендовал смотреть не только на разворотную свечу, но и также анализировать объем. Если свеча имеет большое тело, но объем невелик, то сигнал является слабым. Сигналы, которые поступают от скоплений фракталов, являются сильными, когда они образуются на более долгосрочных графиках (как и в случаях со свечным анализом). Сам Вильямс рекомендовал смотреть D1. В то же время необходимо анализировать и другие таймфреймы. Как уже упоминалось в данной статье, фрактальный анализ лучше всего сочетать с чем-то еще, чтобы повысить прибыльность стратегии, потому что ни одни инструмент не способен похвастаться 100%-точными сигналами.
Видеоролик содержит полезную информацию по рассматриваемой теме.
| Брокер | Основан | Регулятор | Мин. депозит |
Которое, по мнению профессиональных трейдеров, со временем должно вытеснить такие основы финансового прогнозирования, как фундаментальный и технический анализы. При правильном использовании фрактальный анализ практически не дает ложных сигналов, делая торговлю на Форекс абсолютно безубыточной. Однако начинающие трейдеры не проявляют к нему должного интереса, да и не все опытные игроки слышали об этом виде анализа. Возможно, это объясняется тем, что фрактальный анализ рынков требует глубокого изучения, и не каждый рядовой трейдер может понять, как его применять на практике. Начинающим трейдерам больше по вкусу , но они нередко приводят к сливу депозита, что так выгодно дилинговым центрам, которые присваивают себе депозиты своих клиентов, когда они проигрывают на Форекс. Чтобы этого не произошло, выбирайте надежных брокеров из нашего независимого , а также используйте только те стратегии, которые показывают действительно прибыльную торговлю на .
Существует много мнений относительно использования фрактального анализа на Форекс. Одни считают, что он не приносит какого-то ощутимого преимущества на валютном рынке. Практикующие придерживаются другого мнения, они полагают, что стоит хотя бы раз попробовать торговать по этому методу, после чего вы уже не вернетесь к классическим видам анализа. В этой статье мы постараемся рассмотреть с различных сторон, что собой представляет фрактальный анализ Форекс, и так ли он эффективен в торговле.
Для того чтобы понять, что собой представляет фрактальный анализ, мы должны перенестись на несколько десятилетий назад, когда математик и экономист Бенуа Мандельброт впервые столкнулся с понятием фрактала. Занимаясь исследованиями в сфере экономики, он заметил странную закономерность в изменениях цен на рынке. Он выяснил, что изменения цен непроизвольны, однако к ним невозможно применить стандартные кривые, но можно описать математически. Проводя исследования изменений цен на хлопок за столетний период, он пришел к выводу, что валютные колебания имеют симметрию, как во время длительного периода, так и на краткосрочных промежутках времени. Данные наблюдения положили начало основам фрактального анализа. С латинского fractus означает ломать или разламывать, то есть фракталы – это фрагменты с неправильной формой, которые являются составной частью чего-то целого. Фракталы окружают нас повсюду – это могут быть очертания гор, движущиеся облака, извилистая береговая линия или пламя огня. Они не имеют какой-то определенной формы, но обладают сходной структурой, которая также присуща и финансовым рынкам.
На сегодняшний день фрактальный анализ применяется не только для прогнозирования цен на валютном рынке, но и в медицине для диагностирования тяжелых заболеваний на начальной стадии.
Со времен Бенуа Мандельброта многие ученые пытались изучить явление фракталов, но на практике их стал применять только доктор Билл Вильямс, который в процессе своей научной работы сделал вывод, что рынок – это хаотическая саморегулирующаяся структура. По своей сути рынок является нелинейной системой, поэтому невозможно предугадать дальнейшее движение цены при помощи , и других стандартных индикаторов. Мультимиллионер и создатель серии технических индикаторов Билл Вильямс считает, что прогнозирование цены возможно только при помощи сложных геометрических систем или фрактального анализа. Несмотря на всю сложность проведения фрактального анализа, он дает практически безошибочные прогнозы. Но чтобы научиться применять на практике теорию фрактального анализа, необходимо изменить свое мировоззрение. Цены движутся хаотично, но во всей этой хаотичности наблюдается симметрия. Однако ее невозможно увидеть при помощи , основанных на применении линейных функций. Когда вы строите горизонтальные уровни, то вы не можете знать наверняка, пробьет их цена или отскочит назад. Горизонтальные уровни – это всего лишь скопление ордеров трейдеров, а в каком направлении двинется цена, со 100% уверенностью не сможет сказать ни один аналитик. Посмотрите прогнозы ведущих аналитиков, в которых говорится, что, если цена закроется выше определенного уровня, то покупайте, а если опустится ниже соответствующей ценовой отметки, то продавайте. Таким образом, фрактальный анализ позволяет предугадать не только направление движения цены, но и то, насколько долго оно продлится перед тем, как развернуться в обратную сторону.
Смотрите также, в чем отличия и преимущества от маркет-мейкеров.
От теории переходим непосредственно к практике. Для начала познакомимся с , который был разработан самим Биллом Вильямсом и является стандартным индикатором MT4. Итак, устанавливаем на график индикатор Fractals, он не имеет каких-либо дополнительных настроек и представляет собой стрелочку над или под свечой. Для окончательного формирования фрактала требуется как минимум пять свечей, которые должны располагаться так, чтобы средняя свеча была выше или ниже относительно других.
На графике встречаются как верхние, так и нижние фракталы, при этом для их формирования могут использоваться одни и те же свечи, а в редких случаях одна свеча может одновременно образовывать верхний и нижний фрактал.
Существуют также такие понятия, как фрактальный старт и фрактальный сигнал. Фрактальный старт образуется, когда происходит формирование сначала верхнего фрактала, а затем нижнего фрактала.
На противоположной стороне фрактальному старту формируется фрактальный сигнал.
Дождавшись формирования фракталов, необходимо построить горизонтальные уровни, которые будут проходить через последний максимум верхнего фрактала и последний минимум нижнего фрактала. При пробитии этого уровня следует входить в рынок рыночными ордерами. Фрактальный стоп следует размещать за предыдущим минимумом или максимумом. При этом размер , как правило, является достаточно большим, но это компенсируется тем, что срабатывают они не часто, а тейк-профит превышает стоп в два или три раза, что делает торговлю по фракталам очень прибыльной.
Для фильтрации ложных сигналов можно входить только по или накинуть на график с периодом 135 для таймфрейма H1. Если цена находится ниже скользящей средней, то рассматриваем только продажи, а когда цена располагается выше скользящей средней, ждем сигналы на покупку.
Чем больше фракталов формируется на одном уровне, тем выше вероятность того, что цена, пробив этот уровень, уйдет достаточно далеко от точки открытия сделки;
Торговля по фракталам показывает хорошие результаты на не ниже H1, так как на более мелких периодах увеличивается количество ложных сигналов;
Для увеличения количества профитных сделок рекомендуется входить в сделки в направлении основного тренда.
Методика фрактального анализа не стоит на месте, она постоянно развивается, появляются новые школы, которые взяли за основу наблюдения Бенуа Мандельброта, но имеют свою точку зрения на проведение анализа. В нашей стране последователем фрактальной теории является известный аналитик Алексей Алмазов, который разработал фрактальную функцию Вейерштрасса-Мандельброта для определения графических циклов. Однако он имеет ряд противников его теории, так как он не является практикующим трейдером, а получает зарплату за умение преподносить свои в красивой упаковке. Другую популярную школу представляют трейдеры, использующие в своей стратегии метод тенденциальной геометрии, которая позволяет с высокой точностью определять на графике точки разворота. Для этого используется сетка, состоящая из скользящих средних с различными периодами. В результате движения цены скользящие средние переплетаются в жгуты, образуя динамические уровни поддержки и сопротивления, от которых отталкивается цена. Так выглядит окно трейдера, работающего по методу тенденциальной геометрии:
Зная максимум или минимум цены, последователи этого метода могут определять с точностью до нескольких пунктов, до какой отметки дойдет цена, чтобы затем развернуться в противоположную сторону. Однако из-за сложности этого метода не все трейдеры могут в совершенстве определять его сигналы. Возможно, в будущем мы разберем и этот метод торговли, поэтому, чтобы не пропустить статью, подписывайтесь на наши обновления.
Таким образом, фрактальный анализ позволяет находить ключевые уровни поддержки и сопротивления, которые по своей силе значительно превосходят горизонтальные уровни, трендовые линии и технические индикаторы, основанные на линейной функции. Любой рынок, будь то валютный или фондовый, по своей природе является хаотичным, а не линейным, поэтому нельзя предсказать дальнейшее движение цены, основываясь на простейших методах анализа. Однако, несмотря на хаотичность, колебания цены обладают симметричностью как в долгосрочном периоде, так и на краткосрочных временных отрезках. Определить симметричность можно при помощи фрактального анализа. Фракталы Билла Вильямса – это лишь первый шаг к изучению основ фрактального анализа. Чтобы изучить все методы фрактального анализа и научиться их использовать на практике, потребуется много времени и терпения, но они с лихвой окупятся в будущем благодаря успешной и практически . Желаем вам профитных сделок!
