Diskussion zum Artikel "Der Kalman-Filter für Forex-Strategien der Rückkehr zur Mitte"

Neuer Kommentar
 

Neuer Artikel Der Kalman-Filter für Forex-Strategien der Rückkehr zur Mitte :

Der Kalman-Filter ist ein rekursiver Algorithmus, der im algorithmischen Handel verwendet wird, um den wahren Zustand einer Finanzzeitreihe durch Herausfiltern von Rauschen aus den Preisbewegungen zu schätzen. Er aktualisiert die Vorhersagen dynamisch auf der Grundlage neuer Marktdaten, was ihn für adaptive Strategien wie Mean Reversion wertvoll macht. In diesem Artikel wird zunächst der Kalman-Filter vorgestellt und seine Berechnung und Anwendung erläutert. Als nächstes wenden wir den Filter auf eine klassische Devisenstrategie, der Rückkehr zur Mitte, als Beispiel an. Schließlich führen wir verschiedene statistische Analysen durch, indem wir den Filter mit einem gleitenden Durchschnitt für verschiedene Devisenpaare vergleichen.

Der Kalman-Filter, der 1960 von Rudolf E. Kalman eingeführt wurde, ist ein optimaler, rekursiver Schätzer, der für die Verfolgung und Vorhersage dynamischer Systeme verwendet wird. Ursprünglich für die Luft- und Raumfahrt sowie für Kontrollsysteme entwickelt, wurde es inzwischen auch in den Bereichen Finanzen, Robotik und Signalverarbeitung eingesetzt. Der Filter arbeitet in zwei Schritten: einem Vorhersageschritt, in dem er den nächsten Zustand des Systems schätzt, und einem Aktualisierungsschritt, in dem er die Schätzung auf der Grundlage neuer Beobachtungen verfeinert und dabei das Rauschen minimiert. 

Im Bereich des algorithmischen Handels kann man ihn einfach als einen allgemeinen Systemfilter betrachten, den Händler normalerweise verwenden, ähnlich wie gleitende Durchschnitts- oder lineare Regressionsmodelle. Der Kalman-Filter passt sich dynamisch an neue Daten an, reduziert das Rauschen und aktualisiert die Schätzungen effizient in Echtzeit, was ihn zu einem effektiven Instrument zur Erkennung von Marktverschiebungen macht. Es geht jedoch von einer linearen Dynamik aus, erfordert eine sorgfältige Parameterabstimmung, kann bei der Erkennung abrupter Veränderungen zurückbleiben und ist rechnerisch komplexer als einfachere Filter wie gleitende Durchschnitte.

Einige gängige Verwendungszwecke für den Kalman-Filter im algorithmischen Handel:

  • Die Rückkehr zur Mitte handeln: Verwendung des aktuellen Preises im Vergleich zum geschätzten Preis als Einstiegsfilter.
  • Handeln von Paaren: Schätzt dynamisch den Spread zwischen korrelierten Vermögenswerten und passt die Absicherungsquoten an die sich ändernden Marktbedingungen an.
  • Trendfolge: Filtert kurzfristiges Rauschen, um langfristige Preistrends genauer zu erkennen.
  • Schätzung der Volatilität: Bietet adaptive Schätzungen der Marktvolatilität für das Risikomanagement und die Positionsgrößenbestimmung.


Autor: Zhuo Kai Chen

 

Ihre Präsentation gefällt mir.

Ich danke Ihnen vielmals. Bitte machen Sie weiter so.

  
Low Q and moderate R yield stable predictions, while high Q and low R make the filter more reactive but noisier.

Was halten Sie von der Optimierung dieser Inputs (Q und R)?

Wie würden Sie deren Werte für den EA festlegen?

 
Too Chee Ng #:

Ihre Präsentation gefällt mir.

Ich danke Ihnen vielmals. Bitte machen Sie weiter so.

Ich danke Ihnen! Ich werde die Qualität meiner Artikel weiter verbessern, wenn ich mehr lerne.

 
Too Chee Ng #:

Was halten Sie von der Optimierung dieser Inputs (Q und R)?

Wie würden Sie deren Werte für den EA festlegen?

Gute Frage! Ich würde sagen, versuchen Sie nicht zu sehr, die Werte speziell zu optimieren. Versuchen Sie, einige Standardwerte auszuwählen und den Schwellenwert zu optimieren, anstatt die Indikatorparameter zu optimieren. Ich würde Ihnen empfehlen, die Messvarianz aus 1000, 100 und 10 zu wählen, und die Prozessvarianz aus 1, 0,1 und 0,01.

Neuer Kommentar