Прогнозируем закрытие по множественной корреляции [090224_01]

inp[(open(t-1)-close(t-1))/mean(t-1)] to out[(close(t)-open(t-1))/mean(t-1)] corr = 0.6955731
inp[(close(t-1)-open(t-1))/mean(t-1)] to out[(close(t)-open(t-1))/mean(t-1)] corr = 0.6955731
inp[(close(t-1)-mean(t-1))/mean(t-1)] to out[(close(t)-open(t-1))/mean(t-1)] corr = 0.6924458
inp[(mean(t-1)-close(t-1))/mean(t-1)] to out[(close(t)-open(t-1))/mean(t-1)] corr = 0.6924458

В данном эксперименте осуществлена попытка найти хорошую модель по множественной корреляции от нескольких индикаторов. Все делалось только для закрытия следующего дня.

Для начала исследовались зависимости по корреляции разницы между закрытием следующего дня и различными параметрами предыдущего дня (open, high, low и close) с различными комбинациями разниц между параметрами предыдущего дня. Из полученных прогнозов вычислялся парогноз закрытия. Далее он нормаировался к среднему предыдущего дня по формуле (close(t) - mean(t-1))/mean(t-1). Рассматривалась корреляция с экспериментальными данными. Она приведена в таблице выше. Отбирались только модели где корреляция была выше 0,65.

Таким образом получили, что лучше всего прогнозировать будущее закрытие исходя из разницы открытия и закрытия в предыдущем дне и исходя из разницы между средним и закрытием в предыдущем дне.

Полученные прогнозы для каждой модели складывались в единый прогноз с нормировкой по коэффицентам корреляции. В результате получили новую комплексную модель (см. график выше). Новая комплексная модель дала больший коэффицент корреляции с экспериментальными данными.

Результат очень обнадеживающий.

Теперь стоит рассмотреть какие результаты может дать такой подход к прогнозированию других параметров.