Discusión sobre el artículo "Pronóstico de los movimientos de mercado con la ayuda de la clasificación bayesiana e indicadores basados en el análisis espectral singular" - página 2
Está perdiendo oportunidades comerciales:
- Aplicaciones de trading gratuitas
- 8 000+ señales para copiar
- Noticias económicas para analizar los mercados financieros
Registro
Entrada
Usted acepta la política del sitio web y las condiciones de uso
Si no tiene cuenta de usuario, regístrese
Dado el nivel bastante alto del artículo, quiero plantear dudas al autor, a saber, la necesidad de escribir un experto en esta fase. En el artículo no hay ninguna prueba de que se pueda confiar en los resultados de la prueba de un experto. Bueno, si obtenemos 2 o 3, incluso 10 valores del factor de beneficio, o cualquier otro valor del probador - ¿es esto una estadística? ¿Cuál es la garantía de que el experto se comportará de la misma manera en el FUTURO?
En el centro de estas dudas está la afirmación del autor de que el ASS es capaz de funcionar en mercados NO estacionarios. ¿Dónde está la prueba? No recuerdo ninguna prueba de este tipo.
Supongo que me he perdido algo en este asunto. Pero el artículo no especifica en absoluto qué variedades de no estacionariedad resuelve SSA y cuál es el resultado. ¿Es posible aislar la tendencia? Pero entonces el residuo de restar la tendencia no es necesariamente estacionario. Esta cuestión se aborda con gran detalle en el marco de los modelos ARCH. Debido a la variedad de residuos, ha surgido una gran variedad de modelos ARCH.
Por lo tanto, no hay pruebas de que las decisiones comerciales se tomen sobre una serie temporal estacionaria. De ahí se deduce que el comportamiento futuro del TS sobre estas ideas NO es predecible.
PD.
Hace unos 10 años utilicé "caterpillar" (FATL-SATL). Asesores Expertos vivió de 3 a 6 meses, y luego comenzó a drenar. El problema principal no es sólo la no estacionariedad en el sentido clásico (MO y varianza cambian), sino también la periodicidad cambiante, que se puede ver claramente en la ZZ.
El hecho de que el ACP se utilice para analizar series temporales no estacionarias no es una "afirmación del autor", sino una característica del método, basada en la formación de su propia base ortogonal, la más óptima para un fragmento dado de la serie temporal. En realidad, incluso una tendencia o periodicidad ya es no estacionaria. Por lo tanto, las decisiones de trading no se toman sobre una serie estacionaria, porque no disponemos de tal serie y no hay aproximación a ella (a diferencia de los modelos ARMA). El modelo se basa en la representación de las series temporales como una suma de componentes de tendencia, periódicos (con periodo cambiante) y de ruido. Los ruidos del modelo no se controlan ni se filtran, y para los componentes estables existe una previsión para un futuro muy próximo. El método asume la estabilidad local, no la estacionariedad de los procesos que forman los precios. En segundo lugar, nadie da garantías tampoco. Estamos hablando de que el entrenamiento del modelo sobre algún conjunto de datos históricos, elegidos arbitrariamente, ha mostrado resultados estables de su aplicación sobre otras series y escalas temporales. La duración de estos resultados es una cuestión aparte, pero en mi opinión es controlable, por ejemplo ejecutándolo sobre la "historia reciente" antes de operar. El reentrenamiento también lleva un poco de tiempo. Es más importante, de nuevo desde mi punto de vista, filtrar las posibles "entradas falsas" de forma más fiable y reducir los riesgos, y esto requerirá una mayor expansión del Asesor Experto con métodos de control, por ejemplo: limitar las operaciones del bot por horario, ampliar el conjunto de indicadores para el análisis bayesiano o con la ayuda de redes neuronales. Y los resultados de las pruebas actuales mostrarán que los filtros que ya están disponibles, funcionan o necesitan ser desarrollados. La única prueba de la idoneidad será, como siempre, la práctica.
El ruido en el modelo no está controlado y se filtra....
De tu post, la frase clave para mí es la anterior.
El ruido puede y debe ser filtrado si es estacionario, o mejor, normalmente distribuido. Y si el ruido no lo es, y del artículo no sabemos qué tipo de ruido queda tras el filtrado SSA, entonces no se puede filtrar bajo ningún concepto. En esto se basan todos los modelos ARCH, porque el perro siempre está enterrado en colas gruesas, que no siempre tienen lugar en la distribución del ruido, pero que si se producen, vaciarán definitivamente el depósito.
Tu idea se puede enfocar desde el otro lado.
La cuestión es que estás utilizando un clasificador que introduce predictores entrenados por SSA. En este caso, la importancia de la estacionariedad de los predictores utilizados no está muy clara para mí personalmente, pero hay requisitos bien probados a los predictores alimentados a la entrada del clasificador - deben ser limpiados de los de ruido, es decir, aquellos que tienen una "débil relación con la variable objetivo (que no debe confundirse con el ruido mencionado anteriormente). Lo más interesante es que cualquier tipo de suavizado (tendencias) se considera ruido en este enfoque. Todo esto está disponible en la rama de Aprendizaje Automático.
Se mire como se mire....
PS.
La práctica es el criterio de la verdad, pero sólo si esta práctica se basa en la teoría.
De tu post, la frase clave para mí es la citada.
El ruido puede y debe filtrarse si es estacionario, y preferiblemente distribuido normalmente. Y si el ruido no es tal, y del artículo no sabemos qué ruido queda tras el filtrado SSA, entonces no se puede filtrar bajo ningún concepto. En esto se basan todos los modelos ARCH, porque el perro siempre está enterrado en colas gruesas, que no siempre tienen lugar en la distribución del ruido, pero cuando se producen, seguro que drenan el depo.
En otras palabras, nadie anula el Efecto Mariposa :)
SSA es un método de componentes principales, ¿no?
Más bien FFT.
SSA es el método de componentes principales, ¿verdad?
Es parecido. Los algoritmos son algo diferentes. Se puede encontrar una descripción general en Loskutkov A.Yu. "Análisis de series temporales. MSU lecture course". Puede utilizarse para la previsión por "Oruga" o por autoregresión.
A diferencia del método de Fourier, el ACP extrae componentes con amplitud y frecuencia moduladas, así como componentes no periódicos.
En cuanto al ruido que hay que investigar, en el siguiente paso se combina el SSA con modelos de Box-Jenkinson (ARPSS, etc.) y estos modelos trabajan con el "residuo" de la tendencia obtenida por CCA.
Se argumenta que un modelo que combine el proceso GARCH con un modelo que describa el comportamiento de la media es prometedor desde el punto de vista de la previsión. Como opción, es posible seguir implementando GARCH+SSA en el Asesor Experto.
No hay que pasar por alto el "nivel de aleatoriedad" de la serie en el horizonte temporal utilizado. Si está "fuera de escala", la previsión del modelo más perfecto no dará nada bueno y el proceso no se caracteriza por una larga memoria. Así que en el futuro es lógico añadir la estimación de la fractalidad de la serie(similar al exponente de Hurst) para averiguar el "color" del ruido y clasificar el proceso de precios actual. Esto sugiere que un experto fiable debería, en primer lugar, controlar y optimizar el nivel de riesgo del capital que gestiona.
No hay que pasar por alto el "nivel de aleatoriedad" de la serie en el horizonte temporal utilizado. Si está "fuera de escala", la previsión del modelo más excelente no dará nada bueno y el proceso no se caracteriza por una larga memoria. Así que en el futuro es lógico añadir la estimación de la fractalidad de la serie(similar al exponente de Hurst) para averiguar el "color" del ruido y clasificar el proceso de precios actual. Esto sugiere que un experto fiable debería ante todo controlar y optimizar el nivel de riesgo del capital que gestiona.
Así que el "nivel de aleatoriedad" es el principal punto que hace que tu modelo nunca funcione, así que yo no lo llamaría genial, más bien delirante. Es un juego de adivinanzas al 50%. ¿Quién te ha dicho a ti que los procesos de mercado tienen más probabilidades de ser persistentes que antipersistentes, por ejemplo.... y que hay ciclos periódicos en absoluto. Las pantallas muestran predicciones típicas de este tipo de sistemas, que son más o menos nada.....
Pero, admiro tu nivel de comprensión y experiencia en matemáticas y en la construcción de modelos, para ello, por supuesto, 5++++... para que no parezca que critico todo y a todos :)
Más bien FFT.
Así que el "nivel de aleatoriedad" es el punto principal que hace que tu modelo nunca funcione, así que yo no lo llamaría bonito, más bien delirante. Es un juego de adivinanzas al 50%. ¿Quién te ha dicho a ti que los procesos de mercado son más a menudo persistentes que antipersistentes, por ejemplo.... y que hay ciclos periódicos en absoluto. Las pantallas muestran predicciones típicas de este tipo de sistemas, que son más o menos nada.....
Pero, admiro tu nivel de comprensión y experiencia en matemáticas y en la construcción de modelos, para ello, por supuesto, 5++++... para que no parezca que critico todo y a todos :)
Si crees que todos los movimientos del mercado son aleatorios, estás muy equivocado. Todos los modelos modernos intentan tener en cuenta el efecto de la prehistoria: las "colas pesadas", porque contienen "precursores" de comportamientos posteriores. La principal tarea del modelo es extraer las señales de los precursores del ruido, y el problema del modelo es su adecuación a la situación y su capacidad de adaptación.
Si cree que todos los movimientos del mercado son aleatorios, está muy equivocado. Todos los modelos modernos intentan tener en cuenta el efecto de la prehistoria: las "colas pesadas", porque contienen "precursores" de comportamientos posteriores. La principal tarea del modelo es extraer las señales de los precursores del ruido, y el problema del modelo es su adecuación a la situación y su capacidad de adaptación.
Aparece un precursor, lo predecimos, en 3 compases aparece otro precursor, y así ad infinitum. No hay una única fuente que influya en los precios del mercado, por lo que las condiciones iniciales para el desarrollo de tal o cual situación surgen espontáneamente y se solapan unas con otras. Supongamos que hemos encontrado unas condiciones iniciales que siguen influyendo en la situación, ¿cómo podemos estar seguros de que en la siguiente barra no habrá otra información influyente que vuelva a destrozarlo todo? ¿Dónde están los criterios para evaluar la fiabilidad de la previsión?