Mdfa Forex

Real-Time Signalextraction (MDFA) og Algoritmisk Trading Presentasjon på tema: Real-Time Signalextraction (MDFA) og Algoritmisk Trading Presentasjon transkripsjon: 1 Real-Time Signalextraction (MDFA) og Algoritmic Trading marc. wildizhaw. ch blog. zhaw. chidpsefblog idp. zhaw. chusri idp. zhaw. chMDFA-XT idp. zhaw. chsef 2 Bakgrunnshybrid mathekon. IDP-ZHAW Prosjekter med econ. partnere Økonomiske prognoser Helseøkonomi (kostnadsutgifter) Makro (real-time økonomiske indikatorer: EURI Eurostat-prosjekt) Finansiering (MDFA-XT, stor hedgefond) Ingeniørvirksomhet (Telecom, lastprognoser) Eclecticdisparate utvalg av applikasjoner Felles metodisk tilnærming Intern utviklinger: (M) DFA R-pakke signaluttrenging på CRAN 3 En klassisk algoritmisk handelsmetode Timingsystem SP500 Daglig tilkobling MA (200), likevektet 6 Hvorfor handler ofte AdoptPrefer Filter Crossings Filteregenskaper Hvorfor MDFA blog. zhaw. chidpsefblogindex. phparchives54- Intermezzo-Why-do-Traders-Ofte-Overvei-Crossings-of - Trading-Filter-Pairs. html 8 Filteregenskaper Amplitudefunksjon: Hvilket signal trekkes ut Tidskift: Hvor stor er forsinkelsen 11 Konklusjoner Crossing-rules er (en unødvendig tunge måte å implementere) bandpass filtre Kryssningsregler (bandpass) har små forsinkelser Hvorfor MDFA Fleksibel effektiv realtid (bandpass) design Rask og glatt 16 Konklusjon Damp eller avoi d alle massive nedgang i nedgangstiden effektivt Ideell for risikovillige investorer (pensjonsmidler) Fundamental handel: virkelig ute av prøve Fokus på makrodata (ignoreres finansdata) NBER Ulempe: utilstrekkelig aktiv Texto: Svakere å rettferdiggjøre avgifter 25 Konklusjon Høyere handel frekvenser er knyttet til Bandpass forskjøvet til høyre Mer fleksibel enn tradisjonelle filterkryssinger Mindre forsinkelseshift 27 Innstilling Totale degenerative handelskostnader på 0,3 per ordre (lite fond) Langt ingen Ingen risikofrie renter 33 Konklusjoner Høyere handelsfrekvenser er knyttet til liten reduksjon av ytelse Større nedtrapinger USRI ville unngå nedslagninger, og ytelsen vil da øke Økt markedsaktivitet (avgifter) Kombinasjon med USRI mulig (anbefalt) Filtre vil være tilgjengelig online i slutten av juli 35 Excel-veiledning på SEF-Blog-bloggen. zhaw. chidpsefblogindex. php archives65-Real-Time-Detection-of-Turning-Points-a-Tutorial-Del-I-Mean Square-Feil-Norm. htmlblog. zha w. chidpsefblogindex. php archives65-Real-Time-Detection-of-Turning-Points-a-Tutorial-Del-I-Mean Square-Error-Norm. html blog. zhaw. chidpsefblogindex. php arkiver67-sanntidsdeteksjon - Virkning-poeng-en-opplæring-del-II-Emphasizing-Turning-Points. htmlblog. zhaw. chidpsefblogindex. php arkiver67-Real-Time-Detection-of-Turning-Points-a-Tutorial-Del II - Emphasizing-Turning-Points. html 36 Formål Yoga-øvelser for å løsne fra hovedstrømmenes maksimal sannsynlighet verden Første blogginngang: hvordan tradisjonell økonometrisk tilnærming fungerer Intuitivt grei God (optimal) gjennomsnittlig kvadratforestillinger Folk har blitt dovent Andre blogginngang : Tidlig gjenkjenning av vendepunkter Er en (sterkt) counterintuitiv øvelse Genererer tilsynelatende (sterkt) ikke-spesifiserte filterdesigner Advarselslæring (Belysning) 40 Standardøkonometrisk tilnærming Fremgangsmåte: Identifiser en tidsseriemodell (ARIMAstate-rom) Utvide serien ved hjelp av optimale prognoser det symmetriske filteret på forlenget tid s erobrer X-12-ARIMA, TRAMO, STAMP, RS-krav: Ensidig filter er optimal (gjennomsnittlig kvadratisk forstand) Forutsetning: DGPtrue-modell 47 En tilsynelatende kraftig design (høydekorrelasjon) Korrelasjon mellom sanntids estimat og syklus som en funksjon av tidsforsinkelse k 57 Konklusjoner Tilsynelatende feil spesifisert design er raskere jevnere (mindre falske TPer eller alarmer) Ikke gjennomsnittlig-kvadrat optimal Mye bedre i et TP-perspektiv 58 Fra Excel til MDFA Tweak filterparametere ved hånd i Excel Opplæringsfeil Eksempel Urealistisk enkelt kunstig simuleringsøvelse I praksis: mer komplekse gener og signalsignaler Inkluder informasjon fra flere tidsserier (multivariat rammeverk) Ønske: et formelt optimaliseringskriterium Velkommen til DFA og MDFA 61 Optimaliseringskriterium (I (0)) Minimer et (jevnt) superkonsistent estimat av et (jevnt) effektivt estimat av filteret middelfirkantfeil (tilpasset) Effektiviteten kommer eksplisitt i utformingen av optimaliseringskriteriet 62 sa du andor Mean Periodogra m Periodogram er et typisk eksempel på statistisk bashing. Inkonsistent estimat av spektral tetthet Utjevning (parametrisk eller ikke parametrisk) Periodogram har fantastiske statistiske egenskaper. Tilstrekkelig (Larry Brethorst). En kan utlede gode formelle effektivitetsresultater i sanntidssignalekstraksjon. Arbeide med en serie av Nye blogginnlegg om emnet for å rehabilitere til en viss grad - Periodogrammet 63 Utførelser (Effektivitet av Univariate DFA) Bedriftsundersøkelsesdata (KOF, FED, 2004,2005) X-12-ARIMA, TramoSeats MSE-gevinst 30 US - og Euro - BNP (2008): CF-vendepunkter forventet med 1-2 kvartaler ESI (2006): Dainties TPs oppdaget 2-3 måneder tidligere 64 Prestasjoner (Effektivitet) ved å stole på periodogrammet TP-filtre vant NN3 (2007) og NN5 (2008) ) prognosekonkurranser (60 deltakere) IIF og University of Lancaster Månedlige makro - og finansdata (111 tidsserier) og daglige økonomiske data (111 tidsserier) Utmerket vinner og runner-up av prestisjetunge M3-konkurranse, X-12-ARIMA , Tramo, Forecast-Pro, Autobox, Eksponensiell utjevning: Enkel, Holt, Dampet, Neuralnett, Kunstig intelligens blog. zhaw. chidpsefblogblog. zhaw. chidpsefblog 66 Kontrollere tidsforsinkelsen (Tilpasning) 1: Legg vekt på tidsforsinkelsen i pass - band 1: beste nivåfilter 1: Legg vekt på tidsforsinkelsen i passbåndet 1: beste nivåfiltretittel Kontroll av tidsforsinkelsen (Tilpasning) 1: Legg vekt på tidsforsinkelsen i passbåndet 1: beste nivåfilter 67 Tilpasning: Kontrolltid forsinkelse og jevnhet Sterkere demping av høyfrekvent støy i stoppbånd Mindre tidsforsinkelser i passbåndet W () er monotoniske (økende) og 1 1 tittelKustomisering: Kontroller tidsforsinkelse og glatthet Sterkere demping av høyfrekvent støy i stoppbånd Mindre tidsforsinkelser i passbåndet W () er monotoniske (økende) og 1 74 Effektivitet (Theorem 4.1, Wildi2008, WildiSturm2008) Feiltermen e T er minst mulig jevnlig Ensartet effektivitet Tilpasning 75 Optimal (Effektiv) Kriterium under Cointeg ration (Rank1) Filterrestriksjoner er oppfylt 76 Utførelser MDFA Output-gap US - og Euro-GDP (2008): CF og multivariate CF-vendepunkter forventes med 1-2 kvartaler USRI Outperformed Markov-switching (Chauvet, ChauvetPiger), Dynamisk faktor modeller (CFNAI), statlige rommodeller (ADS), Hodrick-Prescott (OECD-CLI), Christiano-Fitzgerald SEF-Blog MDFA-XT EURI 77 ADVARSEL. DETTE ER IKKE EN PUSH-THE-BUTTON TILBAKE Formel 1 racer: den kan være rask (Ferrari) og pålitelig (Mercedes), men du må finjustere den nøye: FerradesMercearri Filter design (ZPC) Filterbegrensninger (understreke frekvens null) Forstå tolkning: intelligens 2008-Bok: idp. zhaw. chsefidp. zhaw. chsef Glad for å gi støtte gitt økonomiske incentiver 79 marc. wildizhaw. ch blog. zhaw. chidpsefblog Illustrer metodologiske problemer ved å stole på virkelige prosjekter med økonomiske partnere idp. zhaw. chusri Real - Tid US Resesjon Indikator idp. zhaw. chMDFA-XT Eksperimentell Trader for MSCI Emerging Markets Filtre på nettet sent juli idp. zhaw. chsef Signal Extraction Forecasting Site bøker, artikler, programvareKozmetiki saloni odavno su prestali biti mjesto se dolazi samo na tretman , en svakere og raskere måte. Svakom svom klijentu posveujemo sa sa posebnom panjom, podiui na taj nain i ljestvicu Vaih oekivanja. Oslukujemo sve Vae potrebe Jeg kjenner meg til nybegynnelsen av nybegynnere. Sretni smo kad ste Vi sretni Du bruker Internet Explorer 8.0 eller eldre for å se på nettet. På grunn av sikkerhetsrisiko og mangel på støtte for webstandarder, støtter dette nettstedet ikke din versjon av IE. Vennligst oppgrader til en nyere nettleser for fullt ut å nyte dette nettstedet og resten av nettet. Etter at du har oppdatert, vennligst kom tilbake, og du vil kunne se vår side. Opphavsretts kopi 2017. Hotel Pastura. Sva prava pridrana Dizajn i odravanje: Toni Informatika LTDFigur 1: In-sample (observasjoner 1-250) og ut-av-prøve ytelse av handelssignalet bygget i denne opplæringen ved hjelp av MDFA. (Topp) Logprisen på Yen (FXY) i 15 minutters intervaller og handler generert av handelssignalet. Her svart linje er et kjøp (lang), blå er selger (kort stilling). (Bunn) Avkastningen akkumulert (kontant) generert av handelen, i prosent oppnådd eller tapt. I min tidligere artikkel om høyfrekvent handel i iMetrica på FOREXGLOBEX. Jeg introduserte noen robuste signalutvinningsstrategier i iMetrica ved hjelp av den multidimensjonale direktefiltreringsmetoden (MDFA) for å generere signaler med høy ytelse for handel på valutamarkedet og Futures-markedet. I denne artikkelen tar jeg en kort permisjon fra min verden av å utvikle finansielle handelssignaler i iMetrica, og migrere til et uber-populært språk som brukes i økonomi på grunn av sitt sprudlende utvalg av pakker, rask datahåndtering og grafisk håndtering og av følg det faktum at it8217s er gratis (som i tale og øl) på nesten alle datamaskiner i verden. Denne artikkelen gir en innledende veiledning om bruk av R for høyfrekvent handel på FOREX-markedet ved å bruke R-pakken for MDFA (tilbys av Herr Doktor Marc Wildi von Bern) og noen strategier som I8217ve utviklet for å generere økonomisk robuste handelssignaler. For denne opplæringen vurderer jeg det andre eksemplet som ble gitt i min forrige artikkel, der jeg konstruerte et handelssignal for 15 minutters loggutbytte av den japanske yenen (fra åpning av klokke til markedstengt EST). Dette presenterte litt nye utfordringer enn før, da de nærvarende hoppevariasjonene er mye større enn de som genereres av timelønn eller daglig avkastning. Men som jeg demonstrerte, utgjorde disse større variasjonene på nært pris ingen problemer for MDFA. Faktisk utnyttet den disse hoppene og gjorde store profitt ved å forutsi hoppens retning. Figur 1 øverst i denne artikkelen viser in-sample (observasjoner 1-250) og ut-av-prøve (observasjoner 251 videre) ytelse av filteret jeg skal bygge i første del av denne opplæringen. Gjennom denne opplæringen prøver jeg å kopiere disse resultatene jeg bygget i iMetrica, og utvide dem litt med R-språket og implementeringen av MDFA tilgjengelig her. Dataene vi vurderer er 15-minutters logg-retur av Yen fra 4. januar til 17. januar, og jeg har dem lagret som en. RData-fil gitt av ldfxyinsamp. Jeg har en ekstra forklarende serie innebygd i. RData-filen som I8217m bruker til å forutsi prisen på yenen. I tillegg vil jeg også bruke pricefxyinsamp som er loggprisen på Yen, brukt til å beregne utførelsen (buysells) av handelssignalet. Ldfxyinsamp vil bli brukt som in-sample data for å konstruere filter og handelssignal for FXY. For å skaffe seg disse dataene, slik at du kan utføre disse eksemplene hjemme, send meg en e-post og I8217ll alle nødvendige. RData-filer (in-sample og out-of-sample data) i en. zip-fil. Med et raskt blikk på ldfxyinsamp-dataene, ser vi loggen returnerer av yenen hvert 15. minutt ved åpning av markedet (tidssone UTC). Måldataene (Yen) er i den første kolonnen sammen med de to forklarende seriene (Yen og et annet aktiv som er integrert med Yen-bevegelse). 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 Ved å fortsette å bygge det første handelssignalet for yenen begynner vi å laste opp dataene til R-miljøet vårt, definere noen innledende parametere for MDFA-funksjonen samt beregne DFT-ene og periodogrammet for yenen. Som I8217ve nevnt i mine tidligere artikler, begynner min trinnvise strategi for å bygge handelssignaler alltid ved en rask analyse av periodogrammet av aktivet som handles på. Ved å holde nøkkelen til å gi innblikk i egenskapene til hvordan aktivet handler, er periodogrammet et viktig verktøy for å navigere hvordan uttrekkeren velges. Her ser jeg etter hovedspektraltopp som samsvarer med tidsdomene til hvordan og hvor signalet mitt vil utløse buysell-handler. Figur 2 viser periodogrammet for 15-minutters loggenavkastning av den japanske yenen i prøveperioden fra 4. januar til 17. januar 2013. Pilene peker på hovedspektretallene jeg ser etter og gir veiledning til hvordan jeg vil definere min funksjon. De svarte stiplede linjene indikerer de to frekvens cutoffene som jeg vil vurdere i dette eksempelet, det første vesen og det andre på. Legg merke til at begge cutoffs er satt direkte etter en spektral topp, noe som jeg anbefaler. I høyfrekvent handel på FOREX ved hjelp av MDFA, som vi ser på, er trikset å oppsøke spektralspissen som står for den nært åpne variasjonen i prisen på utenlandsk valuta. Vi ønsker å dra nytte av denne spektrale toppen da dette er hvor de store gevinsten i valutahandel med MDFA vil skje. Figur 2: Periodogram av FXY (japansk yen) sammen med spektral topper og to forskjellige frekvens cutoffs. I vårt første eksempel betrakter vi den større frekvensen som cutoff for ved å sette den til (høyre linje i figurogrammet). Da satte jeg i utgangspunktet tids - og glattparametrene, og eksp vekt til 0 sammen med å sette alle reguleringsparametrene til 0 også. Dette vil gi meg et barometer for hvor og hvor mye å justere filterparametrene. Ved valg av filterlengde har mine empiriske studier over mange eksperimenter i å bygge handelssignaler ved hjelp av iMetrica vist at et 8216good8217 valg er hvor som helst mellom 14 og 15 av den totale prøveperioden for tidsseriedataene. Selvfølgelig er lengden avhengig av frekvensen av dataobservasjonene (det vil si 15 minutter, hver dag, daglig osv.), Men generelt vil du sannsynligvis aldri trenge mer enn å være større enn 14 i prøveeksemplarstørrelsen. Ellers kan regularisering bli for tungt å håndtere effektivt. I dette eksemplet er den totale prøveeksemplarlengden 335, og dermed angir jeg hvilken I8217ll holder fast i resten av denne opplæringen. I alle fall er lengden på filteret ikke den mest avgjørende parameteren å vurdere i å bygge gode handelssignaler. For et godt robust utvalg av filterparametrene par med passende forklarende serier, bør resultatene av handelssignalet med sammenlignet med, si, neppe avvike. Hvis de gjør det, er parameteriseringen ikke robust nok. Etter å ha lastet opp både datainnsamlingslogg-returdata sammen med den tilhørende loggprisen på yenen for å beregne handelsytelsen, fortsetter vi i R for å angi innledende filterinnstillinger for MDFA-rutinen og deretter beregne filteret ved hjelp av IMDFAcomp-funksjonen. Dette returnerer både imdfaamp-objektets holdekoeffisienter, frekvensresponsfunksjoner og statistikk over filter, sammen med signalet som er produsert for hver forklarende serie. Vi kombinerer disse signalene for å få det endelige trading-signalet i prøven. Alt dette gjøres alt i R som følger: De resulterende frekvensresponsfunksjonene til filteret og koeffisientene er plottet i figuren nedenfor. Figur 3: Frekvensresponsfunksjonene til filteret (topp) og filterkoeffisientene (under) Merk at overflaten av støy som fremdeles er tilstede, passerer cutofffrekvensen. Dette blir mollified ved å øke expweight glatthet parameter. Koeffisientene for hver forklarende serie viser noe korrelasjon i bevegelsen når lagene øker. Jevnheten og forfallet av koeffisientene etterlater imidlertid mye å være ønsket. Vi vil rette opp dette ved å innføre regulariseringsparametere. Plottene av samplingshandelssignalet og ytelsen i prøven av signalet er vist i de to figurene under. Legg merke til at handelssignalet opptrer ganske pent i prøven. Men ser kan være lure. Denne fantastiske prestasjonen skyldes i stor grad et filtreringsfenomen som kalles overfitting. Man kan utlede at overfitting er skyldige her, ved bare å se på koeffisientens uskjønhet, sammen med antall frigjorte frihetsgrader, som i dette eksemplet er omtrent 174 (ut av 174), altfor høyt. Vi ønsker å få dette nummeret på rundt halvparten av total frihetsgrader (antall forklarende serier x L). Figur 4: Handelssignalet og returdataene til Yen. Utførelsen i dette filteret viser hvilken type resultater vi ønsker å se etter at regularisering er brukt. Men nå kommer det for de nyskapende effektene av overfitting. Vi bruker disse filterkoeffientene til 200 15-minutters observasjoner av yenen og den forklarende serien fra 18. januar til 1. februar 2013 og sammenligner med karakteristikkene i prøven. For å gjøre dette i R, legger vi først dataene utenfor prøven i R-miljøet, og bruker deretter filteret til dataene utenfor data som jeg definerte som xout. Plottet i figur 5 viser det utgående samhandelssignalet. Legg merke til at signalet ikke er nesten så glatt som det var i prøven. Overskridelse av dataene i enkelte områder er også åpenbart til stede. Selv om signalets overmonteringskarakteristikker for signalet ikke er grusomt mistenkelige, ville jeg ikke stole på dette filteret for å produsere sterkt avkastning i det lange løp. Figur 5. Filter på 200 15 minutters observasjoner av Yen utenfor prøven for å produsere handelssignal (vist i blått). Etter den forrige analysen av middelkvadrat-løsningen (ingen tilpasning eller regulering) fortsetter vi nå å rydde opp problem med overfitting som var tydelig i koeffisientene sammen med å forstyrre støyen i stoppbåndet (frekvenser etter). For å velge parametrene for utjevning og regularisering, er en fremgangsmåte først å bruke glatthetsparameteren først, da dette vanligvis vil jevne koeffisientene mens de fungerer som en 8216pre8217-regulator, og deretter fortsette å velge passende reguleringskontroller. Når vi ser på koeffisientene (figur 3), kan vi se at det er nødvendig med en jevn utjevning, med bare en liten følelse av forfall. For å velge disse to parameterne i R, er det ett alternativ å bruke Troikaner optimizer (funnet her) for å finne en passende kombinasjon (jeg har en hemmelig sausalgoritmisk tilnærming jeg utviklet for iMetrica for å velge optimale kombinasjoner av parametere gitt en ekstraktor og en ytelsesindikator , selv om det er langvarig (selv i GNU C) og tungvint å bruke, så jeg foretrekker vanligvis den strategien som diskuteres i denne opplæringen). I dette eksemplet begynte jeg ved å sette lambdasmooth til .5 og forfallet til (.1, .1) sammen med en ekspansjonsjevnhetsparameter satt til 8,5. Etter å ha sett koeffisientene, var det fortsatt ikke så jevn, så jeg fortsatte å legge til mer til slutt å nå .63, som gjorde kunsten. Jeg valgte lambda for å balansere effektene av utjevningens ekspansjon (lambda er alltid den siste utvei tweaking parameteren). Figur 6 viser den resulterende frekvensresponsfunksjonen for begge forklarende serier (Yen i rød). Legg merke til at den største spektraltoppen funnet rett før frekvensavgrensningen på er understreket og litt forringet (verdi nær .8 i stedet for 1,0). De andre spektraltoppene nedenfor er også til stede. For koeffisientene ble bare nok utjevning og forfall anvendt for å holde lag, syklisk og korrelert struktur av koeffisientene intakt, men nå ser de seg mye bedre ut i deres glatte form. Antallet frigjorte frihetsgrader er redusert til ca. 102. Figur 6: Frekvensresponsfunksjonene og koeffisientene etter regulering og utjevning er påført (topp). De glatte koeffisientene med liten forfall på slutten (bunnen). Antall frigjorte frihetsgrader er ca. 102 (ut av 172). Sammen med en forbedret frigjort frihetsgrader og ingen tilsynelatende ødeleggelse av overfitting, bruker vi dette filteret ut av prøven til de 200 observasjoner utenom prøven for å verifisere forbedringen i strukturen av filterkoeffisientene (vist nedenfor i Figur 7). Legg merke til den enorme forbedringen i egenskapene til handelssignalet (sammenlignet med figur 5). Overskridelsen av dataene er eliminert, og signalets generelle glatthet har blitt betydelig forbedret. Dette skyldes det faktum at we8217ve utryddet tilstedeværelsen av overfitting. Figur 7: Utgående samhandelssignal med regularisering. Med alle indikasjoner på et filter utstyrt med nøyaktig de egenskapene vi trenger for robusthet, bruker vi nå handelssignalet både i prøven og ut av prøven for å aktivere buysell-handler og se utførelsen av handelskontoen i kontantverdi. Når signalet krysser under null, selger vi (skriv inn kort posisjon) og når signalet stiger over null, kjøper vi (angi lang posisjon). Den øverste plottet i figur 8 er loggprisen på yenen i 15 minutters intervaller, og de stiplede linjene representerer nøyaktig hvor handelssignalet genererte handler (kryss null). De svarte punkterte linjene representerer et kjøp (lang posisjon) og de blå linjene indikerer en selg (og kort posisjon). Legg merke til at signalet spådde alle de nært åpne hoppene for yenen (delvis takket være den forklarende serien). Dette er akkurat det vi skal streve for når vi legger til regularisering og tilpasning til filteret. Kontantkontoen for handler over prøveperioden er vist nedenfor, der transaksjonskostnadene ble satt til .05 prosent. I prøven oppnådde signalet omtrent 6 prosent i løpet av 9 handelsdager og et 76 prosent trading suksessforhold. Figur 8: Prøveutførelse av det nye filteret og handlingene som genereres. Nå for den ultimate testen for å se hvor godt filteret utfører med å produsere et vinnende handelssignal, brukte vi filteret på 200-minutters-minutt-observasjonen av yenen og den forklarende serien fra 18. januar til 1. februar og lagde handler basert på null krysset. Resultatene er vist nedenfor i figur 9. De svarte linjene representerer kjøper og blå linjer som selger (shorts). Legg merke til at filteret fortsatt er i stand til å forutsi lukkede hopp selv ut av prøven takket være regulariseringen. Filteret gir bare tre små tap på mindre enn .08 prosent hver mellom observasjonene 160 og 180 og et lite tap i begynnelsen, med et utgangsmessig handelssuksessforhold på 82 prosent og et avkastning på litt over 4 prosent over 9-dagers intervallet. Figur 9: Utførelse av det regulerte filteret på 200 ut av prøve 15 minutters retur av yenen. Filteret oppnådde 4 prosent ROI over de 200 observasjonene og et 82 prosent handels suksessforhold. Sammenlign dette med resultatene oppnådd i iMetrica ved å bruke de samme MDFA parameterinnstillingene. På figur 10 vises både prøveutførelsen og utvalget av ytelser. Ytelsen er nesten identisk. Figur 10: Yen-filteret i iMetrica i prøven og uten prøving. Nesten identisk med ytelsen som er oppnådd i R. Nå tar vi en stakk ved å produsere et annet handelsfilter for yenen, bare denne gangen ønsker vi å identifisere bare de laveste frekvensene for å generere et handelssignal som handler sjeldnere, bare søker de største syklusene. Som med ytelsen til det forrige filteret, ønsker vi fortsatt å målrette mot frekvensene som kan være ansvarlige for de store, nær-åpne variasjonene i prisen på Yen. For å gjøre dette, velger vi vår cutoff for å være som effektivt vil holde de største tre spektraltallene intakt i low-pass-bandet av. For dette nye filteret holder vi ting enkle ved å fortsette å bruke de samme reguleringsparametrene som ble valgt i det forrige filteret, da de syntes å gi gode resultater utenom prøven. Justeringsparametrene og ekspansjonsparametrene må imidlertid justeres for å ta hensyn til de nye støydempningskravene i stoppbåndet og fasegenskapene i mindre passbåndet. Dermed øker jeg utjevningsparameteren og reduserer aktualitetsparameteren (som bare påvirker passbåndet) for å ta hensyn til denne endringen. De nye frekvensresponsfunksjonene og filterkoeffisientene for denne mindre lowpass-konstruksjonen er vist nedenfor i figur 11. Legg merke til at den andre spektraltoppen er regnskapsført og bare litt sammenblandet under de nye endringene. Koeffisientene har fortsatt merkbar glatthet og forfall på de største lagene. Figur 11: Frekvensresponsfunksjoner for de to filtrene og deres tilsvarende koeffisienter. For å teste effektiviteten av denne nye lavere tradingfrekvensdesignen, bruker vi filterkoeffisientene til de 200 observasjoner fra utvalget av 15-minutters Yen-loggen returnerer. Ytelsen er vist nedenfor i figur 12. I dette filteret ser vi tydelig at filteret fortsatt lykkes med å forutsi riktig de store nært åpne hoppene i prisen på yenen. Bare tre totale tap observeres i løpet av 9-dagersperioden. Den samlede ytelsen er ikke så tiltalende som forrige filterdesign, da mindre antall handler er gjort, med nær 2 prosent avkastning og 76 prosent handelssuksessforhold. Imidlertid kan dette designet passe prioriteringene for en næringsdrivende som er mye mer følsomme overfor transaksjonskostnader. Figur 12: Utenfor prøvens ytelse av filter med lavere cutoff. Konklusjon Verifisering og kryssvalidering er viktig, akkurat som den mest interessante mannen i verden vil fortelle deg. Poenget med denne opplæringen var å vise noen av de viktigste konseptene og strategiene som jeg gjennomgår når jeg nærmer meg problemet med å bygge et robust og høyt effektiv handelssignal for en gitt ressurs ved en hvilken som helst frekvens. Jeg ønsket også å se om jeg kunne oppnå lignende resultater med R MDFA-pakken som min iMetrica-programvarepakke. Resultatene endte med å være nesten parallelle med unntak av noen mindre forskjeller. Hovedpoengene jeg forsøkte å markere var ved å først analysere periodogrammet for å oppsøke de viktige spektraltoppene (for eksempel de som knytter seg til nærme variasjoner) og å demonstrere hvordan valg av cutoff påvirker systematisk handel. Here8217s en rask oppsummering på gode strategier og hacks å huske på. Sammendrag av strategier for å bygge handelssignal ved hjelp av MDFA i R: Som jeg nevnte før, er periodogrammet din beste venn. Påfør cutoffet direkte etter et utvalg av spektral topper som du vil vurdere. Disse topper er det som genererer handelen. Bruk et valg av filterlengde ikke større enn 14. Alt større er unødvendig. Begynn med å beregne filteret i gjennomsnittlig kvadratisk forstand, nemlig uten å bruke noen tilpasning eller regulering, og se nøyaktig hva som må godkjennes ved å se frekvensresponsfunksjonene og koeffisientene for hver forklarende serie. God ytelse av handelssignalet i prøven (og til og med ute i prøven i de fleste tilfeller) er meningsløst, med mindre koeffisientene har solid robuste egenskaper i både frekvensdomene og lagdomenet. Jeg anbefaler å begynne med å justere justeringshastigheten for justering av glatthet og først og fremst lambdasmooth regularization parametrene. Fortsett deretter med bare små justeringer av lambdadecay-parametrene. Endelig, som en siste utvei, lambda-tilpasningen. Jeg bryr meg aldri om å se på lambdacross. Det har sjelden hjulpet på noen signifikant måte. Siden dataene vi bruker til å målrette og bygge handelssignaler, er logg returnerer, trenger du aldri å plage med i1 og i2. De er for de virkelig avanserte og tålmodige signaluttakene, og bør bare overlates til dem som er utstyrt med iMetrica. Hvis du har noen spørsmål, eller vil ha de høyfrekvente Yen-dataene jeg brukte i disse eksemplene, er du velkommen til å kontakte meg og I8217ll send dem til deg. Inntil neste gang, gledelig utvinning 8220Taking a quick glance på ldfxyinsamp data, ser vi loggen returnerer av Yen hvert 15. minutt fra markedet åpent (tidssone UTC). Måldataene (Yen) er i den første kolonnen sammen med de to forklarende seriene (Yen og et annet aktiv som er integrert med Yen-bevegelse) .8221 Så i filen i inngang bruker du loggen (lukker tilbake) to ganger (col1 og 2) og en annen ressurs Kan du fortelle meg mer om denne andre aktiva sammenliknet. hvordan du finner det Selv om it8217 ikke er så åpenbart å bestemme et sett med forklarende variabler som vil forbedre signal (og handel) ytelse, utviklet jeg et verktøy som heter fundamental frekvenskomponentanalyse som hjelper meg å velge serier med sterke lag s korrelasjoner ved bestemte frekvenser I8217m interessert i. Metoden ser ut til å fungere ganske bra så langt i min erfaring. Takk Chris, har du planlagt en annen tråd i de kommende ukene Ja, jeg har mange nye ideer til artikler, og vil skrive en snart. Jeg har vært opptatt de siste par månedene og forbedret metodikken enda mer, noe som gjør den enda sterkere for finansiell handel. Problemet er at jeg begynner å gi bort for mange av mine hemmeligheter og til slutt vil miste konkurransefortrinnet mitt, så jeg må forbli litt kryptisk. Hva dine favoritter tidsramme. 15 minutter jeg tror 15 minutter er et godt utvalg, jo lavere frekvens jo bedre og mer robust signalet vil være. Men i praksis returnerer I8217m som nå bruker 5 min med et proprietært handelsfirma i Chicago på Index Futures. Du filtrerer tiden i dataene dine. Du handler bare fra 13:30 til 20:00 Du handler over natten