В этой статье мы анализируем важность функций облака Ишимоку с помощью машинного обучения и оптимизированных бэктестов. В частности, мы рассмотрим пять основных линий технических индикаторов, составляющих родительский индикатор Ишимоку, на точность прогнозирования, поскольку обычно используемая модель торговли нейронной сетью LSTM учится создавать прибыльные стратегии. В настоящее время мы работаем над более исчерпывающим исследованием облака Ишимоку на основе машинного обучения и его сравнительным влиянием на возможности прогнозирования цен в более широком спектре классов активов, таймфреймов и пар. Это исследование будет опубликовано этим летом, в августе.

Часть вдохновения для этого исследования основана на статье Адамантиоса Нтакариса, Юхо Канниайнена, Монсефа Габбуджа и Александроса Иосифидиса Прогнозирование средней цены на основе методов машинного обучения с техническими и количественными показателями, в которой основное внимание уделяется аналогичным экспериментам с более высокой частотой. наборы данных при анализе популярных индикаторов и количественных подходов к прогностическим возможностям, основанным на многочисленных факторах. Большая часть наших собственных независимых исследований до сих пор подтверждала целый ряд их выводов.

Мы проанализировали ок. 2200 торговых дней с 2014 года по настоящее время для Apple и Exxon. Вы можете найти эти данные здесь, в этих CSV, которые также включают данные индикатора Ишимоку. Мы смогли достичь точности предсказания следующих двух торговых дней в 88% для Apple и 85% для Exxon в наших бэктестах, оптимизированных для машинного обучения.

Мы использовали SHAP для создания и визуализации важности функции.

Вот наш вывод:

Яблоко:

Эксон:

Учитывая эти предварительные результаты ежедневных торговых данных для этих ведущих технологических и энергетических акций, кажется, что наша модель LSTM учится довольно сильно полагаться на запаздывающий индикатор (или линию «Чикоу») облака Ишимоку. Это перекликается с результатами, полученными Ntakaris et al. при изучении факторов наивысшей энтропии, влияющих на ценовые колебания. Казалось бы, это указывает на то, что у акций может быть память, или, по крайней мере, в большей степени, чем могут указывать теории случайных блужданий. Линия Чикоу просто измеряет сравнительные изменения цены за 26 предшествующих периодов и обычно используется как метод установления трендов. Кроме того, Leading Spans A и B, которые пытаются предсказать будущие ценовые диапазоны, заняли далеко третье и четвертое места для Apple, оставив наименьшие вмятины по важности функций для стратегии машинного обучения Exxon Ichimoku. Цена открытия также была самой важной характеристикой среди внутренних ценовых данных Apple, в то время как Exxon была более чувствительна к предыдущей информации о цене закрытия. Между тем показатели объема мало повлияли на динамику цен в обоих случаях.

Однако настоящий вопрос заключается в том, как этот индикатор соотносится с другими ведущими индикаторами. В следующем посте мы опубликуем наше предварительное исследование по нескольким акциям со сравнительными результатами важности характеристик.