الفوركس سلسلة الوقت

سلسلة الوقت في الفوركس
في تينسوربيت 2017، واحدة من الدورات نظرت في القيمة التي جلبتها حلول التعلم العميق للقطاع المالي. هذه المشاركة بلوق ميزات بعض الأفكار، مع التركيز على توظيف تنسورفلو لتحليل البيانات في سوق الصرف الأجنبي.
النماذج المتغيرة الكامنة.
دانيال إغلوف شارك تجربته في بناء نموذج التوليدية للبيانات المالية سلسلة زمنية وأظهرت كيفية تنفيذها مع تنسورفلو. وأشار إلى أن هذا النوع من النماذج - على سبيل المثال، شبكات الخصوم التوليدية (غانز) أو مفتشي السيارات المتغيرين - هو ابتكار حديث جدا في التعلم العميق.
"في مجال التمويل، التعلم العميق هو مكمل للنماذج القائمة، وليس بديلا".
-Daniel إغلوف، كوانتاليا.
لذلك، كيف يجلب التعلم العميق قيمة للتمويل؟
علاقة وظيفية أكثر ثراء بين المتغيرات التفسيرية والاستجابة نموذج التفاعلات المعقدة اكتشاف ميزة تلقائية قادرة على التعامل مع كميات كبيرة من البيانات إجراءات التدريب القياسية مع باكبروباغاتيون و ستوكاستيك الانحدار النسب مجموعة متنوعة من الأطر والأدوات.
وفي هذا السياق، عرض دانيال نماذج متغيرة كامنة، تسمح بما يلي:
شرح أفضل لتوزيع البيانات التوزيع المسبق للحساب تحديد احتمال البيانات كدالة متغرية كامنة استنتاج توزيع المتغير الكامن البيانات المعطاة.
ويمكن اعتبار المتغير الكامن بمثابة تمثيل مشفر، حيث يكون الاحتمال بمثابة مفكك ومفكك تشفير.
التعامل مع أقصى قدر من الاحتمالات، قد يواجه المرء أن الهامشية والخلفية هي مستعصية والحساب يعاني من التعقيد الأسي. ويمكن معالجة هذا مع سلسلة ماركوف، خوارزمية هاميلتونيان مونت كارلو، وتقريب / الاستدلال التباين.
لتمكين التقريب مع برامج التشغيل التلقائية المتغيرة:
افترض الفضاء الكامن مع التوزيع السابق معلمات احتمال مع شبكة عصبية عميقة تقريبي مستعصية الخلفي مع شبكة عصبية عميقة تعلم المعلمات مع باكبروباغاتيون.
وعند تطبيقه على بيانات السلاسل الزمنية، استخدم دانيال الدالة الغوسية، وتوزيعاتها (يتم حساب المعلمات من الشبكة العصبية المتكررة)، والاستدلال المتغير (لتدريب نموذج). وعند تضمين بيانات السلاسل الزمنية، استخدم تأخيرا يتراوح بين 20 و 60 ملاحظة تاريخية في كل خطوة زمنية.
تنفيذ مع تنسورفلو.
لتشغيل عملية تدريب نموذج يستند إلى تنسورفلو، تم اختيار غبوس P100. (ومع ذلك، تتطلب سلسلة زمنية طويلة وأحجام دفعة كبيرة ذاكرة غبو كبيرة. وقد كتبنا سابقا كيفية معالجة مثل هذه المشكلة.)
لذلك، لتحرير الشبكة العصبية المتكررة (رن)، tf. nn. dynamic_rnn يمكن استخدامها كما أنها بسيطة للعمل مع ويعالج طول تسلسل متغير. على الرغم من أنها ليست مرنة بما يكفي للشبكات التوليدية. للاستمتاع بمزيد من المرونة، يمكن للمرء أن يستخدم tf. while_loop. ومع ذلك، فإنه يأتي في مزيد من الترميز ويتطلب فهم شامل لهياكل التحكم.
ثم أثبت دانيال التنفيذ على مستوى التعليمات البرمجية، والذي يتضمن الخطوات التالية:
إعداد متغير والوزن تخصيص كائنات تنسوراراي ملء المدخلات تينسوراراي الكائنات مع البيانات في حين استدلال حلقة حلقة (تحديث الاستدلال رن الدولة والمولد رن الدولة) استدعاء حلقة في حين التراص تينسوراراي الكائنات حساب الخسارة.
تتوفر عينات الشفرة في سطح الشريحة أدناه.
تحليل بيانات سوق الفوركس.
كيف يمكن تطبيقها على احتياجات القطاع المالي؟ وأوضح دانيال كيف يمكن للتعلم العميق أن يساعد في سوق النقد الأجنبي.
تعمل 24 ساعة، خمسة ونصف يوم في الأسبوع، أكبر سوق في العالم وأكثرها سيولة هو منافسة شرسة دائمة بين المشاركين. سوق الفوركس هو اللامركزية، مما يعني أنه ليست هناك حاجة للذهاب من خلال تبادل مركزي وسعر لعملة معينة يمكن أن تتغير أي ثانية. ويبلغ حجم التداول اليومي للسوق 5.1 تريليون دولار في عام 2018، حيث بلغ معدل دوران الذروة في عام 2018 - 5.3 تريليون دولار، وهو ما يزيد قليلا عن 220 مليار دولار في الساعة.
مع تدفق البيانات هائلة، وهي ممارسة شائعة دانيال المشتركة هو جمع البيانات القراد من الولايات المتحدة الأمريكية والأوروبية متداخلة الدورة. والسبب في ذلك بسيط لأن نشاط التداول هو الأعلى، ويوفر مصادر بيانات قيمة لدفع الأفكار من. لذلك، يتم تدريب النموذج على هذه البيانات الجديدة التي تم التقاطها ويتم تطبيقها كذلك على بقية الدورة الأمريكية.
وأظهر دانيال بعد ذلك تدفق بيانات مدته 10 دقائق وتم تجميعه في مخطط مفتوح عالي الإغلاق.
كما يمكن أن يرى، هناك قفزات كبيرة جدا في التحركات السعر في الرسم البياني. للحصول على قيمة من هذه المعلومات، يمكن للمرء أن تطبيع البيانات مع الانحراف المعياري على مدى فترة التدريب. في عام 2018، كان هناك 260 يوم تداول، وقام الفريق بتدريب نموذج يوميا.
وبالتالي، فإن الحل يساعد على تتبع وتيرة سوق الفوركس يتحرك في، وتحليل الذروة مقابل فترات الركود، ومراقبة الاتجاهات، وجعل التنبؤات على أساس هذه المعلومات.
تريد التفاصيل؟ مشاهدة الفيديو!
الشرائح ذات الصلة.
القراءة ذات الصلة.
حول المتكلم.
دانيال إغلوف هو شريك في إنكيوب المجموعة والمدير الإداري لشركة كوانتاليا، وهي شركة هندسة البرمجيات السويسرية المتخصصة في تطوير البرمجيات غبو. درس الرياضيات، والفيزياء النظرية، وعلوم الكمبيوتر. يتمتع دانيال بخبرة تزيد عن 15 عاما كخبرة في صناعة الخدمات المالية.
لا تنزعج مع آخر التحديثات، والاشتراك في بلوق لدينا أو متابعةaltoros.
المعايير والبحوث.
الاشتراك في مشاركات جديدة.
الاقسام.
الاشتراك في مشاركات جديدة.
حول ألتوروس.
ألتوروس هو 300+ الناس الاستشارية القوية التي تساعد غلوبال 2000 المنظمات مع منهجية والتدريب وكتل بناء التكنولوجيا، وتطوير الحلول من البداية إلى النهاية. وتحول الشركة سحابة التطبيق الأصلي التنمية، تحليلات العملاء، بلوكشين، ومنظمة العفو الدولية في المنتجات ذات الميزة التنافسية المستدامة. ألتوروس تساعد الشركات في طريقها إلى التحول الرقمي، والوقوف وراء بعض من أكبر النشرات مسبك سحابة في العالم.

فوركس.
61 & # 32؛ пользователь находится здесь.
МОДЕРАТОРЫ.
ورايغستين ترادينغ بينيس فور دولارس فسماركيتماكر بروفيسيونال ترادر ​​Hot_Biscuits_ نماذج وزجاجات spicy_pasta ريتشيغ المنجم المالي El_Huachinango مود finance_student بروب ترادر ​​о команде модераторов & راكو؛
مرحبا بكم في رديت،
الصفحة الأولى للإنترنت.
والاشتراك في واحدة من الآلاف من المجتمعات المحلية.
Это архивированный пост. Вы не можете голосовать или комментировать.
تريد إضافة إلى المناقشة؟
помощь правила сайта центр поддержки вики реддикет مود غدلينس связаться с нами.
приложенияи инструменты رديت لأيفون رديت لالروبوت موقع الجوال кнопки.
Использование данного сайта означает، что вы принимаете & # 32؛ пользовательского соглашения & # 32؛ и & # 32؛ Политика конфиденциальности. &نسخ؛ 2018 ريديت инкорпорейтед. Все права защищены.
يتم تسجيل ريديت وشعار ألين علامات تجارية مسجلة لشركة رديت إنك.
وبي. تم عرضه بواسطة بيد 51107 على & # 32؛ أب-474 & # 32؛ في 2018-01-24 04: 50: 04.225009 + 00: 00 تشغيل 679c501 كود البلد: وا.

فوريكس تحليل سلسلة الوقت.
تحليل السلاسل الزمنية هو حول تعلم السمات الأساسية لسلسلة معينة من أجل جعل التنبؤات في المستقبل. واحدة من أهم الحقائق حول السلاسل الزمنية المالية هي الترابط الذاتي (الترابط التسلسلي). لذلك نحن نريد في نهاية المطاف مع نموذج قادر على توضيح لماذا هناك علاقة متسلسلة.
كما ترون من الصيغ أعلاه، الارتباط المتسلسل هو ارتباط السلاسل الزمنية مع نفسها. لذلك هذا هو السمة الأساسية للبيانات المالية: الملاحظات بعيدا عن بعضها البعض.
إذا جلبنا على سبيل المثال أسعار أكوك ستكوك من ياهو المالية ومؤامرة الرسم البياني، يمكننا التأكد من العائدات اليومية لديها التوزيع الطبيعي تقريبا.
ماذا تعني؟ يمكننا بناء نماذج لشرح هذا التوزيع. ثاتس لماذا المشي العشوائي (ويينر عملية) هو بداية جيدة. نحن نفترض أسعار الأسهم ومحافظ تتبع المشي العشوائي. سلسلة وقت المشي العشوائي هي شيء مثل x (t) = x (t-1) + w (t) حيث w (t) هو مصطلح ضوضاء أبيض حتى N (0، σ 2). فماذا علينا أن نفعل؟ إذا كان لدينا نموذج سلسلة زمنية (المشي العشوائي، أر، ما، أرما & # 8230؛) لدينا للتحقق من الارتباط الذاتي المؤامرة (أسف). وهو يخبرنا ما إذا كان النموذج الخارجي قادر على تفسير الترابط التسلسلي أم لا.
هذا هو الهدف عند بناء نماذج ل فوريكس: نود أن نوضح الارتباط التسلسلي وينتهي مع مؤامرة أسف مثل هذا. إذا كنا نستخدم المشي العشوائي ل S & أمبير؛ P500 يمكننا أن نصل إلى استنتاج أن المشي العشوائي ليس أفضل نموذج ممكن للأصول المالية!
نموذج الانحدار التلقائي (أر)
نموذج الانحدار الذاتي هو تعميم المشي العشوائي: بدلا من النظر في مجرد ملاحظة واحدة في الماضي w (t-1)، ونحن نحافظ على المزيد والمزيد من القيم الماضية. وينظر أمر نموذج الانحدار الذاتي في أر (p) في الملاحظات السابقة.
كما ترون أر (1) هو المشي العشوائي نفسه. إذا حاولنا نموذج الأصول المالية (الأسهم والمحافظ) مع نموذج الانحدار الذاتي، ونحن لسنا قادرين على شرح كل الترابط التسلسلي. ماذا تعني؟ وهذا يعني أننا بحاجة إلى نماذج أكثر تعقيدا لفهم تعقيد السوق.
موفينغ أفيراج موديل (ما)
يتمثل متوسط ​​المتوسط ​​المتحرك في تضمين المزيد والمزيد من مصطلحات الضوضاء البيضاء السابقة في نموذجنا. في بعض الأحيان أنها تعمل بشكل جيد، وأحيانا ليس كذلك.
في رأيي، نموذج المتوسط ​​المتحرك لا يزال غير معقد بما فيه الكفاية لفهم الأساسيات فيما يتعلق بالسوق. والمشكلة الرئيسية في هذه النماذج هي أنها لا تأخذ في الحسبان تجميع التقلب. ما هي مجموعة التقلب؟ وهذا يعني أن السلسلة المالية ليست ثابتة: التباين (التقلبات) ليس ثابتا. علينا أن نجد نماذج قادرة على شرح التجمعات التقلب كذلك. جنبا إلى جنب أريما و غارتش نموذج قادر على شرح كل من التسلسل المتسلسل وكذلك التقلب تجميع!
مهتم في الخوارزميات؟ خذ خوارزميات & أمبير؛ هياكل البيانات بالطبع مجانا.
دورات مجانية.
أحدث من بلوغ.
حقوق التأليف والنشر & # x000A9. 2018 - الموقع الذي صممه دعم البرمجيات العالمية.

بيانات سلسلة الوقت الفوركس.
الفوركس البيانات سلسلة الوقت الفوركس الذكية المستغل تحميل مجاني.
4 فبراير 2018 [ليتكسباج]. في الآونة الأخيرة، كتبت عن تركيب نماذج انعكاس المتوسطة إلى المالية واستخدام نماذج التنبؤات كأساس.
السنة السنوية الرسمية للبنك الوطني للجمهورية. كازاخستان تستخدم في الوقت الحاضر. الكلمات الرئيسية: التنبؤ بأسعار الصرف، التحليل، أريما. Jun 9، 2017 شارك دانيال إغلوف تجربته في بناء نموذج التوليدية المالية ومثبتة. تحليل السوق.
تاريخي لحظي 2000+ () أزواج من 95+ المساهمين (أي بناء العرف عن طريق تيكوريت 7، تيكوريت ويب، أو تيكابي يونيو 23، 2018 يقدم سلسلة مقال على تحليل لكمي، كيف يمكننا تطبيق التقنيات على ترددات مختلفة من المالية. Jul 2، 2018 حتى إذا قمنا بتشغيل أي نوع من التحليل على أساس يومي، نحن قوة المناسب، لذلك لنموذج لحظيا، ونحن سوف تستخدم القضبان في.
باريري سو بروفيسيون الفوركس.
11 مارس 2018 باستخدام R في التداول: التنبؤ باستخدام الفوضى، الجزء 3. . endingIndex.

روبوت الثروة.
نشر على فبراير 4، 2018 من قبل كريس لونغمور.
في الآونة الأخيرة، كتبت عن تركيب نماذج انعكاس الوقت المتوسط ​​انعكاس للبيانات المالية واستخدام نماذج & # 8217؛ التنبؤات كأساس لاستراتيجية التداول. مواصلة استكشاف بلدي من سلسلة زمنية النمذجة، قررت أن البحث في الانحدار الذاتي والأسرة هيتيروسكيداستي مشروط من نماذج سلسلة زمنية. على وجه الخصوص، كنت أريد أن نفهم المتوسط ​​المتحرك المتكامل الذاتي (أريما) ونماذج الانحدار الذاتي المتغاير المشروط (غارتش)، لأنها يشار إليها في كثير من الأحيان في الأدب التمويل الكمي، وحول الوقت وصلت إلى سرعة. ما يلي هو ملخص لما تعلمت عن هذه النماذج، إجراء المناسب العام واستراتيجية التداول بسيطة على أساس توقعات نموذج المجهزة.
هناك عدة تعاريف ضرورية لتحديد المشهد. لا أريد أن أعيد إنتاج نظرية I & # 8217؛ لقد كان الخوض من خلال؛ ولكن هنا هو ملاحظتي عالية المستوى جدا لما أنا & # 8217؛ لقد تعلمت عن النمذجة سلسلة زمنية، لا سيما نماذج أريما و غارتش وكيف ترتبط هذه النماذج:
في أبسط مستوياتها، تناسب نماذج أريما و غارتش هو ممارسة في الكشف عن الطريقة التي الملاحظات والضوضاء والتباين في سلسلة زمنية تؤثر على القيم اللاحقة من السلاسل الزمنية. ومن شأن هذا النموذج، الذي تم تركيبه على الوجه الصحيح، أن يكون له بعض المنافع التنبؤية، بافتراض أن النموذج يظل مناسبا تماما للعملية الأساسية لبعض الوقت في المستقبل.
نموذج أرما (ملاحظة: لا & # 8220؛ أنا & # 8221؛) هو مزيج خطي من نموذج الانحدار الذاتي (أر) ومتوسط ​​الحركة (ما). نموذج أر هو نموذج الذي تكون قيم التنبؤ به هي القيم السابقة للسلسلة. ويكون نموذج ما مشابها هيكليا لنموذج أر، باستثناء المتنبئات هي شروط الضوضاء. نموذج متوسط ​​متحرك الانحدار الذاتي للنظام p، q & # 8211؛ أرما (p، q) & # 8211؛ هو مزيج خطي من الاثنين ويمكن تعريفها على النحو التالي:
حيث $ w_ $ هي الضوضاء البيضاء و $ a_ $ و $ b_ $ هي معاملات النموذج.
نموذج أريما (p، d، q) هو ببساطة نموذج أرما (p، q) ديفيرنسد & # 8216؛ d & # 8217؛ تيمس & # 8211؛ أو المتكاملة (I) - لإنتاج سلسلة ثابتة.
وأخيرا، يحاول نموذج غارتش أن يفسر أيضا السلوك غير المتغاير للسلسلة الزمنية (أي سمة تجمعات التقلب) وكذلك التأثيرات التسلسلية للقيم السابقة للسلسلة (التي يفسرها عنصر أر) وشروط الضوضاء (موضحة من قبل عنصر ما). يستخدم نموذج غارتش عملية الانحدار الذاتي للتباين نفسه، أي أنه يستخدم القيم السابقة للتباين لحساب التغيرات في التباين مع مرور الوقت.
مع هذا السياق الخروج من الطريق، وأنا بعد ذلك تناسب نموذج أريما / غارتش لسعر صرف اليورو / دولار واستخدامه كأساس لنظام التداول. ويقدر النموذج & # 8217؛ s المعلمات لكل يوم باستخدام الإجراء المناسب، ثم يتم استخدام هذا النموذج للتنبؤ في اليوم التالي & # 8217؛ s العودة ويتم إدخال موقف وفقا لذلك، وعقد لمدة يوم تداول واحد. إذا كان التنبؤ هو نفسه كما في اليوم السابق، يتم الحفاظ على الموقف الحالي.
يتم استخدام نافذة المتداول من عوائد السجل لتتناسب مع نموذج أريما / غارتش الأمثل في نهاية كل يوم تداول. ويستند الإجراء المناسب على بحث القوة الغاشمة من المعلمات التي تقلل من معيار المعلومات أيكاك، ولكن يمكن استخدام طرق أخرى. على سبيل المثال، يمكن أن نختار المعلمات التي تقلل من معيار معلومات بايزي، والتي قد تساعد على تقليل الإفراط في التجميع من خلال معاقبة النماذج المعقدة (أي نماذج مع عدد كبير من المعلمات). استلهم هذا الإجراء المناسب من قبل وظيفة مايكل هولز مور حول إستراتيجية التداول أريما + غارتش ل S & أمب؛ P500، وأنا اقترضت بعض التعليمات البرمجية له.
اخترت استخدام نافذة المتداول من 1000 يوما لتناسب النموذج، ولكن هذا هو معلمة للتحسين. هناك حالة لاستخدام أكبر قدر ممكن من البيانات في نافذة المتداول، ولكن هذا قد تفشل في التقاط المعلمات نموذج المتطورة بسرعة كافية للتكيف مع السوق المتغيرة. لم أستطع استكشاف هذا كثيرا هنا، ولكن سيكون من المثير للاهتمام التحقيق في أداء الاستراتيجية كدالة لنقطة المراجعة. هنا & # 8217؛ s الرمز:
أولا، التنبؤات الاتجاهية فقط: شراء عند توقع عائد إيجابي وبيع عند توقع عائد سلبي. وترد نتائج هذا النهج أدناه (لا يوجد بدل لتكاليف المعاملات):
قد تكون لاحظت أنه في إجراء تركيب النموذج أعلاه، احتفظت بقيم الإرجاع الفعلية المتوقعة وكذلك اتجاه العائد المتوقع. أريد التحقيق في القدرة التنبؤية لحجم قيمة الإرجاع المتوقعة. وعلى وجه التحديد، هل يتم تصفية الصفقات عندما يكون حجم العائد المتوقع أقل من عتبة معينة يحسن أداء الاستراتيجية؟ يؤدي الكود أدناه هذا التحليل لعتبة عتبة صغيرة. من أجل البساطة، أنا تحويل سجل التوقعات يعود إلى عوائد بسيطة لتمكين التلاعب من علامة من التوقعات وسهولة التنفيذ.
وتضاف النتائج مع الاستراتيجية الخام:
حدث لي أن نموذج أريما / غارتش الذي نلائمه في أيام معينة قد يكون تمثيل أفضل أو أسوأ للعملية الأساسية من الأيام الأخرى. ربما تصفية الصفقات عندما يكون لدينا ثقة أقل في نموذجنا من شأنه أن يحسن الأداء. يتطلب هذا النهج أن يتم تقييم الأهمية الإحصائية لكل نموذج من نماذج اليوم، ولا تدخل التجارة إلا عندما تتجاوز هذه الأهمية عتبة معينة. وهناك عدد من الطرق التي يمكن تحقيق ذلك. أولا، يمكننا فحص بصريا الرسم البياني للمخلفات نموذج وجعل الحكم على الخير مناسبا على هذا الأساس. ومن الناحية المثالية، فإن مخطط الارتباط للمخلفات سيشبه عملية ضوضاء بيضاء، لا تظهر أي علاقة تسلسلية. ويمكن بناء الرسم البياني للمخلفات في R على النحو التالي:
أسف (فيت @ فيت $ ريسيدوالس، مين = 'أسف أوف ريسيدالز')
في حين أن هذا المخطط التشعبي يشير إلى نموذج جيد يصلح، فمن الواضح أنه ليس نهجا كبيرا لأنها تعتمد على الحكم الذاتي، ناهيك عن توافر الإنسان لمراجعة نموذج كل يوم 's. وهناك نهج أفضل هو فحص إحصاءات صندوق ليونغ لنموذج مناسب. و يجونغ بوكس ​​هو اختبار فرضية لتقييم ما إذا كانت أوتوكوريلاتيونس من بقايا نموذج المجهزة تختلف كثيرا من الصفر. في هذا الاختبار، فإن الفرضية الصفرية هي أن الترابط الذاتي للمتبقي هو صفر؛ البديل هو أن سلسلة تمتلك علاقة متسلسلة. إن رفض البطلان وتأكيد البديل سيعنيان أن النموذج ليس مناسبا، حيث أن هناك بنية غير مفسرة في البقايا. يتم حساب إحصائية لجونغ بوكس ​​في R كما يلي:
وتوفر القيمة p في هذه الحالة دليلا على أن البقايا مستقلة وأن هذا النموذج بعينه مناسب. على سبيل التوضيح، إحصائية اختبار لجونغ بوكس ​​(X - تربيع في الناتج التعليمات البرمجية أعلاه) ينمو أكبر لزيادة الترابط الذاتي من المخلفات. قيمة p هي احتمال الحصول على قيمة كبيرة أو أكبر من إحصائية الاختبار تحت فرضية فارغة. ولذلك، فإن قيمة p عالية في هذه الحالة هو دليل على استقلال البقايا. لاحظ أنه ينطبق على جميع التأخر تصل إلى واحد المحدد في المربع. اختبار () وظيفة.
تطبيق اختبار يجونغ بوكس ​​على كل يوم & # 8217؛ s نموذج تناسب يكشف عن أيام قليلة جدا حيث يتم رفض فرضية فارغة من بقايا مستقلة، وبالتالي تمديد استراتيجية لتصفية أي الصفقات الناجمة عن ضعف نموذج صالح من غير المرجح أن تضيف قيمة كبيرة :
النتائج والاعمال المستقبلية.
أداء استراتيجية أريما / غارتش يتفوق على استراتيجية شراء وعقد على ور / أوسد لفترة باكتست، ولكن الأداء هو شيء مذهل. ويبدو أنه من الممكن تحسين أداء الاستراتيجية من خلال الترشيح على خصائص مثل حجم التنبؤ وخير ملاءمة النموذج، على الرغم من أن هذا الأخير لا يضيف قيمة كبيرة في هذا المثال بالذات. ويمكن أن يكون خيار تصفية آخر لحساب فاصل الثقة 95٪ لكل يوم & # 8217؛ s توقع وإدخال فقط في التجارة عندما علامة كل حد هو نفسه، على الرغم من أن هذا من شأنه أن يقلل كثيرا من عدد الصفقات التي اتخذت فعلا.
هناك العديد من الأنواع الأخرى من نموذج غارتش، على سبيل المثال الأسية، المتكاملة، التربيعية، عتبة، الهيكلية والتحول إلى عدد قليل. قد توفر أو لا توفر تمثيلا أفضل للعملية الأساسية من نموذج غارتش البسيط (1،1) المستخدم في هذا المثال. للحصول على عرض لهذه النكهات وغيرها من غارتش، انظر بولرزليف وآخرون. الله. (1994).
مجال البحث الذي وجدته مثيرة للاهتمام في الآونة الأخيرة هو التنبؤ بالسلاسل الزمنية من خلال مزيج ذكي من نماذج متباينة، على سبيل المثال عن طريق أخذ متوسط ​​التوقعات الفردية من عدة نماذج أو السعي إلى توافق في الآراء أو تصويت الأغلبية على علامة التنبؤ. لاقتراض بعض التسميات تعلم الآلة، وهذا & # 8216؛ إنزمبلينغ & # 8217؛ من النماذج يمكن أن تنتج في كثير من الأحيان توقعات أكثر دقة من أي من النماذج التأسيسية. ولعل نهجا مفيدا هو تجميع تنبؤات نموذج أريما / غارتش المعروضة هنا مع شبكة عصبية اصطناعية مدربة تدريبا مناسبا أو طريقة أخرى للتعلم الإحصائي. ربما كان من الممكن أن نتوقع نموذج أريما / غارتش لالتقاط أي خصائص خطية من السلاسل الزمنية، في حين أن الشبكة العصبية قد تكون مناسبة للخصائص غير الخطية. هذا هو كل التكهنات الصرفة، يحتمل أن يكون مع بعض الدعم من هذه الورقة، ولكن وسيلة بحث مثيرة للاهتمام مع ذلك.
إذا كان لديك أي أفكار لتحسين دقة التنبؤ من نماذج السلاسل الزمنية، وأنا & # 8217؛ د أحب أن أسمع عنها في التعليقات.
وأخيرا، الائتمان حيث يرجع الفضل في ذلك: على الرغم من أنني عملت في طريقي من خلال العديد من مصادر المعلومات عن النمذجة سلسلة زمنية مالية، وجدت مايكل هالز مور و رسكو؛ ق مفصلة المشاركات حول هذا الموضوع مفيدة للغاية. يبدأ من البداية ويعمل من خلال نماذج مختلفة من التعقيد المتزايد. كما هو منصوص عليه في المنصب الرئيسي، أنا اقترضت أيضا من استراتيجيته التجارية أريما + غارتش ل S & أمب؛ P500 في تصميم استراتيجية ور / أوسد المعروضة هنا، وخاصة النهج لتحديد بارامترات النموذج من خلال التقليل التكراري لمعيار معلومات أيكاك. وكانت الأفكار حول التصفية الصفقات على أساس نتائج اختبار يجونغ بوكس ​​والحجم المطلق لقيمة التوقعات بلدي (على الرغم من أنني & # 8217؛ م متأكد من أنني & # 8217؛ م ليس أول من يأتي معهم) .
مراجع أخرى وجدت فائدة خاصة:
بولرزليف، T. (2001). الاقتصاد القياسي المالي: التطورات السابقة والتحديات المستقبلية، في مجلة الاقتصاد القياسي، المجلد. 100، 41-51.
بولرزليف، T.، إنغل، R. F. و نيلسون، D. B. (1994). غارتش موديلز، إن: إنغل، R. F.، أند مكفادن، D. L. (إدس.) هاندبوك أوف إكونوميتريكس، فول. 4، إلزيفير، أمستردام، 2961-3038.
إنغل، R. (2002). حدود جديدة لنماذج أرش، في مجلة الاقتصاد القياسي التطبيقي، المجلد. 17، 425-466.
تشى، M. و تشانغ، G. P. (2008). تريند تايم سيريز مودلينغ أند فوريكاستينغ ويث نيورال نيتوركس، إن إيي ترانزاكتيونس أون نيروال نيتوركس، فول. 19، No.5، 8-8-816.
تساي، R. (2018). نماذج غير متجانسة شرطية، في تساي، R. تحليل سلسلة الوقت المالية، الطبعة الثالثة، وايلي، 109-174.
هنا يمكنك تحميل التعليمات البرمجية والبيانات المستخدمة في هذا التحليل: arima_garch.
مات هينس.
كنت تكافح حرفيا من خلال مجموعة من أرما أريما غارتش مربع اختبار القراءة ومن ثم أخذ استراحة لقراءة بلوق وظيفة. & # 8220؛ نعم & # 8221؛! صاحت (في رأسي) عندما قرأت عنك تفكر في كل تلك الكلمات الكبيرة والاختصارات أنا & # 8217؛ كنت تكافح مع. وبعد ذلك أدركت أنك أيضا مستندة عملك قبالة كتابات مايكلز. اللعنة الاشياء يضر رأسي. ولكن أنا & # 8217؛ م ببطء الحصول عليه. أنت & # 8217؛ إعادة حوالي 4 بارسيك قبل لي حتى أنا & # 8217؛ م الذهاب إلى إبقاء العين على عملك كذلك. ؟ شكر.
كريس لونغمور.
يا مات، شكرا للتعليق! آمل أن تكون مقالتي مفيدة لك. نعم، تعلمت الكثير من مشاركات مايكل & # 8217 في هذا الموضوع. انه & # 8217؛ ق ثقيلة على التفاصيل ويعرض بطريقة منطقية أن يبني باستمرار على المعلومات السابقة. اشتريت مؤخرا قطع الخام من كتابه الأخير والرجوع إليها في كثير من الأحيان. نتطلع كثيرا إلى الإصدار النهائي. في مقالتي، كنت أهدف إلى تلخيص بإيجاز النظرية والتركيز على بعض الأفكار التجارية التي تبدو امتدادا طبيعيا إلى حد ما. نأمل أنه كان من المفيد!
شكرا على مشاركتك. هل يمكن أن تقول ما نسب شارب من الاستراتيجيات التي تم اختبارها؟
كريس لونغمور.
لم أحسب نسب شارب عندما ركضت هذه الاستراتيجيات. يمكنك بسهولة القيام بذلك بنفسك عن طريق تشغيل البرنامج النصي (متوفر عبر رابط التحميل، جنبا إلى جنب مع البيانات التي استخدمتها) واستخدام حزمة بيرفورمانساناليتيكش في R.
مرحبا، أنا جديدة لسلسلة الوقت المناسب وجدت مقالتك مثيرة جدا للاهتمام. سؤالي هو: أليس هناك قيمة عشوائية تشارك في التنبؤ بسعر التعريف لسلسلة غارتش؟ وإذا كان الأمر كذلك، فليس من المنطقي حساب احتمال أن تكون التوقعات طويلة أو قصيرة باستخدام قيمة أرما كمتوسط ​​والانحراف المعياري، وربما تطبق عامل تصفية ثم قبول القيم التي تتجاوز عتبة معينة فقط؟
كريس لونغمور.
مهلا، شكرا لقراءة بلدي بلوق. أعتقد أنك تشير إلى مصطلح الضوضاء في تعريف غارتش؟ هل يمكن بالتأكيد تجربة مع نموذج أرما & # 8211؛ I & # 8217؛ d أحب أن أسمع عن النتائج & # 8211؛ ولكن أنا & # 8217؛ م لست متأكدا كيف يتعلق ذلك مصطلح الضوضاء في نموذج غارتش؟
شكرا على البرنامج التعليمي. ما خط (رموز) الشفرة التي يجب أن نراعي تكاليف المعاملات؟
كريس لونغمور.
هناك بعض الطرق للقيام بذلك، اعتمادا على مدى دقة أو تعقيد نموذج تكلفة المعاملة الذي تريده. إذا كان نموذج تكلفة المعاملة الثابتة كافيا، يمكنك ببساطة طرح هذه التكلفة الثابتة للمعاملات من كل من عوائدك. على سبيل المثال، إذا كان دوران جولة على ور / أوسد يكلفك 1.5 نقطة، يمكنك ببساطة العودة.
بالطبع، في الواقع سوف تحصل على انتشار متغير ومتغير الانزلاق اعتمادا على عوامل مثل التقلب في الوقت الحقيقي والسيولة، لذلك قد يكون هذا أو قد لا تكون دقيقة بما فيه الكفاية لأغراضك.
كريس لونغمور.
في هذا المثال، أولا تناسب نموذج أرما من النظام (p، q) حيث (p، q) ∈ و (p، q) يتم اختيارهما بحيث يقللان من معيار معلومات أيكاك. ثم نلائم نموذجا باستخدام غارتش (1،1) للتباين و أرما (p، q) للمتوسط. يتم إنشاء نموذج جديد لكل فترة في المحاكاة باستخدام الفترات السابقة 1،000. يتم استخدام كل نموذج مرة واحدة (للتنبؤ بالفترة التالية & # 8217؛ s العودة) ومن ثم التخلص منها. لذا، للإجابة عن سؤالك، فإن النهج المستخدم هنا لا يبحث عن المعلمات التي & # 8216؛ العمل & # 8217؛ عموما، بدلا من ذلك نجد أفضل المعلمات من وجهة نظرنا الرجعية ونفترض أنها سوف تعقد للفترة المقبلة.
وقد يكون هذا الافتراض صحيحا أو غير صحيح. وإذا كان هذا الافتراض صحيحا، في حين أن نماذج السلاسل الزمنية هي فائقة مثيرة للاهتمام من منظور نظري، فإنه قد أو قد لا يكون من الاستخدام العملي في استراتيجية التداول. وعلى أقل تقدير، هناك بالتأكيد اعتبارات أخرى تتجاوز المعايير النموذجية المثلى. على سبيل المثال، من تجربتي الخاصة بناء نماذج التداول لأسواق الفوركس، ويمكنني أن حصة أن اختيار وقت أخذ العينات (وهذا هو، الوقت الذي تختاره كما فتح / إغلاق الحانات اليومية) له أهمية حاسمة في نجاح أو خلاف ذلك من النموذج.
تعليقك هو في الوقت المناسب جدا في الوقت المناسب! لقد قمت مؤخرا ببناء إطار اختبار خلفي ل غارتش للعميل الذي يتيح إجراء تجارب فعالة مع هذه المعايير وغيرها، مثل ظروف الخروج وتخصيص رأس المال. إن إطار التجريب الفعال مهم حقا للبحوث الفعالة والعملية. إذا كنت مهتما في شيء مماثل، بينغ لي في كريس [في] روبوتوالث.
امل ان يساعد.
بيانات الأسعار EURUSD. csv & # 8230؛ كيف يتم هيكل البيانات في الملف؟ يمكنك عرض الرؤوس / الصفوف القليلة الأولى حتى أتمكن من تحليل البيانات الخاصة بي وفقا لذلك.
آسف. بعد نشر سؤالي رأيت رابط التحميل للملف. Doooh!
بخصوص الرمز الخاص بك كيف تعاملت مع القيم السلبية للعائدات؟ لأنك تستخدم السجل ل ag. curve ومع القيم السلبية سيكون لديك نان.
كريس لونغمور.
أنا بصراحة دون & # 8217؛ ر تذكر & # 8230؛ أنا & # 8217؛ d لإعادة تشغيل التعليمات البرمجية. ولكن نعم، أنت صحيح & # 8211؛ فمن المنطقي استخدام عوائد السجل التي هي المضافة. مضاعفة عودة بسيطة إشكالية في خلق منحنى الأسهم عندما يكون لديك مواقف محايدة. لقد قمت بتحديث المشاركة.
يمكنك استخدام هذا: ag. curve & لوت؛ - كومسوم (ag. direction. returns)
لقد درست الوقت سلسلة الاقتصاد القياسي كجزء من التخصص الدكتوراه بلدي ولقد وجدت أن مجرد رسم الاتجاهات والأنماط على الرسم البياني هو نهج أعلى بكثير من التقنيات الإحصائية الأكثر تقدما مثل ماركوف تبديل متعددة المتغيرات غارتش أو متعددة الانحدار الانحداري للفضاء الدولة. أشعر نوعا من عدم الارتياح أن كل ما تبذلونه من الجهود والليالي بلا نوم لا شيء. ولكن على الأقل أعرف ما هي أفضل النهج.
كريس لونغمور.
عظيم أن نسمع أنك & # 8217؛ وجدت شيئا يعمل لك. وأوافق، وأحيانا أبسط يمكن أن يكون أفضل.