Обсуждение статьи "Введение в исследование фрактальных рыночных структур с помощью машинного обучения"
Красиво.
Но если уж рассматривать аттракторы (хаотических процессов) в связке с фракталами, то надо бы учесть, что аттракторы являются траекториями в скрытом многомерном пространстве вложений, из которого мы видим в качестве ценового ряда лишь узкое сечение (проекцию). То есть аттрактор - не временнАя точка (или вертикальная линия) на графике, а "фигура" вдоль фрагмента ценового ряда (на предполагаемую длину цикла аттрактора = временная задержка тау между отсчетами * размерность пространства вложения). В этом многомерном пространстве и нужно бы искать фрактальные похожести.
Но для открытого (для внешних влияний) рынка, этот подход не работает, т.к. очень часто (и непредсказуемо) происходит "толчок", от которого цены перескакивают с одного аттрактора на другой.
Вероятно, можно сделать склейку ночного флета и для такого синтетического ряда найти относительно постоянные аттракторы.
Красиво.
Но если уж рассматривать аттракторы (хаотических процессов) в связке с фракталами, то надо бы учесть, что аттракторы являются траекториями в скрытом многомерном пространстве вложений, из которого мы видим в качестве ценового ряда лишь узкое сечение (проекцию). То есть аттрактор - не временнАя точка (или вертикальная линия) на графике, а "фигура" вдоль фрагмента ценового ряда (на предполагаемую длину цикла аттрактора = временная задержка тау между отсчетами * размерность пространства вложения). В этом многомерном пространстве и нужно бы искать фрактальные похожести.
Но для открытого (для внешних влияний) рынка, этот подход не работает, т.к. очень часто (и непредсказуемо) происходит "толчок", от которого цены перескакивают с одного аттрактора на другой.
Вероятно, можно сделать склейку ночного флета и для такого синтетического ряда найти относительно постоянные аттракторы.
Вариантов много, приветствуются любые соображения по этому поводу. Были мысли как-то использовать преобразование Такенса.
Пока что ограничился корреляцией и/или регрессией.
Вариантов много, приветствуются любые соображения по этому поводу. Были мысли как-то использовать преобразование Такенса.
Пока что ограничился корреляцией и/или регрессией.
Было такое дело:
Форум по трейдингу, автоматическим торговым системам и тестированию торговых стратегий
Stanislav Korotky, 2009.10.29 11:34
Возник вопрос по теореме Такенса: не совсем ясно (из разных источников), как именно производится выборка в лаговое пространство из исходного 1-мерного временного ряда длиной N.
Пусть определен интервал времени τ ("тау" - целое число, т.к. рассматриваем дискретные отсчеты), с которым производится выборка. Следует ли с данным шагом построить ряд из N/τ точек и фактически нарéзать его на вектора размерности m (размер вложения), т.е. без пересечений, или же можно идти вдоль исходного ряда с единичным шагом и получать m-мерные вектора с существенным наложением их компонентов в исходном ряду? В первом случае получаем в τ*m раз меньше векторов, чем точек в исходном ряду. Во втором - теряем лишь (m-1)* τ. Помимо этой разницы в размере получаемой выборки существует еще очевидно и разница в последующем восстановлении ряда, но по этом поводу есть отдельно вопрос - задам его ниже.
Второй вопрос - нужно ли вообще и для чего считать показатели Ляпунова? В частности, чтобы оценить хаотичность вроде бы не обязательно использовать старший показатель, а вполне достаточно того, что мы на этапе нахождения размерности вложения m и корреляционной размерности D определяем область насыщения (если она есть), и сам по себе такой вид зависимости означает хаотичность и прогнозируемость? В противном случае мы бы не получили m. Пока лишь очевидно, что полный набор неотрицательных показателей Ляпунова используют для оценки энтропии Колмогорова, а из неё - интервала предсказуемости. Хотя лучше наверно пересчитывать прогноз при первом удобном случае, не дожидаясь истечения этого самого интервала, и следовательно показатели Ляпунова и энтропия не нужны?
Еще вопрос, какие значения малой окрестности r следует прогонять в цикле расчета корреляционного интеграла? Ни в одной работе не видел рекомендаций.
И наконец, хотелось бы прояснить алгоритм восстановления предсказанний из m-мерного пространства в 1-мерный ряд. Для меня не очевидно, в какой дискретный отсчет попадает предсказанная величина, учитывая, что мы при прямом преобразовании формировали вектора из отсчетов, отстоящих между собой на τ. +τ? Тогда для прогноза более близкого будущего от +1 до +(τ-1) нужно использовать "слегка" устаревшие данные?
Консенсус мнений участников форума (по крайней мере, тогда) - негативный.
Проверка прогнозирования на практике через пейпер-трейдинг на EURUSD D1 за несколько месяцев (по В.А.Головко - Нейросетевые методы обработки хаотических процессов) показала смешанные результаты. Потом к данной теме не возвращался.
Было такое дело:
Консенсус мнений участников форума (по крайней мере, тогда) - негативный.
Проверка прогнозирования на практике через пейпер-трейдинг на EURUSD D1 за несколько месяцев (по В.А.Головко - Нейросетевые методы обработки хаотических процессов) показала смешанные результаты. Потом к данной теме не возвращался.
Имхо, вопрос множественных экспериментов и подбора правильных признаков/разметки паттернов. Может повезет, а может не очень.
никогда не казалось, что Хёрст как-бы ни о чём когда всё в динамике ?
- Бесплатные приложения для трейдинга
- 8 000+ сигналов для копирования
- Экономические новости для анализа финансовых рынков
Вы принимаете политику сайта и условия использования
Опубликована статья Введение в исследование фрактальных рыночных структур с помощью машинного обучения:
В данной статье предпринята попытка рассмотрения финансовых временных рядов с точки зрения самоподобных фрактальных структур. Поскольку мы имеем слишком много аналогий, которые подтверждают возможность рассматривать рыночные котировки в качестве самоподобных фракталов, то имеем возможность составить представления о горизонтах прогнозирования таких структур.
Теория хаоса описывает системы с "чувствительной зависимостью от начальных условий", что означает, что крошечная ошибка в начальных условиях может привести к резким долгосрочным изменениям. Это явление часто называют "эффектом бабочки". Хаотические системы непредсказуемы в долгосрочной перспективе из-за этой чувствительности, а также из-за их апериодического поведения, фрактальных размерностей, нелинейности и странных аттракторов.
Финансовые рынки не являются полностью случайными, но функционируют в пределах хаотических, непериодических структур, называемых странными аттракторами, которые ограничивают поведение цен в определённых диапазонах.
Такая ограниченная непредсказуемость позволяет выявлять статистические паттерны и уровни поддержки/сопротивления. Концепция хаотических аттракторов объясняет, почему цены проявляют повторяющиеся, но не идентичные движения.
Гипотеза фрактальных рынков (FMH), предложенная Эдгаром Петерсом, утверждает, что рыночные данные обладают фрактальной структурой, зависящей от инвестиционных горизонтов. При кризисах структура разрушается, что ведёт к росту волатильности и снижению ликвидности. В отличие от ГЭР, FMH допускает периоды рыночной неэффективности и предсказуемости, особенно в стрессовых условиях.
Автор: Maxim Dmitrievsky