Mdfa อัตราแลกเปลี่ยน

การทำ Signalextraction แบบเรียลไทม์ (MDFA) และการนำเสนอการค้าอัลกอริทึมเกี่ยวกับชุดรูปแบบ: Real-Time Signalextraction (MDFA) และ Algorithmic Trading การนำเสนอผลงาน: Real Time Signalextraction (MDFA) และ Algorithmic Trading marc. wildizhaw. ch blog. zhaw. chidpsefblog idp. zhaw. chusri idp. zhaw. chMDFA-XT idp. zhaw. chsef 2 ความเป็นมา Hybrid mathecon โครงการ IDP-ZHAW กับ econ (MDFA-XT, กองทุนป้องกันความเสี่ยงขนาดใหญ่) วิศวกรรม (เทเลคอม, การคาดการณ์การโหลด) การประยุกต์ใช้งานที่หลากหลายในรูปแบบต่างๆวิธีการแบบทั่วไป (Methodology approach) การพัฒนาภายในองค์กร: (M) DFA R-package signalextraction บน CRAN 3 วิธีการจับคู่ขั้นตอนวิธีการเชิงพาณิชย์แบบคลาสสิก SP500 การปิดบัญชีรายวัน MA (200), มีการถ่วงน้ำหนักอย่างเท่าเทียมกัน 6 ทำไมผู้ค้ามักใช้ตัวกรองฟิวชั่นบ่อยๆทำไมต้องเป็น MDFA blog. zhaw. chidpsefblogindex ลักษณะการกรองความกว้างของสัญญาณ: สัญญาณใดที่ถูกดึงออกเวลากะ: ความล่าช้าขนาดใหญ่เท่าใด 11 ข้อสรุปข้ามกฎ (bandpass) มีความล่าช้าในเวลาเพียงเล็กน้อย MDFA มีความยืดหยุ่นในการออกแบบแบบเรียลไทม์ (bandpass) ที่มีประสิทธิภาพได้อย่างรวดเร็วและราบรื่น 16 ข้อสรุป Damp หรือ avoi (ข้อมูลทางการเงินถูกละเลย) NBER ข้อเสีย: ไม่เพียงพอใช้งาน Texto: ยากที่จะปรับค่าธรรมเนียม 25 ข้อสรุปการซื้อขายที่สูงขึ้น ความถี่ที่เกี่ยวข้องกับ Bandpass ขยับไปทางขวามีความคล่องตัวมากกว่าระบบกรองแบบเดิมการเลื่อนเวลาหน่วงน้อยกว่า 27 การตั้งค่าค่าใช้จ่ายในการซื้อขายความเสื่อมถอยทั้งหมด 0.3 ต่อคำสั่งซื้อ (กองทุนขนาดเล็ก) ยาวเท่านั้นไม่มีความเสี่ยงจากอัตราดอกเบี้ย 33 ข้อสรุปอัตราการซื้อขายที่สูงขึ้นเกี่ยวข้องกับ (แนะนำ) ตัวกรองจะพร้อมใช้งานออนไลน์ในช่วงปลายเดือนกรกฎาคม 35 Excel-Tutorial ในบล็อก SEF-Blog. zhaw. chidpsefblogindex. php archives65 - Real-Time-Detection-of-Turning-Points-a-Tutorial-Part-I-Mean-Square-Error-Norm. htmlblog. zha w. chidpsefblogindex. php archives65 - Real-Time-Detection-of-Turning-Points-a-Tutorial-Part-I-Mean-Square-Error-Norm. html บล็อก. zhaw. chidpsefblogindex. php archives67 - เรียลไทม์การตรวจจับ - Toping-Points-a-Tutorial-Part-II - เน้นจุดหักเห - light-.htmlblog. zhaw. chidpsefblogindex. php archives67- Real-Time-Detection-of-Turning-Points-a-Tutorial-Part-II - จุดเน้นแรก: วิธีการแบบดั้งเดิมของ econometric ทำงานตรงไปตรงมาตรงไปตรงมาดี (ดีที่สุด) การแสดงเฉลี่ยสแควร์คนได้กลายเป็นขี้เกียจใจสองบล็อก-Entry : การตรวจจับจุดเปลี่ยนเป็นแบบฝึกหัด counterintuitive (อย่างมาก) สร้างการออกแบบตัวกรองผิดพลาดที่ดูเหมือน (อย่างมาก) คำเตือนการเรียนรู้ (ความสว่าง) 40 วิธีการ Econometric มาตรฐานการดำเนินการ: ระบุรูปแบบของชุดเวลา (พื้นที่ ARIMastate) ขยายชุดข้อมูลโดยการคาดการณ์ที่ดีที่สุด ตัวกรองสมมาตรในเวลาขยาย s eries X-12-ARIMA, TRAMO, STAMP, อาร์เอสเรียกร้อง: ด้านเดียวกรองที่ดีที่สุด (หมายถึงตารางความรู้สึก) อัสสัมชั: DGPtrue รุ่น 47 การออกแบบคุณธรรมดูเหมือน (ความสัมพันธ์พีค) ความสัมพันธ์ระหว่างประมาณการเวลาจริงและวงจรเป็นฟังก์ชั่น ของเวลาที่ล่าช้า k 57 ข้อสรุปการออกแบบที่ผิดพลาดอย่างเห็นได้ชัดคือเร็วขึ้นเรียบ (TPs น้อยจริงหรือสัญญาณเตือน) ไม่ได้หมายถึงสแควร์ที่ดีที่สุดดีขึ้นในมุมมอง TP 58 จาก Excel เพื่อ MDFA ปรับแต่งพารามิเตอร์กรองด้วยมือใน Excel กวดวิชาข้อบกพร่องของตัวอย่าง Unrealistically ง่าย ในทางปฏิบัติ: สัญญาณรบกวนและสัญญาณรบกวนที่ซับซ้อนมากขึ้นรวมข้อมูลจากชุดข้อมูลมากกว่าหนึ่งชุด (กรอบหลายตัวแปร) ต้องการ: เกณฑ์การเพิ่มประสิทธิภาพที่เป็นทางการยินดีต้อนรับสู่ DFA และ MDFA 61 เกณฑ์การเพิ่มประสิทธิภาพ (I (0)) ลดการประมาณการ superconsistent อย่างสม่ำเสมอ (สม่ำเสมอ) (อย่างสม่ำเสมอ) ที่มีประสิทธิภาพการประมาณข้อผิดพลาดของค่าความคลาดเคลื่อนของตัวกรอง (กำหนดเอง) ประสิทธิภาพจะเข้าสู่อย่างชัดเจนในการออกแบบเกณฑ์การเพิ่มประสิทธิภาพ 62 คุณกล่าวและหรือไม่ว่าจะเป็น Periodogra การวัดความหนาแน่นของสเปกตรัมที่ไม่สอดคล้องกันเป็นระยะ ๆ Smoothing (parametric หรือ non-parametric) Periodogram มีคุณสมบัติทางสถิติที่ยอดเยี่ยม Sufficiency (Larry Brethorst) สามารถหาผลลัพธ์ที่มีประสิทธิภาพอย่างเป็นทางการได้ใน signalextraction แบบเรียลไทม์การทำงานในชุดของ (ประสิทธิภาพของ Univariate DFA) ข้อมูลการสำรวจธุรกิจ (KOF, FED, 2004,2005) X-12-ARIMA, TramoSeats MSE-gain 30 US - และ Euro - GDP (2008): จุดหมุนเวียน CF ที่คาดการณ์ไว้ 1-2 ไตรมาส ESI (2006): Dainties TPs ค้นพบ 2-3 เดือนก่อนหน้า 64 ประสิทธิภาพ (ขึ้นอยู่กับระยะเวลา) ตัวกรอง TP ได้รับรางวัล NN3 (2007) และ NN5 (2008 ) การแข่งขันการคาดการณ์ (60 คน) IIF และ University of Lancaster ข้อมูลรายเดือนและข้อมูลทางการเงินรายเดือน (ชุดข้อมูล 111 ครั้ง) และข้อมูลทางการเงินรายวัน (ชุดเวลา 111 ครั้ง) ผู้ชนะเลิศและผู้ชนะการแข่งขัน M3 อันทรงเกียรติ X-12-ARIMA , Tramo, Forecast-Pro, Autobox, การเรียบอย่างสม่ำเสมอ: Simple, Holt, Damped, Neural nets, ปัญญาประดิษฐ์ blog. zhaw. chidpsefblogblog. zhaw. chidpsefblog 66 การควบคุมเวลาล่าช้า (Customization) 1: เน้นความล่าช้าในการทำงานของ pass - แถบควบคุมที่ดีที่สุด 1: ตัวกรองระดับที่ดีที่สุด 1: เน้นการหน่วงเวลาในแถบผ่าน 1: ชื่อตัวกรองระดับดีที่สุดการควบคุมเวลาล่าช้า (การปรับแต่ง) 1: เน้นความล่าช้าในการส่งผ่านแถบความถี่ 1: ตัวกรองระดับดีที่สุด 67 การปรับแต่ง: การควบคุมเวลา ความล่าช้าและความนุ่มนวลการลดความดังของเสียงความถี่สูงในวงหยุดการลดความล่าช้าของเวลาในการส่งผ่านคลื่นความถี่ W () เป็นแบบ monotonic (เพิ่มขึ้น) และ 1 1 titleCustomization: ควบคุมความล่าช้าและความนุ่มนวลของเวลา ความล่าช้าในเวลาที่สั้นกว่าใน W-pass () เป็นแบบ monotonic (เพิ่มขึ้น) และ 1 74 Efficiency (ทฤษฎีบท 4.1 Wildi2008, WildiSturm2008) ข้อผิดพลาด e T มีขนาดเล็กที่สุดเท่าที่จะเป็นได้ Uniform efficiency การปรับแต่ง 75 Optimal (Effective) Criterion ภายใต้ Cointeg Rational (Rank 1) ข้อ จำกัด ของตัวกรองมีความพึงพอใจ 76 ผลการดำเนินงาน MDFA ช่องว่างด้านการผลิต US - และ Euro-GDP (2008): CF และการแปรเปลี่ยน CF ที่มีหลายตัวแปรคาดการณ์ได้ 1-2 ไตรมาส USRI มีประสิทธิภาพสูงกว่า Markov-switching (Chauvet, ChauvetPiger), Dynamic factor (CFNAI) รูปแบบพื้นที่ของรัฐ (ADS), Hodrick-Prescott (OECD-CLI), Christiano-Fitzgerald SEF-Blog MDFA-XT EURI 77 คำเตือน นี่ไม่ใช่วิธีผลักดันสูตรที่ถูกต้องนักแข่งสูตร 1: สามารถทำได้อย่างรวดเร็ว (เฟอร์รารี่) และเชื่อถือได้ (Mercedes) แต่คุณต้องปรับแต่งอย่างละเอียด: FerradesMercearri Filter Designer (ZPC) ข้อ จำกัด ของตัวกรอง (เน้นความถี่เป็นศูนย์) การทำความเข้าใจ: สติปัญญา 2008-Book: idp. zhaw. chsefidp. zhaw. chsef ยินดีที่จะให้การสนับสนุนสิ่งจูงใจทางการเงิน 79 marc. wildizhaw. ch blog. zhaw. chidpsefblog แสดงปัญหาเกี่ยวกับระเบียบวิธีปฏิบัติโดยอาศัยโครงการของโลกแห่งความจริงกับพันธมิตรทางเศรษฐกิจ idp. zhaw. chusri Real นักลงทุนทดลองสำหรับ MSCI Emerging Markets Filters on-line ปลายเดือนกรกฏาคม idp. zhaw. chsef การสกัดสัญญาณการคาดการณ์หนังสือในเว็บไซต์, บทความ, ซอฟต์แวร์การค้าทางการเงินที่มีความถี่สูงเกี่ยวกับ FOREX กับ MDFA และ R: An ตัวอย่างที่มีค่าเงินเยนญี่ปุ่นรายการสุดท้ายของ Chris โดยเฉพาะในแง่ที่เขาใช้ MDFA โอเพ่นซอร์สของฉัน (แทนที่จะใช้ iMetrica) เพื่อสร้างสัญญาณการซื้อขายโปรดดูที่ 1. ดังนั้นผลที่ได้จะสามารถทำซ้ำได้ คริสทำแบบจำลองยอดเยี่ยมลองดูด้านล่าง: วันพุธที่ 20: ฉันได้เพิ่มรหัส R ที่แก้ไขโดย Chris เพื่อดำเนินการต่อในการจำลองแบบ สิ่งที่ตามมาคือ Chris8217email ตัดและวางจากเซิร์ฟเวอร์ของฉัน: quotSo ฉันเพิ่งเสร็จสิ้นการแนะนำอินทราเน็ตที่รอคอยมานานเกี่ยวกับวิธีการสร้างสัญญาณการซื้อขายโดยใช้ MDFA และ R สำหรับข้อมูลความถี่สูง There8217s ไม่ลับมากเกินไปที่จะซ่อนที่นี่เป็นสิ่งที่ฉันได้ใน R กับรหัสของคุณเป็นหลักประจำเดียวกันฉันใช้เวลาในการสร้างสัญญาณการซื้อขายของฉันใน iMetrica (ยกเว้นที่ฉันสามารถทำสิ่งที่มากได้เร็วขึ้นมากในหลัง8230และตกลงมี. เป็นซอสความลับเล็ก ๆ น้อย ๆ ที่ I8217m ใช้และยังไม่เต็มใจที่จะรั่วออกไปจนกว่าจะใช้ I8217m) แต่เท่าที่ตัวอย่างนี้กับเยนไปทุกอย่าง (ควร) สามารถทำซ้ำได้ที่บ้านโดยใช้โค้ด (แก้ไขเล็กน้อย) ของรหัสของคุณ นี่คือบทความ 1 ความท้าทายหนึ่งข้อที่ฉันเผชิญในการสร้างตัวอย่างเหล่านี้มาจากการเปรียบเทียบกับผลลัพธ์ที่ได้รับจาก iMetrica แต่น่าเสียดายที่ตอนแรกผลไม่เหมือนกัน หลังจากที่กลายเป็นความผิดหวังเล็กน้อยฉันเอาความพยายามอย่างขยันขันแข็งในการหาว่าทำไมฉัน MDFA ประจำใน C จะแตกต่างจากของคุณใน R. เหมืองจะถูกเข้ารหัสในทางที่ดีขึ้นและมีประสิทธิภาพมากขึ้นเพื่อให้บรรลุความเร็วที่เร็วที่สุดเท่าที่จะทำได้ (ขอบคุณ apophenia รวดเร็วเพิ่มประสิทธิภาพ แพคเกจเพื่อประกอบการเมทริกซ์และแก้สัมประสิทธิ์) อย่างไรก็ตามผลลัพธ์ที่ได้ควรจะเท่าเทียมกัน หลังจากวันที่นำทางผ่านการใช้งาน MDFA ทั้งสองหรือเราพบว่าเหตุใดพวกเขาจึงไม่เท่ากัน (และฉันได้เปลี่ยนแปลงรหัสดังกล่าวในโค้ดของคุณ) นี่คือความแตกต่าง (ที่ผมจำได้) จากการใช้งานและการดำเนินการของคุณ (ณ วันที่เผยแพร่ในเดือนพฤศจิกายน): 8211 คำนวณ DFTs ด้วยเหตุผลบางอย่างที่เป็นศูนย์ความถี่คุณ don8217t ใช้ค่าเฉลี่ยของข้อมูล คุณเพิ่งตั้งค่าเป็นศูนย์ ไม่แน่ใจว่าคุณทิ้งเรื่องนี้ไว้ในอุบัติเหตุหรือตั้งใจ แต่ฉันใช้ความหมาย นอกจากนี้ฉันหารค่า DFT โดยค่าคงที่ (pin) โดยที่ n คือจำนวนการสังเกตการณ์ในชุดเวลา 8211 ในคำจำกัดความของพารามิเตอร์ decay1 คุณ don8217t ดูเหมือนจะใช้การทำแผนที่ฟังก์ชันแทน ฉันทำ. 8211 ความแตกต่างที่ใหญ่ที่สุดคือนิยามของฟังก์ชันเรียบ (กำหนดโดย expweight) ประการแรกคุณแบ่งส่วนขยายเป็น 2 ผมแบ่งตาม 10 ไม่เป็นเรื่องใหญ่ ข้อตกลงอย่างมากคือเรื่องนี้ ความหมายของฉันของฟังก์ชั่นพลังงานเปลี่ยนเป็นฟังก์ชันของค่าความถี่ (จาก 0 ถึง 3.14) คุณเป็นหน้าที่ของตำแหน่งของดัชนีค่าความถี่ระหว่าง 0 ถึง K. สิ่งนี้ทำให้ความแตกต่างใหญ่ ฉันชอบกำหนดฟังก์ชั่นพลังงานที่เกี่ยวกับค่าความถี่ไม่ใช่ดัชนี หลังจากที่ฉันเปลี่ยนผลลัพธ์เหล่านี้ได้สวยมากเหมือนกัน แต่ไม่แน่นอน เมื่อมองไปที่เมทริกซ์สุดท้าย (ในการแก้ค่าสัมประสิทธิ์ของ Axb) หลังจากใช้การปรับแต่งและการกำหนดค่าเองดูเหมือนว่าค่าภายในเมทริกซ์ A จะออกไปประมาณ 10 สัญชาตญาณของฉันคือว่าฟังก์ชัน exp ที่ซับซ้อนใน R และ C มีการคำนวณแตกต่างกันเล็กน้อย (ความแม่นยำที่ดีขึ้นกว่าเดิมฉันไม่รู้) ดังนั้น I8217m ไม่แน่ใจว่านี่เป็นสิ่งที่ we8217ll เคยสามารถที่จะแก้ปัญหา แต่ I8217m ไม่เป็นห่วงเพราะผลลัพธ์ที่ใกล้จะใกล้เคียงมาก ในความเป็นจริงมัน didn8217t มีผลต่อการค้าใด ๆ ในตัวอย่างของฉันฉันแสดงพวกเขาเหมือนกันใน iMetrica และที่สำคัญที่สุด อย่างไรก็ตามฉันสามารถส่งรหัสเวอร์ชันของฉันให้ฉันได้หากต้องการเพื่อให้ผู้ใช้สามารถดาวน์โหลดได้เพื่อทดลองใช้ตัวอย่าง หรือคุณสามารถพิจารณาการเปลี่ยนแปลงเหล่านี้และทำให้เป็นเวอร์ชันถาวรใน MDFA ในอนาคต แจ้งให้เราทราบและเพลิดเพลินไปกับบทความ คุณทำงานหนักเกินไป chap เก่า ผมของคุณได้รับการทอผ้า R-R สีและ R - แปรงมาถึงใจเกินไป โดยวิธีการวัดความสอดคล้องกันเป็นวิธีอื่น: iMetrica ควรจะสามารถทำซ้ำ I-MDFA ซึ่งเป็นข้อมูลอ้างอิง รหัส MDFA ของฉันถูกแก้ไขโดย Chris (ดูข้อคิดเห็นข้างต้น) DFT. r. I8217m ทำงานกับชุดศูนย์กลางอยู่เสมอดังนั้น DFT ในศูนย์ความถี่เป็นศูนย์ (ซึ่งเท่ากับสัดส่วนของค่าเฉลี่ย) Chris ดูเหมือนจะไม่ทำงานกับชุดกลาง: DFT ของเขาจะแตกต่างจากศูนย์ใน freq ศูนย์. I-MDFAnew. r ดูเหมือนว่ามีการปรับเปลี่ยนการถ่วงน้ำหนักกว้างมากและฉันเดาว่าคำว่า lambda-decay ได้รับการแก้ไขเช่นกัน โปรดทราบว่าฉันไม่ได้แก้ไขเวอร์ชัน I-MDFA ล่าสุดของฉัน: การปรับเปลี่ยนข้างต้นเป็นประโยชน์หากคุณต้องการทำซ้ำผลการค้นหา Chris8217 (แต่ฉันยังอยู่ในเวอร์ชันของฉัน) ในการดำเนินการจำลองแบบคุณต้องมีข้อมูลจากเขา นี่คือองค์ประกอบใหม่ vade-mecum (เนื่องจากความยาวของเอกสารแทบจะไม่เป็นไปตามกระดาษอีกต่อไป): กุมภาพันธ์ 09: ฉันได้เพิ่มส่วน 11.9 ใหม่ในการแก้ไขข้อมูลซึ่งอาศัยอยู่ บนกระดาษปี 2011 โพสต์ที่นี่ 0 ปัญหานี้สามารถจัดการโดยกรอบ cointegration ใหม่เพราะข้อมูลเผยแพร่สามารถเชื่อมโยง pairwise ผ่าน vector cointegration (1, -1) 11 มีนาคม: ฉันแก้ไขบั๊กในคำจำกัดความ 23 และ 24 (ขอบคุณนักเรียนที่เอาใจใส่) ทุกสิ่งที่คุณต้องการทราบเกี่ยวกับการรวมระบบ (แบบ co) และการกรองแบบเรียลไทม์จะบรรจุลงในส่วนที่ 9 และ 11 โอ้คุณจะรักเนื้อหาใหม่นี้ It8217s เกี่ยวกับอัตลักษณ์สากล (tautological) หมายเลขถือโดยไม่คำนึงถึงสมมติฐาน it8217s ยังเกี่ยวกับผลทางสถิติเอกพจน์คือ superconsistency และ it8217s เกี่ยวกับประสิทธิภาพ การต่อสู้ระหว่างแนวคิดแบบพลาโตติกและการฉวยโอกาสของ Mercantile: เดาว่า I8217m ตำแหน่งใดอยู่ที่ 8230 ฉันมีร่างฉบับแรกขององค์ประกอบพร้อมกระดาษ วัสดุใหม่นี้นำไปสู่การปรับปรุงแก้ไขของกระดาษองค์ประกอบ: ชิ้นส่วนเก่ายังคงไม่ได้รับผลกระทบ 8211 พวกเขาดีเกินกว่าที่จะเปลี่ยนแปลง 8230 8211 แต่ฉันต้องจัดหาเงินเป็นจำนวนมาก รายละเอียดทางเทคนิคทางเทคนิคเพื่อที่จะปรับ MDFA จากมุมมองลึกปรัชญา 8217 (ซึ่งครอบคลุมมุมมองทางคณิตศาสตร์) ฉันต้องการเวลาที่จะปล่อยให้ทุกอย่างเรียบร้อย: เมื่อฉันรู้สึก ready8217 I8217ll โพสต์องค์ประกอบใหม่กระดาษ ในไม่ช้า เร็ว ๆ นี้. โอ้พระเจ้าของฉัน: นี่เป็นเรื่องยาก ถ้ามันเป็นเรื่องยากที่จะเขียนสำหรับฉันแล้วมันจะเป็นเรื่องยากที่จะอ่านสำหรับ you8230 กระดาษพองไปกว่า 80 หน้า หนังสือเล่มนี้กลายเป็นหนังสือ 8230 นี่เป็นความตั้งใจของฉัน หลังจากปีพ. ศ. 2548 และ 2551 it8217s สำหรับหนังสือเล่มใหม่ ปีหน้า. และองค์ประกอบต่างๆ - กระดาษกลายเป็นร่างหนังสือ Ginters Buss จากธนาคารแห่งชาติลัตเวียมีบทความที่น่าสนใจเกี่ยวกับ I-MDFA ดูที่ 1. และนี่คือลิงค์ตรงไปยังกระดาษใน SEFBlog:. รูปที่ 1: ตัวอย่างใน (ข้อสังเกต 1-250) และประสิทธิภาพที่ไม่อยู่ในกลุ่มตัวอย่าง สัญญาณการซื้อขายที่สร้างขึ้นในบทแนะนำนี้โดยใช้ MDFA (ด้านบน) ราคาล็อกของ Yen (FXY) ในช่วงเวลา 15 นาทีและการซื้อขายที่เกิดจากสัญญาณการซื้อขาย เส้นสีดำที่นี่เป็นซื้อ (ยาว) สีน้ำเงินขาย (ตำแหน่งสั้น) (ด้านล่าง) ผลตอบแทนสะสม (เงินสด) ที่เกิดจากการซื้อขายในรูปเปอร์เซ็นต์ที่ได้หรือขาดทุน ในบทความก่อนหน้าของฉันเกี่ยวกับการซื้อขายความถี่สูงใน iMetrica ใน FOREXGLOBEX ผมแนะนำกลยุทธ์การสกัดสัญญาณที่มีประสิทธิภาพใน iMetrica โดยใช้วิธีการกรองข้อมูลแบบหลายมิติโดยตรง (MDFA) เพื่อสร้างสัญญาณประสิทธิภาพสูงสำหรับการซื้อขายในตลาดแลกเปลี่ยนเงินตราต่างประเทศและตลาดฟิวเจอร์ส ในบทความนี้ผมใช้เวลาสั้น ๆ ออกจากการขาดจากโลกของฉันในการพัฒนาสัญญาณการซื้อขายทางการเงินใน iMetrica และโยกย้ายไปเป็นภาษาที่นิยมใช้กันอย่างแพร่หลายในด้านการเงินเนื่องจากอาร์เรย์ที่อุดมสมบูรณ์ของแพคเกจการจัดการข้อมูลอย่างรวดเร็วและการจัดการกราฟิกและ แน่นอนความจริงที่ว่า it8217s ฟรี (เช่นเดียวกับคำพูดและเบียร์) ในเกือบทุกแพลตฟอร์มคอมพิวเตอร์ในโลก บทความนี้ให้คำแนะนำเกี่ยวกับการใช้ R สำหรับการซื้อขายความถี่สูงในตลาด FOREX โดยใช้แพคเกจ R สำหรับ MDFA (โดย Herr Doktor Marc Wildi von Berno) และกลยุทธ์บางอย่างที่ I8217ve พัฒนาขึ้นเพื่อสร้างสัญญาณการซื้อขายที่มีความแข็งแกร่งทางการเงิน สำหรับบทแนะนำนี้ผมถือว่าเป็นตัวอย่างที่สองในบทความก่อนหน้านี้ซึ่งผมได้ออกแบบสัญญาณการซื้อขายสำหรับการบันทึกผลตอบแทนของเยนญี่ปุ่น 15 นาที (จากการเปิดระฆังเพื่อปิดตลาด EST) สิ่งนี้นำเสนอความท้าทายใหม่ ๆ เล็กน้อยกว่าก่อนเนื่องจากรูปแบบกระโดดที่ใกล้เปิดกว้างมีขนาดใหญ่กว่าที่เกิดจากผลตอบแทนรายชั่วโมงหรือรายวัน แต่อย่างที่ฉันได้แสดงให้เห็นว่ารูปแบบที่มีขนาดใหญ่กว่านี้ในราคาที่ใกล้เคียงกับราคาเปิดไม่เป็นปัญหาสำหรับ MDFA ในความเป็นจริงมันใช้ประโยชน์จากการกระโดดเหล่านี้และทำกำไรขนาดใหญ่โดยการคาดการณ์ทิศทางของการกระโดด รูปที่ 1 ที่ด้านบนสุดของบทความนี้แสดงตัวอย่างของตัวอย่าง (observations 1-250) และ out-of-sample (observations 251 onward) ของตัวกรองที่ฉันจะสร้างขึ้นในส่วนแรกของบทแนะนำนี้ ตลอดบทแนะนำนี้ฉันพยายามทำซ้ำผลลัพธ์เหล่านี้ที่ฉันสร้างขึ้นใน iMetrica และขยายขอบเขตการใช้ภาษา R และการใช้งาน MDFA ที่มีอยู่ในที่นี้ ข้อมูลที่เราคิดว่าเป็นอัตราผลตอบแทนของเยนนับจากวันที่ 4 มกราคมถึงวันที่ 17 มกราคมเป็นเวลา 15 นาทีและฉันได้บันทึกไว้เป็นไฟล์. Rata ที่กำหนดโดย ldfxyinsamp ฉันมีชุดคำอธิบายเพิ่มเติมซึ่งฝังอยู่ในไฟล์. Rata ที่ I8217m ใช้เพื่อคาดการณ์ราคาเยน นอกจากนี้ฉันยังจะใช้ pricefoxyinsamp ซึ่งเป็นราคาล็อกของเยนซึ่งใช้ในการคำนวณประสิทธิภาพ (buysells) ของสัญญาณการซื้อขาย ldfxyinsamp จะถูกใช้เป็นข้อมูลในตัวอย่างเพื่อสร้างตัวกรองและสัญญาณการซื้อขาย FXY ในการรับข้อมูลนี้เพื่อให้คุณสามารถใช้ตัวอย่างเหล่านี้ได้ที่บ้านอีเมลฉันและ I8217 จะส่งไฟล์ RData ที่จำเป็นทั้งหมด (ข้อมูลในตัวอย่างและข้อมูลที่ไม่อยู่ในกลุ่มตัวอย่าง) ในไฟล์. zip เมื่อพิจารณาข้อมูล ldfxyinsamp เราจะเห็นอัตราผลตอบแทนจากการลงทุนของเยนทุก 15 นาทีโดยเริ่มจากเวลาเปิดตลาด (เขตเวลา UTC) ข้อมูลเป้าหมาย (เยน) อยู่ในคอลัมน์แรกพร้อมกับชุดคำอธิบายสองชุด (เยนและสินทรัพย์อื่นที่รวมเข้ากับการเคลื่อนไหวของเยน) gt head (ldfxyinsamp), 1, 2, 3 2013-01-04 13:30:00 0.000000e00 0.000000e00 0.0000000000 2013-01-04 13:45:00 4.763412e-03 4.763412e-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 การเริ่มต้นสร้างสัญญาณการซื้อขายครั้งแรกสำหรับเยนเราจะเริ่มต้นด้วยการอัปโหลดข้อมูลลงใน สภาพแวดล้อม R ของเรากำหนดค่าเริ่มต้นบางส่วนสำหรับการเรียกฟังก์ชัน MDFA จากนั้นคำนวณ DFT และรอบระยะเวลาสำหรับเยน ตามที่ I8217ve กล่าวไว้ในบทความก่อน ๆ ของฉันกลยุทธ์การสร้างสัญญาณการซื้อขายแบบทีละขั้นตอนของฉันจะเริ่มต้นด้วยการวิเคราะห์ periodogram ของสินทรัพย์ที่กำลังมีการซื้อขายอยู่อย่างรวดเร็ว การถือกุญแจเพื่อให้ข้อมูลเชิงลึกเกี่ยวกับลักษณะการซื้อขายสินทรัพย์ช่วงเวลาในการทำงานเป็นเครื่องมือที่จำเป็นสำหรับการนำทางที่เลือกใช้ ที่นี่ฉันมองหา peaks หลักสเปกตรัมที่สอดคล้องในโดเมนเวลาเพื่อที่และที่สัญญาณของฉันจะทำให้การค้า buysell. รูปที่ 2 แสดงระยะเวลาในการบันทึกผลตอบแทนของเยนญี่ปุ่น 15 นาทีระหว่างระยะเวลาตัวอย่างในช่วงตั้งแต่ 4 มกราคมถึง 17 มกราคม 2013 ลูกศรชี้ไปที่ยอดเขาหลักที่ฉันมองหาและให้คำแนะนำว่าฉัน จะกำหนดหน้าที่ของฉัน เส้นจุดสีดำระบุว่ามีการตัดทอนความถี่สองความถี่ที่ฉันจะพิจารณาในตัวอย่างนี้เป็นครั้งแรกและครั้งที่สองที่ ขอให้สังเกตว่า cutoffs ทั้งสองถูกตั้งค่าไว้โดยตรงหลังจาก peak spectral บางสิ่งที่ผมขอแนะนำ ในการซื้อขายความถี่สูงใน FOREX โดยใช้ MDFA ตามที่เห็น we8217 เห็นว่าเคล็ดลับคือการหาจุดสูงสุดของสเปกตรัมซึ่งจะอธิบายถึงรูปแบบที่ใกล้จะเปิดในราคาของสกุลเงินต่างประเทศ เราต้องการที่จะใช้ประโยชน์จากจุดสูงสุดของสเปกตรัมเนื่องจากเป็นจุดที่การเพิ่มขึ้นของการซื้อขายสกุลเงินต่างประเทศโดยใช้ MDFA จะเกิดขึ้น รูปที่ 2: ระยะเวลาของ FXY (เยนญี่ปุ่น) พร้อมด้วยยอดสเปกตรัมและช่วงตัดความถี่ที่ต่างกันสองช่วง ในตัวอย่างแรกเราพิจารณาความถี่ที่มีขนาดใหญ่เป็นค่าตัดสำหรับโดยการตั้งค่าไปที่ (เส้นด้านขวาที่สุดในรูปของ periodogram) จากนั้นผมตั้งค่าพารามิเตอร์เวลาและความราบรื่นและตั้งค่าเป็น 0 พร้อมกับตั้งค่าพารามิเตอร์การกำหนดค่าให้เป็น 0 ด้วย นี้จะให้ฉันบารอมิเตอร์สำหรับที่และวิธีการปรับพารามิเตอร์กรอง ในการเลือกความยาวของตัวกรองการศึกษาเชิงประจักษ์ของฉันเกี่ยวกับการทดลองจำนวนมากในการสร้างสัญญาณการซื้อขายโดยใช้ iMetrica แสดงให้เห็นว่าทางเลือก 8216good8217 อยู่ระหว่าง 14 ถึง 15 ของความยาวรวมของตัวอย่างข้อมูลอนุกรมเวลา แน่นอนความยาวขึ้นอยู่กับความถี่ของการสังเกตข้อมูล (เช่น 15 นาทีทุกชั่วโมงรายวัน ฯลฯ ) แต่โดยทั่วไปแล้วคุณจะไม่ต้องมีมากกว่าขนาดที่เป็นตัวอย่างเกินกว่า 14 เท่า มิฉะนั้นการทำให้เป็นระเบียบเรียบร้อยอาจยุ่งยากเกินไปที่จะจัดการได้อย่างมีประสิทธิภาพ ในตัวอย่างนี้ความยาวรวมในตัวอย่างคือ 335 ดังนั้นฉันจึงกำหนดว่า I8217ll จะยึดติดกับส่วนที่เหลือของบทแนะนำนี้หรือไม่ ในกรณีใดความยาวของตัวกรองไม่ได้เป็นตัวแปรที่สำคัญที่สุดในการสร้างสัญญาณการซื้อขายที่ดี สำหรับการเลือกคู่พารามิเตอร์ตัวกรองที่มีประสิทธิภาพกับชุดคำอธิบายที่เหมาะสมผลลัพธ์ที่ได้จากสัญญาณการซื้อขายเมื่อเทียบกับที่กล่าวคือแทบจะไม่ต่างกัน ถ้าทำแล้ว parameterization ไม่แข็งแรงเพียงพอ หลังจากอัปโหลดทั้งข้อมูลการรับคืนข้อมูลในตัวอย่างพร้อมกับราคาล็อกที่สอดคล้องกันของเยนเพื่อคำนวณประสิทธิภาพการซื้อขายเราจะดำเนินการต่อใน R เพื่อตั้งค่าตัวกรองเริ่มต้นสำหรับขั้นตอน MDFA และคำนวณตัวกรองโดยใช้ฟังก์ชัน IMDFAcomp ค่านี้จะส่งกลับค่าสัมประสิทธิ์การถือครองวัตถุ imdfaamp ฟังก์ชันการตอบสนองความถี่และสถิติของตัวกรองพร้อมกับสัญญาณที่ผลิตสำหรับชุดคำอธิบายแต่ละชุด เรารวมสัญญาณเหล่านี้เพื่อรับสัญญาณการซื้อขายขั้นสุดท้ายในตัวอย่าง ทั้งหมดนี้ทำใน R ดังนี้: ฟังก์ชั่นการตอบสนองความถี่ที่เกิดขึ้นของตัวกรองและค่าสัมประสิทธิ์ถูกวาดในรูปด้านล่าง รูปที่ 3: ฟังก์ชั่นการตอบสนองต่อความถี่ของตัวกรอง (ด้านบน) และค่าสัมประสิทธิ์การกรอง (ด้านล่าง) สังเกตเห็นความอิ่มตัวของเสียงรบกวนที่ยังคงอยู่ผ่านความถี่ตัด นี่คือ mollified โดยการเพิ่มพารามิเตอร์ smoothweight expweight ค่าสัมประสิทธิ์สำหรับแต่ละชุดคำอธิบายแสดงให้เห็นความสัมพันธ์บางอย่างในการเคลื่อนที่ของพวกเขาเมื่อการเพิ่มขึ้นล่าช้า อย่างไรก็ตามความเรียบและการสลายตัวของสัมประสิทธิ์ออกมากเป็นที่ต้องการ เราจะแก้ไขปัญหานี้โดยการแนะนำพารามิเตอร์การกำหนดกฎเกณฑ์ พล็อตสัญญาณการค้าในตัวอย่างและผลการดำเนินงานในตัวอย่างของสัญญาณจะแสดงในรูปที่ 2 ด้านล่าง สังเกตุว่าสัญญาณการซื้อขายมีลักษณะเป็นอย่างดีในตัวอย่าง อย่างไรก็ตามรูปลักษณ์สามารถลวงได้ ประสิทธิภาพที่เกิดจากตัวเอกนี้ส่วนใหญ่มาจากปรากฏการณ์การกรองซึ่งเรียกว่า overfitting หนึ่งสามารถอนุมานได้ว่า overfitting เป็นผู้ร้ายที่นี่โดยเพียงแค่มองไปที่ nonsmoothness ของค่าสัมประสิทธิ์พร้อมกับจำนวนองศา freezed ของเสรีภาพซึ่งในตัวอย่างนี้เป็นประมาณ 174 (จาก 174) วิธีสูงเกินไป เราต้องการให้จำนวนนี้อยู่ที่ประมาณครึ่งหนึ่งของจำนวนองศาอิสระทั้งหมด (จำนวนชุดคำอธิบาย x L) รูปที่ 4: สัญญาณการซื้อขายและข้อมูลผลตอบแทนจากการลงทุนของเยน ประสิทธิภาพในตัวอย่างของตัวกรองนี้แสดงให้เห็นถึงประเภทของผลลัพธ์ที่เราต้องการเห็นหลังจากใช้การทำให้เป็นระเบียบเรียบร้อย แต่ตอนนี้มาสำหรับผล sobering ของ overfitting เราใช้ตัวกรองเหล่านี้ในการสังเกตการณ์เยนและชุดคำอธิบายที่มีความยาว 15 นาทีจากชุดตรวจสอบ 15 นาทีนับจากวันที่ 18 มกราคมถึงวันที่ 1 กุมภาพันธ์ 2013 และเปรียบเทียบกับตัวอย่างในตัวอย่าง เมื่อต้องการทำเช่นนี้ใน R เราจะโหลดข้อมูลที่ไม่อยู่ในกลุ่มตัวอย่างเป็นครั้งแรกในสภาพแวดล้อม R และใช้ตัวกรองกับข้อมูลที่ไม่อยู่ในกลุ่มตัวอย่างที่ฉันกำหนดไว้เป็น xout พล็อตในรูปที่ 5 แสดงสัญญาณการค้านอกตัวอยาง สังเกตว่าสัญญาณไม่ได้เกือบเป็นอย่างราบรื่นเช่นเดียวกับในตัวอย่าง การสำรวจข้อมูลในบางพื้นที่ก็มีอยู่อย่างเห็นได้ชัด ถึงแม้ว่าลักษณะการคว่ำบาตรที่ไม่อยู่ในกลุ่มตัวอย่างของสัญญาณจะไม่น่าสงสัยอย่างน่ากลัว แต่ฉันจะไม่ไว้วางใจตัวกรองนี้ในการสร้างผลตอบแทนที่เป็นตัวเอกในระยะยาว รูปที่ 5 ตัวกรองนำไปใช้กับการสังเกต 200 นาที 15 ของเยนออกจากตัวอย่างเพื่อสร้างสัญญาณการซื้อขาย (แสดงเป็นสีฟ้า) หลังจากการวิเคราะห์ก่อนหน้านี้ของโซลูชัน mean-squared (ไม่มีการกำหนดค่าหรือการจัดระเบียบ) ขณะนี้เราดำเนินการทำความสะอาด ปัญหาของ overfitting ที่เห็นได้ชัดในค่าสัมประสิทธิ์พร้อมกับ mollifying เสียงใน stopband (ความถี่หลัง) เพื่อที่จะเลือกพารามิเตอร์สำหรับการปรับให้ราบเรียบและเป็นระเบียบเรียบร้อยวิธีหนึ่งก็คือให้ใช้พารามิเตอร์ความราบเรียบเป็นครั้งแรกเพราะโดยทั่วไปแล้วจะทำให้ค่าสัมประสิทธิ์เรียบขึ้นในขณะที่ทำหน้าที่เป็นตัวปรับแต่ง 8216pre8217-regularizer จากนั้นจึงล่วงหน้าเพื่อเลือกตัวควบคุมที่เหมาะสม ในการมองค่าสัมประสิทธิ์ (รูปที่ 3) เราสามารถเห็นได้ว่าการทำให้เรียบเป็นเรื่องจำเป็น ในการเลือกพารามิเตอร์สองตัวนี้ใน R ตัวเลือกหนึ่งคือการใช้เครื่องมือเพิ่มประสิทธิภาพ Troikaner (พบได้ที่นี่) เพื่อหาชุดค่าผสมที่เหมาะสม (ฉันมีวิธีการเกี่ยวกับอัลกอริธึมซอฟท์ลับที่ฉันพัฒนาขึ้นสำหรับ iMetrica เพื่อเลือกชุดค่าพารามิเตอร์ที่เหมาะสมที่สุดให้กับตัวแยกและตัวบ่งชี้ประสิทธิภาพ (แม้ว่าจะใช้ GNU C) และยุ่งยากในการใช้งานดังนั้นฉันมักชอบกลยุทธ์ที่กล่าวถึงในบทแนะนำนี้) ในตัวอย่างนี้ผมเริ่มจากการตั้งค่า lambdasmooth เป็น .5 และการสลายตัวไปที่ (.1, .1) พร้อมกับพารามิเตอร์ความนุ่มนวลที่ระบุเป็น 8.5 หลังจากดูค่าสัมประสิทธิ์แล้วก็ยังไม่มีความนุ่มนวลพอสมควรดังนั้นฉันจึงเพิ่มจำนวนขึ้นจนสุดในที่สุด. 63 ซึ่งใช้วิธีนี้ จากนั้นผมก็เลือก lambda เพื่อให้สมดุลกับผลกระทบของการเอ็กซ์เพรสที่ราบเรียบ (แลมบ์ดาเป็นตัวแปรสุดท้ายของการปรับแต่ง) รูปที่ 6 แสดงฟังก์ชันการตอบสนองความถี่ที่เกิดขึ้นสำหรับชุดคำอธิบายทั้งสองแบบ (เยนสีแดง) สังเกตว่าจุดสูงสุดของสเปกตรัมที่พบก่อนการตัดทอนความถี่จะถูกเน้นและคลายเล็กน้อย (ค่าใกล้ 0.8 แทน 1.0) ส่วนยอดภูธรอื่น ๆ ด้านล่างยังมีอยู่ สำหรับสัมประสิทธิ์การสึกหรอและการสลายตัวที่เพียงพอก็นำมาใช้เพื่อรักษาความล้าหลังวงจรและโครงสร้างที่สัมพันธ์กันของค่าสัมประสิทธิ์เดิม แต่ตอนนี้ดูดีขึ้นในรูปแบบเรียบ จำนวนองศาอิสระที่แช่แข็งลดลงเหลือประมาณ 102 รูปที่ 6: ฟังก์ชันการตอบสนองต่อความถี่และค่าสัมประสิทธิ์หลังจากที่ได้รับการปรับให้เป็นระเบียบเรียบร้อยและเรียบขึ้น (ด้านบน) ค่าสัมประสิทธิ์ความเรียบที่มีการผุกร่อนเล็กน้อยที่ปลาย (ด้านล่าง) จำนวนองศาอิสระที่แช่แข็งอยู่ที่ประมาณ 102 (จาก 172) พร้อมด้วยองศาอิสระที่ดีขึ้นและไม่มีความเสียหายที่เห็นได้ชัดของการใช้งานมากเกินไปเราจะใช้ตัวกรองนี้เป็นตัวอย่างเพื่อการสังเกตการณ์ที่ไม่ได้ใช้ตัวอย่างจำนวน 200 ตัวอย่างเพื่อตรวจสอบการปรับปรุงโครงสร้างของค่าสัมประสิทธิ์การกรอง รูปที่ 7) สังเกตเห็นการปรับปรุงคุณสมบัติของสัญญาณการซื้อขายอย่างมาก (เทียบกับรูปที่ 5) การขจัดข้อมูลผิดพลาดได้ถูกลบออกและความนุ่มนวลโดยรวมของสัญญาณดีขึ้นอย่างเห็นได้ชัด เนื่องจากความจริงที่ว่า we8217ve กำจัดการปรากฏตัวของการโอเวอร์โหลด รูปที่ 7: สัญญาณการค้านอกตัวอยางที่มีการกําหนดกฎเก ณ ฑ ด้วยตัวชี้วัดทั้งหมดของตัวกรองที่มีคุณสมบัติตรงตามที่เราต้องการสำหรับความแข็งแรงตอนนี้เราใช้สัญญาณการซื้อขายทั้งในตัวอย่างและจากตัวอย่างเพื่อเปิดใช้งานการซื้อขายของ buysell และดูประสิทธิภาพของบัญชีซื้อขายหลักทรัพย์ในมูลค่าเงินสด เมื่อสัญญาณข้ามต่ำกว่าศูนย์เราขาย (ป้อนตำแหน่งสั้น ๆ ) และเมื่อสัญญาณขึ้นเหนือศูนย์เราจะซื้อ (ป้อนตำแหน่งยาว) พล็อตด้านบนของรูปที่ 8 คือราคา log ของเยนเป็นระยะเวลา 15 นาทีและเส้นประเป็นจุดที่สัญญาณซื้อขายสร้างธุรกิจการค้า (ข้ามศูนย์) เส้นสีดำหมายถึงการซื้อ (ตำแหน่งยาว) และเส้นสีฟ้าหมายถึงการขาย (และตำแหน่งสั้น ๆ ) สังเกตว่าสัญญาณคาดการณ์การกระโดดข้ามเปิด - ปิดทั้งหมดสำหรับเยน (ในส่วนของชุดคำอธิบาย) นี่คือสิ่งที่เราจะพยายามหาเมื่อเราเพิ่มการกำหนดกฎเกณฑ์และการปรับแต่งให้เหมาะกับตัวกรอง บัญชีเงินสดของธุรกิจการค้าในระยะเวลาตัวอย่างมีดังต่อไปนี้โดยมีค่าใช้จ่ายในการทำธุรกรรมอยู่ที่ 0.55% ในตัวอย่างสัญญาณได้รับประมาณ 6 เปอร์เซ็นต์ใน 9 วันทำการและอัตราความสำเร็จในการซื้อขายที่ 76 เปอร์เซ็นต์ รูปที่ 8: ประสิทธิภาพในตัวอย่างของตัวกรองใหม่และธุรกิจการค้าที่สร้างขึ้น ตอนนี้สำหรับการทดสอบที่ดีที่สุดเพื่อดูว่าไส้กรองทำหน้าที่ในการสร้างสัญญาณการซื้อขายที่ดีเยี่ยมได้อย่างไรเราจึงนำตัวกรองไปใช้กับการสังเกตการณ์เยนและชุดคำอธิบายที่มีระยะเวลาไม่เกิน 200-15 นาทีนับตั้งแต่วันที่ 18 มกราคม - 1 กุมภาพันธ์เป็นต้นไป ธุรกิจการค้าตามศูนย์ข้าม ผลที่ได้แสดงไว้ด้านล่างในรูปที่ 9 เส้นสีดำหมายถึงการซื้อและสายสีน้ำเงินที่ขาย (กางเกงขาสั้น) สังเกตว่าตัวกรองยังคงสามารถทำนายการกระโดดอย่างใกล้ชิดเพื่อเปิดได้แม้กระทั่งจากตัวอย่างด้วยการทำให้เป็นระเบียบ ตัวกรองยอมจำนนต่อความสูญเสียเพียง 3 แห่งที่มีค่าน้อยกว่า 0.80 เปอร์เซ็นต์ระหว่างการสังเกต 160 และ 180 และการสูญเสียเพียงเล็กน้อยตอนเริ่มต้นโดยมีอัตราส่วนความสำเร็จทางการค้าที่ไม่เป็นไปตามข้อกำหนด 82 เปอร์เซ็นต์และ ROI ที่มากกว่า 4 เปอร์เซ็นต์ ช่วง 9 วัน รูปที่ 9: ผลการดำเนินงานที่ไม่เป็นไปตามตัวกรองของตัวกรองที่มีการปรับเป็นระเบียบตามผลตอบแทนของเยน 200 ครั้งจากตัวอย่าง 15 นาที ตัวกรองประสบความสำเร็จ ROI 4 เปอร์เซ็นต์เหนือ 200 ข้อสังเกตและอัตราส่วนความสำเร็จทางการค้า 82 เปอร์เซ็นต์ เปรียบเทียบกับผลลัพธ์ที่ได้จาก iMetrica โดยใช้การตั้งค่าพารามิเตอร์ MDFA เดียวกัน ในรูปที่ 10 แสดงทั้งในตัวอย่างและนอกตัวอย่างของประสิทธิภาพ ผลงานเกือบจะเหมือนกัน รูปที่ 10: ประสิทธิภาพของตัวกรองเยนใน iMetrica ในตัวอย่างและการใช้งานนอกเกณฑ์ของตัวอย่าง เกือบจะเหมือนกันกับผลการดำเนินงานที่ได้รับใน R. ตอนนี้เราใช้แทงที่ผลิตตัวกรองการซื้อขายอื่นสำหรับเยนเพียงครั้งนี้เราต้องการที่จะระบุเฉพาะความถี่ต่ำสุดในการสร้างสัญญาณการค้าที่ค้าได้น้อยลงเท่านั้นโดยเฉพาะการแสวงหารอบที่ใหญ่ที่สุด เช่นเดียวกับการทำงานของตัวกรองก่อนหน้านี้เรายังคงต้องการกำหนดเป้าหมายความถี่ที่อาจต้องรับผิดชอบต่อรูปแบบขนาดใหญ่ที่เปิดกว้างในราคาเยน ในการทำเช่นนี้เราจะเลือกการตัดทอนของเราเพื่อให้สามารถรักษายอดเขาสามยอดที่ใหญ่ที่สุดในแถบความถี่ต่ำผ่านได้ สำหรับตัวกรองใหม่นี้เราจะทำให้สิ่งต่างๆง่ายขึ้นโดยการใช้พารามิเตอร์การกำหนดกฎเดียวกันกับที่เลือกไว้ในตัวกรองก่อนหน้านี้เนื่องจากดูเหมือนจะทำให้ได้ผลลัพธ์ที่ดีออกจากตัวอย่าง พารามิเตอร์การกำหนดค่าเองและการเว้นวรรคจะต้องได้รับการปรับเปลี่ยนเพื่อให้สอดคล้องกับข้อกำหนดการปราบปรามเสียงใหม่ใน stopband และคุณสมบัติเฟสใน passband ที่เล็กลง ดังนั้นผมจึงเพิ่มพารามิเตอร์เรียบและลดลงพารามิเตอร์เวลา (ซึ่งมีผลต่อ passband) เพื่อบัญชีสำหรับการเปลี่ยนแปลงนี้ ฟังก์ชั่นการตอบสนองความถี่ใหม่และค่าสัมประสิทธิ์การกรองสำหรับการออกแบบ LowPass มีขนาดเล็กดังแสดงในรูปที่ 11 สังเกตว่ายอดค่าของสเปกตรัมที่สองเป็นค่าเล็กน้อยและมีการเปลี่ยนแปลงเล็กน้อยภายใต้การเปลี่ยนแปลงใหม่ ค่าสัมประสิทธิ์ยังมีความนุ่มนวลและการสึกหรอที่ความล่าช้าที่ใหญ่ที่สุด รูปที่ 11: ฟังก์ชั่นการตอบสนองความถี่ของตัวกรองทั้งสองตัวและค่าสัมประสิทธิ์ที่เหมือนกัน เมื่อต้องการทดสอบประสิทธิภาพของการออกแบบความถี่การซื้อขายที่ต่ำกว่าใหม่นี้เราจะใช้ค่าสัมประสิทธิ์ของตัวกรองกับข้อสังเกต 200 ข้อที่ไม่ได้เป็นตัวอย่างจากการบันทึกผลตอบแทนของเยน 15 นาที The performance is shown below in Figure 12. In this filter, we clearly see that the filter still succeeds in predicting correctly the large close-to-open jumps in the price of the Yen. Only three total losses are observed during the 9 day period. The overall performance is not as appealing as the previous filter design as less amount of trades are made, with a near 2 percent ROI and 76 percent trade success ratio. However, this design could fit the priorities for a trader much more sensitive to transaction costs. Figure 12: Out-of-sample performance of filter with lower cutoff. Conclusion Verification and cross-validation is important, just as the most interesting man in the world will tell you. The point of this tutorial was to show some of the main concepts and strategies that I undergo when approaching the problem of building a robust and highly efficient trading signal for any given asset at any frequency. I also wanted to see if I could achieve similar results with the R MDFA package as my iMetrica software package. The results ended up being nearly parallel except for some minor differences. The main points I was attempting to highlight were in first analyzing the periodogram to seek out the important spectral peaks (such as ones associate with close-to-open variations) and to demonstrate how the choice of the cutoff affects the systematic trading. Here8217s a quick recap on good strategies and hacks to keep in mind. Summary of strategies for building trading signal using MDFA in R: As I mentioned before, the periodogram is your best friend. Apply the cutoff directly after any range of spectral peaks that you want to consider. These peaks are what generate the trades. Utilize a choice of filter length no greater than 14. Anything larger is unnecessary. Begin by computing the filter in the mean-square sense, namely without using any customization or regularization and see exactly what needs to be approved upon by viewing the frequency response functions and coefficients for each explanatory series. Good performance of the trading signal in-sample (and even out-of-sample in most cases) is meaningless unless the coefficients have solid robust characteristics in both the frequency domain and the lag domain. I recommend beginning with tweaking the smoothness customization parameter expweight and the lambdasmooth regularization parameters first. Then proceed with only slight adjustments to the lambdadecay parameters. Finally, as a last resort, the lambda customization. I really never bother to look at lambdacross. It has seldom helped in any significant manner. Since the data we are using to target and build trading signals are log-returns, no need to ever bother with i1 and i2. Those are for the truly advanced and patient signal extractors, and should only be left for those endowed with iMetrica If you have any questions, or would like the high-frequency Yen data I used in these examples, feel free to contact me and I8217ll send them to you. Until next time, happy extracting 8220Taking a quick glance at the ldfxyinsamp data, we see log-returns of the Yen at every 15 minutes starting at market open (time zone UTC). The target data (Yen) is in the first column along with the two explanatory series (Yen and another asset co-integrated with movement of Yen).8221 So in your file in input you use the log(close-returns) twice (col1 and 2) and a another asset Can you tell me more about this another asset cointegred. how you find it While it8217s not so obvious to determine a set of explanatory variables that will improve signal (and trading) performance, I developed a tool called fundamental frequency component analysis that helps me choose series with strong lag s correlations at certain frequencies I8217m interested in. The method seems to work pretty well so far in my experience. Thanks Chris, have you planned other thread in the coming weeks Yes, I have many new ideas for articles, and will be writing one soon. I8217ve been busy the past couple months improving the methodology even more, making it even more robust for financial trading. The problem is I start to give away too many of my secrets and will eventually lose my competitive advantage, so I need to remain a bit cryptic What your favorites time frame. 15 mins i think 15 minutes is a good range, the lower the frequency the better and more robust the signal will be. However, in practice I8217m currently using 5 min returns with a proprietary trading firm in Chicago on Index Futures. You filtre the time in your data. You trade only of 13:30pm until 20pm You overnight trade