استراتيجيات التداول السلاسل الزمنية ،

تحليل السلاسل الزمنية والتحكيم الإحصائي G63.2707، خريف 2009 كيف نحلل البيانات المالية التاريخية لتطوير استراتيجيات تداول مربحة ومنخفضة المخاطر هذه الدورة هي مقدمة لتحليل السلاسل الزمنية المستخدمة في التمويل، واستراتيجيات التداول ذات الصلة بكل من عمليات الشراء، الجانب وبيع الجانب المشاركين في السوق. وسوف تنقسم الدورة إلى ثلاثة أجزاء: النماذج الخطية: أر و ما للعمليات العددية والناقلات، وتقلب بسيط وتقدير التباين. تقييم النموذج والتحليل المتبقي. التكامل المشترك وتطبيقه في نمذجة المخاطر واستراتيجيات التداول أزواج. نماذج غير الخطية: أرش، غارتش، ونماذج التقلب أكثر عمومية. التطبيقات: المجهرية السوق، ونمذجة تكلفة المعاملات، واستراتيجيات التداول الأمثل لكلا الوكالة والتداول الرئيسي. المدربين لين لى، ll1084 في نيو المتطلبات الأساسية ويهدف الدورة لطلاب السنة الثانية في برنامج كورانت معاهد مس على الرياضيات في المالية. ومن المتوقع أن يكون لهؤلاء الطلاب أساس ممتاز في الرياضيات المطبقة على التمويل (حساب التفاضل والتكامل العشوائي)، وخلفية معقولة في التمويل (نظرية المحفظة وإدارة المخاطر) وفي الحوسبة، ولكن ليس بالضرورة معرفة مكثفة للإحصاءات. يمكن للطلاب الذين لديهم إعداد مماثل التسجيل إذا كانت المساحة متوفرة. حوالي 5 الواجبات المنزلية مجموعات (40 المجموع)، مسابقة واحدة (30)، ومشروع نهائي (30). المراجع لدينا حساب فئة في وارتون بحوث خدمات البيانات. سيتم إعطاء معلومات تسجيل الدخول في الفصل الدراسي. كارول الكسندر، نماذج السوق. جيمس D. هاملتون، تحليل سلسلة الوقت، مطبعة جامعة برينستون 1994. جويل هاسبروك، المجهرية التجريبية للسوق، مطبعة جامعة أكسفورد 2006 (مزيد من المعلومات حول صفحة هاسبروكس). ستيفن ج. تايلور، ديناميكيات أسعار الأصول، التقلب، والتنبؤ، مطبعة جامعة برينستون 2005. روي S. تساي، تحليل سلسلة الوقت المالية، الطبعة الثانية، وايلي 2005. وستتاح مقالات البحث حسب الحاجة. أمسيات الاثنين، 7:10 حتي 9:00 في سيلفر 713، من 14 سبتمبر إلى 7 ديسمبر أو 14. (لا يوجد عطلة كولومبوس يوم هذا العام). الجدول والمخطط أدناه عرضة للتغيير اعتمادا على كيفية الدورة يطور، وعلى المدربين السفر مطالب. توارد استراتيجية التداول غير الخطية للسلاسل الزمنية المالية فرناندا ستروززي a ،. خوسيه مانويل زالدفار كومينجيس ب. جامعة كارلو كاتانيو، كلية الهندسة، معهد الأساليب الكمية، 21053 كاستيلانزا (إيطاليا)، إيطاليا ب، المفوضية الأوروبية، مركز البحوث المشترك، معهد البيئة والاستدامة، TP272، 21020 إيسبرا (فا)، إيطاليا قبل 3 أغسطس 2005. متاح على الانترنت 3 أكتوبر 2005. ويقترح استراتيجية تجارية جديدة تقوم على تقنيات الدولة لإعادة بناء الفضاء. تستخدم التقنية تطور حجم مساحة الدولة ومعدل التغير كمؤشرات. وقد تم اختبار هذه المنهجية خارج الخط باستخدام ثمانية عشر سلسلة زمنية عالية العملات الأجنبية الصرف مع وبدون تكاليف المعاملات. وفي تحليلنا، يمكن الحصول على قيمة متوسطية قصوى تبلغ 25 كسب تقريبا في تلك السلسلة دون تكاليف المعاملات، وقيمة متوسطية مثلى قدرها 11 كسب تقريبا بافتراض 0،2 من التكاليف في كل معاملة. الجدول 1. الشكل 1. الشكل 2. الشكل 3. الشكل 4. الشكل 5. الشكل 6. الشكل 2. الشكل 7. الشكل 8. الشكل 9. الشكل 10. الجدول 3. الشكل 11. الشكل 12. الشكل 13. الشكل 14. المؤلف المقابل. الهاتف. 39 0331 572634 فاكس: 39 0331 480746.Forecasting السلسلة الزمنية المالية - الجزء الأول في هذه السلسلة من المقالات سنقوم بإنشاء عملية قوية إحصائيا للتنبؤ سلسلة زمنية مالية. وستشكل هذه التوقعات الأساس لمجموعة من استراتيجيات التداول الآلي. وستناقش المقالة الأولى في السلسلة نهج النمذجة ومجموعة من خوارزميات التصنيف التي تمكننا من التنبؤ بالاتجاهات السوقية. ضمن هذه المقالات سنكون الاستفادة من سسيكيت تعلم. مكتبة التعلم الآلي لبيثون. يحتوي سكيكيت تعلم تطبيقات العديد من تقنيات التعلم الآلي. ليس فقط هذا لا يوفر لنا قدرا كبيرا من الوقت في تنفيذ منطقتنا، ولكنه يقلل من خطر الأخطاء التي أدخلتها التعليمات البرمجية الخاصة بنا ويسمح التحقق إضافية ضد المكتبات المكتوبة في حزم أخرى، مثل R. هذا يعطينا قدرا كبيرا من الثقة إذا كنا بحاجة إلى إنشاء منطقتنا تنفيذ مخصص (لأسباب سرعة التنفيذ، ويقول). عملية التنبؤ إن شرح مفصل لمجال تعلم الآلة الإحصائية هو أبعد من هذه المقالة. من أجل الاستفادة من تقنيات مثل الانحدار اللوجستي. تحليل التمييز الخطي والتحليل التمهيدي التربيعي نحن بحاجة إلى الخطوط العريضة لبعض المفاهيم الأساسية. تقنيات التعلم تحت إشراف تشمل تقنيات التعلم المشرفة مجموعة من المعابد المعروفة (إكسي، يي)، i، حيث تمثل إكسي متغيرات التنبؤ (مثل عوائد سوق الأسهم المتخلفة أو حجم التداول)، وتمثل يي المتغيرات ريسبونزوبسرفاتيون المرتبطة بها (مثل الأسهم عائد السوق اليوم). في هذه الحالة نحن مهتمون بالتنبؤ. وبالنظر إلى متغيرات التنبؤ المستقبلية نود أن نقدر الردود من هذه التنبؤات. هذا هو في المعارضة الاستدلال حيث نحن أكثر اهتماما في العلاقة بين المتغيرات. جميع الخوارزميات التي نستخدمها في هذه المقالة، جنبا إلى جنب مع العديد من الخوارزميات التي سوف نستخدمها في المستقبل، هي من نطاق التعلم تحت الإشراف. قياس دقة التنبؤ فئة معينة من الطرق التي نحن مهتمون ينطوي على التصنيف الثنائي. أي أننا سنحاول تخصيص النسبة المئوية لعائد يوم معين في دلاءين: أعلى أو أسفل. في مناجم الإنتاج سنكون قلقين جدا مع حجم هذا التنبؤ والانحرافات من التنبؤ من القيمة الفعلية. في مثل هذه الحالات يمكننا الاستفادة من متوسط ​​تربيع خطأ. يعني الانحراف المطلق والخطأ المتوسط ​​المتوسط ​​الجذر لتوفير تقدير لدقة التنبؤ. وتوفر الأدبيات أمثلة أخرى عديدة لتدابير دقة التنبؤ. في هذه الحالة نحن فقط سوف تكون مهتمة مع معدل ضرب. والتي هي ببساطة النسبة المئوية للمرات التي حقق فيها المتنبأ تنبؤا دقيقا (أي عندما كان اليوم صعودا والعكس بالعكس). في الأمثلة اللاحقة سوف نستفيد من مصفوفة الارتباك لتحديد أداء التنبؤ على أساس كل فئة على حدة. وبالإضافة إلى ذلك فإننا سوف حساب القيم المذكورة أعلاه ودمجها في عملية أبحاث التداول لدينا. عوامل التنبؤ إن منهجية التنبؤ هي فقط جيدة مثل العوامل المختارة كمنبئات. هناك عدد هائل من العوامل المحتملة للاختيار من بينها عند التنبؤ عوائد مؤشر سوق الأسهم. في هذه المقالة سنقوم بتقييد العوامل إلى الفترات الزمنية من عوائد النسبة المئوية الحالية. هذا ليس لأنهم أفضل التنبؤات، بل هو لأنه من السهل أن تظهر عملية التنبؤ على مجموعة البيانات التي تم الحصول عليها بسهولة. اختيار عامل التنبؤ هو في غاية الأهمية، إن لم يكن أهم عنصر من المتنبئين. حتى تقنيات التعلم آلة بسيطة سوف تنتج نتائج جيدة على العوامل المختارة بشكل جيد. لاحظ أن العكس ليس هو الحال في كثير من الأحيان. رمي خوارزمية في مشكلة عادة ما يؤدي إلى ضعف دقة التنبؤ. لهذا المذيع على وجه التحديد، لقد اخترت الفترات الزمنية الأولى والثانية من العائدات نسبة كما التنبؤات للاتجاه الحالي سوق الأسهم. وهذا اختيار تعسفي نسبيا وهناك مجال واسع للتعديل، على سبيل المثال عن طريق إضافة تأخيرات إضافية أو حجم الأسهم المتداولة. فمن الأفضل عموما أن يكون عدد أقل من المنبئات في نموذج، على الرغم من أن هناك اختبارات إحصائية متوفرة والتي يمكن أن تثبت القدرة التنبؤية لكل عامل. التنبؤ SampP500 مع الانحدار اللوجستي، لدا و كدا و SampP500 هو مؤشر مرجح من أكبر 500 شركة تداولها العام (من حيث القيمة السوقية) في سوق الأسهم في الولايات المتحدة. وكثيرا ما يعتبر ذلك معيارا للأسهم. توجد العديد من المنتجات المشتقة من أجل السماح بالمضاربة أو التحوط على المؤشر. على وجه الخصوص، فإن العقود الآجلة مؤشر E-ميني E-ميني العقود الآجلة هو وسيلة سائلة للغاية لتداول المؤشر. في هذا القسم سوف نستخدم ثلاثة تصنيفات للتنبؤ اتجاه سعر الإغلاق في اليوم N استنادا فقط إلى معلومات الأسعار المعروفة في اليوم N-1. وتعني حركة الاتجاه التصاعدي أن سعر الإغلاق عند N أعلى من السعر عند N-1، في حين أن الحركة الهبوطية تعني سعر إغلاق عند N أقل من N-1. إذا تمكنا من تحديد اتجاه الحركة بطريقة تتجاوز بكثير 50 ​​معدل ضرب، مع خطأ منخفض وأهمية إحصائية جيدة، ثم نحن على الطريق إلى تشكيل استراتيجية التداول المنهجي الأساسي على أساس توقعاتنا. في هذه المرحلة لم تكن المعنية مع معظم ما يصل إلى تاريخ خوارزميات تصنيف التعلم الآلي. في الوقت الحالي كانت مجرد إدخال المفاهيم وحتى تبدأ جيدا مناقشة على التنبؤ مع بعض الأساليب الأولية. الانحدار اللوجستي الأسلوب الأول الذي سننظر فيه هو الانحدار اللوجستي (لر). في حالتنا نحن نذهب لاستخدام لر لقياس العلاقة بين المتغير التابع الفئوية الفئوية (صعودا أو هبوطا) ومتغيرات مستقلة مستقلة متعددة (عوائد النسبة المئوية المتأخرة). يوفر النموذج احتمالية تصنيف يوم معين (التالي) على أنه أعلى أو أسفل. في هذا التنفيذ اخترنا تعيين كل يوم كما يصل إذا تجاوز احتمال 0.5. يمكننا الاستفادة من عتبة مختلفة، ولكن بالنسبة للبساطة لقد اخترت 0.5. وتستخدم لر الصيغة السوقية لرسم نموذج احتمال الحصول على يوم أعلى (يو) استنادا إلى عوامل التأخر (L1، L2): تستعمل الدالة السوقية لأنها توفر احتمالا بين 0،1 لجميع قيم L1 و L2، على عكس الانحدار الخطي حيث يمكن توليد الاحتمالات السلبية في نفس الإعداد. لتلائم النموذج (أي تقدير معاملات بيتاي) يتم استخدام طريقة الاحتمال الأقصى. لحسن الحظ بالنسبة لنا، يتم التعامل مع تركيب والتنبؤ نموذج لر من قبل مكتبة سكيت تعلم. تحليل التمييز الخطي التقنية التالية المستخدمة هي تحليل التمييز الخطي (لدا). لدا يختلف عن لر في لأنه في لر نموذجنا P (YUL1، L2) وتوزيع مشروط للاستجابة Y نظرا للتنبؤات لي، وذلك باستخدام وظيفة لوجستية. في لدا توزيع نماذج لي على حدة، نظرا Y، و P (YUL1، L2) يتم الحصول عليها عن طريق نظرية بايز. أساسا، لدا النتائج من افتراض أن تنبئ يتم استخلاصها من توزيع غوسي متعدد المتغيرات. بعد تقديرات كالكولتينغ لمعلمات هذا التوزيع، يمكن أن تكون المدخلات مدخلات في نظرية بايز من أجل جعل تنبؤات حول الفئة التي تنتمي إليها الملاحظة. يفترض لدا أن جميع الطبقات تشترك في نفس مصفوفة التباين. لن أتطرق إلى الصيغ لتقدير التوزيع أو الاحتمالات الخلفية اللازمة لجعل التنبؤات، مرة أخرى سكيكيت تعلم يعالج هذا بالنسبة لنا. تحليل التربيع التربيعي تحليل التربيع التربيعي (قدا) يرتبط ارتباطا وثيقا ل لدا. الفرق الكبير هو أن كل فئة يمكن أن تمتلك الآن مصفوفة التباين الخاص بها. قدا عموما أداء أفضل عندما حدود القرار غير الخطية. ويتحسن أداء البرنامج عموما عندما يكون هناك عدد أقل من الملاحظات التدريبية (أي عند الحاجة إلى تقليل التباين). ومن ناحية أخرى، فإن أداء هيئة التنمية البشرية يؤدي أداء جيدا عندما تكون مجموعة التدريب كبيرة (أي أن التباين يقل قلقا). ويأتي استخدام أحدهما أو الآخر في نهاية المطاف إلى مقايضة التباين بين التحيز. كما هو الحال مع لر و لدا، سكيت-تعلم يعتني تنفيذ قدا لذلك نحن بحاجة فقط إلى تزويده مع البيانات تراينينغتيست لتقدير المعلمة والتنبؤ. بيثون التنفيذ لتنفيذ هذه التنبؤات سوف نستفيد من نومبي. الباندا و سكيكيت التعلم. إيف سابقا كتب تعليمي حول كيفية تثبيت هذه المكتبات. إيف علقت بشكل كبير على القانون نفسه لذلك ينبغي أن يكون من السهل التأكد مما يحدث. الخطوة الأولى هي استيراد الوحدات والمكتبات ذات الصلة. كان يجري استيراد لوجيستيكريغرسيون. لدا و كدا المصنفات لهذا المذيع: الآن أن يتم استيراد المكتبات، ونحن بحاجة إلى إنشاء الباندا داتافريم الذي يحتوي على عائدات النسبة المئوية المتخلفة لعدد سابق من الأيام (التخلف عن خمسة). سوف تأخذ كرياتيلاجدزيريز رمز الأسهم (كما هو معترف به من قبل ياهو المالية) وخلق إطار بيانات متخلفة عبر الفترة المحددة: تم تصميم وظيفة المساعد المقبل لخلق نسبة ضرب لكل نموذج، من خلال القضاء على رمز مكررة. وهو يعتمد على حقيقة أن الانحدار اللوجستي، لدا و كدا الكائنات لديها نفس الأساليب (تناسب والتنبؤ). معدل ضرب هو الإخراج إلى المحطة: وأخيرا، نحن ربطه مع وظيفة رئيسية. في هذه الحالة كانت محاولة لتوقع اتجاه سوق الأسهم في الولايات المتحدة في عام 2005، وذلك باستخدام بيانات العوائد من 2001 إلى 2004: إخراج الشفرة هو كما يلي: يمكن أن يرى أن الانحدار اللوجستي والمحلل التميزي الخطي كانت قادرة على كسب 56 معدل ضرب. ومع ذلك، كان محلل التمييزية التربيعية قادرة على تحسين كل منهما لإنتاج 60 معدل ضرب. وبالنسبة للفترة الخاصة التي تم تحليلها، يرجح أن يرجع ذلك إلى حقيقة أن هناك بعض عدم الخطية في العلاقة بين العوامل المتأخرة والاتجاه الذي لم يتم التقاطه جيدا في التحليل الخطي. وبالتالي، هناك أمل في أننا قد تكون قادرة على التنبؤ جزئيا سوق الأسهم الأمريكية. هناك عدد قليل من المحاذير لمنهجية التنبؤ هذه: لقد استخدمنا أي شكل من أشكال التحقق المتبادل لتقليل أخطاء التركيب. ويتطلب أحد منشئي الإنتاج أن يعتبر هذا التحليل قويا. ولم يتم تدريب المتنبأ إلا على البيانات بين عامي 2001 و 2004. قد تكون بيانات سوق الأسهم الأحدث لديها دقة تنبؤ مختلفة بشكل كبير. لقد حاولنا فعلا أن نتعامل مع هذه المعلومات. على وجه الخصوص، كيف يمكننا فعلا تنفيذ الصفقات. هل سنستخدم مستقبلا e-ميني في الولايات المتحدة هل سنستفيد من أوامر السوق المفتوح (مو) أو السوق عند الإغلاق (أوك) سوف نحتاج أيضا إلى النظر في تكاليف المعاملات. وفي مقالات لاحقة سننظر في هذه المسائل بمزيد من التعمق. تحذير على التنبؤ العشوائي في هذا القسم أريد أن أبرز بشكل واضح مشكلة الأهمية الإحصائية عند التعامل مع المتنبئين. بالإضافة إلى المذيع المذكور أعلاه ولدت أيضا سلسلة التنبؤ استنادا فقط على علامة السحب العشوائي من التوزيع العادي العادي. لاحظ أنه في نفس الفترة أنتجت معدل ضربة التنبؤ من 53.4 ومع ذلك فإن الطريقة المستخدمة لتوليد سلسلة هي في الأساس لا تختلف عن القذف عملة نضع ذلك في الاعتبار كلما كنت تنفذ إجراءات التنبؤ لأنها يمكن أن تؤدي في كثير من الأحيان إلى أداء التداول إذا لم تؤخذ بعين الاعتبار. في المقالات التالية سوف ننظر في تصنيفات غير خطية أكثر تنبؤا تحت الإشراف مثل الشبكات العصبية الاصطناعية (آن) وآلات ناقلات الدعم (سفم). مع استقرار تقنيات التعلم الآلي في متناولنا سوف تكون في وقت لاحق قادرة على الاستفادة من أساليب مجموعة لإنتاج دقة التنبؤ والمتانة التي يمكن أن تتجاوز أحيانا تلك من أي فرد المتنبأ. مجرد البدء مع التداول الكمي كما يمكنك أن ترى من أعلاه، عوائد لليورو مقابل الدولار الأميركي تحيد بشكل كبير عن التوزيع الطبيعي (أكثر على اختبارات الحياة الطبيعية على وظيفة في المستقبل) ويمكننا أن نرى بالفعل بعض خصائص توزيع اليورو مقابل الدولار الأميركي. على سبيل المثال يمكننا أن نرى أن التوزيع هو منحرف نحو منطقة إيجابية (skewness0.076) والتوزيع هو الدهون الذيل (kurtosis1.52). 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 you8217re الدراسة. في الجزء التالي من هذه السلسلة، سوف نقوم بمعرفة كيفية اختلاف رموز الفوركس وغير الفوركس في نفس التحليل (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 أسيريكوي. موقع على شبكة الانترنت مليئة أشرطة الفيديو التعليمية، ونظم التداول، والتنمية، ونهج سليم وصريح وشفاف نحو التداول الآلي بشكل عام. آمل أن يحظى هذا المقال بإعجابكم. س) 3 الردود على 8220 باستخدام R في خوارزمية التداول: بسيطة سلسلة الوقت التوصيف. الجزء الأول 8221 8230 الجزء الأول من هذه السلسلة من الوظائف حصلنا على بعض الخصائص الأساسية البسيطة من سلسلة الوقت المالي الفوركس في 8230 8230 ليكون أسهل. قبل اتباع هذا البرنامج التعليمي وأود أيضا أن المشورة لك لقراءة بلدي السابق اثنين (1. 2) دروس R على تحليل سلسلة زمنية الأساسية، حتى يتسنى لك أن تكون معتادا على بعض الأساسية R 8230 آسف ولكن أنا تواجه هذه المشكلة: خطأ في plot. window ( 8230). تحتاج إلى قيم 8216xlim8217 محدودة بالإضافة إلى ذلك: رسائل تحذير: 1: في دقيقة (س). لا الحجج غير المفقودة إلى دقيقة العائدين إنف 2: في الحد الأقصى (س). لا حجج غير مفقودة إلى أقصى عائد - Inf 3: في دقيقة (س). لا الحجج غير المفقودة إلى دقيقة العائدين إنف 4: في الحد الأقصى (س). لا حجج غير مفقودة إلى أقصى عائد - Inf غ مجموعة البيانات داتاسيت (داتاسيتكلوس)