Статистическая оценка вероятности достижения целевой цены на основе волатильности и доходности на разных таймфреймах

В статье предложен оригинальный алгоритм статистической оценки вероятности достижения целевой цены на основе анализа доходностей и волатильности с использованием модели случайного блуждания с дрейфом и интеграцией данных разных таймфреймов. Актуальность работы обусловлена необходимостью принятия обоснованных решений в алгоритмической торговле с учетом рыночной неопределенности. Ключевая особенность подхода – агрегирование вероятностей, рассчитанных по данным с разных временных интервалов, с применением байесовского пересчета и взвешенного среднего, где веса определяются динамически в зависимости от волатильности. Также предлагается использование универсальной нечеткой шкалы для качественной интерпретации результатов оценки. Алгоритм включает расчет логарифмических доходностей, тренда и волатильности, а для повышения устойчивости используется очистка данных и фильтрация аномалий модифицированным методом Хампеля. В статье рассматривается пример вычислений с использованием реальных OHLCV-данных и обсуждаются способы возможной верификации точности оценки при наличии исторических наблюдений о достижении целевых уровней. Результаты демонстрируют практическую применимость предложенного метода для оценки реалистичности достижения прогнозных целей, а также для фильтрации торговых сигналов. Разработанный алгоритм может использоваться в риск-менеджменте, при построении торговых стратегий и в системах поддержки экспертных решений на финансовых рынках.

1. Hull J.C. Options, Futures, and Other Derivatives. New Jersey: Pearson Education; 2012. 888 p.

2. Shreve S.E. Stochastic Calculus for Finance I: The Binomial Asset Pricing Model. New York: Springer; 2004. 187 p. https://doi.org/10.1007/978-0-387-22527-2

3. Гильмуллин Т.М., Гильмуллин М.Ф. Быстрый поиск аномалий в числовых рядах при помощи модифицированного метода Хампеля. Моделирование, оптимизация и информационные технологии. 2023;11(4). https://doi.org/10.26102/2310-6018/2023.43.4.030

4. Гильмуллин Т.М., Гильмуллин М.Ф. Подходы к автоматизации процесса валидации уязвимостей, найденных автоматическими сканерами безопасности, при помощи нечётких множеств и нейронных сетей. Фундаментальные исследования. 2014;(11–2):266–279.

5. Канторович Г.Г. Анализ временных рядов. Экономический журнал Высшей школы экономики. 2002;6(2):251–273.

6. Криволапов С.Я. Прогнозирование логарифмической доходности акций на основе наивного байесовского классификатора. Мягкие измерения и вычисления. 2023;70(9–1):39–46. https://doi.org/10.36871/2618-9976.2023.09.004

7. Севумян Э.Н. Скользящая средняя как трендоследящий индикатор технического анализа. Экономика: вчера, сегодня, завтра. 2018;8(11A):225–233.

8. Cont R., Tankov P. Financial Modelling with Jump Processes. Boca Raton: CRC Press; 2003. 552 p.

9. Алтунин А.Е., Семухин М.В. Модели и алгоритмы принятия решений в нечётких условиях. Тюмень: Изд-во Тюменского гос. ун-та; 2000. 352 с.

10. Abramowitz M., Stegun I.A. Handbook of Mathematical Functions: With Formulas, Graphs, and Mathematical Tables. Washington: National Bureau of Standards, Applied Mathematics Series, 55; 1965. 1046 p.