Zeitreihenvorhersagemodelle Wie Gleitende Durchschnitte Forex

Verwenden von wiederkehrenden neuronalen Netzwerken zur Prognose von Forex Dieses Papier berichtet empirischen Beweis dafür, dass ein neuronales Netzwerkmodell auf die statistisch zuverlässige Vorhersage von Wechselkursen anwendbar ist. Zeitreihen-Daten und technische Indikatoren wie gleitender Durchschnitt werden in neuronale Netze gefüttert, um die zugrunde liegenden Regeln der Bewegung in Wechselkursen zu erfassen. Die ausgebildeten rekurrierenden Neuronalen Netze prognostizieren die Wechselkurse zwischen US-Dollar und vier weiteren wichtigen Währungen, Japanische Yen, Schweizer Franken, Britische Pfund und EURO. Es wurden verschiedene statistische Schätzungen der Prognosequalität durchgeführt. Erhaltene Ergebnisse zeigen, dass neuronale Netze in der Lage sind, Prognose mit Koeffizienten der Mehrfachbestimmung zu geben, nicht schlechter als 0.65. Lineare und nichtlineare statistische Datenvorverarbeitung, wie Kolmogorov-Smirnov-Test und Hurst-Exponenten für jede Währung wurden berechnet und analysiert. Schlüsselwörter: Neuronale Netze, Devisenkurse, Statistische Tests, Hurst Exponent, Komplexe Systeme Theorie Forex ist die größte und liquideste der Finanzmärkte, mit etwa 1 Billionen gehandelt jeden Tag. Es führt zu dem ernsthaften Interesse an diesem Sektor der Finanzierung und macht deutlich, dass aus verschiedenen Gründen, die jeder Trader auf Forex eine genaue Prognose des Wechselkurses haben wollen. Die meisten Händler verwenden in altmodischer Weise solche traditionelle Methode der Prognose als technische Analyse mit der Kombination von grundlegenden ein. In dieser Arbeit entwickeln wir den neuronalen Netzansatz zur Analyse und Prognose von Finanzzeitreihen, die nicht nur auf der neuronalen Netzebene basieren, sondern auch auf einem Paradigma komplexer Systemtheorie und ihrer Anwendbarkeit auf die Analyse verschiedener Finanzmärkte (Mantegna et al., 2000 Peters, 1996) ) Und insbesondere auf Forex. Bei der Auswahl der Architektur des neuronalen Netzes und der Strategie der Prognose führten wir die Datenvorverarbeitung auf der Basis einiger Methoden der gewöhnlichen statistischen Analyse und der komplexen Systemtheorie durch: RS-Analyse, Methoden der nichtlinearen und chaotischen Dynamik (Mantegna et al., 2000, Peters, 1996) ). In der vorliegenden Arbeit beschreiben wir nicht alle. Wir präsentieren hier nur die Ergebnisse des Kolmogorov-Smirnov-Tests und die Ergebnisse der RS-Analyse. Allerdings betonen wir, dass die vorläufige Analyse ermöglicht hat, die Parameter des neuronalen Netzes zu optimieren, den Horizont der Vorhersagbarkeit zu bestimmen und einen Vergleich der Prognosequalität verschiedener Währungen durchzuführen. Im Folgenden geben wir einige Bemerkungen über die Vorteile der neuronalen Netze Technologie über traditionelle Methoden und vergleichen Sie unseren Ansatz mit den Methoden anderer Autoren Zuerst nimmt die neuronale Netzwerk-Analyse keine Einschränkungen für die Art der Input Informationen als technische Analyse. Es könnte als Indikatoren für Zeitreihen sein, als Information über das Verhalten anderer Finanzinstrumente. Es ist nicht ohne Grund, dass neuronale Netze genau von institutionellen Investoren (zB Pensionskassen) genutzt werden, die sich mit großen Portfolios befassen und für die Korrelationen zwischen verschiedenen Märkten notwendig sind. Zweitens, im Gegensatz zur technischen Analyse, die auf gemeinsamen Empfehlungen basiert, sind neuronale Netze in der Lage, optimale, für gegebene Finanzinstrumente, Indikatoren und bauen optimal zu finden, für vorgegebene Zeitreihen, Prognosestrategie. Lassen Sie uns daran erinnern, dass in der vorliegenden Studie haben wir die Wechselkurse von nur ausgewählten Währungen auf Forex-Markt prognostiziert. Als Währungen haben wir uns für Britisches Pfund, Schweizer Franken, EURO und Japanisches Yen entschieden. Das Folgende motiviert diese Wahl: praktisch alle Hauptvolumen der Operationen auf Forex werden mit diesen Währungen gemacht. Lassen Sie uns anmerken, dass es eine Menge von Papieren veröffentlicht wurden, wo ähnliche Probleme untersucht worden sind. (Jingtao Yao et al., 2000 Castiglione, 2001 Kuperin et al., 2001 Lee et al., 1997 Tino et al., 2001 McCluskey, 1993). Lassen Sie uns kurz die Ergebnisse sehen, einige von ihnen. In (Castiglione, 2001) wurde das Problem der Vorhersage der Preissteigerungen untersucht. Als analysierte Daten wurden solche Indizes wie SampP500, Nasdaq100 und Dow Jones genommen. Wurde vielschichtige Wahrnehmungen verschiedener Konfigurationen mit unterschiedlicher Anzahl versteckter Neuronen gemacht. Als Ergebnis wurde eine Möglichkeit der Vorhersage des Vorzeichens von Preisinkrementen mit einer Wahrscheinlichkeit von etwas höher als 50 gezeigt, d. H. Ein wenig besser als nur das Münzenwerfen. Wir vermuten, dass diese Art von Ergebnissen aus praktischer Sicht irrelevant ist und ein akademisches Interesse hat. MetaTrader 4 - Trading Forecasting Financial Time-Serie Einleitung Dieser Artikel befasst sich mit einer der beliebtesten praktischen Anwendungen der neuronalen Netze, die Prognose von Markt-Zeitreihe. In diesem Bereich ist die Prognose am engsten mit der Rentabilität verknüpft und kann als eine der Geschäftsaktivitäten betrachtet werden. Die Prognose der finanziellen Zeitreihen ist ein notwendiges Element jeder Investitionstätigkeit. Das Konzept, sich selbst zu investieren - Geld zu verdienen, um zukünftig Gewinne zu erzielen - basiert auf dem Konzept der Vorhersage der Zukunft. Die Prognose der finanziellen Zeitreihen unterliegt daher den Aktivitäten der gesamten Investitionsbranche - allen organisierten Börsen und anderen Wertpapierhandelssystemen. Lets geben einige Zahlen, die das Ausmaß dieser prognostizierten Industrie veranschaulichen (Sharp, 1997). Der tägliche Umsatz des US-Aktienmarktes übersteigt 10 Milliarden US-Dollar. Die Depositary Trust Company in den USA, wo Wertpapiere in Höhe von 11 Billionen US-Dollar (des Gesamtvolumens von 18 Billionen US-Dollar) registriert sind, markiert etwa 250 Milliarden US-Dollar täglich. Trading Welt FOREX ist noch aktiver. Seine täglichen Renditen überschreiten 1000 Milliarden US-Dollar. Es ist etwa 150 der globalen aggregierten Hauptstadt. 99 von allen Transaktionen sind bekannt, spekulativ zu sein, d. h. sie sind nicht darauf abzielen, für eine reale Warenumlauf zu dienen, sondern werden durchgeführt, um Gewinne aus dem Schema zu gewinnen: gekauft billiger und besser verkauft. Sie alle basieren auf den Transaktoren Prognosen über Rate Änderungen vorgenommen. Zur gleichen Zeit, und es ist sehr wichtig, die Vorhersagen von den Teilnehmern jeder Transaktion sind polar. So charakterisiert das Volumen der spekulativen Transaktionen das Maß der Diskrepanzen in den Marktteilnehmervorhersagen, d. h. in der Realität, das Maß der Unberechenbarkeit der finanziellen Zeitreihen. Diese wichtigste Eigenschaft der Marktzeitreihe unterliegt der effizienten Markthypothese von Louis Bachelier in seiner Diplomarbeit im Jahr 1900. Nach dieser Lehre kann ein Investor nur auf die durchschnittliche Marktgewinnlichkeit hoffen, die mit solchen Indizes wie Dow Jones oder SampP500 ( Für New York Exchange). Allerdings kommt jeder spekulative Gewinn zufällig und ist ähnlich wie ein Glücksspiel. Die Unberechenbarkeit der Marktkurven wird durch denselben Grund bestimmt, für welchen Geld man in den belebten Straßen kaum auf dem Boden liegen kann: Es gibt zu viele Freiwillige, um sie abzuholen. Die effiziente Markttheorie wird natürlich nicht von den Marktteilnehmern selbst unterstützt (weil sie genau auf der Suche nach diesem Lügengeld sind). Die meisten von ihnen sind sich sicher, dass die Marktzeitreihen, obwohl sie stochastisch zu sein scheinen, voller verborgener Regelmäßigkeiten sind, d. h. sie sind zumindest teilweise vorhersehbar. Es war Ralph Elliott, der Begründer der technischen Analyse, der in den 30er Jahren versucht hatte, solche verborgenen empirischen Regelmäßigkeiten zu entdecken. In den 80er Jahren fand diese Perspektive eine überraschende Unterstützung in der dynamischen Chaostheorie, die kurz zuvor aufgetreten war. Die Theorie beruht auf der Opposition des Chaoszustandes und der Stochastizität (Zufälligkeit). Chaotische Reihen erscheinen nur zufällig, aber als ein bestimmter dynamischer Prozess verlassen sie einen Raum für eine kurzfristige Prognose. Der Bereich der möglichen Prognosen ist zeitlich begrenzt durch den Prognosehorizont. Aber das reicht aus, um durch die Prognose echte Gewinne zu erzielen (Chorafas, 1994). Dann können jene, die bessere mathematische Methoden haben, Regelmäßigkeiten aus lärmenden chaotischen Reihen zu extrahieren, auf eine bessere Gewinnrate hoffen - auf Kosten ihrer schlechteren Gefährten. In diesem Artikel werden wir spezifische Tatsachen geben, die die teilweise Vorhersagbarkeit von finanziellen Zeitreihen bestätigen und diese Vorhersagbarkeit sogar numerisch bewerten. Technische Analyse und Neuronale Netze In den letzten Jahrzehnten wird die technische Analyse - eine Reihe von empirischen Regeln, die auf verschiedenen Marktverhaltensindikatoren basieren - immer beliebter. Die technische Analyse konzentriert sich auf das individuelle Verhalten einer bestimmten Sicherheit, irrelativ auf andere Wertpapiere (Pring, 1991). Dieser Ansatz ist psychologisch auf Broker konzentriert auf genau die Sicherheit, die sie arbeiten zu einem bestimmten Zeitpunkt. Laut Alexander Elder, einem bekannten technischen Analytiker (zunächst als Psychotherapeut ausgebildet), ist das Verhalten der Marktgemeinschaft sehr ähnlich wie das Publikumsverhalten, das sich durch besondere Gesetze der Massenpsychologie auszeichnet. Der Gedächtnis-Effekt vereinfacht das Denken, beruft einzelne Einzelheiten ab und erzeugt die Formen des kollektiven, geselligen Verhaltens, das primitiver ist als das Individuelle. Besonders der soziale instinkt verstärkt die rolle eines führers, ein alpha malefemale. Die Preiskurve, nach Elder, ist genau dieser Führer, der das Marktkollektivbewusstsein auf sich selbst fokussiert. Diese psychologische Interpretation des Marktpreisverhaltens beweist die Anwendung der dynamischen Chaostheorie. Die partielle Vorhersagbarkeit des Marktes wird durch ein relativ primitives kollektives Verhalten von Spielern bestimmt, die ein einziges chaotisches dynamisches System mit relativ geringem internen Freiheitsgraden bilden. Nach dieser Lehre musst du von den Bande der Menge brechen, darüber steigen und schlauer werden als die Menge, um die Marktkurven vorherzusagen. Zu diesem Zweck soll man ein Spielsystem entwickeln, das auf dem vorherigen Verhalten einer Zeitreihe ausgewertet wird und diesem System strikt folgt und von Emotionen und Gerüchten, die sich um den gegebenen Markt herumlaufen, nicht beeinflusst wird. Mit anderen Worten, Vorhersagen müssen auf einem Algorithmus basieren. D. h. sie können und müssen sogar an einen Computer übergeben werden (LeBeau, 1992). Ein Mann sollte diesen Algorithmus einfach erstellen, zu welchem ​​Zweck er verschiedene Softwareprodukte hat, die die Entwicklung und weitere Unterstützung von programmierten Strategien auf der Grundlage technischer Analysewerkzeuge erleichtern. Nach dieser Logik, warum nicht, einen Computer in der Strategie-Entwicklungsstufe zu verwenden, da es kein Assistent ist, die bekannten Marktindikatoren zu berechnen und die gegebenen Strategien zu testen, sondern optimale Indikatoren und optimale Strategien für die gefundenen Indikatoren zu finden. Dieser Ansatz, der durch die Anwendung neuronaler Vernetzungstechnologien unterstützt wird, gewinnt seit Anfang der 90er Jahre mehr und mehr Anhänger (Beltratti, 1995, Baestaens, 1997), da er eine Reihe von unbestreitbaren Vorteilen hat. Zunächst nimmt die neuronale Netzwerkanalyse, anders als die technische, keine Einschränkungen hinsichtlich der Art der Eingangsdaten ein. Es können sowohl die Indikatoren der vorgegebenen Zeitreihen als auch die Informationen über das Verhalten anderer Marktpapiere sein. Nicht ohne Grund sind dies institutionelle Investoren (z. B. große Pensionsfonds), die aktiv neuronale Netze nutzen. Solche Investoren arbeiten mit großen Portfolios, für die die Korrelationen zwischen verschiedenen Märkten von vorrangiger Bedeutung sind. Zweitens, im Gegensatz zur technischen Analyse, die auf allgemeinen Empfehlungen basiert, können neuronale Netze Indikatoren finden, die für die gegebene Sicherheit optimal sind und auf ihnen eine Prognosestrategie optimal für die vorgegebene Zeitreihe optimieren. Darüber hinaus können diese Strategien anpassungsfähig sein. Mit dem Markt, der für junge, dynamisch entwickelnde Märkte, vor allem für die russische, von vorrangiger Bedeutung ist. Die neuronale Netzwerkmodellierung allein basiert nur auf Daten ohne irgendwelche a priori Erwägungen. Darin liegt seine Stärke und zugleich die Achillesferse. Die verfügbaren Daten können für das Lernen nicht ausreichen, die Dimensionalität der potentiellen Inputs kann zu hoch sein. Weiterhin werden wir in diesem Artikel zeigen, wie die durch die technische Analyse angesammelten Erfahrungen bei der Überwindung dieser Schwierigkeiten helfen können, die auf dem Gebiet der finanziellen Vorhersagen typisch sind. Time-Series Forecasting-Technik In einem ersten Schritt können wir das allgemeine Schema der Zeitreihen-Prognose mit neuronalen Netzwerken beschreiben (Abb. 1). Feige. 1. Das technologische Zyklus-Schema der Zeitreihen-Prognose. Weiter in diesem Artikel werden wir kurz alle Phasen dieses Prozessablaufs besprechen. Obwohl die allgemeinen Prinzipien der neuronalen Netzwerkmodellierung für diese Aufgabe in vollem Umfang anwendbar sind, hat die Prognose der finanziellen Zeitreihen ihren eigenen Charakter. Dies sind diese Besonderheiten, die in diesem Artikel in größtmöglichem Umfang beschrieben werden. Immersionstechnik. Tackens Theorem Beginnen wir mit dem Eintauchen. Wie wir jetzt sehen werden, für alle diese Vorhersagen scheinen die Extrapolation von Daten zu sein, neuronale Netzwerke, in der Tat, lösen das Problem der Interpolation. Was die Gültigkeit der Lösung beträchtlich erhöht. Die Prognose einer Zeitreihe löst sich in das Routineproblem der neuronalen Analyse - Annäherung einer multivariablen Funktion für einen gegebenen Satz von Beispielen - mit dem Verfahren des Eintauchens der Zeitreihe in einen multidimensionalen Raum (Weigend, 1994). Zum Beispiel besteht ein - dimensionaler Verzögerungsraum der Zeitreihe aus Werten der Zeitreihen zu aufeinanderfolgenden Zeitpunkten:. Der folgende Tackens-Theorem wird für dynamische Systeme bewiesen: Wird eine Zeitreihe von einem dynamischen System erzeugt, dh die Werte sind eine beliebige Funktion des Zustands eines solchen Systems, so gibt es eine solche Eintauchtiefe (etwa gleich der effektiven Zahl Von Freiheitsgraden dieses dynamischen Systems), die eine eindeutige Vorhersage des nächsten Wertes der Zeitreihe liefert (Sauer, 1991). Also ein ziemlich großes gewählt Sie können eine eindeutige Abhängigkeit zwischen dem zukünftigen Wert der Zeitreihe und ihren vorangehenden Werten garantieren: d. h. die Vorhersage einer Zeitreihe löst sich in das Problem der multivariablen Funktionsinterpolation ein. Dann können Sie das neuronale Netzwerk verwenden, um diese unbekannte Funktion auf der Grundlage eines Satzes von Beispielen wiederherzustellen, die durch die Geschichte dieser Zeitreihe definiert sind. Im Gegenteil, bei einer zufälligen Zeitreihe bietet das Wissen der Vergangenheit keine nützlichen Hinweise zur Vorhersage der Zukunft. Nach der effizienten Markttheorie ändert sich also die Streuung der vorhergesagten Werte der Zeitreihen nicht, wenn sie in den Lagraum eintauchen. Der Unterschied zwischen einer chaotischen Dynamik und einer stochastischen (zufälligen), die während des Eintauchens erkannt wurde, ist in Abb. 2. Abb. 2. Der Unterschied zwischen einem zufälligen Prozess und einer chaotischen Dynamik, die beim Eintauchen festgestellt wurde. Empirische Bestätigung der Vorhersagbarkeit der Zeitreihe Die Immersionsmethode ermöglicht es uns, die Vorhersagbarkeit von realen Wertpapieren quantitativ zu messen, d. h. die effiziente Markthypothese zu beweisen oder zu widerlegen. Nach dem letzteren ist die Streuung von Punkten in allen Lagraumkoordinaten identisch (wenn die Punkte identisch verteilte unabhängige zufällige Werte sind). Im Gegenteil, die chaotische Dynamik, die eine gewisse Vorhersagbarkeit bietet, muss dazu führen, dass Beobachtungen um eine bestimmte Hypersurface gruppiert werden, d. h. die experimentelle Probe bildet einen Satz mit der Dimension, die kleiner ist als die Dimension des gesamten Lagraums. Um die Dimensionen zu messen, können Sie die folgende intuitive Eigenschaft verwenden: Wenn ein Satz die Dimension von D hat. Dann, wenn es in kleinere und kleinere kubische Flächen mit einer Seite von geteilt wird, wird die Anzahl solcher Würfel wachsen wie. Diese Tatsache liegt unter der Erkennung der Dimension der Sätze durch die Box-Zählmethode, die wir aus früheren Betrachtungen kennen. Die Dimension eines Satzes von Punkten wird durch die Rate der Zunahme der Anzahl der Kästen, die alle Punkte des Satzes enthalten, erkannt. Um den Algorithmus zu beschleunigen, nehmen wir die Dimensionen als Vielfache von 2, d. h. die Auflösungsskala wird in Bits gemessen. Als Beispiel für eine typische Marktzeitreihe können wir ein so bekanntes Finanzinstrument wie SampP500 Index nehmen, das die durchschnittliche Preisdynamik an der New York Exchange widerspiegelt. Feige. 3 zeigt die Indexdynamik für den Zeitraum von 679 Monaten. Die Dimension (Informationsdimension ist gemeint) von Inkrementen dieser Zeitreihe, die nach dem Kastenzählverfahren berechnet wird, ist in Abb. 1 dargestellt. 4. Abb. 3. Eine Zeitreihe von 679 Werten von SampP500, die als Beispiel in diesem Artikel verwendet wird. Verwenden von Coterie Networks Mögliche Profitrate von Neuronalen Netzwerkvorhersagen