R سلسلة الوقت الفوركس

الميكانيكية الفوركس.

التداول في سوق الفوركس باستخدام استراتيجيات التداول الميكانيكية.

استخدام R في التداول: سلسلة زمنية التنبؤ باستخدام الفوضى، الجزء 3.

خلال الوظيفتين الماضيتين (هنا وهنا) كنا نناقش استخدام نظرية الفوضى لجعل التنبؤات في سلسلة زمنية مالية. لقد نظرنا حتى الآن في أنواع مختلفة من السلاسل الزمنية باستخدام تقنية حساب البعد كسورية واحدة (& # 8220؛ رودوغرام & # 8221؛) وحصلنا على بعض النتائج المثيرة للاهتمام. ومع ذلك هناك بعض المشاكل الخطيرة مع الخوارزمية التي درسنا حتى الآن، وخاصة المشاكل التي تتعامل مع استنساخ النتائج. في اليوم & # 8217؛ s و رسكو؛ s s و رسكو؛ s ذاهب لمناقشة هذه القضايا في أكثر عمقا وأنا سوف يكون تقاسم معكم تنفيذ جديد أن يزيل هذه المشاكل تماما. كما في غضون الوظيفتين الأخيرتين تذكر أن تحتاج إلى أن يكون كوانتمود و فراكتالديم R حزم تثبيت من أجل إعادة إنتاج هذه النتائج. يظهر الرمز أدناه أحدث تنفيذ R للخوارزمية التي لا تحتوي على المشاكل التي سوف نناقشها (لإعادة إنتاج هذه القضايا يجب عليك استخدام الخوارزميات المنشورة على الوظيفتين السابقتين).

تم تسليط الضوء على المشاكل داخل الخوارزمية الماضية من قبل تعليق أدلى به ويستث. في جوهر المسألة هي أن تتنبأ نتائج التنبؤ كلما قمت بتشغيل التعليمات البرمجية، تبين أن هناك مشكلة كبيرة مع الفكرة بأكملها. ليس هناك بالتأكيد أي نقطة في جعل التنبؤ إذا كلما قمت بإجراء التنبؤ التنبؤات التنبؤ. النتائج التي حصلت عليها يمكن أن تكون متنوعة للغاية، وبالتالي يمكن أن تناسب البيانات ببساطة إذا قمت بتشغيل محاكاة مرات كافية. الصورة أدناه يظهر لك 9 أشواط مختلفة محاولة للتنبؤ آخر 500 يوما ل أوسو إتف. كما يمكنك أن ترى بوضوح أن هناك كل أنواع التنبؤات من بعض التي يبدو أن بقعة حقا على التنبؤات الأخرى التي هي على نطاق واسع خاطئ. إذا تشغيل خوارزمية عدة مرات يمكن أن تنتج هذا النوع من النتائج ثم النتائج لا معنى لها.

في البداية كنت تعتقد أن المشكلة هي بسبب عدم وجود عينات عشوائية كافية في بناء تخمين & # 8211؛ ضعف بناء توزيع القيم المحتملة & # 8211؛ ولكن كما أشار ويث لك الحصول على تقلب مماثل حتى لو قمت بزيادة عدد العينات العشوائية إلى 5000، حاولت زيادة حجم العينة العشوائية إلى 20،000 وحصل على تقلب مشابهة جدا. وتعود المشكلة إلى الطبيعة الفوضوية للوظيفة التي تجعل التنبؤات. الرسم من التوزيع العادي يمكن أن تنتج مجموعة ضخمة من القيم الممكنة ورسم حتى قيم مختلفة قليلا للتنبؤ واحد يمكن أن يؤدي إلى اختيار مختلف الذي يؤدي بعد ذلك إلى تغيير في التوزيع الذي يعزز ثم التغيير ويدفع الخوارزمية بأكملها في تماما اتجاه مختلف. بغض النظر عن كم كنت عينة سوف تجد دائما نفسك في هذا المأزق.

ولجعل الأمور أسوأ من ذلك، فإن الظواهر المذكورة أعلاه تضمن أن المتوسط ​​في الواقع لا يتلاقى أبدا مع أي شيء ولكنه يتأرجح بلا نهاية كدالة لعدد عمليات المحاكاة. لذلك ليس فقط سوف اثنين من التنبؤات تبدو دائما مختلفة عن بعضها البعض ولكن تشغيل العديد من التنبؤات لا تعطيك أي شيء أكثر صلابة. ولذلك فإن الخوارزمية كما عرضت في الوظيفتين الأخيرتين كانت غير مجدية من حيث التنبؤات الفعلية بالسوق حيث أن القيم المعروضة يمكن أن تتغير إلى ما لا نهاية إذا أعيد تشغيل المحاكاة. ولكن بمجرد أن نفهم أساس المشكلة يمكننا إجراء بعض التغييرات لتكون قادرة على الخروج مع خوارزمية التنبؤ الفوضى & # 8211؛ كما أدرجت ضمن هذا المنصب & # 8211؛ حيث التنبؤات هي دائما بالضبط نفس الشيء.

للقضاء على المشكلة يجب عليك ببساطة القضاء على مصدر العشوائية من الاقتراح الأولي الذي قدمه غولستاني و غراس داخل الورقة الأصلية. وربما كان هذا المصدر العشوائي متضمنا لتبسيط العمليات الحسابية ولكن ليس هناك حاجة فعلية لذلك ضمن الفكرة الرئيسية للورقة. إذا كانت الفكرة هي أن الاختلافات لأداة مالية يجب أن تخرج من توزيع التغيرات التاريخية، فإن أسهل حل لهذه المشكلة هو ببساطة استخدام التوزيع التاريخي الفعلي للعائدات كمصدر للتخمينات. لذلك بدلا من رسم التخمينات المحتملة من التوزيع الطبيعي مع التقلبات المحتملة لانهائية نحن ببساطة رسم التخمينات من مجموعة شيدت من سلسلة عودة محدودة المستمدة من سلسلة زمنية مالية الأصلي.

وبهذه الطريقة يمكنك الحصول على نفس النتيجة بالضبط ل N التوالي التوالي من نفس الخوارزمية منذ تقييم أفضل تغيير المقبل هو دائما سوف تكون هي نفسها كما أن هناك دائما مرشح مثالي واحد ضمن سلسلة العودة التاريخية محدودة. وبهذه الطريقة علينا أن نضمن أن لدينا دائما خيار واحد أن يقلل على أفضل وجه من التباين في البعد الكسورية التي تضمن أن نتائجنا لن تختلف على إعادة تشغيل نفس المحاكاة. وبطبيعة الحال فإن التكلفة أكبر بكثير من السابق لأننا نقيم صراحة جميع المرشحين العودة التاريخية لمعرفة أي واحد يقلل من التباين في البعد كسورية ولكن هذا ضروري لتحقيق خوارزمية مفيدة فعلا لجعل التنبؤات (على الأقل للحصول على خوارزمية يمكننا تقييم).

الصورة أعلاه توضح لك التنبؤ لمدة 100 يوم الماضية على إتف غلد. ويتكرر هذا التنبؤ في نفس الطريقة تماما كلما يتم إعادة تشغيل الخوارزمية. عند تشغيل هذه الخوارزمية الجديدة باستخدام طريقة طريقة حسابية فركتال رودوغرام بعد 200 دايسليف لا تبدأ لتبدو غريبة إلى حد كبير، والسبب لماذا قررت للحد من عدد من التنبؤات إلى 100 على أحدث خوارزمية. هذا قد يكون له علاقة طريقة حساب كسورية بالضبط كما التجارب التي أجريتها باستخدام عدد قليل من الطرق الأخرى قد أسفرت في الواقع نتائج أفضل (ولكن هذا شيء لمرحلة لاحقة). وقال ذلك كما ترون التنبؤ 100 يوم على غلد لا تبدو جيدة جدا على الرغم من أن لدينا وجود بعض تأثير موجة ملطف غريب على البيانات & # 8211؛ كما علقها ويستث & # 8211؛ التي أكدتها يرجع ذلك أساسا إلى خوارزمية البعد كسورية المستخدمة.

الميكانيكية الفوركس.

التداول في سوق الفوركس باستخدام استراتيجيات التداول الميكانيكية.

استخدام R في التداول: سلسلة زمنية التنبؤ باستخدام الفوضى، الجزء 1.

مرة واحدة كل بضع سنوات وسيلة جديدة جدا للنظر في الأمور تأتي إلى النور. هذا ما حدث في عام 2018 عندما نشر كل من عباس عباس غولستاني وروبن غراس ورقتهما الخاصة بالتنبؤ بسلسلة زمنية حول التقارير العلمية للطبيعة. في هذه الورقة أنها تعرض منهجية جديدة للتنبؤ السلاسل الزمنية التي يبدو أن التنبؤ بأعجوبة تقريبا بعض صعبة للغاية لحل المشاكل في عدة مجالات، بما في ذلك سلسلة الوقت المالي. وتظهر هذه الورقة بعض التنبؤات المثيرة للإعجاب على دجيا التي تدمر كثيرا التنبؤات باستخدام نماذج أريما و غارتش. بعد فترة وجيزة من إصدار هذه الورقة أعادت إنتاج بعض نتائجها ولكن واجهت العديد من القضايا التي منعتني من حقا استخدام هذه الطريقة حتى الآن. ضمن هذه السلسلة من المشاركات بلوق أريد أن تظهر لك كيف يمكنك إعادة إنتاج هذه الطريقة التنبؤ باستخدام R وما هي مشاكل استخدامه قد يكون. سوف أمشي لكم من خلال الأفكار وراء المنهجية والمشاكل التي تواجهها للتطبيقات العملية.

الفكرة الرئيسية وراء الورقة بأكملها هي في الواقع بسيطة جدا ولها افتراض مثير جدا للاهتمام في جوهرها. ب ورقة يخبرنا أن سلسلة زمنية مثل سلسلة الوقت المالي هي الفوضى، وبالتالي يجب أن تظل خصائص الفوضى ذات الصلة ثابتة كدالة من الزمن . إذا كنت تستطيع التفكير في القيم المستقبلية المحتملة لسلسلة زمنية ثم القيمة المستقبلية الأكثر معقولية هي تلك التي تحافظ على أفضل الفوضى الكامنة خصائص ذات الصلة من هذه السلسلة. لذلك إذا كنت تستطيع التفكير في الممتلكات ذات الصلة الفوضى هذه الخاصية يجب أن تبقى ثابتة وبالتالي أي شيء تضيف يجب أن توفر أقل قدر ممكن من الاختلاف من هذه القيمة عندما يتم قياس الخاصية مرة أخرى.

الطريقة العملية للقيام بذلك بسيطة جدا كذلك. غولستاني و غراس تشير إلى استخدام الأسية ليابونوف أو البعد كسورية كما خصائص سلسلة الفوضى واقتراح منهجية بسيطة للتنبؤ. أولا حساب الخاصية الفوضى لسلسلة كاملة، ثم إنشاء التوزيع الذي يمثل الاختلاف بين عناصر من سلسلة وجعل تعادلات عشوائية من هذا التوزيع بحيث يمكنك الحصول على المرشحين للقيمة التالية من سلسلة، ثم إعادة حساب الخاص بك الفوضى الملكية مرة أخرى بعد إضافة كل مرشح واختيار السلسلة الجديدة التي لديها القيمة الأقرب إلى القيمة المرجعية الأصلية للعقار. في جوهر يمكنك ببساطة جمع العديد من التخمينات المحتملة المحتملة وإضافة أيهما يسيطر على الممتلكات الفوضى الأقل.

التنفيذ الحقيقي الفعلي هو قليلا أكثر تعقيدا لأن كلا من ليابونوف الأس و البعد كسورية هي في الحقيقة لا & # 8220؛ محددة رسميا & # 8221؛. عند حساب الأسي ليابونوف لديك عادة 8 المعلمات للاختيار من بينها وليس هناك تقريبا أي طريقة رسمية لاختيار معظم هذه المعلمات. إن المعلمات مثل عدد النقاط التي يجب أخذها في الاعتبار هي ببساطة غير قابلة للتعيين بشكل حدسي. البعد الفركتلي يطرح مشكلة مماثلة، وهناك أكثر من 5 طرق مختلفة لحساب البعد كسورية من سلسلة زمنية مالية، مع أكثر من 8 نفذت في مكتبة فراكتالديم R، مما يشكل مشكلة مماثلة لحساب لايونوف الأس. أعتقد أنك يمكن أن تبدأ في رؤية كيف يخلق هذا قضية هامة جدا عند التعامل مع التنبؤات سلسلة زمنية.

في النهاية قررت أن أذهب مع تنفيذ البعد كسورية لأنها تطرح مشكلة أقل شاقة بكثير منذ في النهاية فإنه يأتي إلى اختيار الأسلوب كم لحساب بدلا من الاضطرار إلى تكرار من خلال المليارات من مجموعات المعلمة المحتملة. يمكن استخدام التنفيذ الذي تراه أعلاه في R للتنبؤ ب 500 قيمة يومية للعائد سبي بجوار فقاعة 1999، حيث فقدت سبي جزءا كبيرا جدا من قيمتها (يمكنك تغيير قيمة إنديندكس لتغيير الفترة، وأزمة 2008 حوالي 3500). وقبل هذه النقطة، لم تكن السلاسل الزمنية في الأساس مكونا كبيرا للاتجاه نحو الانخفاض (من عام 1990 إلى عام 2000)، وبالتالي فإن هذا يشكل مشكلة مثيرة جدا للاهتمام للتنبؤ بالسلاسل الزمنية. إذا كان هذا يعمل الأسلوب أساسا للتنبؤ بأن سبي يجب أن إسقاط حتى إذا لم يكن هناك سابقة لمثل هذا الانخفاض داخل البيانات. في الأساس فإن جميع أساليب التعلم الآلي والتحليل الفني سوف تفشل في توقع مثل هذا الانخفاض لأنه ببساطة خارج النطاق التاريخي. ولكن هل يمكن التنبؤات الفوضى أفضل؟

كما ترون في الصورة الأولى داخل بوستك التنبؤ باستخدام رودوغرام محسوبة القيم البعد كسورية فشل في حساب بشكل صحيح عن انخفاض خلال فقاعة دوتكوم، على الرغم من أن التنبؤ دقيق جدا خلال أول 200 يوما هناك فرق كبير في نهاية نتيجة بسبب طريقة مفقودة تماما الجزء الأكبر من الانخفاض وتقليل كثيرا من الانتعاش. بالطبع هذا لا يزال أفضل بكثير مما يمكن أن أي توقعات أريما اقول لكم لمدة 500 يوم الأفق لكنها لا تزال ليست جيدة جدا على المدى الطويل التنبؤ. ب ل يمكننا أن نرى أيضا ما يحدث عندما نذهب إلى أزمة 2008 لمعرفة ما إذا كان الطريقة في الواقع أفضل أفضل مع المزيد من البيانات. قد يكون من الممكن أن نحتاج إلى إدراج فترة أزمة ضمن البيانات قبل أن يتقارب البعد الفركتلي بدقة مع قيمته على المدى الطويل & # 8221؛. وإذا استندت الطريقة إلى الفكرة القائلة بأن البعد الكسوري لا يتغير، فمن المعقول الاستنتاج بأنه ينبغي زيادة دقة التنبؤ بمجموعات بيانات أكبر.

لم أكن بخيبة أمل مع نتائج التنبؤ للفترة 2008-2009 باستخدام رودوغرام المحسوبة البعد الكسوري (الصورة الثانية داخل آخر)، و ليس فقط لا طريقة التنبؤ تتكاثر أعلى مزدوجة في سبي ولكن أيضا استنساخ الانتقال من عمليا سوق الثور العمودي إلى سوق الدب حاد جدا. وهذا يدل على أن المزيد من البيانات نضيف أكثر دقة نتائج الخوارزمية تصبح. هذا هو إلى حد بعيد الطريقة الوحيدة وأنا أعلم أن يمكن أن تنتج مثل هذه التوقعات دقيقة 500 يوم، وخاصة في مثل هذا التحول الكبير في السوق.

بالطبع هناك العديد من الأشياء حتى الآن لاستكشاف باستخدام هذه الطريقة. هل أجرة جيدة في العملات؟ هل يعمل على أدوات أخرى؟ ماذا يحدث عند استخدام طرق حساب البعد الكسورية الأخرى؟ هل تعمل بشكل أفضل في آفاق التنبؤ؟ ما هو احتمال الحصول على توقعات جيدة فقط عن طريق الصدفة؟ سوف تأتي الإجابات على كل هذه الأسئلة على مشاركات المدونة المستقبلية. إذا كنت ترغب في معرفة المزيد عن سلسلة الوقت المالي وكيف يمكنك أن تتعلم لخلق أنظمة للتجارة لهم В В يرجى النظر في الانضمام إلى أسيريكوي، موقع على شبكة الإنترنت مليئة أشرطة الفيديو التعليمية، ونظم التداول والتنمية ونهج سليم وصادقة وشفافة نحو الآلي تجارة.

2 الردود على & # 8220؛ استخدام R في التداول: سلسلة زمنية التنبؤ باستخدام الفوضى، الجزء 1 & # 8221؛

تشير إلى أن هذا الأسلوب هو دقيق جدا لسوق سبي المضي قدما. من الصورة الثانية هل تشير إلى أننا لانخفاض حاد آخر في الأسواق؟ أم أنها مجرد عدم دقة من عدم توفير بيانات كافية نحو النهاية؟ شكرا لكم.

شكرا للكتابة. ليس لدي حقا فكرة عن مدى دقة هذا الأسلوب هو حقا، ما سبق هي مجرد بعض الملاحظات النوعية. ويبين المنحنى الثاني فترة 2008-2009 (الخط الأزرق) والتنبؤ بأن الخوارزمية (الخط الأسود). جميع الصور في هذه المادة هي التنبؤات والمقارنات الماضية، لا أحد منها يمثل التنبؤ للسوق الحالي. وسوف يتم نشر بعض التوقعات لمدة ال 500 يوما القادمة على تويتر إذا كنت & # 8217؛ المهتمة. شكرا مرة أخرى على الكتابة!

الميكانيكية الفوركس.

التداول في سوق الفوركس باستخدام استراتيجيات التداول الميكانيكية.

استخدام R في التداول الخوارزمي: توصيف سلسلة زمنية بسيطة. الجزء الأول.

في الأسبوع الماضي استخدمنا الحزمة الإحصائية R من أجل تحليل مجموعة من خصائص النظام إس / أوس واستمد منها بعض الاستنتاجات البسيطة فيما يتعلق الارتباطات التاريخية إس / أوس. اليوم سنستخدم R للقيام بتحليل أكثر جوهرية يجب القيام به قبل توليد النظام. هذا التحليل يتوافق مع توصيف الأساسية من السلاسل الزمنية المالية، والذي يعطينا بعض المعلومات الأساسية عن الرموز ونحن في طريقنا للتجارة. من خلال القيام بهذا التحليل سوف تكون قادرة على معرفة أين قد يكون من الأسهل لتطوير التقليدية ألفا تسعى استراتيجيات خوارزمية وعما إذا كانت بعض الأشياء (مثل هذا التحيز الأساسي على المدى الطويل) موجودة داخل رمز معين. ضمن هذا البرنامج التعليمي الأول سوف تغطي بعض الخصائص الإحصائية الأساسية للسلاسل الزمنية المالية، إذا كان هناك أي الخصائص المفيدة التي تعتقد أنها مفقودة يرجى إضافة تعليق مع الملاحظة الخاصة بك (وسوف تشمل بالتأكيد لهم ضمن الأجزاء القليلة المقبلة).

أولا وقبل كل شيء يجب أن نضمن أن يتم تضمين بياناتنا في ملف كسف التي هي ودية ل R. نريد أن يكون الأعمدة مفتوحة / عالية / منخفضة / إغلاق وكذلك عمود التاريخ التي يجب أن تحتوي على أوقات فتح شمعة في شكل مناسب ل R (على سبيل المثال 1986-03-23). تذكر أن R يحتاج إلى رؤوس الأعمدة الكافية لذلك يجب أن يقرأ السطر الأول من كسف لدينا شيئا مثل & # 8220؛ ديت، أوبين، هاي، لو، كلوز & # 8221 ؛. ومن المهم أن يتم تنسيق البيانات بهذه الطريقة حيث أننا سنستخدم مكتبات أخرى تتطلب هذا التنسيق السريع (مثل كوانتمود) ضمن المشاركات القليلة التالية في هذه السلسلة (عندما سنقوم بإجراء تحليل أكثر تقدما مثل أسير هورست تقديرات). تأكد من أنك قمت أيضا بتثبيت مكتبة e1071 R قبل مواصلة المزيد، كما أننا سوف تحتاج إليها لبعض الحسابات الإحصائية الأساسية. وبمجرد الانتهاء من البيانات الخاصة بك جاهزة يمكنك الآن تحميله في R ومؤامرة لتأكيد ذلك & # 8217؛ s تحميلها بشكل صحيح (لاحظ أننا سوف تتعلم كيفية رسم المخططات شمعدان أجمل عندما نستخدم كوانتمود:

وبمجرد أن يكون لدينا بيانات تحميلها يمكننا الآن حساب عودة سلسلة الأسعار من أجل الحصول على بعض الكمية الإحصائية التي يمكننا مقارنتها عبر رموز مختلفة كما بيانات مفتوحة / عالية / منخفضة / إغلاق ليست قابلة للمقارنة مباشرة. النسبة المئوية للعودة تعطى ببساطة بنسبة 100 * (كلوز [n] - Close [n-1] / كلوز [n-1])، لاحظ أننا لا نستخدم الاختلاف كلوز [n] - Open [n] دورا هاما جدا عبر أدوات معينة، لذلك نحن بحاجة إلى أن تأخذها في الاعتبار ضمن الحساب. ومن الجدير بالذكر أيضا أن العوائد القائمة على السجل (كلوز [n]) تستخدم أيضا بشكل شائع، حيث أن هذه القيم تعطي نتائج أقرب إلى التوزيع الطبيعي عبر معظم السلاسل الزمنية المالية. أي واحد لاستخدام يعتمد في المقام الأول على ما إذا كان التحليل الخاص بك يتطلب افتراض طبيعية، لهذا البرنامج التعليمي نحن & # 8217؛ إعادة استخدام عوائد النسبة المئوية القياسية. يمكنك الخروج من هذا الرابط للحصول على مزيد من المعلومات حول الأنواع المختلفة للعودة التي يمكن استخدامها. من أجل حساب العائدات نحن بحاجة إلى إصدار بعض الأوامر R إضافية:

لقد حسبت العوائد أولا من خلال تعبئة صفيف مع فرق التفاضلية ثم إعادة طباعته مع الفرق الصحيح الصحيح استنادا إلى قيم الإغلاق السابقة. ربما هناك طريقة أفضل للقيام بذلك في R (يرجى نشر تعليق إذا كنت تعرف!) ولكن أنا ببساطة فعلت ذلك ما قال لي عقلية C ++ لي ل؛ س). يمكننا الآن المضي قدما لإجراء بعض الحسابات الإضافية التي سوف تكشف عن بعض الإحصاءات المثيرة للاهتمام حول السلاسل الزمنية. يمكننا حساب المتوسط، В الانحراف، و كورتيسيس و أوتوكوريلاتيونس التسلسلي لعوائدنا. ويوضح لنا الانحراف كيف ينحرف التوزيع نحو قيم سلبية أو إيجابية (توزيع الاحتمالات المتماثل تماما يعطي 0)، في حين أن التفرطح يخبرنا كيف يتم مقارنة توزيع الدهون (الذيل الكروي العالي) أو الذروة العالية (التفرطح المنخفض) توزيع طبيعي. ويعني التفرطح العالي أن التباين داخل التوزيع الخاص بك هو على الأرجح نتيجة الاختلافات الشديدة. يمكننا أيضا الحصول على الرسم البياني لنلقي نظرة أفضل على هذه الاختلافات.

كما ترون مما سبق، فإن عوائد زوج اليورو / الدولار الأمريكي تنحرف بشكل كبير عن التوزيع الطبيعي (المزيد عن اختبارات الحياة الطبيعية في وظيفة مستقبلية) ويمكننا أن نرى بالفعل بعض خصائص توزيع اليورو / الدولار الأمريكي. على سبيل المثال يمكننا أن نرى أن التوزيع يميل نحو المنطقة الإيجابية (الانحراف = 0.076) والتوزيع هو الدهون الذيل (التفرطح = 1.52). ولا ينبغي أن يكون أي من هاتين الحالتين مفاجئا لأي شخص قام بتحليل السلاسل الزمنية، حيث أن السلاسل الزمنية المالية معروفة جيدا بأنها ذات ذيل دهني. ومع ذلك فمن الجدير بالذكر أن درجة التفرطح والانحراف تغيير الكثير اعتمادا على فئة الأصول ورمز لك & # 8217؛ إعادة دراسة. في الجزء التالي من هذه السلسلة، سنقوم بمراجعة كيفية مقارنة رموز الفوركس وغير العملات المختلفة ضمن هذا التحليل نفسه (بالإضافة إلى بعض الإحصاءات الإضافية) وكيفية ارتباط هذه الإحصاءات بقدرتنا على إنشاء أنظمة تداول مربحة تاريخيا باستخدام تلك البيانات. سترى أن التوزيعات التي لها خصائص معينة تؤدي بسهولة إلى عدد كبير من الاستراتيجيات المربحة تاريخيا، في حين أن التوزيعات التي لها خصائص أخرى من الصعب جدا العثور على حواف عليها.

بالنسبة لأولئك منكم الذين هم على دراية جيدة في الإحصاءات، لا تتردد في المساهمة ما هي الجوانب الأساسية التحليل الإحصائي تجد مفيدة والتي تريد أن أشرح في غضون وظيفة في المستقبل. إذا كنت ترغب في معرفة المزيد عن عملي وكيف يمكنك أيضا استخدام تحليل سلسلة زمنية لتطوير استراتيجيات التداول يرجى النظر في الانضمام إلى أسيريكوي، موقع على شبكة الإنترنت مليئة أشرطة الفيديو التعليمية ونظم التداول والتنمية ونهج سليم وصريح وشفاف تجاه التداول الآلي بشكل عام . آمل أن يحظى هذا المقال بإعجابكم ! : س)

3 الردود على & # 8220؛ استخدام R في التداول الخوارزمي: توصيف سلسلة زمنية بسيطة. الجزء الأول & # 8221؛

[& # 8230؛] الجزء الأول من هذه السلسلة من المشاركات حصلنا على بعض الخصائص الأساسية البسيطة من سلسلة الفوركس المالية في [& # 8230؛]

[& # 8230؛] ليكون أسهل. ك قبل اتباع هذا البرنامج التعليمي وأود أيضا أن المشورة لك لقراءة بلدي السابق اثنين (1، 2) دروس R على تحليل السلسلة الزمنية الأساسية، حتى يتسنى لك أن تكون معتادا على بعض R الأساسية [ # 8230؛]

آسف ولكن أنا تواجه هذه المشكلة:

خطأ في plot. window (& # 8230؛): نيد فينيت & # 8216؛ زليم & # 8217؛ القيم.

بالإضافة إلى ذلك: رسائل تحذير:

1: في دقيقة (x): لا حجج غير مفقودة إلى دقيقة. عودة إنف.

2: في الحد الأقصى (x): عدم وجود وسيطات غير مفقودة إلى حد أقصى؛ عودة - Inf.

3: في دقيقة (س): لا حجج غير مفقودة إلى دقيقة. عودة إنف.

4: في الحد الأقصى (x): عدم وجود وسيطات غير مفقودة إلى حد أقصى؛ عودة - Inf.

فوركس.

10 812 & # 32؛ пользователей находятся 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.

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 تقديمه بواسطة بيد 113466 على & # 32؛ أب-350 & # 32؛ في 2018-01-12 14: 15: 56.877948 + 00: 00 تشغيل b995ef9 رمز 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.

أحدث من بلوغ.

حقوق التأليف والنشر & # x000A9. 2018 - الموقع الذي صممه دعم البرمجيات العالمية.