Mdfa Forex

Real-Time-Signalextraktion (MDFA) und Algorithmic Trading Präsentation zum Thema: Real-Time-Signalextraktion (MDFA) und Algorithmic Trading Präsentationstranskript: 1 Real-Time-Signalextraktion (MDFA) und Algorithmic Trading marc. wildizhaw. ch blog. zhaw. chidpsefblog idp. Zhaw. chusri idp. zhaw. chMDFA-XT idp. zhaw. chsef 2 Hintergrund Hybrid mathecon. IDP-ZHAW-Projekte mit econ. Partnerschaften Vorhersage Gesundheitswesen (Kostenaufwand) Makro (Echtzeit-Wirtschaftsindikatoren: EURI Eurostat-Projekt) Finanzierung (MDFA-XT, Großhedge-Fonds) Engineering (Telecom, Lastprognosen) Eklektisch verteiltes Anwendungsspektrum Gemeinsamer methodischer Ansatz (en) Eigene Entwicklungen: (M) DFA R-Paket Signalextraktion auf CRAN 3 Ein klassischer Algorithmischer Trading Approach Timing System SP500 Tägliche Verschlüsse MA (200), gleich gewichtet 6 Warum Trader häufig AdoptPrefer Filter Crossings Filter Eigenschaften Warum MDFA blog. zhaw. chidpsefblogindex. phparchives54- Intermezzo-Why-do-Traders-Oft-Consider-Crossings-of - Trading-Filter-Pairs. html 8 Filtermerkmale Amplitudenfunktion: Welches Signal wird extrahiert Zeitverschiebung: Wie groß ist die Verzögerung 11 Schlussfolgerungen Crossing-Regeln (Bandpass) haben kleine Zeitverzögerungen Warum MDFA Flexibles, effizientes Echtzeit - (Bandpass) Design Schnell und glatt 16 Fazit Feuchtigkeit oder vermeiden Sie alle massiven Rezessionsentwürfe effektiv Ideal für Risiko (Pensionsfonds) Fundamental Trading: wirklich aus der Stichprobe Fokus auf Makro-Daten (Finanzdaten ignoriert) NBER Nachteil: unzureichend aktiv Texto: Schwierig, die Gebühren zu rechtfertigen 25 Schlussfolgerung Höhere Handelsfrequenzen sind mit Bandpass verknüpft, die nach rechts verschoben werden Als traditionelle Filterkreuzungen Kleinere Verzögerungsverlagerungen 27 Einstellung Gesamt degenerative Handelskosten von 0,3 pro Auftrag (kleiner Fonds) Lange nur keine risikofreien Zinsen 33 Schlussfolgerungen Höhere Handelsfrequenzen sind mit einer leichten Leistungsreduzierung verbunden Größere Abzinsungen USRI würde vermeiden, Downs und dann die Performance verbessern würde Erhöhte Marktaktivität (Gebühren) Kombination mit USRI möglich (empfohlen) Filter werden online verfügbar Ende Juli 35 Excel-Tutorial auf SEF-Blog blog. zhaw. chidpsefblogindex. php archives65-Real-Time - Detection-of-Turning-Points-a-Tutorial-Teil-I-Mean - Square-Error-Norm. htmlblog. zhaw. chidpsefblogindex. php archives65-Real-Time-Erkennung-of - Turning-Points-a-Tutorial - Teil-I-Mean-Square-Error-Norm. html blog. zhaw. chidpsefblogindex. php archives67-Real-Time-Detection-of - Turning-Punkte-a-Tutorial-Teil-II - Betonung-Turning-Points. htmlblog. Zhaw. chidpsefblogindex. php archives67-Real-Time-Detection-of - Turning-Points-a-Tutorial-Teil-II - Emphasizing-Turning-Points. html 36 Ziele Yoga-Übungen, um von der Hauptstrom-Maximalwahrscheinlichkeit Welt zu lösen Erste Blog - Einstieg: Wie traditioneller ökonometrischer Ansatz funktioniert Intuitiv einfach Gute (optimale) mittlere quadratische Aufführungen Menschen sind faulgesinnter Zweiter Blog-Eintrag: Die Früherkennung von Wendepunkten Ist eine (stark) kontraintuitive Übung Schafft scheinbar (stark) fehlgeschlagene Filterdesigns Warnung Learning (Illumination) 40 Standard Econometric Approach Vorgehen: Identifizieren eines Zeitreihenmodells (ARIMAstate Space) Erweiterung der Serie durch optimale Prognosen Bewerben Sie den symmetrischen Filter auf die erweiterte Zeitreihe X-12-ARIMA, TRAMO, STAMP, RS Claim: One - (Mittlere quadratische Erfassung) Annahme: DGPtrue-Modell 47 A Scheinbar tugendhaftes Design (Peak Correlation) Korrelation zwischen Echtzeit-Schätzung und Zyklus als Funktion der Zeitverzögerung k 57 Schlussfolgerungen Scheinbar fehlgeschlagenes Design ist schneller glatter (weniger falsch TPs oder Alarme) Nicht Mittel-Quadrat optimal Viel besser in einer TP-Perspektive 58 Von Excel zu MDFA Tweak Filterparameter von Hand in Excel Tutorial Unzulänglichkeit des Beispiels Unrealistisch einfache künstliche Simulationsübung In der Praxis: komplexere Beeinträchtigungen undSignale Inklusive Informationen von mehr als Einmalige Reihe (multivariate Framework) Wunsch: ein formales Optimierungskriterium Willkommen bei DFA und MDFA 61 Optimierungskriterium (I (0)) Minimieren Sie eine (gleichmäßig) superkonsistente Schätzung einer (gleichmäßig) effizienten Schätzung des Filtermittelquadratfehlers (Customized ) Effizienz tritt explizit in die Gestaltung des Optimierungskriteriums ein 62 Hast du gesprochen und meines Periodogramms Periodogramm ist ein typisches Beispiel für statistisch-bashing Inkonsistente Schätzung der spektralen Dichte Glättung (parametrisch oder nicht parametrisch) Periodogramm hat wunderbare statistische Eigenschaften Suffizienz (Larry Brethorst) Man kann nett formale Effizienzergebnisse in Echtzeit-Signalextraktion ableiten. Arbeiten an einer Reihe neuer Blog-Einträge zum Thema, um bis zu einem gewissen Grad zu rehabilitieren - das Periodogramm 63 Aufführungen (Effizienz von Univariate DFA) Business Survey Data (KOF, FED, 2004.2005) ) X-12-ARIMA, TramoSeats MSE-Gewinn 30 US - und Euro-BIP (2008): CF-Wendepunkte von 1-2 Quartalen erwartet ESI (2006): Kläger TPs entdeckt 2-3 Monate früher 64 Aufführungen (Effizienz) Durch Verlassen des Periodogramms TP-Filter gewann NN3 (2007) und NN5 (2008) Prognose Wettbewerbe (60 Teilnehmer) IIF und University of Lancaster Monatliche Makro - und Finanzdaten (111 Zeitreihen) und tägliche Finanzdaten (111 Zeitreihen) Outperformed Sieger und Vizemeister des renommierten M3-Wettbewerbs, X-12-ARIMA, Tramo, Prognose-Pro, Autobox, Exponentielle Glättung: Einfache, Holt, Damped, Neuronale Netze, künstliche Intelligenz blog. zhaw. chidpsefblogblog. zhaw. chidpsefblog 66 Controlling der Zeitverzögerung (Anpassung) 1: Betonung der Zeitverzögerung im Passband 1: Best Level Filter 1: Betonung der Zeitverzögerung im Passband 1: Best Level FiltertitelControlling der Time Delay (Customization) 1: Betont die Zeitverzögerung Im Passband 1: Best-Level-Filter 67 Anpassung: Zeitverzögerung und Glätte steuern Stärkere Dämpfung von Hochfrequenzrauschen im Stoppband Kleine Zeitverzögerungen im Passband W () ist monoton (zunehmend) und 1 1 titleKommunikation: Controlling Zeitverzögerung und Glätte Stärkere Dämpfung von Hochfrequenzrauschen im Stopband Kleine Zeitverzögerungen im Passband W () ist monoton (zunehmend) und 1 74 Wirkungsgrad (Theorem 4.1, Wildi2008, WildiSturm2008) Der Fehlertermin e T ist am kleinsten möglich Einheitlich Einheitliche Effizienz Anpassung 75 Optimale (effiziente) Kriterium unter Kointegration (Rang1) Filterbeschränkungen sind erfüllt 76 Aufführungen MDFA Output-Lücke US - und Euro-BIP (2008): CF und multivariate CF-Wendepunkte von 1-2 Quartalen erwartet USRI Outperformed Markov-Switching (Chauvet, ChauvetPiger), Dynamische Faktormodelle (CFNAI), Staatsraummodelle (ADS), Hodrick-Prescott (OECD-CLI), Christiano-Fitzgerald SEF-Blog MDFA-XT EURI 77 WARNUNG. DAS IST NICHT EIN PUSH-THE-BUTTON-ANFAHRT Formel-1-Rennfahrer: Es kann schnell (Ferrari) und zuverlässig (Mercedes) sein, aber du musst es sorgfältig optimieren: FerradesMercearri Filter-Design (ZPC) Filter-Constraints (Hervorhebung Frequenz Null) Understanding Interpretation: Intelligenz 2008-Buch: idp. zhaw. chsefidp. zhaw. chsef Glücklich, Unterstützung bei finanziellen Anreizen zu gewähren 79 marc. wildizhaw. ch blog. zhaw. chidpsefblog Veranschaulichen Sie methodische Fragen, indem Sie sich auf reale Projekte mit Wirtschaftspartnern verlassen. Idp. zhaw. chusri Real - Zeit US-Rezession Indikator idp. zhaw. chMDFA-XT Experimentelle Trader für MSCI Emerging Markets Filters on-line Ende Juli idp. zhaw. chsef Signal Extraktion Forecasting Site Bücher, Artikel, SoftwareKozmetiki Saloni odavno su prestali biti mjesto gdje se dolazi samo na tretman , Ein zahtijevi klijenata sve su vei. Svakom svom klijentu posveujemo se sa posebnom panjom, podiui na taj nain ich ljestvicu Vaih oekivanja. Oslukujemo sve Vae potrebe ich elje i uvodimo novitete sukladno njima. Sretni smo kad ste Vi sretni Du benutzt Internet Explorer 8.0 oder älter, um das Web anzusehen. Aufgrund von Sicherheitsrisiken und mangelnder Unterstützung für Web-Standards unterstützt diese Website Ihre IE-Version nicht. Bitte aktualisieren Sie auf einen neueren Browser, um diese Seite und den Rest des Internets voll zu genießen. Nach dem Update, bitte komm zurück und du kannst unsere Seite ansehen. Copyright Kopie 2017. Hotel Pastura. Sva prava pridrana Dizajn i odravanje: Toni Informatika LTDFigure 1: In-Probe (Beobachtungen 1-250) und Out-of-Probe Leistung des Trading-Signals in diesem Tutorial mit MDFA gebaut. (Top) Der Log-Preis des Yen (FXY) in 15-Minuten-Intervallen und die Trades, die durch das Trading-Signal erzeugt werden. Hier ist schwarze Linie ein Kauf (lang), blau ist verkaufen (kurze Position). (Unten) Die aus dem Handel erwirtschafteten Erträge (Barmittel), in Prozentsatz gewonnen oder verloren. In meinem früheren Artikel zum Hochfrequenzhandel in iMetrica auf der FOREXGLOBEX. Ich habe in iMetrica mit dem multidimensionalen Direct-Filter-Ansatz (MDFA) einige robuste Signal-Extraktionsstrategien eingeführt, um leistungsstarke Signale für den Handel am Devisen - und Futures-Markt zu generieren. In diesem Artikel nehme ich eine kurze Abwesenheit von meiner Welt der Entwicklung von finanziellen Handelssignalen in iMetrica und migrate in eine uber-populäre Sprache, die in der Finanzierung aufgrund seiner üppigen Reihe von Paketen, schnelle Datenverwaltung und Grafik-Handling und von Kurs die Tatsache, dass it8217s frei (wie in Sprache und Bier) auf fast jedem Computer-Plattform in der Welt. Dieser Artikel gibt ein Intro-Tutorial zur Verwendung von R für den Hochfrequenzhandel auf dem FOREX-Markt mit dem R-Paket für MDFA (angeboten von Herrn Doktor Marc Wildi von Bern) und einigen Strategien, die I8217ve für die Erzeugung von finanziell robusten Handelssignalen entwickelt hat. Für dieses Tutorial betrachte ich das zweite Beispiel in meinem vorherigen Artikel, wo ich ein Trading-Signal für 15-minütige Log-Returns des japanischen Yen (von der Eröffnung der Glocke zum Markt in der Nähe EST). Dies zeigte etwas neue Herausforderungen als bisher, da die nahezu offenen Sprungvariationen viel größer sind als die, die durch stündliche oder tägliche Renditen erzeugt werden. Aber wie ich gezeigt habe, stellten diese größeren Variationen auf dem nahen offenen Preis keine Probleme für die MDFA. In der Tat, nutzte diese Sprünge und machte große Gewinne durch die Vorhersage der Richtung des Sprungs. Abbildung 1 an der Oberseite dieses Artikels zeigt die in-Probe (Beobachtungen 1-250) und out-of-Probe (Beobachtungen 251 weiter) Leistung des Filters werde ich im ersten Teil dieses Tutorials aufbauen. In diesem Tutorial versuche ich, diese Ergebnisse zu replizieren, die ich in iMetrica gebaut habe und erweitern sie ein bisschen mit der R-Sprache und der Implementierung des MDFA, das hier verfügbar ist. Die Daten, die wir betrachten, sind 15-minütige Log-Returns des Yen vom 4. Januar bis 17. Januar und ich habe sie als. RData-Datei gespeichert, die von ldfxyinsamp gegeben wird. Ich habe eine zusätzliche erklärende Serie eingebettet in die. RData-Datei, die I8217m verwenden, um den Preis des Yen vorherzusagen. Darüber hinaus werde ich auch mit pricefxyinsamp, die der Log-Preis von Yen, verwendet, um die Leistung (buysells) des Trading-Signals zu berechnen. Der ldfxyinsamp wird als In-Sample-Daten verwendet, um den Filter und das Trading-Signal für FXY zu konstruieren. Um diese Daten zu erhalten, können Sie diese Beispiele zu Hause ausführen, per E-Mail und I8217ll senden Sie alle notwendigen. RData-Dateien (die In-Probe und Out-of-Sample-Daten) in einer ZIP-Datei. Wenn wir einen kurzen Blick auf die ldfxyinsamp-Daten werfen, sehen wir die Log-Returns des Yen alle 15 Minuten ab Marktoffen (Zeitzone UTC). Die Zieldaten (Yen) befinden sich in der ersten Spalte zusammen mit den beiden Erklärungsreihen (Yen und ein weiteres Asset, das mit der Bewegung von Yen integriert ist). Gt Kopf (ldfxyinsamp), 1, 2, 3 2013-01-04 13:30:00 0.000000e00 0.000000e00 0.0000000000 2013-01-04 13:45:00 4.763412d-03 4.763412d-03 0.0033465833 2013-01-04 14:00:00 -8,966599e-05 -8.966599e-05 0.0040635638 2013-01-04 14:15:00 2.597055e-03 2.597055e-03 -0.0008322064 2013-01-04 14:30:00 -7.157556e - 04 -7.157556e-04 0.0020792190 2013-01-04 14:45:00 -4.476075e-04 -4.476075e-04 -0.0014685198 Um mit dem Aufbau des ersten Handelssignals für den Yen zu beginnen, beginnen wir mit dem Hochladen der Daten Unsere R-Umgebung, definieren einige Anfangsparameter für den MDFA-Funktionsaufruf und berechnen dann die DFTs und das Periodogramm für den Yen. Wie ich in meinen früheren Artikeln erwähnt habe, beginnt meine Schritt-für-Schritt-Strategie für den Aufbau von Handelssignalen immer mit einer schnellen Analyse des Periodogramms des gehandelten Vermögenswertes. Mit dem Schlüssel, um einen Einblick in die Eigenschaften zu geben, wie der Vermögensgegenstand handelt, ist das Periodogramm ein wesentliches Werkzeug für die Navigation, wie der Extraktor ausgewählt wird. Hier suche ich nach prinzipiellen spektralen Spitzen, die im Zeitbereich entsprechen, wie und wo mein Signal auslöst Buysell Trades. Abbildung 2 zeigt das Periodogramm der 15-minütigen Log-Retouren des japanischen Yen während der In-Sample-Periode vom 4. Januar bis 17. Januar 2013. Die Pfeile zeigen auf die wichtigsten Spektralspitzen, die ich suche und gibt einen Leitfaden für wie ich Wird meine Funktion definieren. Die schwarzen, gepunkteten Linien zeigen die beiden Frequenzabgrenzungen an, die ich in diesem Beispiel, dem ersten Wesen und dem zweiten annehmen werde. Beachten Sie, dass beide Cutoffs direkt nach einem spektralen Peak gesetzt sind, was ich sehr empfehlen kann. Im Hochfrequenzhandel auf dem FOREX mit MDFA, wie wir sehen können, ist der Trick, den spektralen Peak zu suchen, der für die nahezu offene Variation des Preises der Fremdwährung verantwortlich ist. Wir wollen diesen spektralen Gipfel nutzen, da hier die großen Gewinne im Devisenhandel mit MDFA auftreten werden. Abbildung 2: Periodogramm von FXY (Japanischer Yen) zusammen mit spektralen Peaks und zwei verschiedenen Frequenzabschaltungen. In unserem ersten Beispiel betrachten wir die größere Frequenz als Cutoff, indem wir sie auf (die genaueste Zeile in der Figur des Periodogramms) setzen. Ich habe dann zunächst die Aktualität und Glätte Parameter gesetzt, und expweight auf 0 zusammen mit Einstellung aller Regularisierung Parameter auf 0 als auch. Dies gibt mir ein Barometer für wo und wie viel, um die Filterparameter anzupassen. Bei der Auswahl der Filterlänge haben meine empirischen Untersuchungen über zahlreiche Experimente beim Aufbau von Handelssignalen mit iMetrica gezeigt, dass eine Wahl von 816 good8217 zwischen 14 und 15 der gesamten Sample-Länge der Zeitreihendaten liegt. Natürlich hängt die Länge von der Häufigkeit der Datenbeobachtungen ab (d. H. 15 Minuten, stündlich, täglich usw.), aber im Allgemeinen werden Sie höchstwahrscheinlich nie mehr als größer als 14 die Stichprobengröße benötigen. Andernfalls kann die Regularisierung zu schwerfällig werden, um effektiv zu handeln. In diesem Beispiel ist die Gesamtlänge in der Stichprobe 335 und so setze ich fest, welche I8217ll für den Rest dieses Tutorials halten soll. In jedem Fall ist die Länge des Filters nicht der wichtigste Parameter, um bei der Erstellung guter Handelssignale zu berücksichtigen. Für eine gute, robuste Auswahl der Filterparameter paaren sich die entsprechenden Erklärungsreihen, die Ergebnisse des Handelssignals im Vergleich zum Beispiel sollten sich kaum unterscheiden. Wenn ja, dann ist die Parametrierung nicht robust genug. Nach dem Hochladen sowohl der In-Sample-Log-Return-Daten als auch des entsprechenden Log-Preises des Yen zur Berechnung der Handelsleistung gehen wir in R, um die ersten Filtereinstellungen für die MDFA-Routine einzustellen und dann den Filter mit der IMDFAcomp-Funktion zu berechnen. Dies gibt sowohl die Imdfaamp-Objekt-Haltekoeffizienten, die Frequenzantwortfunktionen als auch die Statistik des Filters zusammen mit dem für jede erläuternde Reihe erzeugten Signal zurück. Wir kombinieren diese Signale, um das endgültige Handelssignal zu erhalten. All dies geschieht in R wie folgt: Die daraus resultierenden Frequenzgangfunktionen des Filters und die Koeffizienten sind in der folgenden Abbildung dargestellt. Abbildung 3: Die Frequenzantwortfunktionen des Filters (oben) und der Filterkoeffizienten (unten) Beachten Sie die Häufigkeit des noch vorhandenen Rauschens über die Cutoff-Frequenz. Dies wird durch die Erhöhung des explosionslosen Parameters erhöht. Die Koeffizienten für jede erläuternde Reihe zeigen eine Korrelation in ihrer Bewegung, wenn die Verzögerungen zunehmen. Die Glätte und Verfall der Koeffizienten lässt jedoch viel zu wünschen übrig. Wir werden dies durch die Einführung von Regularisierungsparametern beheben. Plots des In-Sample-Trading-Signals und die Performance-In-Sample des Signals sind in den beiden folgenden Abbildungen dargestellt. Beachten Sie, dass sich das Handelssignal sehr gut verhält. Allerdings kann man sich täuschen. Diese stellaren Leistung ist zum großen Teil auf ein Filterphänomen zurückzuführen, das als Überfüllung bezeichnet wird. Man kann daraus schließen, dass die Überfüllung hier der Schuldige ist, indem man einfach die Nichtigkeit der Koeffizienten mit der Anzahl der gefrorenen Freiheitsgrade betrachtet, die in diesem Beispiel etwa 174 (von 174) viel zu hoch ist. Wir möchten diese Zahl auf etwa die Hälfte der Gesamtheit der Freiheitsgrade (Anzahl der Erklärungsreihen x L) erhalten. Abbildung 4: Das Trading-Signal und die Log-Return-Daten des Yen. Die In-Probe-Performance dieses Filters zeigt die Art der Ergebnisse, die wir nach der Regularisierung sehen möchten. Aber jetzt kommt für die ernüchternden Effekte der Überfüllung. Wir wenden diese Filterkoeffizienten auf 200 15-minütige Beobachtungen des Yen und der Erklärungsreihe vom 18. Januar bis 1. Februar 2013 an und vergleichen mit den Merkmalen in der Probe. Um dies in R zu tun, laden wir zuerst die Out-of-Sample-Daten in die R-Umgebung und wenden dann den Filter auf die Out-of-Sample-Daten an, die ich als xout definiert habe. Die Darstellung in Abbildung 5 zeigt das Out-of-Sample-Trading-Signal. Beachten Sie, dass das Signal nicht annähernd so glatt ist wie in der Probe. Eine Überschreitung der Daten in einigen Bereichen ist ebenfalls offensichtlich vorhanden. Obwohl die Out-of-Sample-Überlagerungseigenschaften des Signals nicht schrecklich misstrauisch sind, würde ich diesem Filter nicht vertrauen, um auf lange Sicht stellare Renditen zu produzieren. Abbildung 5. Filter, der auf 200 15-minütige Beobachtungen von Yen-Out-of-Sample angewendet wurde, um ein Handelssignal zu erzeugen (blau dargestellt). Nach der vorherigen Analyse der Mittel-Quadrat-Lösung (keine Anpassung oder Regularisierung) gehen wir nun auf, Problem der Überfüllung, die in den Koeffizienten sichtbar war, zusammen mit der Behebung des Rauschens im Stoppband (Frequenzen nach). Um die Parameter für Glättung und Regularisierung zu wählen, muss zunächst der Glätteparameter zuerst angewendet werden, da dies die Koeffizienten im Allgemeinen als 8216pre8217-Regulator füllt und dann zur Auswahl geeigneter Regularisierungskontrollen vorangeht. Bei der Betrachtung der Koeffizienten (Abbildung 3) sehen wir, dass eine gerechte Glättung notwendig ist, mit nur einer leichten Berührung des Verfalls. Um diese beiden Parameter in R auszuwählen, besteht eine Option darin, den Troikaner-Optimierer (hier zu finden) zu verwenden, um eine passende Kombination zu finden (ich habe einen geheimen Sauce-Algorithmus-Ansatz, den ich für iMetrica für die Auswahl von optimalen Kombinationen von Parametern bei einem Extraktor und einer Leistungsindikator entwickelt habe , Obwohl it8217s langwierig (auch in GNU C) und umständlich zu bedienen, so dass ich in der Regel bevorzugen die Strategie in diesem Tutorial diskutiert). In diesem Beispiel habe ich angefangen, das Lambdasmooth auf .5 und den Zerfall auf (.1, .1) zusammen mit einem expweight smoothness Parameter auf 8.5 gesetzt. Nach dem Betrachten der Koeffizienten war es immer noch nicht genug Glätte, also fuhr ich fort, endlich mehr zu erreichen .63, was der Trick machte. Ich wählte dann Lambda, um die Effekte des Glättungs-Expeldes auszugleichen (Lambda ist immer der letzte Resort-Tweaking-Parameter). Abbildung 6 zeigt die resultierende Frequenzantwortfunktion für beide Erklärungsreihen (Yen in Rot). Beachten Sie, dass der größte Spektralpeak, der direkt vor dem Häufigkeitsabschluss gefunden wird, hervorgehoben und leicht beeinträchtigt wird (Wert nahe 0,8 statt 1,0). Auch die anderen Spektralspitzen sind vorhanden. Für die Koeffizienten wurde gerade genug Glättung und Verfall angewendet, um die Verzögerung, die zyklische und korrelierte Struktur der Koeffizienten intakt zu halten, aber jetzt sehen sie viel schöner in ihrer geglätteten Form aus. Die Anzahl der gefrorenen Freiheitsgrade wurde auf etwa 102 reduziert. Abbildung 6: Die Frequenzgangfunktionen und die Koeffizienten nach der Regularisierung und Glättung wurden angewendet (oben). Die geglätteten Koeffizienten mit leichtem Zerfall am Ende (unten). Die Anzahl der gefrorenen Freiheitsgrade beträgt ca. 102 (von 172). Zusammen mit einem verbesserten gefrorenen Freiheitsgrad und keiner offensichtlichen Verwüstung der Überfüllung, wenden wir diese Filter-out-of-Probe auf die 200 Out-of-Probe Beobachtungen, um die Verbesserung der Struktur der Filterkoeffizienten (siehe unten in Abbildung 7). Beachten Sie die enorme Verbesserung der Eigenschaften des Handelssignals (verglichen mit Abbildung 5). Das Überschwingen der Daten ist beseitigt und die Gesamtglätte des Signals hat sich deutlich verbessert. Dies ist auf die Tatsache zurückzuführen, dass wir das Vorhandensein von Überfüllung beseitigt haben. Abbildung 7: Out-of-sample Trading-Signal mit Regularisierung. Mit allen Indikationen eines Filters, der mit genau den Merkmalen ausgestattet ist, die wir für Robustheit benötigen, wenden wir nun das Trading-Signal sowohl in-Sample als auch aus der Probe an, um die Buysell-Trades zu aktivieren und die Performance des Handelskontos im Barwert zu sehen. Wenn das Signal unter Null geht, verkaufen wir (geben Sie kurze Position ein) und wenn das Signal über Null steigt, kaufen wir (geben Sie eine lange Position ein). Das obere Diagramm von Abbildung 8 ist der Protokollpreis des Yen für die 15-Minuten-Intervalle und die gepunkteten Linien repräsentieren genau dort, wo das Handelssignal generiert wird (Kreuzung null). Die schwarzen gepunkteten Linien repräsentieren einen Kauf (lange Position) und die blauen Linien zeigen einen Verkauf (und eine kurze Position) an. Beachten Sie, dass das Signal alle nahezu offenen Sprünge für den Yen (teilweise dank der erklärenden Serie) voraussagte. Dies ist genau das, was wir anstreben werden, wenn wir Regularisierung und Anpassung an den Filter hinzufügen. Die Kassenbestände der Geschäfte über dem In-Sample-Zeitraum sind nachfolgend dargestellt, wobei die Transaktionskosten auf 0,05 Prozent festgesetzt wurden. In-Probe, das Signal verdiente rund 6 Prozent an 9 Handelstagen und eine 76 Prozent Handels-Erfolgsquote. Abbildung 8: In-Probe-Leistung des neuen Filters und der Trades, die generiert werden. Jetzt für den ultimativen Test, um zu sehen, wie gut der Filter bei der Herstellung eines Sieger-Trading-Signals durchführt, haben wir den Filter auf die 200-15-minütige Out-of-Sample-Beobachtung des Yen und die Erklärungsreihe vom 18. Januar bis 1. Februar angewendet und machen Trades basierend auf dem Nulldurchgang. Die Ergebnisse sind unten in Abbildung 9 dargestellt. Die schwarzen Linien repräsentieren die Käufe und blauen Linien, die verkauft (Shorts). Beachten Sie, dass der Filter trotz der Regularisierung immer noch in der Lage ist, die nahezu offenen Sprünge auch ohne Probleme zu prognostizieren. Der Filter erliegt nur drei winzigen Verlusten bei weniger als 0,08 Prozent zwischen den Beobachtungen 160 und 180 und einem kleinen Verlust am Anfang, mit einer Out-of-Probe Handels-Erfolgsquote schlagen 82 Prozent und ein ROI von knapp über 4 Prozent über Das 9-tägige Intervall. Abbildung 9: Out-of-Probe Leistung des regulierten Filters auf 200 Out-of-Probe 15 Minuten Rückkehr des Yen. Der Filter erzielte 4 Prozent ROI über die 200 Beobachtungen und eine 82 Prozent Handels-Erfolgsquote. Vergleichen Sie dies mit den Ergebnissen, die in iMetrica mit den gleichen MDFA-Parametereinstellungen erreicht wurden. In Fig. 10 sind sowohl die In-Probe - als auch die Out-of-Probe-Leistung gezeigt. Die Leistung ist fast identisch. Abbildung 10: In-Probe und Out-of-Probe Leistung des Yen-Filters in iMetrica. Fast identisch mit der Leistung, die in R. erhalten wird. Jetzt nehmen wir einen Stich bei der Herstellung eines anderen Handelsfilters für den Yen, nur dieses Mal wollen wir nur die niedrigsten Frequenzen identifizieren, um ein Trading-Signal zu generieren, das weniger oft handelt und nur die größten Zyklen sucht. Wie bei der Performance des bisherigen Filters wollen wir immer noch die Frequenzen ansprechen, die für die großen, nahezu offenen Variationen des Yen-Preises verantwortlich sein könnten. Um dies zu tun, wählen wir unsere Cutoff zu sein, die effektiv halten die größten drei Spektralspitzen intakt in der Tiefpass-Band von. Für diesen neuen Filter halten wir die Dinge einfach, indem wir weiterhin die gleichen Regulierungsparameter verwenden, die in dem vorherigen Filter gewählt wurden, da sie scheinbar gute Ergebnisse aus der Probe zu produzieren schienen. Die und die expilierten Anpassungsparameter müssen jedoch angepasst werden, um die neuen Rauschunterdrückungsanforderungen im Stoppband und die Phaseneigenschaften im kleineren Durchlassband zu berücksichtigen. So steigere ich den Glättungsparameter und verringere den Timeliness-Parameter (der nur das Passband beeinflusst), um diese Änderung zu berücksichtigen. Die neuen Frequenzantwortfunktionen und Filterkoeffizienten für dieses kleinere Tiefpassdesign sind unten in Abbildung 11 dargestellt. Beachten Sie, dass der zweite Spektralpeak berücksichtigt und nur geringfügig unter den neuen Änderungen beruhigt wird. Die Koeffizienten haben immer noch die spürbare Glätte und Verfall bei den größten Verzögerungen. Abbildung 11: Frequenzantwortfunktionen der beiden Filter und deren entsprechende Koeffizienten. Um die Effektivität dieses neuen, niedrigeren Trading-Frequenz-Designs zu testen, wenden wir die Filterkoeffizienten auf die 200 Out-of-Sample-Beobachtungen der 15-minütigen Yen-Log-Returns an. Die Leistung ist unten in Abbildung 12 dargestellt. In diesem Filter sehen wir deutlich, dass es dem Filter immer noch gelingt, die großen, nahezu offenen Sprünge im Preis des Yen korrekt vorherzusagen. Nur drei Gesamtverluste werden während des 9-tägigen Zeitraums beobachtet. Die Gesamtleistung ist nicht so ansprechend wie das bisherige Filterdesign, da weniger Trades getätigt werden, mit einem knapp 2 Prozent ROI und 76 Prozent Handelserfolgsquote. Allerdings könnte dieses Design die Prioritäten für einen Händler viel empfindlicher auf Transaktionskosten passen. Abbildung 12: Out-of-sample Leistung des Filters mit niedrigerem Cutoff. Schlussfolgerung Verifizierung und Cross-Validierung ist wichtig, so wie der interessanteste Mann in der Welt Ihnen sagen wird. Der Punkt dieses Tutorials war, einige der Hauptkonzepte und - strategien zu zeigen, die ich unterziehe, wenn ich mich dem Problem des Aufbaus eines robusten und hocheffizienten Handelssignals für irgendein gegebenes Vermögen bei irgendeiner Frequenz nähere. Ich wollte auch sehen, ob ich mit dem R MDFA Paket als iMetrica Softwarepaket ähnliche Ergebnisse erzielen könnte. Die Ergebnisse endete fast parallel, außer für einige kleinere Unterschiede. Die Hauptpunkte, die ich hervorheben wollte, waren die ersten Analysen des Periodogramms, um die wichtigen Spektralspitzen zu suchen (wie zB diejenigen, die mit nahezu offenen Variationen assoziiert sind) und zu zeigen, wie sich die Wahl des Cutoffs auf den systematischen Handel auswirkt. Hier ist eine schnelle Wiederholung auf gute Strategien und Hacks im Auge zu behalten. Zusammenfassung der Strategien für den Aufbau von Handelssignal mit MDFA in R: Wie ich bereits erwähnt habe, ist das Periodogramm dein bester Freund. Tragen Sie den Cutoff direkt nach einer Reihe von Spektralspitzen, die Sie beachten möchten. Diese Gipfel sind das, was die Trades generiert. Verwenden Sie eine Auswahl von Filterlänge nicht größer als 14. Alles größere ist unnötig. Beginnen Sie mit dem Berechnen des Filters im mittleren quadratischen Sinn, nämlich ohne irgendeine Anpassung oder Regularisierung zu verwenden und genau zu sehen, was genehmigt werden muss, indem man die Frequenzantwortfunktionen und Koeffizienten für jede erläuternde Reihe betrachtet. Die gute Leistung des Trading-Signals in-Sample (und sogar Out-of-Sample in den meisten Fällen) ist sinnlos, es sei denn, die Koeffizienten haben solide robuste Eigenschaften sowohl im Frequenzbereich als auch im Lag-Domäne. Ich empfehle mit der Optimierung der Glätte Anpassung Parameter Expweight und die Lambdasmooth Regularisierung Parameter zuerst. Gehen Sie dann mit nur geringen Anpassungen der Lambdadecay-Parameter fort. Schließlich, als letzter Ausweg, die Lambda-Anpassung. Ich habe wirklich nie die Mühe, Lambdacross zu betrachten. Es hat selten in einer signifikanten Weise geholfen. Da die Daten, die wir verwenden, um Ziel-und Build-Trading-Signale sind Log-Returns, keine Notwendigkeit, jemals mit i1 und i2 stören. Die sind für die wirklich fortgeschrittenen und geduldigen Signal-Extraktoren, und sollten nur für diejenigen, die mit iMetrica ausgestattet sind links, wenn Sie irgendwelche Fragen haben, oder möchte die Hochfrequenz-Yen-Daten, die ich in diesen Beispielen verwendet, fühlen Sie sich frei, mich zu kontaktieren und I8217ll senden Sie zu dir Bis zum nächsten Mal, glücklich zu extrahieren 8220Er einen kurzen Blick auf die ldfxyinsamp Daten, sehen wir Log-Returns des Yen alle 15 Minuten ab Markt offen (Zeitzone UTC). Die Zieldaten (Yen) befinden sich in der ersten Spalte zusammen mit den beiden Erklärungsreihen (Yen und ein weiteres Asset, das mit der Bewegung von Yen integriert ist) .8221 Also in deiner Datei im Input verwenden Sie das Log (Close-Returns) zweimal (col1 Und 2) und ein anderer Vermögenswert Kannst du mir mehr über diesen anderen Asset Cointegred erzählen. Wie Sie es finden Während es8217s nicht so offensichtlich, um eine Reihe von erklärenden Variablen, die Signal (und Trading) Leistung zu verbessern, entwickelte ich ein Tool namens fundamentale Frequenzkomponenten-Analyse, die mir hilft, wählen Sie Serie mit starken Verzögerung Korrelationen bei bestimmten Frequenzen I8217m interessiert In. Die Methode scheint ziemlich gut so weit in meiner Erfahrung zu arbeiten. Danke Chris, hast du in den kommenden Wochen einen anderen Thread geplant Ja, ich habe viele neue Ideen für Artikel und schreibe bald ein. Ich bin in den vergangenen paar Monaten damit beschäftigt, die Methodik noch mehr zu verbessern, was es noch robuster für den Finanzhandel macht. Das Problem ist, dass ich anfange, zu viele meiner Geheimnisse zu verschenken und werde schließlich meinen Wettbewerbsvorteil verlieren, also muss ich ein bisschen kryptisch bleiben Was deine Favoriten Zeitrahmen. 15 mins Ich denke, 15 Minuten ist eine gute Reichweite, je niedriger die Frequenz, desto besser und robuster das Signal wird. Doch in der Praxis I8217m derzeit mit 5 min Renditen mit einem proprietären Handelsunternehmen in Chicago auf Index Futures. Sie filtrieren die Zeit in Ihren Daten. Sie handeln nur von 13:30 Uhr bis 20 Uhr Sie über Nacht Handel