суббота, 23 июня 2007 г.

Планы

Коректировка старых планов.

8. Все инструменты на вход
8.1. Отрабатываем механизм оптимизации.
9. Подбираем сглаживание для входов
10. Пробуем разные оптимизации
11. Смотрим вперед за пределы диаппазона обучения
12. Строим пошаговую модель для всего ряда

пятница, 22 июня 2007 г.

Планы

8. Все инструменты на вход
9. Подбираем сглаживание для входов
10. Пробуем разные оптимизации
11. Смотрим вперед за пределы диаппазона обучения
12. Строим пошаговую модель для всего ряда

Предложения

  1. Нужно сначала найти хорошую регрессию. Затем уже можно строить прогнозную модель.
  2. При оптимизации можно усиливать кол-во угадываний знака (направления).
  3. Когда будет готова регрессия нужно посмотреть на поведение модели за пределами диаппазона обучения. Как долго будет актуальна полученная модель.
  4. Усиливать модель нужно за счет подбора внешних сигналов. Нужно брать другие инструменты в качестве сигналов.

Подбор параметров модели

Эксперимент MM_007_MOD_ELEM_MM_PR_SGL

Подбираем автоматически параметры для модели минимизируя среднеквадратическое отклонение ошибки регрессии. Результаты регрессии ниже.



По полученым результатам моделируем игру. Результат ниже.




Первые результаты получены. Теперь можно приступать к более детальной проработке сигналов поступающих из вне.

Моделирование прогноза по прямым сглаживаниям.

Эксперимент MM_006_MOD_GM_PR_SGL

В связи с переориентацией на прямое сглаживание проводим эксперимент по обоснованию использования прямого сглаживания в качестве ориентира для прогноза как это делалось ранее для обратного сглаживания.

В качестве уровня сделки выбираем курс закрытия в предыдущем дне.

Результат видим на графике.

Как и для обратного сглаживания видим, что модель работает и можно отказаться от обратного сглаживания.

Проблема с обратным сглаживанием.

При работе модели на реальных данных с прогнозированием следующего значения ряда возникнут проблемы на границе последнего. На границе ряда не известны значения обратных сглаживаний и в уравнения для расчета координат не чего будет подставлять.

В нашем случае есть некоторый выход. Можно попытаться поработать только с прямыми сглаживаниями. Значит строим модель прогнозирующую следующее значение прямого сглаживания. Необходимо выяснить насколько данная модель будет хороша. Делаем в следующих экспериментах.

Симуляция элементарной массивной модели

Эксперимент: MM_005_MOD_ELEM_MM

Моделируем поведение модели на реальных данных. Результаты ниже.
Коэффициенты бета взяты по случайному нормальному закону.
В качестве источников внешних сигналов взяты прямые относительные сглаживания с коэффициентами от 0,1 до 0,9 с шагом 0,1. В качестве опорного сигнала используем dS с коэффициентом 0,5. Расчет координат масс из предыдущей статьи.


Координаты малой массы m обозначены как C1, координаты большой массы M обозначены как C0.
Как видно на графике результатов модель разлетается. Необходимо использовать корретировку. Корректировка отображена ниже.

Вместо C1 в правой части уравнений вводим C (это опорный ряд dS).

Результат моделирования ниже на графике.

Выводы пока делать рано. Модель считает. Второй вариант нужно использовать в дальнейших экспериментах.

вторник, 19 июня 2007 г.

Математическое описание массивной модели

Эксперимент MM_004_ELEM_MM















Прогнозы: Линейная корреляция между относитель

Эксперимент MM_003_LIN_CORR_15_MIN

Прогнозы: Линейная корреляция между относитель

Проводившиеся в предыдущем эксперименте расчеты были сделаны для данных со скважностью в 1 день.

Провел дополнительно расчеты для скважности в 15 минут с историей в 2 года (16 тысяч элементов ряда). Результаты по виду такиеже только корреляция еще ниже (меньше 0,1 сверху и выше -0,1 снизу). Это очень слабые результаты.

При таких слабых значениях корреляции не получиться создать хорошую прогнозную модель.

Линейная корреляция между относительными прямым и обратным сглаживаниями одного инструмента

Эксперимент MM_003_LIN_CORR


Проведем эксперимент. Будем высчитывать линейную корреляцию между относительными сглаживаниями по прямому и обратному методу для разных коэффициентов сглаживания.

Расчет будем вести не навсем ряде, а на куске оставшемся после отбрасывания начальных и конечных 500 элементов. На этих отброшенных отрезках происходит стабилизация сглаживания.




Результаты поместим в матрицу где в одном направлении коэффициенты сглаживания для прямого метода, а в другом направлении для обратного. Варьируем коэффициентом от 0,01 до 0,99 с шагом 0,01. Результирующая матрица с корреляциями графически представлена ниже.














По результатам эксперимента видно, что высокая корреляция (в районе 0,4 по модулю) достигается при малых значениях коэффициента сглаживания. Это соответствует незначительным колебаниям относительного сглаживания и малой доходности игры. Это тупиковый путь.


Еще один экстремум наблюдается в районе 0,1.
Самый интересный результат можно видеть на приведенной срезке при коэффициенте обратного сглаживания 0,07.


Здесь можно видеть корреляцию выше 0,1.

понедельник, 18 июня 2007 г.

Моделирование игры по обратным сглаживаниям

Эксперимент MM_002_MOD_GM_OBR_SGL

Если взять знак от относительного обратного сглаживания и использовать его как рекомендацию к работе с инструментом ( Если больше нуля, то покупать. Если меньше нуля, то продавать. ), то можно получить следующие результаты при разных коэффициентах сглаживания.




Из приведенных результатов эксперимента можно сделать вывод, что обратное относительное сглаживание - это хороший ориентир для прогноза. обратное относительное сглаживание необходимо использовать как данные для обучения модели прогнозирования.
Причем, варьируя коэффициентом сглаживания можно ориентировать модель на разные уровни доходности.