SSA Trend Predictor
- Indicadores
-
Roman Korotchenko
Резюме опубликовано
http://itmozg.ru/resume/show/?id=572d5c129f5255221bb43c3f - Versión: 2.4
- Actualizado: 25 noviembre 2021
Este indicador extrae una tendencia de una serie de precios y prevé su evolución futura. El algoritmo se basa en la moderna técnica del Análisis Espectral Singular (SSA). El SSA se utiliza para extraer los componentes principales (tendencia, fluctuaciones estacionales y ondulatorias), suavizar y eliminar el ruido. No requiere que las series sean estacionarias, así como la información sobre la presencia de componentes periódicos y sus periodos. Puede aplicarse tanto para indicadores de tendencia como para otros indicadores.
Características del método y principio de funcionamiento
La dinámica de los precios se presenta como un proceso causado por la influencia de factores a diferentes escalas y "ruido" adicional. Los factores de influencia determinan la tendencia y las regularidades de los cambios de precios, las oscilaciones de ruido ocultan la información útil. El procesamiento mediante el método Caterpillar-SSA permite separar subespacios de la señal y el ruido, evaluar la contribución y la escala de los factores de influencia significativos. La "señal" extraída no tiene retardos de fase, a diferencia de los métodos convencionales de filtrado y suavizado de medias. Se traza una previsión basada en la tendencia y la periodicidad identificadas. La previsión basada en un modelo correctamente elegido es el método de cobertura en la estrategia de negociación.
Utilización
La gestión de los parámetros del indicador permite ajustar la suavidad de la tendencia extraída y controlar el umbral de filtrado del ruido, teniendo en cuenta la supresión de la contribución de los componentes en la señal, que la afectan en diferentes escalas de tiempo. La descomposición óptima de los datos en componentes de señal y ruido se determina utilizando el horizonte temporal de la estrategia de negociación y la situación actual del mercado.
Previsión
La previsión de los valores futuros se realiza de acuerdo con el modelo construido, que tiene en cuenta las características estadísticas de los datos y las mejores dentro del modelo. Tenga en cuenta que los factores de influencia "omitidos" pueden ser muy significativos. Modelo adecuado - buena previsión. Es necesario centrarse en la calidad y no en la cantidad de la previsión de las fluctuaciones de los precios y utilizarla como señal de cobertura.
Parámetros
- Algoritmo - algoritmo de previsión (1 - vectorial, 2 - recurrente),
- N: Fragmento de datos - longitud de la serie de precios analizada,
- Retraso dependiente del tiempo - determinar el historial de influencia en el recuento (N/2, N/2,5, N/3),
- Noise High-Freq limit - parámetro para filtrar el ruido para la tendencia (eliminar la contribución de las oscilaciones de alta frecuencia),
- Recalculate period - periodo de recálculo del indicador (seg),
- Puntos previsibles - número de puntos previsibles,
- Desplazamiento hacia atrás (test) - desplazamiento hacia atrás del fragmento analizado en la historia. Para la construcción del modelo y la previsión según los datos conocidos.
- * OPCIONES VISUALES
- Partes generales - color para la vista de tendencia,
- Predicción - color para la vista de previsión,
- Estilo de trazado - estilo de trazado de línea o histograma.
Recomendaciones
La mejor longitud del fragmento de la serie de precios (N) se selecciona en función de la uniformidad estadística de los datos (200-600 puntos).
El parámetro para filtrar el ruido - Noise HF Limit: cuanto más larga sea la serie, menor será el parámetro de filtrado. Para los fragmentos cortos, la evaluación de las propiedades estadísticas se realiza con un error mayor - el nivel debe aumentarse.
El número de puntos de predicción con una probabilidad de pronóstico aceptable es de 10-30 en un modelo personalizado. Para análisis posteriores, es razonable utilizar un marco temporal más grueso. La aplicación simultánea de los dos indicadores con parámetros diferentes (N=400 y 250) mostrará la divergencia de los factores de influencia relacionados con las diferentes escalas temporales o confirmará el pronóstico.
P.D. La implementación con el algoritmo FFT permitió mejorar la velocidad de procesamiento de datos en más de 50 veces en comparación con el método normal. Se presenta en SSA Fast Trend Forecast.
很好