РАЗРАБОТКА АЛГОРИТМОВ АВТОМАТИЧЕСКОЙ ТОРГОВЛИ НА ОСНОВЕ КОМБИНАЦИИ КЛАССИЧЕСКИХ ИНДИКАТОРОВ ТЕХНИЧЕСКОГО АНАЛИЗА ДЛЯ МИНИМИЗАЦИИ РИСКОВ НА ФИНАНСОВЫХ РЫНКАХ

​DEVELOPMENT OF AUTOMATIC TRADING ALGORITHMS BASED ON A COMBINATION OF CLASSIC TECHNICAL ANALYSIS INDICATORS TO MINIMIZE RISKS IN FINANCIAL MARKETS

Vladislav Velichko

master's student, Department of Information Technology, Voronezh State University of Forestry and Technologies named after G.F. Morozov,

Russia, Voronezh

Nadezhda Yudina

scientific supervisor, PhD in engineering, associate professor, Voronezh State University of Forestry and Technologies named after G.F. Morozov,

Russia, Voronezh

АННОТАЦИЯ

Статья посвящена разработке алгоритмов автоматической торговли, сочетающих классические индикаторы технического анализа с математическими методами управления рисками. Предложенный подход позволяет минимизировать риски за счет динамического управления позициями, расчета оптимального размера сделок и адаптации к рыночной волатильности.

ABSTRACT

The article is devoted to the development of automated trading algorithms that combine classical technical analysis indicators with mathematical risk management methods. The proposed approach allows minimizing risks through dynamic position management, calculating the optimal transaction size and adapting to market volatility

Ключевые слова: автоматическая торговля, технический анализ, управление рисками.

Keywords: automatic trading, technical analysis, risk management.

Современные финансовые рынки, характеризующиеся высокой волатильностью и неопределенностью, требуют разработки надежных алгоритмов автоматической торговли, способных минимизировать риски при сохранении доходности. Классические индикаторы технического анализа, такие как скользящие средние, RSI и MACD, обеспечивают базис для генерации торговых сигналов, однако их эффективность ограничена ложными срабатываниями и запаздыванием. Для преодоления этих ограничений необходимо дополнять технические методы количественными моделями управления рисками.

Для алгоритма взят подход, интегрирующий комбинацию индикаторов с математическими инструментами: критерием Келли для определения доли капитала, формулами расчета волатильности, коэффициентом Шарпа для оценки риск-доходности и моделью Марковица для оптимизации портфеля. Такой синтез позволяет не только фильтровать ложные сигналы, но и динамически адаптироваться к изменениям рыночных условий. Актуальность работы обусловлена растущим спросом на алгоритмы, сочетающие аналитическую гибкость технического анализа с точностью количественных методов.

Рассмотрим построение алгоритма для автоматизированной торговли, который позволит минимизировать риски.

На начальном этапе вычисляется волатильность актива, используя данные из исторических источников. При высокой волатильности имеем больше рисков. Поэтому для принятия решения о возможности рассматриваемой сделки и определения рисков будем использовать данный показатель.

Историческая волатильность рассчитывается на основе стандартного отклонения доходности актива за выбранный период (формула 1).

                                                                                  (1)

где  – доходность за -ый период;  – средняя доходность;  – количество периодов.

Для определения оптимальной доли капитала, которую можно инвестировать в ту или иную сделку используем формулу 2:

                                                                                                   (2)

где  – вероятность выигрыша;  – отношение среднего выигрыша к среднему проигрышу.

Размер проигрыша рассчитывается  по формуле 3, где  – максимально допустимый размер убытка на одну сделку, который выражается в денежных единицах, а  – расстояние до стоп-лосса, что в переводе с английского означает «остановит потери».

                                                                                                   (3)

Для определения доходности портфеля относительно имеющегося риска будем использовать коэффициент Шарпа (формула (4).

                                                                                        (4)

где  – ожидаема доходность;  – безрисковая ставка;  – стандартное отклонение – волатильность.

Доходность актива относительно риска будет выше, кода коэффициент Шарпа выше. Хорошим показателем считается, когда  А  – отличный показатель. При  доходность недостаточно компенсирует риск. Значение коэффициента Шарпа меньше нуля говорит нам о том, что доходность ниже безрисковой ставки.

При оптимизации распределения активов будем использовать модель Марковица. Целевая функция стремится к максимуму ожидаемой доходности на рассматриваемом уровне (формула 5).

                                                                       (5)

Ограничения:

где – доля актива  в портфеле,  – ожидаемая доходность актива,  – ковариация между активами .

Предложенный подход открывает новые возможности для создания устойчивых торговых систем, способных функционировать в условиях повышенной нестабильности финансовых рынков.

Список литературы:

1. Markowitz, H. Portfolio Selection // The Journal of Finance. – 1952. – Vol. 7, № 1. – pp. 77–91
2. Hull, J. C. Options, Futures, and Other Derivatives. – 11th ed. – Pearson, 2021. – 880 p.
3. Fabozzi, F. J., Focardi, S. M., Kolm, P. N. Quantitative Equity Investing: Techniques and Strategies. – Hoboken: Wiley, 2010. – 576 p.
4. Bollinger, J. Bollinger on Bollinger Bands. – New York: McGraw-Hill, 2002. – 288 p.
5. Kaufman, P. J. Trading Systems and Methods. – 6th ed. – Hoboken: Wiley, 2019. – 1088 p.
6. Grinold, R. C., Kahn, R. N. Active Portfolio Management: A Quantitative Approach for Producing Superior Returns and Selecting Superior Returns and Controlling Risk. – 2nd ed. – McGraw-Hill, 1999. – 720 p.
7. Aldridge, I. High-Frequency Trading: A Practical Guide to Algorithmic Strategies and Trading Systems. – 2nd ed. – Hoboken: Wiley, 2013. – 352 p.