SSA Trend Predictor
- Indikatoren
-
Roman Korotchenko
Резюме опубликовано
http://itmozg.ru/resume/show/?id=572d5c129f5255221bb43c3f - Version: 2.4
- Aktualisiert: 25 November 2021
Dieser Indikator extrahiert einen Trend aus einer Preisreihe und prognostiziert deren weitere Entwicklung. Der Algorithmus basiert auf der modernen Technik der singulären Spektralanalyse(SSA). Die SSA wird zur Extraktion der Hauptkomponenten (Trend, saisonale und Wellenschwankungen), zur Glättung und zur Beseitigung von Rauschen eingesetzt. Sie erfordert keine stationären Reihen sowie Informationen über das Vorhandensein von periodischen Komponenten und deren Perioden. Sie kann sowohl für Trend- als auch für andere Indikatoren angewendet werden.
Merkmale der Methode und Funktionsprinzip
Die Preisdynamik wird als ein Prozess dargestellt, der durch den Einfluss von Faktoren auf verschiedenen Skalen und zusätzlichem "Rauschen" verursacht wird. Die Einflussfaktoren bestimmen den Trend und die Regelmäßigkeit der Preisänderungen, die Rauschschwankungen verbergen die nützlichen Informationen. Die Verarbeitung mit der Caterpillar-SSA-Methode ermöglicht es, Teilräume des Signals und des Rauschens zu trennen und den Beitrag und das Ausmaß der wesentlichen Einflussfaktoren zu bewerten. Das extrahierte "Signal" weist im Gegensatz zu den herkömmlichen Filterverfahren und geglätteten Mittelwerten keine Phasenverzögerungen auf. Auf der Grundlage des ermittelten Trends und der Periodizität wird eine Prognose erstellt. Die Vorhersage auf der Grundlage eines richtig gewählten Modells ist die Absicherungsmethode in der Handelsstrategie.
Verwendung
Die Verwaltung der Indikatorparameter ermöglicht es, die Glätte des extrahierten Trends anzupassen und den Schwellenwert für die Rauschfilterung zu steuern, um den Beitrag der Komponenten im Signal zu unterdrücken, die es auf verschiedenen Zeitskalen beeinflussen. Die optimale Zerlegung der Daten in Signal- und Rauschkomponenten wird anhand des Zeithorizonts der Handelsstrategie und der aktuellen Marktsituation bestimmt.
Vorhersage
Die Vorhersage der zukünftigen Werte erfolgt gemäß dem konstruierten Modell, das die statistischen Eigenschaften der Daten und die besten innerhalb des Modells berücksichtigt. Beachten Sie, dass die "ausgelassenen" Einflussfaktoren sehr bedeutend sein können. Angemessenes Modell - gute Vorhersage. Es ist notwendig, sich auf die Qualität und nicht auf die Quantität der Vorhersage von Preisschwankungen zu konzentrieren und sie als Absicherungssignal zu nutzen.
Parameter
- Algorithmus - Prognosealgorithmus (1 - vektoriell, 2 - rekurrent),
- N: Datenfragment - Länge der analysierten Preisreihe,
- Zeitabhängige Verzögerung - Bestimmung der Einflussgeschichte auf die Zählung (N/2, N/2,5, N/3),
- Noise High-Freq limit - Parameter zum Filtern von Rauschen für den Trend (Entfernen des Beitrags von Hochfrequenzschwingungen),
- Neuberechnungszeitraum - Zeitraum für die Neuberechnung des Indikators (Sekunden),
- Vorhersagbare Punkte - Anzahl der Vorhersagepunkte,
- Rückwärtsverschiebung (Test) - Rückwärtsverschiebung des analysierten Fragments in der Geschichte. Für die Konstruktion des Modells und die Vorhersage auf der Grundlage der bekannten Daten.
- * VISUELLE OPTIONEN *
- Allgemeine Teile - Farbe für die Trendansicht,
- Vorhersage - Farbe für die Vorhersageansicht,
- Darstellungsart - Linien- oder Histogrammdarstellung.
Empfehlungen
Die beste Länge des Preisreihenfragments (N) wird auf der Grundlage der statistischen Einheitlichkeit der Daten (200-600 Punkte) ausgewählt.
Der Parameter für die Filterung von Rauschen - Noise HF Limit: je länger die Serie, desto kleiner der Filterungsparameter. Für die kurzen Fragmente wird die Bewertung der statistischen Eigenschaften mit einem erhöhten Fehler durchgeführt - das Niveau sollte erhöht werden.
Die Anzahl der Vorhersagepunkte mit akzeptabler Vorhersagewahrscheinlichkeit liegt bei einem angepassten Modell bei 10-30. Für die weitere Analyse ist es sinnvoll, einen gröberen Zeitrahmen zu verwenden. Die gleichzeitige Anwendung der beiden Indikatoren mit unterschiedlichen Parametern (N=400 und 250) wird die Divergenz der Einflussfaktoren in Bezug auf unterschiedliche Zeitskalen aufzeigen oder die Vorhersage bestätigen.
P.S. Durch die Implementierung des FFT-Algorithmus konnte die Geschwindigkeit der Datenverarbeitung im Vergleich zur normalen Methode um mehr als das 50-fache gesteigert werden. Sie wird in SSA Fast Trend Forecast vorgestellt.
很好