Кластерные графики – точный инструмент для определения разворотных точек рынка

2. По индикаторам – например, по конвергенции и дивергенции MACD.

Но одно дело знать возможные уровни начала и окончания тренда, и совсем другое – использовать эти уровни для захода в позицию и взятия прибыли. Для этого надо также знать точечный объем на каждом баре, а также дельту объемов. Точечный объем можно увидеть на кластере. Кластер это ценовой бар, но не в формате OHLC (максимальная цена, минимальная цена, открытие и закрытие), а бар, разбитый на ценовые уровни, на каждом из которых видно вышедший объем. Для удобства объемы выше среднего выделяются отдельным цветом. Использования кластеров совместно с рыночным профилем позволяет узнать поведение точечного объема на уровнях накопления и дистрибуции объемов для точного входа в позицию для дублирования действий операторов и взятия прибыли.

Дельта объемов показывает текущий рыночный дисбаланс: она показывает, что сейчас на рынке преобладает – покупки или продажи. Дельта, совмещенная с рыночным профилем и кластерным графиком, позволяет сказать не только, откуда начнётся сильное движение, но и в какую сторону.

В отличие от аналогов мы распространяем ее совершенно бесплатно. В настоящее время она позволяет проводить кластерный анализ самых популярных фьючерсов на CME – включая также набор фьючерсов на валюту, что может заинтересовать тех, кто привык к Forex и по каким-то причинам пока что не хочет переходить на другие рынки. В будущем мы планируем подключить и акции с американских фондовых рынков. Для иллюстрации работы с кластерами приведем несколько примеров определения разворотов на фьючерсе S&P 500. Один из таких случаев был продемонстрирован в режиме реального времени с использованием специальных средств во время торгов на фьючерсе S&P500.

На рисунке – один из паттернов ДЕЛЬТА-КЛАСТЕРНОГО АНАЛИЗА, который мы применяем на рынке фьючерсов и акций. “…смотрим сделку в реалтайме: сегодня по дельте – направление вниз, вход ниже уровня объёма (1257), стоп – 2$, цель – 10 $. Перевод в б/у при развороте дельты…”

Отработка паттерна – строго по плану. Еще один пример, показанный онлайн: вход в среднесрочную сделку: покупка 1280.00, стоп лосс – 1276.50, закрытие позиции – при наличии соответствующего сильного сигнала вниз. Дельта-кластерный анализ – очередная заявка на внутрисессионный разворот. Попробуем покупки:

Сегодня наметился тренд – стоим до конца, будет разворот – увидим (1300.00 – может пробить):

Хорошая заявка вверх:

Несмотря на сильное сопротивление на уровне 1306.75 – 1308.00, сигнала на закрытие позиции не было и сделка по фьючерсу осталась открыта.

Также приведем несколько примеров отработки планов по фьючерсу на EUR/USD В понедельник мы выложили этот торговый план

1.Сильная расторговка на уровне 1.2308 2. Разворотная модель вверх на кластерах с положительной дельтой Первая цель движения – уровень 1.2333 Вторая цель движения – уровень 1.2364 Рекомендуемый уровень стопа 1.2289 В итоге торговый план полностью осуществился.

Вот еще один пример – торговый план с прогнозом на движение вверх

1. Модель продолжения тренда на кластерах 2. Рост объемов 3. Дельта положительная Первая цель: 1.2400 Вторая цель: 1.2420 Цена четко выполнила все цели движения

Из этих примеров видно, что кластеры позволяют точно заходить в сделки как внутри дня, так и на среднесрочных интервалах времени. Во всем мире торговля при помощи объемов становится все более популярной, но в то же время кластерный анализ еще не получил широкого распространения – это связано в основном с тем, что это сравнительно новое направление анализа рынков. Ведь раньше информация об объемах на ценовых уровнях и точечный объем были только у маркетмейкеров рынка. У нас в СНГ это направление и вовсе только начинает развиваться. Это привело к тому, что качественное обучение по использованию кластерного анализу в СНГ мало кто предоставляет. Таким образом, мы на факультете FTSE предоставляем обучение работы с кластерами на базе нашей разработки Clusterdelta в рамках Sniping Method, где включены методики по работе с фьючерсами и акциями. А также планируем развивать и расширять это направление.

04 ноября 2012 г. 03:21

Опубликовано 22.06.2021 · Обновлено 22.06.2021

Что такое кластерный анализ?

Кластерный анализ – это метод, используемый для группировки наборов объектов с похожими характеристиками. Это обычное дело в статистике. Инвесторы будут использовать кластерный анализ для разработки подхода к кластерной торговле, который поможет им построить диверсифицированный портфель. Акции, которые демонстрируют высокую корреляцию в доходности, попадают в одну корзину, те, которые немного менее коррелированы в другую, и так далее, пока каждая акция не будет помещена в категорию.

Если все сделано правильно, разные кластеры будут демонстрировать минимальную корреляцию друг с другом. Таким образом, инвесторы получают все преимущества диверсификации : сокращение убытков от убытков, сохранение капитала и возможность совершать более рискованные сделки без увеличения общего риска. Диверсификация остается одним из основных направлений инвестирования, а кластерный анализ – лишь один из каналов ее достижения.

Ключевые выводы

  • Кластерный анализ помогает инвесторам разработать подход к кластерной торговле, позволяющий создать диверсифицированный инвестиционный портфель.
  • Кластерный анализ позволяет инвесторам покупать и кластеризовать активы со связанной доходностью, подходящей для разных сегментов рынка.
  • Одно из преимуществ кластерного анализа – помочь защитить портфель инвестора от системных рисков, которые могут сделать портфель уязвимым для потерь.
  • Одна из критических замечаний по поводу кластерного анализа заключается в том, что кластеры с высокой корреляцией в доходах иногда имеют схожие факторы риска, а это означает, что низкая производительность в одном кластере может привести к снижению производительности в другом.

Понимание кластерного анализа

Кластерный анализ позволяет инвесторам устранять дублирование в своем портфеле, определяя ценные бумаги с соответствующей доходностью. Например, портфель, состоящий только из акций технологических компаний, на первый взгляд может показаться безопасным и диверсифицированным, но когда случается такое событие, как « Пузырь доткомов», весь портфель уязвим для значительных потерь. Покупка и кластеризация активов, подходящих для разных сегментов рынка, имеет решающее значение для увеличения диверсификации и защиты от таких системных рисков.

Выбор акций и торговля на основе кластерного анализа

Этот метод также позволяет выявить определенные категории акций, такие как акции циклических и растущих. Эти конкретные стратегии подпадают под  зонтик интеллектуального бета-тестирования или факторного инвестирования. Они пытаются получить лучшую доходность с поправкой на риск за счет определенных премий за риск, таких как минимальная волатильность, рост и импульс.

В некотором роде интеллектуальное бета-тестирование или факторное инвестирование воплощает в себе концепции группировки и категоризации, проповедуемые кластерным анализом. Логика кластеризации по единому общему поведению отражает основную методологию факторного инвестирования, которая определяет акции, подверженные схожим системным рискам и обладающие схожими характеристиками.

Не всегда активы в кластере находятся в одной отрасли. Часто кластеры держат акции из разных отраслей, таких как технологии и финансы.

Критика кластерного анализа

Очевидным недостатком кластерного анализа является степень перекрытия кластеров. Кластеры расположены близко друг к другу, что означает высокую корреляцию в доходах, и часто имеют схожие факторы риска. Таким образом, простой в одном кластере может привести к столь же низкой производительности в другом кластере. По этой причине инвесторы должны находить и кластеризовать акции на большом расстоянии между ними. Таким образом, на кластеры влияют разные рыночные факторы.

Тем не менее, широкий откат рынка, такой как рецессия 2008 года, задушит весь портфель, независимо от его конструкции. Даже самые диверсифицированные кластеры не смогут противостоять встречным ветрам рецессии. Здесь лучшее, что может сделать кластеризация, – это минимизировать крайне низкие убытки.

Кластерный анализ – это совокупность методов классификации многомерных наблюдений или объектов, основанных на определении понятия расстояния между объектами с последующим выделением из них групп наблюдений (кластеров, таксонов).

Назначение. С помощью онлайн-калькулятора можно проводить классификацию объектов алгоритмами «ближайшего соседа» и «дальнего соседа» с построением дендрограммы.

Инструкция. Укажите количество данных, нажмите Далее. Полученное решение сохраняется в файле Word. см. также Метод К-средних

Выбор конкретного метода кластерного анализа зависит от цели классификации. Обычной формой представления исходных данных в задачах кластерного анализа служит матрица: каждая строка которой, представляет результат измерений k, рассматриваемых признаков на одном из обследованных объектов. Наиболее трудным считается определение однородности объектов, которые задаются введением расстояния между объектами хi и хj (p(xi, xj)). Объекты будут однородными в случае p(xi, xj)ВЈ pпор, где pпор– заданное пороговое значение. Выбор расстояния (р) является основным моментом исследования, от которого зависят окончательные варианты разбиения. Наиболее распространенными считаются принципы “ближайшего соседа” или “дальнего соседа”. В первом случае за расстояние между кластерами принимают расстояние между ближайшими элементами этих кластеров, а во втором – между наиболее удаленными друг от друга. В задачах кластерного анализа часто используют Евклидово и Хемингово расстояния. Евклидово расстояние определяется по формуле: ; сравнивается близость двух объектов по большому числу признаков. Хемингово расстояние: ; используется как мера различия объектов, задаваемых атрибутивными признаками.

Пример. Провести классификацию шести объектов, каждый из которых характеризуется двумя признаками (табл.9). В качестве расстояния между объектами принять , расстояние между кластерами исчислить по принципам: 1) “ближайшего соседа” и 2) “дальнего соседа”.

№ п/п 1 2 3 4 5 6
x1 2 4 5 12 14 15
x2 8 10 7 6 6 4

2. Полученные данные помещаем в таблицу (матрицу расстояний).

№ п/п 1 2 3 4 5 6
1 2.83 3.16 10.2 12.17 13.6
2 2.83 3.16 8.94 10.77 12.53
3 3.16 3.16 7.07 9.06 10.44
4 10.2 8.94 7.07 2 3.61
5 12.17 10.77 9.06 2 2.24
6 13.6 12.53 10.44 3.61 2.24

3. Поиск наименьшего расстояния. Из матрицы расстояний следует, что объекты 4 и 5 наиболее близки P4;5 = 2 и поэтому объединяются в один кластер.

№ п/п 1 2 3 [4] [5] 6
1 2.83 3.16 10.2 12.17 13.6
2 2.83 3.16 8.94 10.77 12.53
3 3.16 3.16 7.07 9.06 10.44
[4] 10.2 8.94 7.07 2 3.61
[5] 12.17 10.77 9.06 2 2.24
6 13.6 12.53 10.44 3.61 2.24

При формировании новой матрицы расстояний, выбираем наименьшее значение из значений объектов №4 и №5. В результате имеем 5 кластера: S(1), S(2), S(3), S(4,5), S(6) Из матрицы расстояний следует, что объекты 4,5 и 6 наиболее близки P4,5;6 = 2.24 и поэтому объединяются в один кластер.

№ п/п 1 2 3 [4,5] [6]
1 2.83 3.16 10.2 13.6
2 2.83 3.16 8.94 12.53
3 3.16 3.16 7.07 10.44
[4,5] 10.2 8.94 7.07 2.24
[6] 13.6 12.53 10.44 2.24

При формировании новой матрицы расстояний, выбираем наименьшее значение из значений объектов №4,5 и №6. В результате имеем 4 кластера: S(1), S(2), S(3), S(4,5,6) Из матрицы расстояний следует, что объекты 1 и 2 наиболее близки P1;2 = 2.83 и поэтому объединяются в один кластер.

№ п/п [1] [2] 3 4,5,6
[1] 2.83 3.16 10.2
[2] 2.83 3.16 8.94
3 3.16 3.16 7.07
4,5,6 10.2 8.94 7.07

При формировании новой матрицы расстояний, выбираем наименьшее значение из значений объектов №1 и №2. В результате имеем 3 кластера: S(1,2), S(3), S(4,5,6) Из матрицы расстояний следует, что объекты 1,2 и 3 наиболее близки P1,2;3 = 3.16 и поэтому объединяются в один кластер.

№ п/п [1,2] [3] 4,5,6
[1,2] 3.16 8.94
[3] 3.16 7.07
4,5,6 8.94 7.07

При формировании новой матрицы расстояний, выбираем наименьшее значение из значений объектов №1,2 и №3. В результате имеем 2 кластера: S(1,2,3), S(4,5,6)

№ п/п 1,2,3 4,5,6
1,2,3 7.07
4,5,6 7.07

Таким образом, при проведении кластерного анализа по принципу “ближнего соседа” получили два кластера, расстояние между которыми равно P=7.07 Результаты иерархической классификации объектов представлены на рис. в виде дендрограммы.

Дендрограмма

Все курсы > Вводный курс > Занятие 16

Основная идея кластерного анализа (clustering, cluster analysis) заключается в том, чтобы разбить объекты на группы или кластеры таким образом, чтобы внутри группы эти наблюдения были более похожи друг на друга, чем на объекты другого кластера.

При этом мы заранее не знаем на какие кластеры необходимо разбить наши данные. Это связано с тем, что мы обучаем модель на неразмеченных данных (unlabeled data), то есть без целевой переменной, компонента y. Именно поэтому в данном случае говорят по машинное обучение без учителя (Unsupervised Learning).

Кластерный анализ может применяться для сегментации потребителей, обнаружения аномальных наблюдений (например, при выявлении мошенничества) и в целом для структурирования данных, о содержании которых мало что известно заранее.

Содержание занятия

Как же разбить данные на кластеры?

Изучая векторы и матрицы, мы узнали, что векторы данных можно сравнивать между собой (оценивать их схожесть), измеряя расстояние между ними. Кластерный анализ использует именно этот подход. Мы измеряем расстояние между точками и на основе этого измерения принимаем решение к какому кластеру отнести то или иное наблюдение.

В рамках этого занятия мы поговорим про алгоритм, который называется методом k-средних (k-means clustering method).

Метод k-средних

Давайте пошагово разберемся в том, как работает этот алгоритм.

Шаг 1. Вначале возьмем данные и самостоятельно выберем желаемое количество кластеров и обозначим их буквой k (отсюда название метода). Пусть в данном случае их будет три.

Шаг 2. Расположим несколько точек. Их количество будет равно количеству кластеров. Эти точки называются центроидами. Посчитаем расстояние от наших данных до каждого из центроидов. Логично отнести наблюдение к тому центроиду, который находится ближе.

В частности, T1 будет отнесена к C2.

Шаг 3. Таким образом, каждая точка будет отнесена к определенному центроиду (кластеру).

Шаг 4. Сместим наши центроиды в центр получившихся кластеров.

Шаг 5. Вновь отнесем точки к каждому из центроидов. Некоторые наблюдения «переметнутся» к другому центроиду.

Мы будем повторять шаги 4 и 5 до тех пор, пока алгоритм не стабилизируется, то есть до тех пор, пока наблюдения не перестанут переходить от одного центроида (кластера) к другому.

Говоря более формально, цель алгоритма — минимизировать сумму квадратов внутрикластерных расстояний до центра кластера (within-cluster sum of squares, WCSS, наша функция потерь):

Остается нерешенным важный вопрос.

Сколько кластеров выбрать?

Есть два способа выбора количества кластеров:

  1. Экспертный метод. Выбор количества кластеров будет зависеть от знания о предметной области (domain knowledge)
  2. Метод локтя (elbow method). Мы также можем (1) обучить модель используя несколько вариантов количества кластеров, (2) измерить сумму квадратов внутрикластерных расстояний и (3) выбрать тот вариант, при котором данное расстояние перестанет существенно уменьшаться.

На графике метод локтя выглядит следующим образом.

Как мы видим, после того как количество кластеров достигает трех, сумма квадратов внутрикластерных расстояний перестает существенно уменьшаться. Значит в данном случае три кластера и будет оптимальным значением.

О важности нормализации данных

Алгоритм очень чувствителен к масштабу признаков. В связи с этим нормализация данных (feature scaling) приобретает особое значение. Так как при формировании кластеров мы измеряем расстояние (в частности, Евклидово расстояние), то признаки с большим масштабом будут иметь больший вес. Приведу пример.

Предположим у вас есть данные о возрасте и ежемесячных тратах людей по кредитным картам.

Нам нужно определить насколько человек 1 отличается (насколько велико расстояние) от человека 2 и 3. В зависимости от этого мы будем формировать наши кластеры.

Вначале давайте обратимся к здравому смыслу. Мы видим, что респонденты 1 и 2 схожи, потому что им обоим около 20-ти и расходы у них примерно одинаковы. Респондент 3, имея схожие расходы, сильно отличается из-за своего возраста. Он в два раза старше. Это особенно легко увидеть на графике ниже:

Теперь посмотрим, что скажет математика, если мы оставим масштаб признаков без изменений.

Напомню формулу Евклидова расстояния.

$$ D = sqrt {left( {x_1-x_2 } right)^2 + left( {y_1-y_2 } right)^2} $$

В данном случае x1 и x2 — это возраст двух сравниваемых нами людей, а y1 и y2 — их расходы. Подставим значения в формулу.

$$ D_1 = sqrt {left( {23-20 } right)^2 + left( {55000-50000 } right)^2 } approx 5000 $$

$$ D_2 = sqrt {left( {40-20 } right)^2 + left( {50500-50000 } right)^2 } approx 500 $$

Как мы видим, расстояние от человека 1 до человека 2 целых 5000 единиц (лет и рублей), в то время как до человека 3 только 500. Результат обратный тому, на который мы рассчитывали исходя из здравого смысла.

Это связано с тем, что масштаб второго признака (расходов) намного больше масштаба первого (возраст). И даже небольшое изменение в расходах вызывает существенное изменение расстояния, в то время как значительное изменение возраста не оказывает на него практически никакого влияния.

Практический пример — цветы ириса

Для иллюстрации работы алгоритма кластеризации мы возьмем еще один классический датасет из библиотеки sklearn, а именно данные о цветах ириса.

По традиции вначале откроем ноутбук к этому занятию⧉

Этап 1. Загрузка данных

Давайте сразу загрузим данные и преобразуем их в формат датафрейма из библиотеки Pandas.

В данном случае речь идет о наборе данных, который состоит из 150 образцов цветов ириса, разделенных на три вида (Iris setosa, Iris virginica и Iris versicolor) по 50 растений в каждом. Каждый образец описан четырьмя атрибутами (длиной и шириной чашелистика и длиной и шириной лепестка).

Обратите внимание, мы сознательно не стали использовать целевую переменную, потому что решаем задачу кластеризации и предполагается, что мы не знаем заранее на какие группы или кластеры удастся разбить наши данные.

С другой стороны, тот факт, что нам заранее известно, что видов здесь три, поможет нам оценить качество кластерного анализа (об этом ниже).

Этап 2. Предварительная обработка данных

Для начала посмотрим, присутствуют ли пропущенные значения.

Мы видим, что пропущенных значений нет. Датасет был предварительно обработан.

Категорийных переменных у нас также нет. Это становится понятно из результата функции head().

Остается разобраться с масштабом признаков. Как уже было сказано, для метода k-средних нормализация данных имеет особое значение. Даже небольшое различие в масштабе признаков может повлиять на конечный результат.

Этап 3 и 4. EDA и отбор признаков

Для целей кластерного анализа мы возьмем все имеющиеся у нас данные.

Этап 5.1. Обучение модели

Самый главный вопрос, который нам предстоит решить на этапе обучения модели заключается в выборе количества кластеров.

Количество кластеров в методе k-средних являтся так называемым гиперпараметром, то есть параметром, который нужно задать до обучения модели.

Мы усложним решаемую нами задачу и сделаем вид, что не обладаем экспертными знаниями о количестве видов ириса (на самом деле напомню, мы знаем, что их три). Значит нужно использовать метод локтя.

Как видно на графике, когда мы перешли от трех до четырех кластеров, ошибка перестала существенно уменьшаться (это согласуется с тем, что видом действительно три).

Давайте создадим объект класса нашей модели, используя три кластера в качестве гипепараметра модели.

Подробнее рассмотрим параметры модели:

  • n_clusters: это количество кластеров, на которые мы хотим разбить наши наблюдения
  • init: определяет, как мы выберем первоначальное расположение (инициализацию) центроидов; есть два варианта, (1) выбрать центроиды случайно init = ‘random’ или (2) выбрать их так, чтобы центроиды с самого начала располагались максимально далеко друг от друга init = ‘k-means++’; второй вариант оптимальнее
  • n_init: сколько раз алгоритм будет инициализирован, т.е. сколько раз будут выбраны центроиды до начала оптимизации; на выходе будет выбран тот вариант, где ошибка была минимальна
  • max_iter: максимальное количество итераций алгоритма после первоначального выбора центроидов
  • random_state: воспроизводимость результата, с этим мы уже знакомы

Обучим модель и сделаем прогноз:

Этап 5.2. Оценка качества модели

Остается проверить качество модели и здесь возникает сложность. Ведь если при обучении с учителем у нас был критерий (целевая переменная), то здесь такого критерия нет.

Впрочем, так как у нас учебный датасет, и мы заранее знаем, к какому виду относится каждый цветок, то можем сравнить результат нашей модели с целевой переменной.

На настоящих данных такое конечно невозможно.

Вначале преобразуем нашу целелевую переменную (iris.target) и наш прогноз (y_pred) в датафрейм (предварительно слегка их изменив, подробности в ноутбуке⧉).

С помощью функции where() создадим массив Numpy, в котором сравним каждую строчку датафрейма, и если целевая переменная и прогноз совпадают, зададим значение True, в противном случае — False.

Добавим этот массив в качестве столбца в датафрейм.

Выведем долю совпавших (True) и не совпавших (False) значений. Для этого используем функцию value_counts(), которая подсчитает, сколько раз встречается каждое значение. Параметр normalize = True вернет относительное значение или процент. Ровно это нам и нужно.

Как мы видим, модель была права в 83% случаев. Теперь давайте визуально оценим результат.

В исходном датафрейме четыре признака, а значит четыре измерения, столько мы представить графически не можем. Давайте возьмем первый (sepal length) и второй (sepal width) столбец исходного датафрейма.

Вначале построим точечную диаграмму целевой переменной.

Теперь посмотим на результат алгоритма кластеризации.

Выводы. Как мы видим, алгоритм идеально справился с кластером 0 (светлоголубой), однако допустил ошибки при разделение кластеров 1 и 2 (желтый и коричневый цвета). Почему?

На самом деле все дело в самом алгоритме. Как мы сказали выше, алгоритм группирует данные вокруг центроидов, а это значит, что он хорошо работает с выпуклыми и далеко расположенными друг от друга кластерами. Как только данные «проникают друг в друга» и расположены слишком близко, алгоритм теряется.

Иллюстрация ниже примерно показывает, что сделал алгоритм с нашими исходными видами и почему он ошибочно группировал некоторые точки.

Подведем итог

При решении задач кластеризации мы берем данные, обязательно их масштабируем и выбираем количество кластеров (с помощью экспертной оценки или метода локтя). К сожалению, дать точную оценку качества кластеризации бывает очень сложно из-за отсутствия разметки.

Вопросы для закрепления

Почему кластеризация называется машинным обучением без учителя?

Посмотреть правильный ответ

Ответ: в таких задачах отсутствует целевая переменная, разметка. Алгоритм пытается структурировать данные, о которых мало что известно заранее.

Как выбирается гиперпараметр модели (количество кластеров)?

Посмотреть правильный ответ

Ответ: существует два способа: (1) экспертное мнение и (2) метод локтя

В чем заключаются основные ограничения модели k-средних?

Посмотреть правильный ответ

Ответ: модель (1) очень чувствительна к масштабу признаков, и кроме того алгоритм предполагает (2) выпуклость и (3) разделенность данных

Дополнительные упражнения⧉ вы найдете в конце ноутбука.

Мы закончили третий раздел классических алгоритмов машинного обучения. Пора переходить к более продвинутым задачам. Начнем с рекомендательных систем.

before–>

В последние несколько лет многие трейдеры стали особое внимание уделять индикаторам объема. Их используют практически во всех возможных стратегиях в качестве дополнительного, фильтрующего инструмента. Чем же вызван такой интерес и оправдана ли работа этого вида анализа? Прежде всего, следовало бы разобраться в том, на основе каких данных индикатор работает. Каждый инвестор знает, что движение рынка не образуется само по себе. Все эти колебания, даже самые минимальные и не значительные, прямой результат действий самих участников рынка. Конечно же, один «игрок», если не является особо крупным, не в состоянии своими манипуляциями двинуть рынок в ту или иную сторону. Но вот большое количество участников, придерживающихся одинаковых позиций, всегда продавливают рынок и зачастую, сами того не понимая, создают новые тренды. Получается, все, что нужно для успешной торговли, это следовать за толпой. Но как определить, на что настроены инвесторы, когда их такое огромное количество? Для этого и существуют индикаторы объема.

p, blockquote 1,0,0,0,0–>

Виды индикаторов объема

h2 1,0,0,0,0–>

В стандартном наборе технических индикаторов Metatrader 4 присутствует сразу несколько инструментов объема. Самые часто используемые и одновременно сильно отличающиеся между собой это:

p, blockquote 2,0,0,0,0–>

  • Money Flow Index;
  • Volumes.

MFI – индекс денежных потоков — часто путают с другим индикатором, имеющим такую же аббревиатуру. Market Facilitation Index – это индикатор, автором которого является известнейший Билл Уильямс. Инструмент тоже очень интересный, но их нельзя сравнивать, так как каждый имеет индивидуальную формулу и использует разные ценовые данные для построения. Чтобы добавить Money Flow Index на график, нужно зайти в раздел «Индикаторы», где найти вкладку «Объемы». По умолчанию инструмент имеет период «14», его можно изменить, сделав индикатор более или менее чувствительным. Но, как показывает практика, многие осцилляторы лучше работают с базовыми настройками. MFI отображается в окне под графиком цены и имеет всего лишь одну кривую, которая символизирует рост или падение в зависимости от поведения актива. Так же здесь присутствует два уровня – «20» и «80». Подобные зоны привычны для трейдеров, особенно для тех, кто применяет в торговле осцилляторы, а в них, как известно, часто используются такие же уровни для определения перекупленности или перепроданности. Индекс денежных потоков способен выявлять направление тренда, его пробой и дивергенцию. Но, несмотря на все преимущества, часть трейдеров все-таки предпочитает другой вид индикаторов объема.

p, blockquote 3,0,0,0,0–>

Два вида индикаторов объема

Volumes, хотя и относится к той же категории анализа рынка, имеет совсем другую форму. Вместо кривой, которая движется волнообразно, здесь появляется гистограмма с двумя видами столбцов. Работа по индикатору максимально проста. Все, что трейдер будет использовать в торговле, это цвет и размер столбика. Если гистограмма резко возрастает, значит, на рынке появился большой объем сделок, данный актив и цена вызывают интерес у инвесторов, которые открывают свои позиции. Возрастающий объем отображается зеленым цветом, если же на текущий период интерес к цене снижается, столбец корректируется на красный.

p, blockquote 4,0,0,0,0–>

Индикаторы объема в виде гистограммы имеют два самых сильных сигнала – это объем гораздо выше среднего и, наоборот, слишком низкий. При появлении высоких столбцов индикатора трейдеру рекомендуется рассмотреть текущий тренд для торговли, для этого стоит провести анализ по другим, трендовым инструментам. Если же гистограмма индикатора объема слишком низка, это говорит о том, что текущая цена не привлекает ни быков, ни медведей. В этом случае лучше закрыть все действующие сделки.

p, blockquote 5,0,1,0,0–>

На самом деле есть еще дна причина, по которой многие отдают предпочтение гистограммному отображению объема. И это высокая точность. Ведь столбики показывают изменение буквально за каждый период, каждый ценовой бар. Эта информация очень детальна по сравнению с обычной кривой и дает трейдеру дополнительную почву для прогнозирования.

p, blockquote 6,0,0,0,0–> p, blockquote 7,0,0,0,0–>

Что такое кластерный анализ объемов?

h3 1,0,0,0,0–>

Вертикальные индикаторы объема – это не единственный способ анализа объема рынка. Постепенно классические инструменты претерпевали модификации, что привело к возникновению новых индикаторов объема – горизонтальных. Они так же выглядят как гистограмма, но располагается она уже не в отдельном окне, а на самом графике цены. Построение индикатора происходит по мере движения, а столбики гистограммы в зависимости от активности торгового актива образуются того или иного размера, а самые важные из них формируют сильные уровни. Вернее, показывают трейдеру, какая цена может совпадать с уровнем поддержки или сопротивления. А от этих зон инвестор уже может открываться по любой из известных и качественных стратегий.

p, blockquote 8,0,0,0,0–> p, blockquote 9,0,0,0,0–>

Индикаторы кластерного объема выигрывают именно в этом. Используя их данные, трейдер все-таки сможет получить более конкретную информацию касаемо того, что происходило за выбранный временной период.

p, blockquote 10,1,0,0,0–> p, blockquote 11,0,0,0,0–>

Кластерное отображение графика

На графике отображены данные за каждый период. Любое движение на рынке – это борьба покупателей и продавцов, а последующее движение показывает, кто из них оказался сильнее. Так вот индикатор кластерного объема показывает информацию о том, сколько было на определенный момент быков и медведей, что трейдер может использовать в своих целях при открытии позиции. Кластерный график способен отображать следующие данные:

p, blockquote 12,0,0,0,0–>

  • Диапазон конкретного ценового бара;
  • Объем контрактов для каждой цены;
  • Объем по ценам «ask», то есть цена, которая устроила бы продавца. Эти данные расположены с правой стороны колонки;
  • Объемы по ценам «bid». Это цена, по которой покупатель купит актив. Его отображают цифры, находящиеся слева;
  • Разница между ask и bid, увидеть которую можно снизу, под графиком.

Помимо этого, с левой части всего графика находится гистограмма, которая растягивается на всю ширину движения. Она похожа на индикатор горизонтального объема, но не показывает уровни поддержки и сопротивления, а информирует об объеме торгов, свойственном каждый цене. Соответственно, маленький столбик говорит о том, что на определенную цену было заключено не так много контрактов, а большой, в свою очередь, свидетельствует о высокой заинтересованности трейдеров в цене.

p, blockquote 13,0,0,0,0–>

Торговля с применением кластерных объемов

При выборе торговой стратегии не рекомендуется делать основной упор на сигналы по индикатору объема. Эти инструменты предназначены скорее для того, чтобы «помогать» трейдеру, подтверждать или опровергать его догадки о дальнейшем поведении цены, а так же информировать о том, где лучшие точки входа в рынок. Правильное использование инструментов кластерного объема может существенно снизить риски и частоту срабатывая стоп-лосса, а так же помочь открываться вовремя, имея преимущество в несколько пунктов.

p, blockquote 14,0,0,0,0–>

Для лучшего понимания принципов его работы и тестирования сигналов, стоит начать с торговли на проверенных ценовых моделях и надежных сигналов. Хорошим вариантом для этого будет пробой тренда.

p, blockquote 15,0,0,1,0–>

Несмотря на силу движения, в определенном тренде цена каждого актива находится практически всегда. Иногда движение замедляется, образуются консолидации и боковики внутри тенденции, но все это – составные части ценового канала. Базово канал имеет две границы – уровни поддержки и сопротивления. Например, валютная пара находится в восходящем тренде. Чтобы нарисовать канал, необходимо использовать две параллельных прямых, одна из которых пройдет по максимальным ценам, вторая «натянется» по минимумам.

p, blockquote 16,0,0,0,0–>

Торговля на ретест

p, blockquote 17,0,0,0,0–>

  • Пробой свечами линии поддержки;
  • Фиксирование цены в новом ценовом диапазоне;
  • Ретест бывшей трендовой линии, которая теперь стала линией сопротивления.

p, blockquote 18,0,0,0,0–>

Пробой тренда на кластерном графике

На изображении видно, что пробой линии поддержки и фиксация цены ниже канала сопровождается повышенным объемом. Это подтверждает то, что участникам рынка эта цена интересна, продавцы считают ее привлекательной для входа в позиции. Что касается покупателей, они не так рассматривают ситуацию и не многие из них открываются на покупку. По этой причине покупатели не побеждают многочисленных продавцов и цена проходит еще ниже. Она достигает локального минимума, после чего происходит откат в обратную сторону, практически до бывшей линии поддержки. Когда цена возобновляет нисходящее движение, кластерный объем снова увеличивается, что еще раз информирует о намерениях игроков на продавливание цены еще ниже. Здесь следует открыть ордер на продажу, который будет иметь довольно большие цели, так как имеет место новая тенденция. Разумеется, это не единственный сигнал, который может быть подтвержден кластерным графиком. Удобство индикаторов объема в том, что они применимы, по сути, на всех ТС, нигде не будут лишними и, вероятнее всего, придадут трейдеру большую уверенность в его действиях.

p, blockquote 19,0,0,0,0–> p, blockquote 20,0,0,0,1–> after–>

Оцените статью
Рейтинг автора
4,8
Материал подготовил
Егор Новиков
Наш эксперт
Написано статей
127
А как считаете Вы?
Напишите в комментариях, что вы думаете – согласны
ли со статьей или есть что добавить?
Добавить комментарий