แอตแทรกเตอร์ใน HFT: เมื่อคณิตศาสตร์พบกับตลาด

ลองจินตนาการดูนี้: คุณปล่อยลูกหินลงไปในกรวย ไม่ว่าคุณจะปล่อยจากจุดไหน มันก็จะกลิ้งไปสู่จุดศูนย์กลางเสมอ จุดศูนย์กลางนั้นคือแอตแทรกเตอร์ ซึ่งเป็นจุดที่วิถีทั้งหมดมาบรรจบกัน ทีนี้ลองจินตนาการว่าตลาดการเงินทำงานในลักษณะเดียวกัน แต่แทนที่จะเป็นลูกหิน เราใช้ราคาสินทรัพย์ และแทนที่จะเป็นกรวย เราใช้รูปแบบทางคณิตศาสตร์ที่ซับซ้อน ยินดีต้อนรับสู่โลกของแอตแทรกเตอร์ในการเทรดความถี่สูง!

แอตแทรกเตอร์คืออะไร และเทรดเดอร์ต้องการมันทำไม?

แอตแทรกเตอร์ คือเซตย่อยแบบกะทัดรัดในปริภูมิเฟสของระบบพลวัต ซึ่งวิถีทั้งหมดจากย่านใกล้เคียงหนึ่งๆ จะมุ่งเข้าหาเมื่อเวลาผ่านไปถึงอนันต์[1][7] ฟังดูน่ากลัว? แต่ในความเป็นจริงมันง่ายมาก: มันคือจุดหรือภูมิภาคที่ระบบถูก "ดึง" เข้าหาเหมือนแม่เหล็ก[8][16]

แอตแทรกเตอร์มีอยู่ทั่วไปในโลกจริง ลูกตุ้มที่มีแรงเสียดทานจะหยุดนิ่งที่จุดต่ำสุดในที่สุด นั่นคือแอตแทรกเตอร์ของมัน[1][7] น้ำในอ่างอาบน้ำจะไหลออกทางรูระบายน้ำเสมอ ไม่ว่าคุณจะสร้างกระแสวนกี่รอบบนผิวน้ำ แม้แต่พฤติกรรมของมนุษย์ก็มีแอตแทรกเตอร์ของตัวเอง ซึ่งก็คือนิสัยที่เรากลับไปทำซ้ำๆ

ในตลาดการเงิน แอตแทรกเตอร์ปรากฏในรูปแบบของราคาหรือรูปแบบที่เกิดซ้ำๆ ซึ่งตลาดกลับมาหาอยู่เสมอ[8][16] ตัวอย่างเช่น ราคาดุลยภาพทำหน้าที่เป็นแอตแทรกเตอร์ที่ดึงราคาปัจจุบันเข้าหาตัวเอง[10] ซึ่งอธิบายได้ว่าทำไมราคาหุ้นจึงไม่พุ่งขึ้นไปสู่อนันต์แต่แกว่งอยู่รอบๆ ระดับหนึ่งๆ

รากฐานทางทฤษฎี: จากง่ายไปสู่ซับซ้อน

แผนภาพแนวคิดแสดงแอตแทรกเตอร์แบบจุด วงจรขีดจำกัด และแอตแทรกเตอร์แปลกประหลาดในระบบพลวัต

มีแอตแทรกเตอร์หลายประเภท ที่ง่ายที่สุดคือ แอตแทรกเตอร์แบบจุด นี่คือตัวอย่างลูกตุ้มแบบคลาสสิก: ระบบจะตั้งอยู่นิ่งที่จุดเดียวในที่สุด[1][3] ในการเทรด แอตแทรกเตอร์ดังกล่าวอาจสอดคล้องกับมูลค่ายุติธรรมของสินทรัพย์ที่คำนวณจากปัจจัยพื้นฐาน

กรณีที่น่าสนใจกว่าคือ วงจรขีดจำกัด ระบบไม่ได้หยุดที่จุดเดียวแต่เคลื่อนที่เป็นวัฏจักรตามวิถีปิด[3] ในตลาด สิ่งนี้สามารถสอดคล้องกับความผันผวนของราคาตามฤดูกาลหรือระดับแนวรับและแนวต้านทางเทคนิค

แต่ที่น่าสนใจที่สุดคือ แอตแทรกเตอร์แปลกประหลาด พวกมันมีลักษณะซับซ้อนและสามารถเปิดเผยระเบียบที่ซ่อนอยู่ในพฤติกรรมที่ดูเหมือนสุ่มของตลาด[8][16] โครงสร้างของแอตแทรกเตอร์แปลกประหลาดนั้นเป็นแฟร็กทัล โดยวิถีไม่มีคาบแต่ยังคงอยู่ในบริเวณที่จำกัดของปริภูมิ[7] ตัวอย่างคลาสสิกคือแอตแทรกเตอร์ลอเรนซ์ ซึ่งอธิบายพฤติกรรมโกลาหลในระบบดีเทอร์มินิสติก[1][17]

เอ็ดเวิร์ด ลอเรนซ์ ผู้ก่อตั้งทฤษฎีความโกลาหล ค้นพบว่าการเปลี่ยนแปลงเล็กน้อยในเงื่อนไขเริ่มต้นนำไปสู่ผลลัพธ์ที่แตกต่างกันอย่างมาก ซึ่งเรียกว่า "ปรากฏการณ์ผีเสื้อ" อันโด่งดัง[17] ในตลาดการเงิน นั่นหมายความว่าเหตุการณ์เล็กน้อยสามารถกระตุ้นให้ราคากระโดดแบบไม่คาดคิดได้[17]

การแสดงให้เห็น 'ปรากฏการณ์ผีเสื้อ': ความผันผวนเล็กน้อยในระดับท้องถิ่นสามารถก่อให้เกิดการเคลื่อนไหวของตลาดโลกขนาดใหญ่ได้อย่างไร

แอตแทรกเตอร์ในตลาดการเงิน

ในบริบทของตลาดการเงิน แอตแทรกเตอร์ปรากฏในกรอบเวลาต่างๆ และในรูปแบบต่างๆ ในระดับความถี่สูง พวกมันได้รับแรงจูงใจจากข้อโต้แย้งเรื่องอาร์บิทราจ กฎแห่งราคาเดียวบอกว่าสินทรัพย์ที่เหมือนกันควรซื้อขายในราคาเดียวกันเพื่อหลีกเลี่ยงโอกาสอาร์บิทราจ[15] ซึ่งสร้างแอตแทรกเตอร์ระหว่างราคาของสินทรัพย์เดียวกันที่ซื้อขายในตลาดต่างกัน

ในความถี่ที่ต่ำกว่า แอตแทรกเตอร์เชื่อมโยงกับทฤษฎีเศรษฐศาสตร์ที่บ่งบอกถึงความสัมพันธ์ดุลยภาพระหว่างตัวแปรอนุกรมเวลา[15] แบบจำลองรายได้ถาวรบ่งบอกถึงโคอินทิเกรชันระหว่างการบริโภคและรายได้ แบบจำลองความต้องการเงินบ่งบอกถึงโคอินทิเกรชันระหว่างเงิน รายได้ ราคา และอัตราดอกเบี้ย[15]

พฤติกรรมของตลาดในช่วงวิกฤตนั้นน่าสนใจเป็นพิเศษ ดังที่เทรดเดอร์คนหนึ่งกล่าวว่า "ราคามักจะเคลื่อนไปสู่สถานะดุลยภาพเสมอ และมีดุลยภาพมากมาย"[10] สถานะดุลยภาพสามารถนิยามได้ว่าเป็นราคาที่จำนวนคำสั่งตลาดน้อยกว่าหรือเท่ากับจำนวนคำสั่งขีดจำกัด[10] ดังนั้น ราคาดุลยภาพจึงดึงราคาปัจจุบันเข้าหาตัวเอง ทำหน้าที่เป็นแอตแทรกเตอร์[10]

โคอินทิเกรชันในฐานะการแสดงออกเชิงปฏิบัติของแอตแทรกเตอร์

ที่นี่เราจะมาถึงการเชื่อมโยงสำคัญระหว่างแอตแทรกเตอร์และโคอินทิเกรชัน โคอินทิเกรชัน อธิบายความสัมพันธ์ระยะยาวระหว่างราคาสินทรัพย์สองชนิดขึ้นไป[6] เมื่อสินทรัพย์สองชนิดมีโคอินทิเกรชัน พวกมันแบ่งปันแนวโน้มสุ่มร่วมกัน และราคาของพวกมันเคลื่อนที่ไปด้วยกัน[6]

ราคาของสินทรัพย์ที่มีโคอินทิเกรชันเชื่อมโยงกันเนื่องจากการเป็นสเตชันนารีของสเปรด[6] ซึ่งหมายความว่าสเปรดระหว่างราคาไม่มีแนวโน้มที่จะเติบโตหรือตกลงอย่างไม่มีขีดจำกัด แต่จะผันผวนรอบๆ ค่าเฉลี่ยหนึ่งๆ โดยพื้นฐานแล้ว ค่าเฉลี่ยนี้คือแอตแทรกเตอร์ของสเปรด

โคอินทิเกรชันในการเทรดคู่: ราคาสินทรัพย์ที่เกี่ยวข้องกันสองชนิดโคจรรอบเส้นทางดุลยภาพระยะยาวร่วมกัน (แอตแทรกเตอร์)

มาดูตัวอย่างเชิงปฏิบัติกัน ลองใช้คู่หุ้นที่มีโคอินทิเกรชัน A และ B สเปรดระหว่างพวกมันคำนวณได้ว่า: Spread = P_A - γ*P_B โดยที่ γ คือสัมประสิทธิ์โคอินทิเกรชัน[4][20] สเปรดนี้มีแนวโน้มเป็นสเตชันนารี กล่าวคือมีค่าเฉลี่ยคงที่และความแปรปรวนจำกัด[4][20]

เมื่อสเปรดเบี่ยงเบนจากค่าเฉลี่ย (แอตแทรกเตอร์) โอกาสการเทรดจะเกิดขึ้น หากสเปรดกว้างเกินไป เราสามารถขายสินทรัพย์ A และซื้อสินทรัพย์ B โดยคาดหวังว่าสเปรดจะกลับสู่ค่าเฉลี่ย ในทางกลับกัน หากสเปรดแคบเกินไปหรือติดลบ เราก็ทำในทางตรงข้าม[4][9]

การประยุกต์ใช้ในการเทรดเชิงอัลกอริทึม

การเทรดเชิงอัลกอริทึมสมัยใหม่ใช้แนวคิดแอตแทรกเตอร์อย่างแข็งขันในการสร้างกลยุทธ์การเทรด[2] อัลกอริทึมสามารถติดตามข้อมูลตลาด ระบุรูปแบบ และดำเนินคำสั่งได้มีประสิทธิภาพมากกว่าที่มนุษย์ใดๆ จะทำได้[2]

บริษัท Algoter ที่เชี่ยวชาญด้านการเทรดเชิงปริมาณ ผสมผสานการเรียนรู้ของเครื่อง การวิเคราะห์ข้อมูลแบบเรียลไทม์ และความเข้าใจตลาดเชิงลึกในผลิตภัณฑ์หลักของตน Goldseek เพื่อพัฒนากลยุทธ์ที่ปรับตัวตามพลวัตตลาดที่เปลี่ยนแปลง[2] แทนที่จะตอบสนองต่อตลาด ระบบเหล่านี้มุ่งหมายที่จะคาดการณ์ตลาด ช่วยให้นักลงทุนอยู่เหนือความผันผวนและโอกาสต่างๆ[2]

ด้วยการพัฒนาของปัญญาประดิษฐ์และการเรียนรู้แบบเสริมแรง ระบบการเทรดรุ่นต่อไปสามารถเรียนรู้จากข้อมูลในอดีต ปรับกลยุทธ์ได้ทันที และแม้แต่จำแนกรูปแบบตลาดใหม่ก่อนที่พวกมันจะก่อตัวขึ้นเต็มที่[2]

การเทรดคู่ เป็นหนึ่งในกลยุทธ์ยอดนิยมที่สุดที่อิงแนวคิดแอตแทรกเตอร์[9][14] นี่คือกลยุทธ์การเทรดที่เป็นกลางต่อตลาด ซึ่งช่วยให้เทรดเดอร์ทำกำไรได้ในสภาวะตลาดเกือบทุกอย่าง ไม่ว่าจะเป็นขาขึ้น ขาลง หรือเคลื่อนที่ด้านข้าง[14]

กลยุทธ์นี้ติดตามผลการดำเนินงานของหลักทรัพย์สองตัวที่มีความสัมพันธ์กันในอดีต เมื่อความสัมพันธ์ระหว่างสองตัวอ่อนแอลงชั่วคราว โดยหุ้นตัวหนึ่งขึ้นในขณะที่อีกตัวลง การเทรดคู่เกี่ยวข้องกับการขายหุ้นที่ผลงานดีกว่าและซื้อหุ้นที่ผลงานแย่กว่า โดยเดิมพันว่า "สเปรด" ระหว่างพวกมันจะมาบรรจบกันในที่สุด[14]

กลยุทธ์การเทรดเชิงปฏิบัติ

มาพิจารณาการนำกลยุทธ์ที่อิงแอตแทรกเตอร์ไปใช้จริงกัน ตัวอย่างเช่น ลองใช้คู่หุ้น (VSYDP, NKHP) ที่แสดงให้เห็นโคอินทิเกรชัน[4]

ขั้นตอนที่ 1: การกำหนดพารามิเตอร์ ใช้ครึ่งแรกของการสังเกตเพื่อกำหนดพารามิเตอร์ของกลยุทธ์การเทรด คำนวณสัมประสิทธิ์โคอินทิเกรชัน γ และกำหนดระดับสเปรดเฉลี่ย (แอตแทรกเตอร์ของเรา)[4]

ขั้นตอนที่ 2: การสร้างสัญญาณ กำหนดเกณฑ์การเบี่ยงเบนจากแอตแทรกเตอร์ โดยปกติจะใช้ค่าเบี่ยงเบนมาตรฐานของสเปรด เมื่อสเปรดเบี่ยงเบนจากค่าเฉลี่ย 2 ค่าเบี่ยงเบนมาตรฐานในทิศทางใดก็ตาม สัญญาณการเทรดจะถูกสร้างขึ้น[4]

ขั้นตอนที่ 3: การดำเนินการซื้อขาย หากสเปรดอยู่ต่ำกว่าเกณฑ์ล่าง ให้ซื้อหุ้น A และขายหุ้น B ในอัตราส่วน 1:γ เมื่อสเปรดกลับสู่ค่าเฉลี่ย (แอตแทรกเตอร์) ให้ปิดสถานะ[4]

ขั้นตอนที่ 4: การบริหารความเสี่ยง กำหนด stop-loss ในกรณีที่สเปรดเริ่มมีแนวโน้มแทนที่จะกลับสู่ค่าเฉลี่ย ซึ่งอาจเกิดขึ้นเนื่องจากการเปลี่ยนแปลงเชิงโครงสร้างในความสัมพันธ์ระหว่างสินทรัพย์[14]

กลยุทธ์ดังกล่าวถูกทำให้เป็นอัตโนมัติโดยใช้ระบบเฉพาะทาง ตัวอย่างเช่น หุ่นยนต์ TradeHelp เสนอฟีเจอร์ "Cointegration Scoring" ซึ่งคำนวณโคอินทิเกรชันโดยใช้การทดสอบ Johansen สำหรับตะกร้าอาร์บิทราจของหลักทรัพย์สองชนิดขึ้นไป[18]

วิธีการขั้นสูงและแอตแทรกเตอร์แบบหลายมิติ

ระบบหลายมิติ (การทดสอบ Johansen): ตะกร้าสินทรัพย์ที่โน้มเอียงไปพร้อมกันสู่แอตแทรกเตอร์ซับซ้อนร่วมกัน

แนวทางสมัยใหม่ไม่ได้จำกัดอยู่แค่การเทรดคู่ การทดสอบ Johansen อนุญาตให้ทำงานกับระบบหลายมิติที่สินทรัพย์หลายชนิดมุ่งสู่แอตแทรกเตอร์ร่วมกันพร้อมกัน[18] ซึ่งช่วยลดความเสี่ยงอาร์บิทราจได้อย่างมีนัยสำคัญและเพิ่มความเสถียรของกลยุทธ์[18]

เมื่อคำนวณสัมประสิทธิ์โคอินทิเกรชัน (น้ำหนักของหลักทรัพย์ในตะกร้า) จะคำนึงถึงไม่เพียงแค่จำนวนเงินต่อหลักทรัพย์เท่านั้น แต่ยังรวมถึงความผันผวนของมันด้วย[18] พื้นฐานของอาร์บิทราจตะกร้าไม่มีแนวโน้มที่ชัดเจน ซึ่งเพิ่มความน่าจะเป็นของการกลับสู่ค่าเฉลี่ยของพื้นฐานและการสร้างผลกำไร[18]

สิ่งสำคัญคือต้องเข้าใจความแตกต่างระหว่างโคอินทิเกรชันความถี่สูงและความถี่ต่ำ โคอินทิเกรชันความถี่สูงได้รับแรงจูงใจจากข้อโต้แย้งอาร์บิทราจและมักเกี่ยวข้องกับปัจจัยการเทรดทางเทคนิค[15] โคอินทิเกรชันความถี่ต่ำอิงความสัมพันธ์ทางเศรษฐกิจระยะยาวและสามารถคงอยู่ได้นานหลายปี[15]

ข้อจำกัดและความเสี่ยงของกลยุทธ์ที่อิงแอตแทรกเตอร์

แม้จะมีความน่าดึงดูดของแนวคิดแอตแทรกเตอร์ การเทรดที่อิงอยู่บนมันก็ไม่ปราศจากความเสี่ยง ความยากหลักเกิดขึ้นเมื่อราคาของหลักทรัพย์สองชนิดเริ่มแยกออกจากกัน สเปรดเริ่มมีแนวโน้มแทนที่จะกลับสู่ค่าเฉลี่ยเดิม[14]

การดริฟท์ เป็นหนึ่งในความเสี่ยงหลัก เมื่อค่าเฉลี่ยเปลี่ยนแปลง บางครั้งเรียกสิ่งนี้ว่า "ดริฟท์"[14] แอตแทรกเตอร์สามารถเลื่อนไปยังตำแหน่งใหม่ และโมเดลการเทรดเดิมหยุดทำงาน เพื่อรับมือกับสิ่งนี้ จำเป็นต้องมีกฎการบริหารความเสี่ยงที่เข้มงวด ซึ่งบังคับให้เทรดเดอร์ออกจากการซื้อขายที่ขาดทุนทันทีที่สมมติฐานเดิม ซึ่งก็คือการเดิมพันว่าจะกลับสู่ค่าเฉลี่ย กลายเป็นไม่ถูกต้อง[14]

ความเสี่ยงของโมเดล ก็มีความสำคัญเช่นกัน กลยุทธ์ที่เป็นกลางต่อตลาดสมมติว่าโมเดล CAPM ถูกต้องและเบตาเป็นการประมาณที่ถูกต้องของความเสี่ยงเชิงระบบ หากไม่เป็นเช่นนั้น การป้องกันความเสี่ยงของคุณอาจไม่ปกป้องคุณได้อย่างเหมาะสมเมื่อตลาดเปลี่ยน[14]

ปรากฏการณ์ผีเสื้อ ในระบบการเงินหมายความว่าแม้การเปลี่ยนแปลงเล็กน้อยที่สุดในตอนเริ่มต้นก็สามารถนำไปสู่ผลที่ใหญ่และคาดไม่ถึง[8][17] การเปลี่ยนแปลงเล็กน้อยที่สุดในข้อมูลอินพุตหรือโมเดลสามารถเปลี่ยนแปลงการคาดการณ์ได้มาก ทำให้การทำนายระยะยาวเป็นเรื่องยาก[8]

ด้านเทคนิคของการนำไปใช้

การนำกลยุทธ์ที่อิงแอตแทรกเตอร์ไปใช้จริงต้องการการเตรียมการทางเทคนิคอย่างจริงจัง ระบบสมัยใหม่ใช้ R หรือ Python สำหรับการคำนวณทางสถิติ[18] อัลกอริทึมต้องทำงานแบบเรียลไทม์ประมวลผลข้อมูลตลาดปริมาณมาก

ส่วนประกอบทางเทคนิคหลักประกอบด้วย:

ระบบรวบรวมข้อมูล — สำหรับรับราคาแบบเรียลไทม์และข้อมูลประวัติสำหรับการทดสอบย้อนหลัง

โมดูลวิเคราะห์สถิติ — สำหรับคำนวณโคอินทิเกรชัน ระบุแอตแทรกเตอร์ และสร้างสัญญาณการเทรด

ระบบบริหารความเสี่ยง — สำหรับควบคุมขนาดสถานะ กำหนด stop-loss และติดตามความเสี่ยงพอร์ตโฟลิโอโดยรวม

โมดูลดำเนินคำสั่ง — สำหรับการวางและการจัดการคำสั่งการเทรดโดยอัตโนมัติ

ความล่าช้าต่ำก็มีความสำคัญอย่างยิ่งเช่นกัน ในการเทรดความถี่สูง ความเร็วในการตอบสนองช่วยให้เทรดเดอร์ใช้ประโยชน์จากสเปรดที่แคบกว่า[14]

สรุป: อนาคตของแอตแทรกเตอร์ในการเทรด

แนวคิดแอตแทรกเตอร์ในการเทรดเชิงอัลกอริทึมเป็นเครื่องมืออันทรงพลังสำหรับการทำความเข้าใจและการทำนายพฤติกรรมตลาด โคอินทิเกรชันคือการแสดงออกเชิงปฏิบัติของแอตแทรกเตอร์ในตลาดการเงิน โดยสเปรดระหว่างสินทรัพย์ที่เกี่ยวข้องกันมุ่งสู่ค่าดุลยภาพ

เทคโนโลยีการเรียนรู้ของเครื่องและ AI สมัยใหม่เปิดโอกาสใหม่สำหรับการตรวจจับแอตแทรกเตอร์ที่ซ่อนอยู่ในข้อมูลตลาด[2] ระบบกำลังมีความสามารถไม่เพียงแค่ทำตามกฎที่ตั้งโปรแกรมไว้ล่วงหน้าเท่านั้น แต่ยังพัฒนาตนเองอย่างต่อเนื่องเพื่อตอบสนองต่อข้อเสนอแนะของตลาด[2]

อย่างไรก็ตาม สิ่งสำคัญคือต้องจำไว้ว่าตลาดการเงินเป็นระบบปรับตัวที่ซับซ้อน ซึ่งพฤติกรรมของผู้เข้าร่วมพัฒนาตลอดเวลา แอตแทรกเตอร์สามารถเลื่อน หายไป หรือปรากฏในที่ใหม่ๆ การเทรดที่อิงแอตแทรกเตอร์ให้ประสบความสำเร็จต้องการไม่เพียงแค่ความเข้าใจหลักการทางคณิตศาสตร์เท่านั้น แต่ยังต้องปรับตัวอย่างต่อเนื่องตามสภาวะตลาดที่เปลี่ยนแปลงด้วย

ในท้ายที่สุด แอตแทรกเตอร์ใน HFT ไม่ใช่สูตรมหัศจรรย์สำหรับผลกำไรที่รับประกัน แต่เป็นเครื่องมือสำหรับการทำความเข้าใจพลวัตตลาดที่ดีขึ้น เช่นเดียวกับเครื่องมือใดๆ มันต้องการการประยุกต์ใช้อย่างชำนาญ การปรับปรุงอย่างต่อเนื่อง และความคลางแคลงใจที่มีสุขภาพดีต่อโมเดลของตนเอง

อ้างอิง

@article{soloviov2025attractorsalgotrading,
  author = {Soloviov, Eugen},n  title = {Attractors in HFT: When Mathematics Meets the Market},
  year = {2025},
  url = {https://marketmaker.cc/en/blog/post/attractors-algotrading},
  version = {0.1.0},
  description = {How the concept of attractors and cointegration helps build market-neutral strategies and understand market dynamics.}
}

แหล่งอ้างอิง

1. https://smart-lab.ru/blog/816882.php
2. https://algoter.com/алгоритмическая-торговля/объяснение-алгоритмической-торговли/?lang=ru
3. https://keldysh.ru/comma/html/ds/attractors.html
4. https://habr.com/ru/articles/344674/
5. https://www.ig.com/de/trading-strategien/pairs-trading-erklart-190520
6. https://hudsonthames.org/an-introduction-to-cointegration/
7. https://ru.wikipedia.org/wiki/Аттрактор
8. https://www.mql5.com/ru/articles/15332
9. https://utmagazine.ru/posts/6789-parnyy-treyding-para-akciy-korrelyaciya-kointegraciya-spreda-investicionnyy-portfel
10. https://www.mql5.com/ru/forum/434802
11. https://ru.wikipedia.org/wiki/Алгоритмическая_торговля
12. https://ya.ru/neurum/c/nauka-i-obrazovanie/q/chto_takoe_attraktor_i_chem_on_otlichaetsya_41ce2642
13. https://rusforexclub.com/articles/17-pair-trading/104-vvedenie-v-kointegratsiyu-vremennykh-ryadov
14. https://en.wikipedia.org/wiki/Pairs_trade
15. https://faculty.washington.edu/ezivot/econ584/notes/cointegration.pdf
16. https://ya.ru/neurum/c/ekonomika-i-finansi/q/kak_attraktory_ispolzuyutsya_v_modelirovanii_d0a7f160
17. https://smart-lab.ru/blog/1145333.php
18. https://robotcraft.ru/Article/Details/skoring-s-kointegraciej
19. https://perm.hse.ru/mirror/pubs/share/974309871.pdf
20. https://utmagazine.ru/posts/6820-kointegracionnyy-podhod-k-parnomu-treydingu