استراتيجيات التداول سلسلة الوقت

دليل 39 لتحليل سلسلة الوقت على مدى السنوات القليلة الماضية نظرنا إلى أدوات مختلفة لمساعدتنا على تحديد أنماط قابلة للاستغلال في أسعار الأصول. على وجه الخصوص لقد نظرنا في الاقتصاد القياسي الأساسي، والتعلم الآلي الإحصائي والإحصاءات بايزي. في حين أن هذه كلها أدوات حديثة كبيرة لتحليل البيانات، فإن الغالبية العظمى من نمذجة الأصول في هذه الصناعة لا تزال تستخدم التحليل الإحصائي لسلسلة زمنية. في هذه المقالة سنقوم بدراسة ما تحليل سلسلة الوقت هو، تحديد نطاقها وتعلم كيف يمكننا تطبيق التقنيات على ترددات مختلفة من البيانات المالية. ما هو تحليل سلسلة الوقت أولا، يتم تعريف سلسلة زمنية كما بعض الكمية التي يتم قياسها بالتتابع في الوقت المناسب على مدى بعض الفاصل الزمني. في شكله الأوسع، تحليل السلاسل الزمنية هو استنتاج ما حدث لسلسلة من نقاط البيانات في الماضي ومحاولة التنبؤ بما سيحدث له في المستقبل. ومع ذلك، فإننا سوف تتخذ نهجا إحصائيا كميا لسلاسل زمنية، بافتراض أن سلسلة زمنية لدينا هي تحقيقات تسلسل المتغيرات العشوائية. أي أننا سوف نفترض أن هناك بعض عملية توليد الأساسية لسلاسل زمنية لدينا على أساس واحد أو أكثر من التوزيعات الإحصائية التي يتم رسمها من هذه المتغيرات. يحاول تحليل السلاسل الزمنية فهم الماضي والتنبؤ بالمستقبل. ويعرف مثل هذا التسلسل من المتغيرات العشوائية بعملية عشوائية العشوائية (دتسب). في التداول الكمي نحن قلقون مع محاولة لتناسب النماذج الإحصائية لهذه دتسس لاستنتاج العلاقات الكامنة بين سلسلة أو التنبؤ القيم المستقبلية من أجل توليد إشارات التداول. غالبا ما تحتوي السلاسل الزمنية بشكل عام، بما في ذلك تلك خارج العالم المالي، على الميزات التالية: الاتجاهات - الاتجاه هو حركة اتجاهية متسقة في سلسلة زمنية. وستكون هذه الاتجاهات إما حاسمة أو عشوائية. الأول يسمح لنا لتوفير الأساس المنطقي الكامن لهذا الاتجاه، في حين أن الأخير هو سمة عشوائية لسلسلة أننا سوف يكون من غير المرجح أن يفسر. وغالبا ما تظهر الاتجاهات في السلاسل المالية، وخاصة أسعار السلع الأساسية، وتستخدم العديد من أموال مستشار تجارة السلع (كتا) نماذج متطورة لتحديد الاتجاه في خوارزميات التداول الخاصة بهم. التباين الموسمية - العديد من السلاسل الزمنية تحتوي على تباين موسمي. ويصدق هذا بشكل خاص في سلسلة تمثل مبيعات الأعمال أو مستويات المناخ. وكثيرا ما نرى في التمويل الكمي تغيرات موسمية في السلع الأساسية، وخاصة تلك المتعلقة بمواسم النمو أو التغير السنوي في درجة الحرارة (مثل الغاز الطبيعي). الاعتماد المتسلسل - واحدة من أهم خصائص السلاسل الزمنية، وخاصة السلسلة المالية، هي العلاقة التسلسلية. ويحدث ذلك عندما تكون ملاحظات السلاسل الزمنية المقربة من بعضها البعض مترابطة في الوقت المناسب. تقلب التقلبات هو أحد جوانب الترابط التسلسلي الذي يتسم بأهمية خاصة في التداول الكمي. كيف يمكننا تطبيق تحليل السلاسل الزمنية في التمويل الكمي هدفنا كباحثين كميين هو تحديد الاتجاهات والتغيرات الموسمية والارتباط باستخدام أساليب التسلسل الزمني الإحصائي، وفي نهاية المطاف توليد إشارات تجارية أو مرشحات على أساس الاستدلال أو التنبؤات. سيكون نهجنا هو: التنبؤ والتنبؤ القيم المستقبلية - من أجل التجارة بنجاح سوف نحتاج إلى التنبؤ بدقة أسعار الأصول في المستقبل، على الأقل بمعنى إحصائي. محاكاة سلسلة - بمجرد أن نحدد الخصائص الإحصائية للسلاسل الزمنية المالية يمكننا استخدامها لإنشاء محاكاة للسيناريوهات المستقبلية. وهذا يسمح لنا بتقدير عدد الصفقات، وتكاليف التداول المتوقعة، والمظهر المتوقع للعائدات، والاستثمار التقني والمالي المطلوب في البنية التحتية، وبالتالي في نهاية المطاف المخاطر والربحية لاستراتيجية أو محفظة معينة. استنتاج العلاقات - تحديد العلاقات بين السلاسل الزمنية والقيم الكمية الأخرى يسمح لنا لتعزيز إشارات التداول لدينا من خلال آليات الترشيح. على سبيل المثال، إذا استطعنا استنتاج الكيفية التي يتغير فيها انتشار العملة في زوج العملات الأجنبية مع حجم الصفقة، يمكننا تصفية أي صفقات محتملة قد تحدث في فترة نتوقع فيها انتشارا واسعا من أجل خفض تكاليف المعاملات. وبالإضافة إلى ذلك يمكننا تطبيق معيار (كلاسيكالفركنتيست أو بايزي) الاختبارات الإحصائية لنماذج لدينا سلسلة الوقت من أجل تبرير بعض السلوكيات، مثل تغيير النظام في أسواق الأسهم. برامج تحليل السلاسل الزمنية حتى الآن قمنا بشكل حصري تقريبا باستخدام C و بيثون لتنفيذ استراتيجية التداول لدينا. كل من هذه اللغات هي بيئات الدرجة الأولى لكتابة كومة التداول بأكملها. كلاهما يحتوي على العديد من المكتبات ويسمح للبناء من طرف إلى طرف لنظام التداول فقط داخل تلك اللغة. لسوء الحظ، C و بيثون لا تمتلك مكتبات إحصائية واسعة. هذا هو واحد من أوجه القصور فيها. لهذا السبب سوف نستخدم البيئة الإحصائية R كوسيلة لتنفيذ البحوث سلسلة زمنية. R هي مناسبة تماما لهذا المنصب نظرا لتوافر المكتبات سلسلة زمنية، والأساليب الإحصائية وقدرات التآمر واضحة. وسوف نتعلم R في الأزياء حل المشكلة، حيث سيتم تقديم الأوامر الجديدة وبناء الجملة حسب الحاجة. لحسن الحظ، هناك الكثير من الدروس المفيدة للغاية ل R أفيلابيل على شبكة الانترنت، وسوف أشر لهم بها ونحن نذهب من خلال تسلسل المواد تحليل سلسلة زمنية. كوانتستارت الوقت سلسلة تحليل خارطة الطريق المواد السابقة حتى الآن على موضوعات التعلم الإحصائي والاقتصاد القياسي وتحليل بايزي، كانت في الغالب تمهيدية في الطبيعة والتطبيقات التي اعتبرها من هذه التقنيات إلى المعلومات التسعير الحديثة، عالية التردد. من أجل تطبيق بعض التقنيات المذكورة أعلاه على بيانات تردد أعلى نحن بحاجة إلى إطار رياضي لتوحيد البحوث لدينا. يوفر تحليل السلاسل الزمنية مثل هذا التوحيد ويسمح لنا لمناقشة نماذج منفصلة ضمن إطار إحصائي. في نهاية المطاف سوف نستخدم أدوات بايزي وتقنيات التعلم الآلي بالاقتران مع الطرق التالية من أجل التنبؤ بمستوى الأسعار واتجاهها، بمثابة مرشحات وتحديد تغيير النظام، أي تحديد متى تغيرت سلسلتنا الزمنية سلوكها الإحصائي الأساسي. لدينا خارطة الطريق سلسلة الوقت على النحو التالي. سيشكل كل موضوع من المواضيع التالية مقالته أو مجموعة المقالات الخاصة به. وبمجرد فحص هذه الأساليب في العمق، سنكون في وضع يمكنها من إنشاء بعض النماذج الحديثة المتطورة لفحص البيانات عالية التردد. سلسلة زمنية مقدمة - توضح هذه المقالة مجال تحليل السلاسل الزمنية ونطاقها وكيف يمكن تطبيقها على البيانات المالية. الارتباط - أحد الجوانب الأساسية المطلقة لنمذجة السلاسل الزمنية هو مفهوم الارتباط المتسلسل. وسوف نقوم بتعريفها ووصف واحدة من أكبر المزالق من تحليل السلاسل الزمنية، وهي أن الارتباط لا يعني السببية. التنبؤ - في هذا القسم سوف ننظر في مفهوم التنبؤ. وهو ما يجعل التنبؤات بالاتجاه أو المستوى المستقبلي لسلسلة زمنية معينة، وكيفية تنفيذها في الممارسة العملية. النماذج العشوائية - لقد أمضينا بعض الوقت في النظر في النماذج العشوائية في مجال تسعير الخيارات على الموقع، وهي بالتحديد هندسي براونيان موشن و ستوشاستيك فولاتيليتي. وسوف ننظر في نماذج أخرى، بما في ذلك الضوضاء البيضاء ونماذج الانحدار الذاتي. الانحدار - عندما يكون لدينا اتجاهات حاسمة (بدلا من مؤشر ستوكاستيك) في البيانات يمكننا تبرير استقراءهم باستخدام نماذج الانحدار. سوف ننظر في كل من الانحدار الخطي وغير الخطية، وحساب الارتباط التسلسلي. نماذج ثابتة - تفترض النماذج الثابتة أن الخصائص الإحصائية (أي الوسط والتباين) للسلسلة ثابتة في الوقت المناسب. يمكننا استخدام نماذج المتوسط ​​المتحرك (ما)، فضلا عن دمجها مع نماذج الانحدار الذاتي لتشكيل نماذج أرما. نماذج غير ثابتة - العديد من السلاسل الزمنية المالية غير ثابتة، أي أنها تختلف في المتوسط ​​والتباين. وعلى وجه الخصوص، غالبا ما تكون أسعار الأصول ذات فترات عالية من التقلب. لهذه السلسلة نحن بحاجة إلى استخدام نماذج غير ثابتة مثل أريما، أرش و غارتش. النمذجة متعددة المتغيرات - لقد نظرنا في نماذج متعددة المتغيرات في كوانتستارت في الماضي، أي عندما اعتبرنا أزواج متوسطية من الأسهم. في هذا القسم سوف نقوم بتحديد أكثر جاذبية التكامل المشترك والنظر في مزيد من الاختبارات لذلك. وسوف ننظر أيضا نماذج ناقلات الانحدار الذاتي (فار) لا ينبغي الخلط مع القيمة في خطر. نماذج الفضاء والفضاء - تقترح نمذجة الفضاء الحكومية تاريخا طويلا من نظرية التحكم الحديثة المستخدمة في الهندسة من أجل السماح لنا بنمذجة السلاسل الزمنية بمعلمات متغيرة بسرعة (مثل متغير المنحدر بيتا بين اثنين من الأصول المشتركة في انحدار خطي). على وجه الخصوص، سننظر في تصفية كالمان الشهيرة ونموذج ماركوف المخفية. وهذا سيكون واحدا من الاستخدامات الرئيسية للتحليل بايزي في السلاسل الزمنية. كيف تتعلق هذه المواد الإحصائية كوانتستارت أخرى كان هدفي مع كوانتستارت دائما في محاولة لتحديد الإطار الرياضي والإحصائي للتحليل الكمي والتداول الكمي، من الأساسيات من خلال إلى التقنيات الحديثة أكثر تقدما. حتى الآن قضينا معظم الوقت على تقنيات تمهيدية وسيطة. ومع ذلك، فإننا الآن سوف نوجه انتباهنا نحو التقنيات المتقدمة الحديثة المستخدمة في الشركات الكمية. وهذا لن يساعد فقط أولئك الذين يرغبون في الحصول على مهنة في هذه الصناعة، ولكنه سيعطي أيضا تجار التجزئة الكمي بينكم مجموعة أدوات أوسع بكثير من الطرق، فضلا عن نهج موحد للتجارة. بعد أن عملت في هذه الصناعة سابقا، أستطيع أن أقول على وجه اليقين أن جزءا كبيرا من المهنيين صندوق الكمي استخدام تقنيات متطورة للغاية للبحث عن ألفا. ومع ذلك، فإن العديد من هذه الشركات كبيرة جدا لدرجة أنها ليست مهتمة باستراتيجيات مقيدة للقدرات، أي تلك التي يتسع حجمها لأكثر من 1-2 مليون دولار أمريكي. وبوصفنا تجار التجزئة، إذا تمكنا من تطبيق إطار عمل متطور على هذه المجالات، يمكننا تحقيق الربحية على المدى الطويل. وسوف نجمع في نهاية المطاف مقالاتنا حول تحليل السلاسل الزمنية، مع النهج البيزي لفحص الفرضية واختيار النموذج، جنبا إلى جنب مع الأمثل C، R وبيثون رمز، لإنتاج غير الخطية، غير ثابتة سلسلة من النماذج الزمنية التي يمكن أن تتداول في عالية الجودة، تكرر. الآن وبعد أن اقترب برنامج كسفوريكس من القدرة على إجراء اختبارات باكتستينغ عالية التردد لأزواج العملات المتعددة، لدينا إطار جاهز لاختبار هذه النماذج، على الأقل في أسواق الصرف الأجنبي. المقال التالي في السلسلة سيناقش الترابط ولماذا هو واحد من الجوانب الأساسية في تحليل السلاسل الزمنية. فوريكاستينغ 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، فإننا 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 داتافريم متخلفة خلال 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 مستقرة من تقنيات التعلم الآلي تحت تصرفنا سوف تكون في وقت لاحق تكون قادرة على الاستفادة من أساليب مجموعة لإنتاج دقة التنبؤ والمتانة التي يمكن أن تتجاوز في بعض الأحيان تلك من أي فرد فوريكاستر. تحليل سلسلة الوقت والإحصائية التحكيم G63.2707، خريف 2009 كيف يمكننا تحليل البيانات المالية التاريخية لتطوير استراتيجيات التداول مربحة ومنخفضة المخاطر هذا بالطبع هو مقدمة لتحليل السلاسل الزمنية كما تستخدم في التمويل، واستراتيجيات التداول ذات الصلة لكلا الجانبين من جانب الشراء وبيع الجانب من 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 التطبيقية للتمويل (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 يتطور، وعلى المدربين السفر المطالب.