РЕАЛИЗАЦИЯ ЭФФЕКТИВНОГО МЕТОДА ТЕХНИЧЕСКОГО АНАЛИЗА ДЛЯ ОПРЕДЕЛЕНИЯ ТРЕНДА РЫНКА НА ПЛАТФОРМЕ METATRADER 5

  • Т. Н. Кондратьева Донской государственный технический университет
  • И.Ф. Развеева Донской государственный технический университет
  • Г.С. Оноре Донской государственный технический университет
  • Е.Р. Мунтян Южный федеральный университет
Ключевые слова: Графический анализ, технический анализ, мультирыночная платформа, MetaTrader 5, Forex, алготрейдинг, инновационный трейдинг, торговая стратегия, технический индикатор

Аннотация

Рассмотрены возможности применения эффективных методов технического анали-
за для определения направления тренда финансовых активов на мультирыночной плат-
форме MetaTrader 5. Показаны преимущества и целесообразность применения методов
технического анализа в разных сферах финансовых рынков на примерах работ российских и
зарубежных авторов. В работе для определения направления и силы тренда обоснована
недостаточность применения таких технических индикаторов, как полосы Боллинджера
(BB), MACD, MA, EMA, построенных по различным законам распределения цен финансовых
активов. Рассмотрены инструменты графического анализа, как частный случай техниче-
ского анализа, отличающийся особой наглядностью и визуализацией исследуемого процес-
са. В статье приведены примеры фигур технического анализа, показана их принадлежать
к базовым типам графического анализа. Рассмотрено понятие современной торговой
стратегии – инновационный трейдинг, проведен сравнительный анализ торговой страте-
гии, ее возможности и риски. В работе приводится описание разработанного программно-
го модуля в виде торгового индикатора на платформе MetaTrader 5 на языке Meta Quotes
Language 5 (MQL5) в сочетании со скриптом на высокоуровневом языке Python для алгот-
рейдинга с применением методов технического анализа. В основу индикатора заложено
построение линий поддержки и сопротивления для определения направления и силы тренда.
Разработан алгоритм определения направления и силы тренда инструментами техниче-
ского анализа, что в результате позволит повысить точность прогноза направленности
тренда путем интеграции технического индикатора в систему. Для экспериментальной
части процесса использован финансовый инструмент – валютная пара EUR/USD, общий
период исследования составил шесть месяцев. В результате алгоритм корректно отрабо-
тал в реальном режиме времени без участия человека в течение двадцати четырех недель.
По результатам тестирования можно судить о перспективности исследований данного
направления для решения большого спектра прикладных задач финансовой математики и
аналитики. Применение созданного индикатора может быть расширено на любые торго-
вые операции по различным финансовым инструментам и на их комбинации.

Литература

1. Hernández Martínez Robert. Automated Investing. Algorithmic Trading in Financial Markets:
Expert Advisor (EA), 2022.
2. Kondrat’ieva T.N., Muntyan E.R., Razveeva I.F. Realizatsiya torgovogo sovetnika dlya
mul'tirynochnoy platformy MetaTrader 5 [Implementation of a trading advisor for the
MetaTrader 5 multi-market platform]. Izvestiya YuFU. Tekhnicheskie nauki [Izvestiya SFedU.
Engineering Sciences], 2022, No. 4, pp. 157-169.
3. Eremin V.V. Vybor tekhnicheskogo indikatora dlya rossiyskogo fondovogo rynka [The choice
of a technical indicator for the Russian stock market]. Alleya nauki [Alley of Science], 2020,
Vol. 1, No 11(50), pp. 97-105.
4. Kondrat’ieva T.N. Kompleksnyy podkhod analiza sovremennykh indikatorov finansovogo
rynka [An integrated approach to the analysis of modern indicators of the financial market].
Obozrenie prikladnoy i promyshlennoy matematiki [Review of Applied and Industrial Mathematics],
2015, Vol. 22, No 5, pp. 589-590.
5. Kondrat’ieva T.N., Triputa I.G., Prudnikov S.E. Optimizatsiya i testirovanie sovetnika v
klientskom terminale MetaTrader 5 [Optimization and testing of the Expert Advisor in the
MetaTrader 5 client terminal], Sovremennye naukoemkie tekhnologii [Modern high-tech technologies],
2018, No 12-1, pp. 77-83.
6. Irwin S.H.; Park C.-H. What do we know about the profitability of technical analysis?,
J. Econ. Surv., 2007, 21, pp. 786-826.
7. Market Technicians Association. CMT Level I 2016: An Introduction to Technical Analysis;
JohnWiley & Sons: Hoboken, NJ, USA, 2015.
8. Sevryugin Yu.V., Soshin N.A. Klassifikatsiya avtomatizirovannykh birzhevykh torgovykh
strategit - torgovyh robotov [Classification of automated exchange trading strategies - trading
robots]. Aktual'nye problemy i perspektivy razvitiya ekonomiki: rossiyskij i zarubezhnyy opyt
[Actual problems and prospects for the development of the economy: Russian and foreign experience],
2022, No. 2 (40), pp. 7-11.
9. Vizgunov A.N., Goldengorin B.I., Zamaraev V.A., Kalyagin V.A., Koldanov A.P.,
Koldanov P.A., Pardalos P.M. Primenenie rynochnykh grafov k analizu fondovogo rynka
[Application of market graphs to stock market analysis]. Zhurnal NEA [NEA Journal], 2012,
No. 3 (15), pp. 66-81.
10. Vizgunov A.N., Trifonov Yu.V. Primenenie modeli grafa dohodnostey dlya analiza fondovogo
rynka [Application of the yield graph model for stock market analysis]. Vestnik
Nizhegorodskogo universiteta im. N.I. Lobachevskogo [Bulletin of the Nizhny Novgorod University
named after N.I. Lobachevsky], 2013, No. 6 (1), pp. 285-289.
11. Muntyan E.R. Realizatsiya nechetkoy modeli vzaimodeystviya ob"ektov slozhnykh
tekhnicheskikh sistem na osnove grafov [Implementation of a fuzzy model of interaction between
objects in complex technical systems based on graphs], Programmnye produkty i
sistemy [Software & Systems], 2019, Vol. 32, No. 3, pp. 411-418. DOI: 10.15827/0236-
235X.127.411-418.
12. Muntyan E.R. Ispol'zovanie nechetkikh GH-modeley dlya predstavleniya slozhnykh
tekhnicheskikh sistem [Using fuzzy GH-models to represent the complex technical systems],
Informatizatsiya i svyaz' [Informatization and communication], 2020, No. 3, pp. 55-60. DOI:
1034219/.2078-8320-2021-12-3-55-60.
13. Vereshun V.D., Kolodenkova A.E., Muntyan E.R. Integrated approach to modeling the objects
of complex technical systems, Lecture Notes in Networks and Systems, 2022, Vol. 330, LNNS,
pp. 199-204. DOI: 10.1007/978-3-030-87178-9_20.
14. Kondrat’ieva T.N. Predskazanie tendentsiy razvitiya riskovykh aktivov pri pomoshchi polos
Bollindzhera dlya rossiyskogo finansovogo rynka [Prediction of trends in the development of
risky assets using Bollinger bands for the Russian financial market], Obozrenie prikladnoy i
promyshlennoy matematiki [Review of Applied and Industrial Mathematics], 2014, Vol. 21,
No. 1, pp. 63-64.
15. Yanyun Yao, Shangzhen Cai & Huimin Wang. Are technical indicators helpful to investors in
china’s stock market? A study based on some distribution forecast models and their combinations,
Economic Research-Ekonomska Istraživanja, 2022, 35:1, 2668-2692. DOI: 10.1080/
1331677X.2021.1974921.
16. Han Yufeng, Liu Yang, Zhou Guofu and Zhu Yingzi. Technical Analysis in the Stock Market:
A Review (May 21, 2021). Available at SSRN: https://ssrn.com/abstract=3850494.
17. Nazário R.T.F., Silva J.L., Sobreiro V.A., Kimura H. A literature review of technical analysis
on financial asset markets. Q. Rev. Econ. Financ. 2017, 66, pp, 115-126.
18. Kondrat’ieva T.N., Rveveeva I.F. Avtomaticheskaya torgovaya sistema v klientskom terminale
MetaTrader 5 [Automated trading system in the MetaTrader 5 client terminal], Sovremennye
naukoemkie tekhnologii [Modern high technologies], 2018, No. 10, pp. 56-60.
19. Belokonskaya E.G., Kalyagin I.I. Razvitie instrumental'nykh sredstv algotreydinga na osnove
primeneniya neyronnykh setey [Development of tools for algorithmic trading based on the use
of neural networks]. Izvestiya vysshikh uchebnykh zavedeniy. Seriya: Ekonomika, finansy i
upravlenie proizvodstvom [News of higher educational institutions. Series: Economics, finance
and production management], 2017, No. 1 (31), pp. 53-56.
20. Zhang Chao, Zhang Yihuang, Cucuringu Mihai and Qian Zhongmin. Volatility Forecasting
with Machine Learning and Intraday Commonality (May 2022).
21. Kondratieva T., Prianishnikova L., Razveeva I. Machine learning for algorithmic trading. E3S
Web of Conferences, Moscow, 2020, pp. 01019. DOI 10.1051/e3sconf/202022401019.
22. Kondrat’ieva T.N. Prognozirovanie tendentsiy finansovykh vremennykh ryadov s
pomoshch'yu neyronnoy seti LSTM [Forecasting trends of financial time series using the
LSTM neural network]. Internet-zhurnal “Naukovedenie” [Online journal of “Science Studies”],
2017, Vol. 9, No. 4, pp. 61.
23. Chen W. Comparative study on volatility prediction effect of Shanghai Composite Index Based
on deep learning. Stat. Inf. Forum, 2018, 2018, 33, 99-106.
24. Lei B., Zhang B., Song Y. Volatility Forecasting for High-Frequency Financial Data Based on
Web Search Index and Deep Learning Model. Mathematics, 2021, 9 (4), 320 p. Available at:
https://doi.org/ 10.3390/math9040320.
Опубликован
2022-12-27
Выпуск
Раздел
РАЗДЕЛ I. МОДЕЛИ И МЕТОДЫ ОБРАБОТКИ ИНФОРМАЦИИ