Mdfa Forex

(MDFA) e Algorithmic Trading Apresentação sobre o tema: Real-Time Signalextraction (MDFA) e Algorithmic Trading Apresentação transcrição: 1 Real-Time Signalextraction (MDFA) e Algorithmic Trading marc. wildizhaw. ch blog. zhaw. chidpsefblog idp. Zhaw. chusri idp. zhaw. chMDFA-XT idp. zhaw. chsef 2 Antecedentes Mathecon híbrido. IDP-ZHAW Projetos com econ. (MDFA-XT, grande hedge-fundo) Engenharia (Telecomunicações, previsões de carga) Eclecticdisparate gama de aplicações Metodologia abordagem (s) comum (es) In-house desenvolvimentos: (M) DFA R-pacote signalextraction em CRAN 3 A Clássica Algorítmica Trading Abordagem Sistema de sincronização SP500 Daily Closures MA (200), igualmente ponderada 6 Por que os comerciantes Freqüentemente AdoptPrefer filtro cruzamentos Características do filtro Por MDFA blog. zhaw. chidpsefblogindex. parametros54- Intermezzo-Why-do-Traders-Muitas-Considere-Cruzamentos-de-Trading-Filter-Pairs. html 8 Características do filtro Função de amplitude: Qual sinal é extraído Time-shift: Qual é o tamanho do atraso 11 Conclusões Crossing-rules São (uma forma desnecessariamente incómoda de implementar) filtros de passagem de banda As regras de cruzamento (bandpass) têm pequenos atrasos de tempo Por que MDFA Design eficiente em tempo real (banda passante) flexível Rápido e suave 16 Conclusão Damp ou avoi D todas as retiradas maciças da recessão efetivamente Ideal para investidores avessos ao risco (fundos de pensão) Negociação fundamental: verdadeiramente fora da amostra NORM Desvantagem: insuficientemente ativo Texto: Difícil justificar taxas 25 Conclusão Maior negociação Freqüências associadas ao Passo de Banda deslocado para a direita Mais flexível do que os cruzamentos de filtros tradicionais Variações de atraso menores 27 Definição Custos de negociação degenerativos de 0,3 por ordem (fundo pequeno) Longo somente Sem taxas de juros livres de risco 33 Conclusões Freqüências de negociação mais altas estão associadas a redução leve De desempenho Reduções maiores USRI evitaria draw-downs e, em seguida, o desempenho melhoraria Aumento da atividade de mercado (taxas) Combinação com USRI possível (recomendado) Filtros estarão disponíveis on-line no final de julho 35 Excel-Tutorial no blog SEF-blog. zhaw. chidpsefblogindex. php arquivos65-Real-Time-Detection-of-Turning-Points-a-Tutorial-Part-I-Mean-Square-Error-Norm. htmlblog. zha W. chidpsefblogindex. php archives65-Real-Time-Detection-of-Turning-Points-a-Tutorial-Part-I-Mean - Square-Error-Norm. html blog. zhaw. chidpsefblogindex. php arquivos67-Real-Time-Detection - de-Turning-Points-a-Tutorial-Parte-II - Enfatizando-Turning-Points. htmlblog. zhaw. chidpsefblogindex. php arquivos67-Real-Time-Detection-of-Turning-Points-a-Tutorial-Part-II - Emphasizing-Turning-Points. html 36 Objetivos Exercícios de Yoga para se destacar do mundo de máxima verossimilhança do mainstream Primeiro Blog-entrada: como funciona a abordagem econométrica tradicional Intuitivamente direto Bom (ótimo) desempenho quadrático As pessoas tornaram-se preguiçosas Segundo Blog-Entrada : A detecção precoce de pontos de viragem É um exercício (fortemente) contra-intuitivo Gera aparentemente (fortemente) projetos de filtro mal especificados Aprendizagem de Alerta (Iluminação) Procedimento de Abordagem Econométrica Padrão: Identifique um modelo de séries temporais (ARIMAstate space) O filtro simétrico no tempo prolongado s Suposição: Modelo DGPtrue 47 Um projeto aparentemente virtuoso (correlação de pico) Correlação entre a estimativa em tempo real eo ciclo como uma função De tempo-lag k 57 Conclusões Projeto aparentemente mal especificado é mais rápido Smoother (menos falso TPs ou alarmes) Não médio-quadrado óptimo Muito melhor em uma perspectiva TP 58 De Excel para MDFA Tweak filtro parâmetros à mão no Excel Tutorial Deficiências do exemplo Unrealistically simples Simulações artificiais Na prática: perturbações e / ou sinais mais complexos Incluir informações de mais de uma série temporal (estrutura multivariada) Desejo: um critério de otimização formal Bem-vindo ao DFA e ao MDFA 61 Critério de Otimização (I (0)) Minimizar uma estimativa (uniformemente) superconsistente De uma estimativa (uniformemente) eficiente do erro médio-quadrado do filtro (Personalizado) Eficiência entra explicitamente no Design do Critério de Otimização 62 Você Diz e ou Mean Periodogra M O periodograma é um exemplo típico de fraqueza estatística Estimativa inconsistente da densidade espectral Suavização (paramétrica ou não paramétrica) O periodograma tem propriedades estatísticas maravilhosas Suficiência (Larry Brethorst) Pode-se obter bons resultados de eficiência formal em tempo real de extração de signale Trabalhando em uma série de (KOF, FED, 2004,2005) X-12-ARIMA, TramoSeats ganho de MSE 30 US - e Euro - (2008): Pontos de inflexão dos CF antecipados em 1-2 trimestres ESI (2006): Dainties TPs descobertas 2-3 meses antes 64 Performances (Eficiência) Baseando-se no Periodograma Os filtros TP ganharam NN3 (2007) e NN5 (2008) (111 séries cronológicas) e dados financeiros diários (111 séries cronológicas) Vencedor e vencedor do prestigiado concurso M3, X-12-ARIMA Controle do tempo de atraso (customização) 1: enfatizar o tempo de atraso no tempo de passagem (Pass - Faixa 1: melhor nível de filtro 1: enfatizar o tempo de atraso na faixa de passagem 1: best level filter titleControlar o Time Delay (Personalização) 1: enfatizar o atraso na banda de passagem 1: melhor nível de filtro 67 Personalização: Controle de tempo Atraso e suavidade Maior amortecimento do ruído de alta freqüência na banda de parada Menor tempo de atraso na banda de passagem W () é monotônico (aumentando) e 1 1 titleCustomization: Controle do tempo de atraso e suavidade Maior amortecimento do ruído de alta freqüência em stop-band O tempo de atraso menor na banda de passagem W () é monotônico (crescente) e 1 74 Eficiência (Teorema 4.1, Wildi2008, WildiSturm2008) O termo de erro e T é o menor possível uniformemente Eficiência Uniforme Personalização 75 Critério Ótimo (Eficiente) sob Cointeg (2008): CF e multivariados CF pontos de viragem antecipados por 1-2 trimestres USRI Outperformed Markov-comutação (Chauvet, ChauvetPiger), Fator dinâmico (Rank 1) Filtro Restricções são satisfeitas (CFNAI), modelos espaciais estaduais (ADS), Hodrick-Prescott (OCDE-CLI), Christiano-Fitzgerald SEF-Blog MDFA-XT EURI 77 AVISO. Este não é um PUSH-THE-BUTTON APROXIMAÇÃO racer Fórmula 1: pode ser rápido (Ferrari) e confiável (Mercedes), mas você tem que tweak-lo com cuidado: FerradesMercearri Filter design (ZPC) Limitações de filtro (enfatizar a freqüência zero) Understandinginterpreting: inteligência 2008-Livro: idp. zhaw. chsefidp. zhaw. chsef Feliz de fornecer apoio dado incentivos financeiros 79 marc. wildizhaw. ch blog. zhaw. chidpsefblog Ilustre questões metodológicas, confiando em projetos do mundo real com parceiros econômicos idp. zhaw. chusri Real - Time US Recession Indicador idp. zhaw. chMDFA-XT Experimental Trader para MSCI Emerging Markets Filtros on-line final de julho idp. zhaw. chsef Extração de Sinal Site de Previsão Livros, Artigos, SoftwareKozmetiki saloni odavno su prestali biti mjesto gdje se dolazi samo na tretman , A zahtijevi klijenata sve su vei. Svakom svom klijentu posveujemo se sa posebnom panjom, podiui na taj nain i ljestvicu Vaih oekivanja. Oslukujemo sve Vae potrebe i elje i uvodimo novitete sukladno njima. Você está usando o Internet Explorer 8.0 ou mais antigo para visualizar a web. Devido aos riscos de segurança e à falta de suporte aos padrões da web, este site não suporta a sua versão do IE. Atualize para um navegador mais recente para aproveitar este site e o resto da web. Depois de atualizar, por favor, volte e você será capaz de ver o nosso site. Copyright cópia 2017. Hotel Pastura. Sva prava pridrana Dizajn i odravanje: Toni Informatika Figura 1: In-sample (observations 1-250) e desempenho fora da amostra do sinal de negociação construído neste tutorial usando o MDFA. (Topo) O preço do log do Yen (FXY) em intervalos de 15 minutos e os comércios gerados pelo sinal de negociação. Aqui linha preta é uma compra (longa), azul é vender (posição curta). (Parte inferior) Os retornos acumulados (caixa) gerados pela negociação, em percentual ganhos ou perdidos. No meu artigo anterior sobre comércio de alta freqüência no iMetrica no FOREXGLOBEX. Introduzi algumas estratégias robustas de extração de sinal no iMetrica usando a abordagem de filtro direto multidimensional (MDFA) para gerar sinais de alto desempenho para negociação no mercado de câmbio e futuros. Neste artigo, tomo uma breve licença de ausência do meu mundo de desenvolvimento de sinais de negociação financeira em iMetrica e migrar para uma linguagem uber-popular usado em finanças, devido à sua exuberante variedade de pacotes, gerenciamento de dados rápida e manipulação de gráficos e de Claro, o fato de que ele está livre (como em discurso e cerveja) em praticamente qualquer plataforma de computação do mundo. Este artigo fornece um tutorial de introdução sobre o uso de R para negociação de alta freqüência no mercado FOREX usando o pacote R para MDFA (oferecido por Herr Doktor Marc Wildi von Bern) e algumas estratégias que foram desenvolvidas para gerar sinais financeiros financeiramente robustos. Para este tutorial, considero o segundo exemplo dado no meu artigo anterior, onde eu engenharia um sinal de negociação para 15-minutos log-retorna do iene japonês (de abertura de sino para fechar mercado EST). Isto apresentou desafios ligeiramente novos que antes, como as variações de salto próximo a aberto são muito maiores do que aqueles gerados por retornos horários ou diários. Mas como eu demonstrei, essas variações maiores no preço próximo ao aberto não apresentaram problemas para o MDFA. Na verdade, ele explorou esses saltos e fez grandes lucros por prever a direção do salto. A Figura 1 na parte superior deste artigo mostra o desempenho da amostra (observações 1-250) e fora da amostra (observações 251 em diante) do filtro que estarei construindo na primeira parte deste tutorial. Ao longo deste tutorial, eu tento replicar esses resultados que eu construí no iMetrica e expandi-los um pouco usando a linguagem R ea implementação do MDFA disponível aqui. Os dados que consideramos são log-returns de 15 minutos do Yen de 4 de janeiro a 17 de janeiro e eu os tenho salvo como um arquivo. RData dado por ldfxyinsamp. Eu tenho uma série explicativa adicional incorporada no arquivo. RData que I8217m usando para prever o preço do iene. Além disso, eu também vou usar pricefxyinsamp que é o preço de log do iene, usado para calcular o desempenho (buysells) do sinal de negociação. O ldfxyinsamp será usado como os dados da amostra para construir o filtro eo sinal de negociação para FXY. Para obter esses dados para que você possa executar esses exemplos em casa, envie-me um e-mail e I8217ll lhe enviará todos os arquivos. RData necessários (os dados dentro da amostra e fora da amostra) em um arquivo. zip. Dando um rápido olhar para os dados ldfxyinsamp, vemos log-retorna do iene a cada 15 minutos a partir do mercado aberto (zona horária UTC). Os dados de destino (Yen) estão na primeira coluna junto com as duas séries explicativas (Yen e outro recurso co-integrated com movimento de Yen). Gt head (ldfxyinsamp), 1, 2, 3 2013-01-04 13:30:00 0.000000e00 0.000000e00 0.0000000000 2013-01-04 13:45:00 4.763412e-03 4.763412e-03 0.0033465833 2013-01-04 14:00:00 -8.966599e-05 -8.966599e-05 0.0040635638 2013-01-04 14:15:00 2.597055e-03 2.597055e-03 -0.0008322064 2013-01-04 14:30:00 -7.157556e - 04 -7.157556e-04 0.0020792190 2013-01-04 14:45:00 -4.476075e-04 -4.476075e-04 -0.0014685198 Prosseguindo, para começar a construir o primeiro sinal de negociação para o iene, começamos por carregar os dados em Nosso ambiente R, definir alguns parâmetros iniciais para a chamada de função MDFA e, em seguida, calcular os DFTs e periodograma para o iene. Conforme mencionado em meus artigos anteriores, minha estratégia passo-a-passo para construir sinais de negociação sempre começa com uma análise rápida do periodograma do ativo que está sendo negociado. Mantendo a chave para fornecer insights sobre as características de como o activo negocia, o periodograma é uma ferramenta essencial para navegar como o extractor é escolhido. Aqui, procuro picos espectrais principais que correspondem no domínio do tempo a como e onde o meu sinal irá disparar comércios buysell. A Figura 2 mostra o periodograma dos log-retornos de 15 minutos do iene japonês durante o período de amostragem de 4 de janeiro a 17 de janeiro de 2013. As setas apontam para os principais picos espectrais que eu procuro e fornece um guia para como eu Irá definir a minha função. As linhas pontilhadas a preto indicam os dois pontos de corte de freqüência que considerarei neste exemplo, sendo o primeiro e o segundo em. Observe que ambos os pontos de corte são definidos diretamente após um pico espectral, algo que eu recomendo. Na negociação de alta freqüência no FOREX usando o MDFA, como veremos, o truque é procurar o pico espectral que explica a variação de fechar a abrir no preço da moeda estrangeira. Queremos tirar proveito deste pico espectral como este é o lugar onde os grandes ganhos em troca de moeda estrangeira usando MDFA irá ocorrer. Figura 2: Periodograma de FXY (iene japonês) junto com picos espectrais e dois pontos de corte de freqüência diferentes. Em nosso primeiro exemplo, consideramos a freqüência maior como o ponto de corte para colocá-lo em (a linha mais à direita na figura do periodograma). Eu, então, inicialmente definir os parâmetros de timeliness e suavidade, e expweight para 0, juntamente com a definição de todos os parâmetros de regularização para 0 também. Isso me dará um barômetro para onde e quanto ajustar os parâmetros do filtro. Ao selecionar o comprimento do filtro, meus estudos empíricos sobre várias experiências na construção de sinais comerciais usando o iMetrica demonstraram que uma escolha 8216good8217 está em qualquer lugar entre 14 e 15 do comprimento total da amostra dos dados da série temporal. Evidentemente, o comprimento depende da frequência das observações de dados (isto é, 15 minutos, por hora, por dia, etc.), mas em geral é muito provável que nunca mais que seja superior a 14 o tamanho da amostra. Caso contrário, a regularização pode tornar-se demasiado complicada para ser tratada de forma eficaz. Neste exemplo, o comprimento total da amostra é de 335 e, portanto, fixo qual I8217ll furar para o restante deste tutorial. Em qualquer caso, o comprimento do filtro não é o parâmetro mais importante a considerar na construção de bons sinais de negociação. Para uma boa seleção robusta dos parâmetros de filtro par com séries explicativas apropriadas, os resultados do sinal de negociação com comparados com, digamos, dificilmente diferirão. Se o fizerem, então a parametrização não é suficientemente robusta. Depois de carregar os dados de retorno de log na amostra junto com o preço de registro correspondente do iene para computar o desempenho de negociação, prosseguimos em R para definir as configurações iniciais do filtro para a rotina MDFA e, em seguida, calcular o filtro usando a função IMDFAcomp. Isso retorna os coeficientes de retenção de objetos imdfaamp, funções de resposta de freqüência e estatísticas de filtro, juntamente com o sinal produzido para cada série explicativa. Combinamos esses sinais para obter o sinal de negociação final na amostra. Tudo isso é feito em R da seguinte maneira: As funções de resposta de freqüência resultantes do filtro e os coeficientes são plotadas na figura abaixo. Figura 3: As funções de resposta de freqüência do filtro (parte superior) e os coeficientes de filtro (abaixo) Observe a abundância de ruído ainda presente passado a freqüência de corte. Isso é atenuado pelo aumento do parâmetro de suavidade de expweight. Os coeficientes para cada série explicativa mostram alguma correlação em seu movimento à medida que os retornos aumentam. No entanto, a suavidade e decadência dos coeficientes deixa muito a desejar. Vamos corrigir isso através da introdução de parâmetros de regularização. As parcelas do sinal de negociação na amostra e o desempenho em amostra do sinal são mostrados nas duas figuras abaixo. Observe que o sinal de negociação se comporta muito bem na amostra. No entanto, parece pode ser enganador. Este desempenho estelar é devido em grande parte a um fenômeno de filtragem chamado overfitting. Pode-se deduzir que overfitting é o culpado aqui, basta olhar para o nonsmoothness dos coeficientes, juntamente com o número de freezed graus de liberdade, que neste exemplo é cerca de 174 (de 174), muito alto. Gostaríamos de obter este número em cerca de metade da quantidade total de graus de liberdade (número de séries explicativas x L). Figura 4: O sinal de negociação e os dados de retorno de log do iene. O desempenho na amostra deste filtro demonstra o tipo de resultados que gostaríamos de ver após a regularização ser aplicada. Mas agora vem para os efeitos sóbrios de overfitting. Aplicamos esses coeficientes de filtro a 200 observações de 15 minutos do iene e as séries explicativas de 18 de janeiro a 1 de fevereiro de 2013 e comparamos com as características da amostra. Para fazer isso em R, primeiro carregamos os dados fora da amostra no ambiente R e, em seguida, aplicamos o filtro aos dados fora da amostra que eu defini como xout. O gráfico da Figura 5 mostra o sinal de negociação fora da amostra. Observe que o sinal não é quase tão suave quanto na amostra. O overshooting dos dados em algumas áreas também está obviamente presente. Embora as características de overfitting fora da amostra do sinal não sejam horrivelmente suspeitas, eu não confiaria neste filtro para produzir retornos estelares no longo prazo. Figura 5. Filtro aplicado a 200 observações de 15 minutos de Yen fora da amostra para produzir sinal de negociação (mostrado em azul) Após a análise prévia da solução de quadrado médio (sem customização ou regularização), procedemos agora a limpar Problema de overfitting que era aparente nos coeficientes juntamente com mollifying o ruído no stopband (freqüências após). Para escolher os parâmetros de suavização e regularização, uma abordagem é primeiro aplicar primeiro o parâmetro de suavidade, pois isso suavizará geralmente os coeficientes enquanto atua como um regularizador 8216pre8217 e, em seguida, avançará para a seleção de controles de regularização apropriados. Observando os coeficientes (Figura 3), podemos ver que é necessária uma boa quantidade de suavização, com apenas um leve toque de decaimento. Para selecionar esses dois parâmetros em R, uma opção é usar o otimizador Troikaner (encontrado aqui) para encontrar uma combinação adequada (eu tenho uma abordagem algorítmica segredo molho Eu desenvolvi para iMetrica para escolher combinações óptimas de parâmetros dado um extrator e um indicador de desempenho , Embora it8217s longo (mesmo em GNU C) e pesado para usar, então eu normalmente preferem a estratégia discutida neste tutorial). Neste exemplo, comecei por definir o lambdasmooth para .5 ea decaimento para (.1, .1) juntamente com um parâmetro de suavidade de expweight definido para 8.5. Depois de ver os coeficientes, ele ainda não era suficiente lisura, então eu continuei a acrescentar mais finalmente atingindo 0,63, que fez o truque. Eu, então, escolheu lambda para equilibrar os efeitos do alisamento expweight (lambda é sempre o último recurso tweaking parâmetro). A Figura 6 mostra a função de resposta de freqüência resultante para ambas as séries explicativas (Yen em vermelho). Observe que o maior pico espectral encontrado diretamente antes do corte de freqüência está sendo enfatizado e ligeiramente atenuado (valor próximo de 0,8 em vez de 1,0). Os outros picos espectrais abaixo também estão presentes. Para os coeficientes, apenas suficiente suavização e decadência foi aplicada para manter o lag, cíclica e correlacionada estrutura dos coeficientes intactos, mas agora eles parecem muito mais agradável na sua forma suavizada. O número de graus de liberdade congelados foi reduzido para aproximadamente 102. Figura 6: As funções de resposta em frequência e os coeficientes após a regularização e suavização foram aplicados (topo). Os coeficientes suavizados com ligeira decaimento na extremidade (inferior). O número de graus de liberdade congelados é de aproximadamente 102 (de 172). Juntamente com os melhores graus de liberdade freezed e nenhum estrago aparente de overfitting, aplicamos este filtro fora da amostra para as 200 observações fora da amostra, a fim de verificar a melhoria na estrutura dos coeficientes de filtro (mostrado abaixo em Figura 7). Observe a enorme melhoria nas propriedades do sinal de negociação (em comparação com a Figura 5). A supressão dos dados foi eliminada ea suavidade total do sinal melhorou significativamente. Isto é devido ao fato de que nós erradicamos a presença de overfitting. Figura 7: Sinal de negociação fora da amostra com regularização. Com todas as indicações de um filtro dotado com exatamente as características que precisamos para a robustez, agora aplicar o sinal de negociação tanto na amostra e fora da amostra para ativar os negócios buysell e ver o desempenho da conta de negociação em valor monetário. Quando o sinal cruza abaixo de zero, nós vendemos (entre posição curta) e quando o sinal sobe acima de zero, nós compramos (entre posição longa). O gráfico superior da Figura 8 é o preço de log do iene para os intervalos de 15 minutos e as linhas pontilhadas representam exatamente onde o sinal de negociação gerou negócios (cruzamento zero). As linhas pretas pontilhadas representam uma compra (posição longa) e as linhas azuis indicam uma venda (e posição curta). Observe que o sinal previu todos os saltos próximos ao aberto para o iene (em parte graças às séries explicativas). Isto é exatamente o que estaremos lutando para quando adicionamos regularização e personalização para o filtro. A conta de caixa das transações durante o período de amostragem é mostrada abaixo, onde os custos de transação foram fixados em 0,05 por cento. Na amostra, o sinal ganhou cerca de 6 por cento em 9 dias de negociação e um 76 por cento taxa de sucesso comercial. Figura 8: Desempenho na amostra do novo filtro e os ofícios que são gerados. Agora, para o teste final para ver quão bem o filtro executa na produção de um sinal de negociação vencedor, aplicamos o filtro para a 200 15 minutos de observação fora de amostragem do iene e as séries explicativas de 18 de janeiro a 01 de fevereiro e fazer Com base no cruzamento zero. Os resultados são mostrados abaixo na Figura 9. As linhas pretas representam as compras e linhas azuis as vendas (shorts). Observe que o filtro ainda é capaz de prever os saltos de perto para abrir, mesmo fora da amostra, graças à regularização. O filtro sucumbe a apenas três minúsculas perdas em menos de 0,08 por cento cada uma entre as observações 160 e 180 e uma pequena perda no início, com uma taxa de sucesso de comércio fora da amostra atingindo 82 por cento e um ROI de pouco mais de 4 por cento sobre O intervalo de 9 dias. Figura 9: Desempenho fora da amostra do filtro regularizado em 200 retornos de 15 minutos fora do amostragem do iene. O filtro alcançou 4% de ROI sobre as 200 observações e 82% de taxa de sucesso comercial. Compare isso com os resultados obtidos no iMetrica usando as mesmas configurações de parâmetros MDFA. Na Figura 10, tanto o desempenho dentro da amostra como fora da amostra são mostrados. O desempenho é quase idêntico. Figura 10: Desempenho da amostra e fora da amostra do filtro Yen no iMetrica. Quase idêntico ao desempenho obtido em R. Agora nós tomamos uma facada na produção de outro filtro de negociação para o iene, só que desta vez queremos identificar apenas as freqüências mais baixas para gerar um sinal de negociação que troca com menos freqüência, apenas buscando os ciclos maiores. Tal como com o desempenho do filtro anterior, ainda desejamos alvejar as frequências que podem ser responsáveis ​​pelas grandes variações de fechamento a aberto no preço do iene. Para fazer isso, selecionamos nosso ponto de corte para ser o que efetivamente manterá os maiores três picos espectrais intactos na banda de passa baixa de. Para este novo filtro, mantemos as coisas simples, continuando a usar os mesmos parâmetros de regularização escolhidos no filtro anterior, pois pareciam produzir bons resultados fora da amostra. Os parâmetros de personalização e expweight, entretanto, precisam ser ajustados para considerar os novos requisitos de supressão de ruído na banda de interrupção e as propriedades de fase na faixa de passagem menor. Assim, eu aumentar o parâmetro de suavização e diminuiu o parâmetro de oportunidade (que afeta apenas a faixa de passagem) para explicar essa alteração. As novas funções de resposta de freqüência e coeficientes de filtro para este projeto de lowpass menor são mostrados abaixo na Figura 11. Observe que o segundo pico espectral é contabilizado e apenas ligeiramente atenuado sob as novas alterações. Os coeficientes ainda têm a suavidade e decadência visíveis nas maiores defasagens. Figura 11: Funções de resposta de freqüência dos dois filtros e seus coeficientes correspondentes. Para testar a eficácia deste novo design de freqüência de negociação menor, aplicamos os coeficientes de filtro às 200 observações fora da amostra dos retornos de log Yen de 15 minutos. O desempenho é mostrado abaixo na Figura 12. Neste filtro, vemos claramente que o filtro ainda consegue prever corretamente os grandes saltos próximos ao aberto no preço do iene. Apenas três perdas totais são observadas durante o período de 9 dias. O desempenho geral não é tão atraente quanto o projeto de filtro anterior como menor quantidade de comércios são feitos, com um próximo ROI de 2 por cento e 76 por cento relação de sucesso comercial. No entanto, este projeto poderia caber as prioridades para um comerciante muito mais sensível aos custos de transação. Figura 12: Desempenho fora da amostra do filtro com corte mais baixo. Conclusão Verificação e validação cruzada é importante, assim como o homem mais interessante do mundo irá dizer-lhe. O objetivo deste tutorial foi mostrar alguns dos principais conceitos e estratégias que eu experimento ao abordar o problema de construir um sinal de negociação robusto e altamente eficiente para qualquer ativo dado em qualquer freqüência. Eu também queria ver se eu poderia conseguir resultados semelhantes com o pacote R MDFA como o meu pacote de software iMetrica. Os resultados acabaram sendo quase paralelos, exceto por algumas pequenas diferenças. Os principais pontos que eu estava tentando destacar foram, em primeiro lugar, analisar o periodograma para buscar os picos espectrales importantes (como os associados a variações próximas a abertas) e demonstrar como a escolha do corte afeta a negociação sistemática. Here8217s uma rápida recapitulação sobre boas estratégias e hacks para se manter em mente. Resumo das estratégias para a construção de comércio de sinal usando MDFA em R: Como eu mencionei antes, o periodograma é o seu melhor amigo. Aplique o corte imediatamente após qualquer intervalo de picos espectrais que você deseja considerar. Estes picos são o que geram os comércios. Utilize uma escolha de comprimento do filtro não maior do que 14. Qualquer coisa maior é desnecessária. Comece por computar o filtro no sentido médio-quadrado, ou seja, sem usar qualquer personalização ou regularização e ver exatamente o que precisa ser aprovado por visualizar as funções de resposta de freqüência e coeficientes para cada série explicativa. O bom desempenho do sinal de negociação na amostra (e mesmo fora da amostra na maioria dos casos) não tem sentido, a menos que os coeficientes tenham características robustas sólidas tanto no domínio da frequência como no domínio de atraso. Eu recomendo começar com o ajuste do parâmetro de personalização smoothness expweight e os parâmetros de regularização lambdasmooth primeiro. Em seguida, proceda com apenas pequenos ajustes aos parâmetros lambdadecay. Finalmente, como último recurso, a personalização lambda. I realmente nunca incômodo para olhar lambdacross. Raramente ajudou de forma significativa. Uma vez que os dados que estamos usando para segmentar e construir sinais de negociação são log-retorna, sem necessidade de se preocupar com i1 e i2. Aqueles são para os extratores verdadeiramente avançados e do sinal do paciente, e devem somente ser deixados para aqueles dotados com o iMetrica. Se você tem quaisquer perguntas, ou gostaria os dados do Yen de alta freqüência eu usei nestes exemplos, sinta livre contactar-me e I8217ll emitir Eles para você. Até a próxima vez, feliz extração 8220 Fazendo um rápido olhar para os dados ldfxyinsamp, vemos log-retorna do iene a cada 15 minutos a partir do mercado aberto (zona horária UTC). Os dados de destino (Yen) estão na primeira coluna junto com as duas séries explicativas (Yen e outro recurso co-integrado com o movimento do iene) .8221 Assim em seu arquivo na entrada você usa o log (close-returns) duas vezes (col1 E 2) e um outro ativo Você pode me dizer mais sobre este outro bem cointegred. Como você encontrá-lo Enquanto it8217s não é tão óbvio para determinar um conjunto de variáveis ​​explicativas que irão melhorar o sinal (e negociação) de desempenho, desenvolvi uma ferramenta chamada análise de componente fundamental freqüência que me ajuda a escolher série com forte lag s correlações em certas frequências I8217m interessado In. O método parece funcionar muito bem até agora na minha experiência. Obrigado Chris, você planejou outro tópico nas próximas semanas Sim, eu tenho muitas idéias novas para artigos, e estará escrevendo um em breve. I8217ve sido ocupado nos últimos dois meses melhorar a metodologia ainda mais, tornando-se ainda mais robusto para o comércio financeiro. O problema é que eu começo a dar afastado muitos de meus segredos e acabará por perder a minha vantagem competitiva, então eu preciso permanecer um pouco críptico Que seus favoritos frame de tempo. 15 minutos acho que 15 minutos é uma boa gama, quanto menor a frequência, melhor e mais robusto o sinal será. No entanto, na prática I8217m atualmente usando 5 min retorna com uma empresa de negociação proprietária em Chicago em Index Futures. Você filtrar a hora em seus dados. Você troca somente de 13:30 da tarde até 20pm Você comércio de noite