Sveiki, mielieji skaitytojai, Forex treideriai!
Šiuolaikiniame technologijų pasaulyje dirbtinis intelektas jau nebėra egzotika. Žmonės su juo susiduria per telefonų programėles, vertimo sistemas, vaizdų atpažinimą, pokalbių pagalbininkus ir didelių duomenų kiekių analizę. Neuroniniai tinklai veikia daug kur, net jeigu vartotojas jų tiesiogiai nemato.
Treidinge šią technologiją bandoma pritaikyti jau ne vieną dešimtmetį. Idėja atrodo labai patraukli: sukurti sistemą, kuri ne tik vykdytų iš anksto užrašytas taisykles, bet ir pati rastų rinkoje pasikartojančius dėsningumus bei prisitaikytų prie pasikeitusių sąlygų.
Dauguma treiderių nuolat ieško Forex strategijų,
testuoja jas istorijoje ir bando rasti paternus, kurie veiktų kuo ilgesnį laiką. Tačiau net puikiai istorijoje atrodžiusi sistema po kelių mėnesių ar metų gali nustoti veikti.
Optimizacija kartais pratęsia jos galiojimo laiką, bet neišsprendžia pagrindinės problemos – pati rinka nuolat keičiasi.
Todėl daug vilčių dedama į dirbtinį intelektą. Neva, jeigu žmogui nepavyksta pažaboti Forex rinkos, tai gal su ja susidoros kompiuteris? Kas iš tikrųjų yra neurotinklai, kur jie jau naudojami ir ar paprastam treideriui verta į juos kreipti dėmesį – apie tai šiame straipsnyje.
Kai uždarbiai Forex rinkoje buvo dideli
Treideriai, testuojantys sistemas ilguose istoriniuose perioduose, dažnai pastebi, kad viena ir ta pati strategija skirtingais metais elgiasi visiškai nevienodai. Vienais periodais ji stabiliai uždirba, kitais pradeda stovėti vietoje arba generuoti nuostolius.
Dešimtajame praėjusio amžiaus dešimtmetyje ir šio amžiaus pradžioje elektroninė prekyba dar tik vystėsi. Rinkoje buvo mažiau automatizacijos, informacija judėjo lėčiau, o kai kurios paprastos taktikos galėjo ilgiau išlaikyti pranašumą. Vėliau brokerių spredai mažėjo, ryšys greitėjo, atsirado skalpingo sistemos, Forex robotai ir vis daugiau profesionalių algoritmų.
Rinka tapo gerokai konkurencingesnė. Bankai, fondai,
brokeriai ir kiti stambūs dalyviai pradėjo analizuoti ne tik kainų grafikus, bet ir orderių srautus,
likvidumą, naujienas, fjučerių bei opcionų duomenis. Į finansų industriją atėjo programuotojai, matematikai ir duomenų analitikai.
Šiandien algoritminė prekyba yra normali Forex rinkos dalis. Kompiuterinės sistemos parenka orderių vykdymo laiką, skirsto dideles pozicijas į mažesnes dalis, stebi likvidumą ir labai greitai reaguoja į pasikeitusias rinkos sąlygas.
Dirbtinis intelektas šioje vietoje nėra stebuklingas ateivis, kuris staiga sunaikino rankinę prekybą. Tai tiesiog dar vienas technologinės konkurencijos etapas. Ranka prekiaujantis treideris niekada nebus greitesnis už banko serverį, tačiau greitis nėra vienintelis būdas uždirbti rinkoje.
Kas yra neurotinklas paprastais žodžiais?
Dirbtinis intelektas yra plati sąvoka. Viena jo dalių yra mašininis mokymasis – metodai, kai kompiuteris mokosi iš pateiktų pavyzdžių, o ne gauna tiksliai surašytą atsakymą kiekvienai situacijai.
Neuroninis tinklas – tai vienas iš mašininio mokymosi modelių. Jis sudarytas iš daugybės tarpusavyje susietų paprastų skaičiavimų, vadinamų neuronais. Žodis skamba biologiškai, tačiau tikro žmogaus smegenų toks modelis nekopijuoja – jis tik labai supaprastintai pasiskolina ryšių tarp neuronų idėją.
Neurotinklai nėra naujas išradimas. Pirmieji matematiniai neuronų modeliai buvo kuriami dar praėjusio amžiaus penktajame dešimtmetyje. Tik ilgą laiką trūko skaičiavimo galios ir didelių duomenų kiekių, todėl praktinės galimybės buvo ribotos.
Mokymo procesas paprastai atrodo taip. Sistemai pateikiama daug pavyzdžių su žinoma baigtimi. Modelis bando apskaičiuoti atsakymą, palygina jį su teisingu rezultatu ir po truputį keičia savo vidinius koeficientus. Šis procesas kartojamas tūkstančius ar milijonus kartų.
Treidinge įvesties duomenimis gali būti kainos, apimtys, spredai, volatilumas,
ekonominės naujienos,
palūkanų normos, obligacijų pajamingumas ar socialinių tinklų tekstai. Atsakymu gali būti būsima kainos kryptis, volatilumo lygis, rinkos režimas arba tikimybė, kad konkretus signalas pasiteisins.
Svarbu modelį patikrinti duomenyse, kurių jis nematė mokymosi metu. Tai labai panašu į Forex strategijos forward testą. Jeigu robotą testuosime tik toje istorijos dalyje, pagal kurią jis buvo optimizuotas, rezultatai gali būti puikūs, bet visiškai beverčiai realioje rinkoje.
Šiuolaikiniai modeliai, tokie kaip LSTM ar Transformer, moka apdoroti ilgas duomenų sekas ir ieškoti ryšių tarp daugybės veiksnių. Paprastais žodžiais, jie gali atsiminti daugiau konteksto nei klasikinis indikatorius. Tačiau net sudėtingiausias modelis nežino ateities – jis tik ieško panašumų su tuo, ką matė anksčiau.
Dalis tokių sistemų lieka „juodąja dėže“. Mes matome, kokius duomenis modelis gavo ir kokį atsakymą pateikė, bet ne visada galime paprastai paaiškinti, kodėl priimtas būtent toks sprendimas.
Kuo pavojingas dirbtinio intelekto taikymas Forex rinkoje?
Didžiausias pavojus nėra tas, kad dirbtinis intelektas vieną dieną sužinos visų valiutų kursus ir nepaliks žmonėms nė vieno pelningo sandorio. Forex rinką veikia per daug nuolat besikeičiančių ekonominių ir politinių faktorių.
Problema kita – AI leidžia rinkos dalyviams analizuoti daugiau informacijos ir reaguoti greičiau. Stambios kompanijos turi kokybiškesnius orderių srautų, likvidumo ir klientų elgesio duomenis, kurių paprastas treideris apskritai negauna.
Sistemos gali realiu laiku vertinti naujienų toną, stebėti rinkos reakciją, ieškoti neįprastų orderių srautų ir keisti vykdymo taktiką. Jeigu daug panašiai apmokytų algoritmų vienu metu pamato tą patį pavojų ir pradeda mažinti pozicijas, trumpalaikis kainos judėjimas gali tapti dar staigesnis.
Tačiau tai nereiškia, kad kiekvienas brokeris turi slaptą neurotinklą, kuris asmeniškai medžioja jūsų
Stop Loss. Brokeriai ir likvidumo tiekėjai naudoja automatines rizikos bei kainodaros sistemas, bet konkretų nuostolį dažniausiai sukelia ne sąmokslas, o netinkamas pozicijos dydis, per mažas Stop Loss, per didelė rizika arba prekyba nelikvidžiu metu.
Kitas pavojus – aklas pasitikėjimas modeliu. Neurotinklas gali rasti dėsningumą, kuris egzistavo tik atsitiktinai. Jis taip pat gali išmokti ne tai, ko tikėjosi kūrėjas. Pavyzdžiui, vietoje tikro rinkos signalo modelis gali prisirišti prie konkretaus laikotarpio, brokerio kotiruočių ypatumo ar duomenų klaidos.
Net naujienas ir minios nuotaikas analizuojantis AI gali nesuprasti sarkazmo, klaidingos žinutės arba visiškai naujo politinio įvykio. Todėl žmogaus kontrolė niekur nedingsta.
Dirbtinis intelektas stambiuose investiciniuose fonduose ir bankuose
Stambios finansų kompanijos AI naudoja jau ne tik eksperimentams. Tačiau daugeliu atvejų jo užduotis nėra tiesiog pasakyti, ar rytoj EURUSD kils, ar kris.
Bankai dirbtinį intelektą naudoja pinigų srautams ir valiutų poreikiui prognozuoti,
hedžingui, likvidumo analizei, sandorių vykdymui, sukčiavimo aptikimui, klientų aptarnavimui ir didelių dokumentų kiekių peržiūrai.
Vienas šiuolaikinis pavyzdys – FalconTST laiko sekų modelis, tai yra sistema, analizuojanti, kaip skaičiai keičiasi laikui bėgant. Jį valiutų pozicijoms ir pinigų srautams prognozuoti pradėjo naudoti keli dideli bankai.
Jo paskirtis nėra spekuliuoti kiekviena žvake. Sistema padeda tiksliau numatyti, kiek ir kokios valiutos verslui prireiks, kad nereikėtų be reikalo pirkti per didelio hedžingo.
Tai gerai parodo realų AI panaudojimą finansuose. Didžiausia vertė dažnai gaunama ne iš paslaptingos krypties prognozės, o iš mažesnių kaštų, geresnio rizikos valdymo ir greitesnės duomenų analizės.
Kaip dirbtinis intelektas keičia kapitalo valdymą?
AI pamažu keičia ir investicijų konsultavimą. Automatiniai patarėjai gali įvertinti žmogaus tikslus, laikotarpį, pajamas, toleruojamą riziką ir pagal tai pasiūlyti portfelio sudėtį.
Šiuolaikiniai pagalbininkai taip pat gali paaiškinti portfelio pokyčius paprasta kalba, perspėti apie per didelę vieno aktyvo dalį ar parodyti, kaip rezultatas keistųsi esant kitokiam rinkos scenarijui.
Tačiau toks patarėjas nėra visažinis kapitalo valdytojas. Jis remiasi pateiktais duomenimis ir kūrėjo nustatytomis taisyklėmis. Jeigu informacija apie klientą nepilna arba modelio prielaidos klaidingos, individualiai atrodantis pasiūlymas gali būti visai netinkamas.
O kaipgi robotai paprastiems treideriams? Ar jie verti dėmesio? Kaip sukurti savo neurotinklą?
Dirbtinio intelekto naudojimas jau prieinamas ir „paprastam mirtingajam“ treideriui. Nebūtina pirkti superkompiuterio ar brangios specializuotos programos.
Dauguma modelių kuriami Python kalba, naudojant nemokamas bibliotekas. Skaičiavimus galima atlikti savo kompiuteryje arba debesijos servisuose. MetaTrader 5 turi oficialią Python integraciją, todėl iš terminalo galima gauti kainų duomenis, atlikti skaičiavimus ir perduoti signalus prekybos sistemai.
Tai reiškia, kad MetaTrader pats savaime nėra kliūtis. Sudėtingas modelis gali būti mokomas už terminalo ribų, o MetaTrader naudojamas duomenims ir orderiams. Svarbiausias klausimas – ne platforma, o modelio kokybė.
Paprastam treideriui nebūtina iš karto kurti roboto, kuris prognozuotų kiekvieną kitą žvakę. AI gali būti naudingesnis paprastesnėms užduotims:
- nustatyti, ar rinkoje trendas, fletas ar didelis volatilumas;
- atrinkti stipresnius esamos strategijos signalus;
- analizuoti ekonominių naujienų ir rinkos komentarų toną;
- ieškoti neįprastų roboto rezultatų;
- kontroliuoti riziką ir pozicijos dydį;
- grupuoti panašius sandorius prekybos žurnale.
Yra daugybė parduodamų robotų, kurių pavadinime įrašyta AI arba Neural Network. Pats užrašas nieko neįrodo. Prieš perkant reikia matyti ilgą realios sąskaitos istoriją, nuosmukį, prekybos dažnį, naudojamą svertą ir rezultatus skirtingomis rinkos sąlygomis.
Jeigu rodoma tik graži istorinio testo kreivė, labai tikėtina, kad sistema tiesiog per daug pritaikyta praeičiai.
Neurotinklų pliusai ir minusai
Apžvelgsime pagrindinius robotų su neurotinklais pliusus ir minusus. Pats metodas yra perspektyvus, bet ne universalus. Norint gauti naudos, reikia gerų duomenų, teisingo testavimo ir nuolatinės kontrolės.
PLIUSAI:
AI gali vienu metu dirbti su kainomis, apimtimis, volatilumu, naujienomis ir kitais informacijos srautais.
Jis geba rasti sudėtingus, nelinijinius ryšius, kurių paprastas indikatorius nepastebi.
Sistema gali greitai apdoroti didelius duomenų kiekius ir vienodai vykdyti taisykles.
Modelį galima naudoti ne tik signalams, bet ir rinkos režimui, rizikai bei sandorių kokybei vertinti.
Teksto analizės modeliai jau gali vertinti naujienas ir bendrą rinkos nuotaiką.
MINUSAI:
Modelio mokymas ir tikrinimas gali užimti labai daug laiko.
Rezultatas stipriai priklauso nuo duomenų kokybės.
Neurotinklas lengvai persimoko, tai yra puikiai atsimena istoriją, bet prastai veikia naujoje rinkoje.
Rinkos sąlygos keičiasi, todėl anksčiau veikusį modelį tenka nuolat stebėti ir iš naujo tikrinti.
Komisijos, spredas ir praslydimas gali panaikinti gražų teorinį rezultatą.
Sudėtingo modelio sprendimus ne visada lengva paaiškinti.
AI gali analizuoti minios nuotaikas, bet negali garantuotai suprasti panikos, sarkazmo ar visiškai naujo įvykio.
Išvados
Pirmosios didesnės neurotinklų populiarumo bangos treidinge kilo dar prieš daugelį metų, tačiau tuomet trūko duomenų, skaičiavimo galios ir patogių įrankių. Šiandien situacija kitokia: debesijos skaičiavimai, atvirojo kodo programos ir modernūs modeliai tapo prieinami ne tik bankams, bet ir paprastiems programuojantiems treideriams.
Vis dėlto pagrindinė problema niekur nedingo. Gerai prognozuoti kainą istorijoje dar nereiškia pelningai prekiauti realioje rinkoje. Reikia įvertinti komisijas, spredą, praslydimą, pozicijos dydį ir tai, kaip modelis elgiasi visiškai naujame periode.
Viešai parduodamų „stebuklingų AI robotų“ pasiūlymų daug, tačiau ilgų ir patikimai patvirtintų rezultatų – gerokai mažiau. Todėl vien žodis AI roboto aprašyme neturėtų būti priežastis jį pirkti.
Neurotinklai Forex rinkoje tikrai verti dėmesio. Jie gali padėti analizuoti daugiau duomenų, filtruoti signalus, vertinti riziką ir automatizuoti dalį darbo. Tačiau AI yra tik įrankis, o ne savarankiška pelninga strategija.
Viename 2025 m. Forex tyrime modelis deklaravo 99,449 % prognozavimo tikslumą, tačiau prekybinis testas vis tiek baigėsi dideliu nuostoliu.
Jeigu treideris neturi aiškių prekybos taisyklių ir rizikos valdymo, dirbtinis intelektas greičiausiai ne ištaisys jo klaidas, o tik padės jas atlikti greičiau :)
Pagarbiai,
Mykolas Kuzminskis
