Notícias Forex on-line São Carlos: Estratégia dinâmica de negociação em tempo de deformação

Reverse Engineering DynamicHedge & # 8217; s Alpha Curves, Parte 1 de 3: Dynamic Time Warping.

DynamicHedge introduziu recentemente um novo serviço chamado "curvas alfa # 82221 ;: a idéia principal é encontrar padrões em retornos após determinados eventos e apresentar os padrões que ocorrem mais freqüentemente. Em suas próprias palavras, as curvas alfa & # 8220 representam uma mistura especial de singularidade e repetibilidade; # 8221 ;. Aqui é o que eles parecem, classificados em ordem de & # 8220; padrão de dominância & # 8221 ;. Segundo eles, eles usam diferentes fatores além de retornar e # 8221 ;. Podemos especular sobre o que outros fatores envolvem, possivelmente algo como extensão máxima ou o tempo de máximos e mínimos, mas eu continuarei a ser simples e só uso retornos.

Nesta publicação, eu faço uma breve apresentação do enrolamento do tempo dinâmico, um método para medir a semelhança entre as séries temporais. Na parte 2, analisaremos um método de agrupamento chamado K-medoids. Finalmente, na parte 3, juntaremos os dois e geraremos gráficos semelhantes às curvas alfa. A terminologia pode ser um pouco intimidante, mas as idéias são fundamentalmente altamente intuitivas. Enquanto você entender os conceitos, os detalhes da implementação são fáceis de descobrir.

Para ser sincero, não tenho tanta certeza sobre o valor prático desse conceito, e não tenho idéia de como quantificar seu desempenho. Ainda assim, é uma ideia interessante e os conceitos que entram nela também são úteis noutras áreas, então esse não é um esforço totalmente inútil. Minha plataforma de backtesting ainda não pode manipular dados intraday corretamente, então eu estarei usando barras diárias, mas as idéias são as mesmas, não importa a freqüência.

Então, vamos começar por porque precisamos de DTW em primeiro lugar. O que pode fazer para que outras medidas de similaridade, como distância e correlação euclidiana, não possam? Começando com a correlação: é preciso ter em mente que é uma medida de similaridade baseada na diferença entre os meios. Significativamente diferentes meios podem levar a uma alta correlação, ainda impressionantemente diferentes séries de preços. Por exemplo, os retornos dessas duas séries têm uma correlação de 0,81, apesar de ser bastante diferente.

Uma segunda questão, surge no caso de séries ligeiramente fora de fase, que são muito semelhantes, mas podem ter baixas correlações e altas distâncias euclidianas. Os retornos dessas duas curvas têm uma correlação de .14:

Então, qual é a solução para esses problemas? Dynamic Time Warping. A principal idéia por trás do DTW é a & # 8220; warp & # 8221; a série temporal de modo que a medida da distância entre cada ponto não exige necessariamente que ambos os pontos tenham o mesmo valor do eixo x. Em vez disso, os pontos mais distantes podem ser selecionados, de modo a minimizar a distância total entre as séries. O algoritmo (o artigo original de 1987 de Sakoe & Chiba pode ser encontrado aqui) restringe os primeiros e últimos pontos a serem o início e o final de cada série. A partir daí, a correspondência de pontos pode ser visualizada como um caminho na grade n por m, onde n e m são o número de pontos em cada série temporal.

Fonte: Elena Tsiporkova, Algoritmo dinâmico de distorção do tempo para séries temporais de expressão gênica.

O algoritmo encontra o caminho através desta grade que minimiza a distância total. A função que mede a distância entre cada conjunto de pontos pode ser qualquer coisa que desejamos. Para restringir o número de caminhos possíveis, restringimos os possíveis pontos que podem ser conectados, exigindo que o caminho seja monotonicamente crescente, limitando a inclinação e restringindo o quão longe de uma linha reta, o caminho pode se desviar. A diferença entre distância Euclidiana padrão e DTW pode ser demonstrada graficamente. Neste caso, uso duas curvas de pecado. As linhas cinza entre as séries mostram quais pontos as medições de distância são feitas entre.

Observe a deformação no início e no final da série, e como os pontos no meio têm valores y iguais, minimizando assim a distância total.

Quais são as aplicações práticas do DTW na negociação? Como nós veremos nas próximas partes, ele pode ser usado para agrupar séries temporais. Também pode ser usado para séries temporais médias, com o algoritmo DBA. Outro uso potencial é as estratégias de correspondência de padrões k-nn, que experimentei com um bit & # 8230; alguns testes rápidos mostraram pequenas, mas persistentes melhorias no desempenho em relação à distância euclidiana.

Se você quer testá-lo, há muitas ferramentas lá fora. I & # 8217; m usando a biblioteca NDTW. Existem bibliotecas disponíveis para R e Python também.

Compartilhar isso:

Obrigado por este post. Muito interessante. Estive olhando os artigos de Hedge Dinâmico quando ele mencionou o Alpha Curves por algum tempo. E então eu vi seu questin abaixo da postagem do blog e nenhuma resposta dele e estava apenas esperando sua postagem no blog no tópico # 8230; 🙂

Mas, por favor, não seja simples (como você diz: & # 8220; Podemos especular sobre o que outros fatores envolvem, possivelmente algo como extensão máxima ou o tempo de maxima e minima, mas eu vou manter É simples e só usa retornos. & # 8221;). Você pode explicar o que você quer dizer com & # 8220; & # 8230; extensão máxima ou o tempo de maxima e minima & # 8230; & # 8221; e possivelmente dar um exemplo em postagens futuras. Obrigado.

Há postagens agradáveis no tópico tye aqui:

Esses são alguns ótimos links, obrigado. Eu realmente gosto dos gráficos codificados por cores que mostram as seqüências correspondentes. Este também é bom: etfprophet / mrkt_analogues-model /

Para fins de negociação prática, os dois pontos mais importantes de uma curva alfa # 8220; # 8221; são os pontos de máxima retirada e máxima corrida. Qualquer preço alvos ou paradas seria presumivelmente baseado na magnitude desses dois, e as saídas baseadas no tempo seriam baseadas quando ocorrerem. Então, eu acho que pode fazer sentido usar esses números quando se trata de calcular a distância entre duas séries (e, portanto, quando se trata de agrupamento). Quanto mais semelhantes forem os extremos, menor será a distância.

O Dynamic Time Warping é apenas uma maneira de trabalhar em torno do artefato do tempo do calendário? Eu tive bons resultados normalizando o tempo de acordo com a contagem / volume de tiques como um método para reconstituir a normalidade dos retornos (um pouco), mas os incrementos do Delta-T não homogêneos tornam muitos testes de cointegração muito mais desafiadores, um problema em que ainda estou trabalhando.

Ele pode ser usado para resolver a questão do tempo do calendário, mas também tem muitos outros usos. Além da questão de séries similares que estão ligeiramente fora de fase, elas também podem ser usadas para & # 8220; trabalhar em torno de & # 8221; semelhança de padrão quando as duas séries estão em velocidades diferentes (o algoritmo manipula séries de comprimentos diferentes de forma transparente, ej. iop / images / 0957-0233 / 23/5/055601 / Full / mst411675f1_online. jpg), ou os padrões existem em diferentes escalas .

A aplicação de cointegração parece interessante # 8230; eu não penso nessa literatura sobre a combinação de DTW e testes de cointegração, mas acho que poderia ser uma boa combinação: use DTW para alinhar a série e depois execute a Teste ADF (ou o que você usa) nos dados alinhados & # 8230;

Esses links são excelentes. Agradeço a informação.

Investidor sistemático.

Blog de Investidores Sistemáticos.

Correspondência de séries temporais com distorção de tempo dinâmico.

ESTE NÃO É CONSELHO DE INVESTIMENTO. A informação é fornecida apenas para fins informativos.

Na publicação Time Series Matching, usei um mapeamento para a distância de cálculo entre a consulta (padrão atual) e a referência (séries históricas). O gráfico seguinte visualiza esse conceito. A distância é a soma das linhas verticais.

Uma maneira alternativa de mapear uma série de tempo para outra é Dynamic Time Warping (DTW). O algoritmo DTW procura o mapeamento de distância mínimo entre consulta e referência. O gráfico seguinte visualiza um ou vários mapeamentos possíveis com DTW.

Para verificar se há uma diferença entre um simples mapeamento de um a um e DTW, vou procurar por combinações de séries temporais que são semelhantes aos 90 dias mais recentes de SPY nos últimos 10 anos de história. O código seguinte carrega os preços históricos do Yahoo Fiance, configura o problema e calcula a distância euclidiana para a janela de rolamento histórica usando o Systematic Investor Toolbox:

Em seguida, deixe & # 8217; Examine as 10 principais correspondências usando a distância Dynamic Time Warping. Eu usarei a implementação Dynamic Time Warping do pacote dtw.

Ambos os algoritmos produziram fósforos muito semelhantes e previsões muito similares. Eu usaria essas previsões como um palpite educado para as ações do mercado em andamento. Até agora, parece que o mercado não aumentará a toda velocidade nos próximos 22 dias.

Para ver o código-fonte completo para este exemplo, dê uma olhada na função bt. matching. dtw. test () em bt. test. r no github.

Compartilhar isso:

Relacionados.

Pós-navegação.

Deixe uma resposta Cancelar resposta.

O autor descreve o uso de DTW na curva derivada, tornando-o menos suscetível às diferenças de magnitude das curvas oroginais.

Pode valer a pena tentar?

Obrigado por me apontar para o Derivativo Dynamic Time Warping. Eu gosto do conceito e é fácil de modelar. Aqui está um pequeno exemplo de derivação de tempo dinâmico derivativo, no caso de você querer experimentar:

Conceito interessante, e isso pode funcionar, porque muitos comerciantes procurarão padrões inconscientemente.

Apenas algo que vale a pena tentar;

1) Olhe para horizontes de tempo mais curtos (por exemplo, 5-10 dias)

2) Olhe a rentabilidade da negociação em padrões similares no passado. Lembro-me de que havia um documento que mostrava que as estratégias de negociação envolvendo bandas de bollinger se apresentaram significativamente melhores, mais vezes as bandas atuaram como # 8216; suporte & # 8217; & amp; & # 8216; resistência & # 8217; níveis no passado recente. Um efeito semelhante pode ser aqui; onde os comerciantes aprenderam a praticar alguns padrões como & # 8216; sinais & # 8217; de modo que eles são muito mais propensos a agir sobre eles do que outros.

Deixe-me saber se você tem algum pensamento, eu adicionei-o à lista de coisas para tentar uma vez que minha estação de trabalho está de volta dos reparos. Obrigado pela postagem e mantenha-os próximos!

Correspondência de séries temporais com distorção de tempo dinâmico.

ESTE NÃO É CONSELHO DE INVESTIMENTO. A informação é fornecida apenas para fins informativos.

Em seguida, vamos examinar as 10 melhores correspondências usando a distância Dynamic Time Warping. Eu usarei a implementação Dynamic Time Warping do pacote dtw.

Dynamic Time Warping.

A história não se repete, mas muitas vezes rima - Mark Twain.

Você certamente não saberia disso a partir de uma leitura do índice de volatilidade do CBOE S & P500 (CBOE: VIX), que imprimiu um mínimo de 11,44 na sexta-feira, mas há uma grande incerteza sobre as perspectivas para o mercado à medida que nos movemos mais no terceiro trimestre, tradicionalmente o período mais desafiador do ano. Os motivos de preocupação não são difíceis de entender, com o Fed em espera e pronto para começar a aumentar as taxas, apesar do crescimento anêmico da economia; escuridão sobre a "recessão de ganhos"; e uma abundância de fatores de risco políticos em jogo, dentre os quais a próxima eleição presidencial.

Às vezes, como esses investidores precisam de um pequeno encorajamento para manter o curso # 8211; e onde melhor procurá-lo do que nos livros de história. Mais especificamente, a questão é se o passado tem algo para nos ensinar sobre as perspectivas para o mercado, em frente. A teoria acadêmica diz não; mas os comerciantes de Wall Street que controlam trilhões de dólares de investimentos acreditam que, pelo contrário, a história contém informações valiosas que podem ser úteis na previsão do provável resultado futuro para o mercado.

Correlação, Drift e Volatilidade.

Existem várias dificuldades em fazer comparações históricas. Em primeiro lugar, embora talvez seja intuitivamente óbvio o que se quer dizer ao falar de um período histórico "comparável", não é tão fácil quanto se poderia pensar traduzir esse conceito em forma matemática. E precisa ser traduzido, porque, a menos que você planeje estudar história de mercado que contenha dezenas ou centenas de milhares de padrões históricos à mão (ojo), você terá que confiar em computadores para fazer o levantamento pesado.

Talvez a medida mais conhecida de "semelhança" seja a correlação; Mas isso é inteiramente inadaptado à tarefa em questão. A razão é que a correlação remove a coisa em que os comerciantes estão mais interessados: a tendência ou a deriva. Deixe-me ilustrar o ponto com um exemplo simples. O gráfico a seguir ilustra duas séries perfeitamente correlacionadas (tecnicamente, processos Wiener) que simulam a evolução dos retornos em dois estoques.

Fonte: Wolfram Research.

Embora os processos estejam perfeitamente correlacionados, eles acabam produzindo resultados muito diferentes, principalmente porque o processo vermelho tem uma deriva ou tendência fortemente positiva, enquanto o processo verde tem uma deriva fortemente negativa. É altamente implausível que o caminho realizado pelo processo verde seja considerado semelhante ao processo vermelho, apesar de sua correlação. A moral é simples: qualquer outra coisa que entendamos por "similar", deve implicar um resultado comparável em termos da avaliação geral (ou depreciação) do estoque; ou seja, os dois períodos devem mostrar um grau de comportamento de tendência semelhante.

Agora vamos considerar um segundo exemplo ilustrativo. Aqui, não só os dois processos estão perfeitamente correlacionados, mas também têm uma deriva idêntica (14%).

Fonte: Wolfram Research.

Apesar de suas semelhanças, é novamente muito improvável que consideremos o comportamento do processo verde como suficientemente "semelhante" ao processo vermelho. Aqui, o problema não é a diferença na deriva, mas na volatilidade, que é dez vezes maior para o processo verde do que para o processo vermelho. Embora ambos os processos sejam esperados para apreciar a mesma taxa média, a alta volatilidade do processo verde significa que ele pode apreciar a uma taxa muito mais rápida ou mais lenta do que a média. Dizemos que a volatilidade "afoga" a deriva no processo, pelo menos no curto prazo.

Então, em conclusão, o que procuramos em nossa busca de "semelhança" é um período em que o processo mostrou, não apenas uma tendência similar, mas também um nível de volatilidade comparável.

Os desafios não terminam por aí, no entanto. Digamos que encontramos um período na história em que a valorização global e a volatilidade do processo são "semelhantes" ao período de interesse, mas o período histórico é menor ou maior que o período que estamos avaliando. Isso importa? Bem, até certo ponto, deve: se durante o período histórico o estoque apreciado em 50% em 3 dias, versus a mesma porcentagem durante um período de 3 meses durante o período atual, é novamente improvável que consideremos o período histórico como semelhante. Por outro lado, se os dois períodos diferissem em comprimento por, digamos, apenas 4-5 dias de um total de 30, isso seria suficiente para fazer você descartar o precedente histórico? Provavelmente não, outras coisas sendo iguais. Portanto, deve haver margem para alguma flexibilidade, mas não ilimitada, em fazer comparações históricas usando períodos de durações ligeiramente diferentes.

Resolvendo o Problema de Correspondência com Ouro de Tempo Dinâmico.

Depois de ter apresentado o problema, deixe-me virar a solução.

Dynamic Time Warping (DTW) é um algoritmo de aprendizado de máquina desenvolvido originalmente para o reconhecimento de fala que visa duas alinhar duas sequências deformando o eixo do tempo iterativamente até encontrar uma combinação entre as duas seqüências.

Considere duas sequências.

As duas seqüências podem ser dispostas nos lados de uma grade, com uma na parte superior e a outra no lado esquerdo. Ambas as seqüências começam na parte inferior esquerda da grade.

Dentro de cada célula, uma medida de distância é usada para comparar os elementos correspondentes das duas seqüências. Para encontrar a melhor combinação ou alinhamento entre essas duas seqüências, é necessário encontrar um caminho através da grade que minimiza a distância total entre eles. O procedimento para calcular esta distância global envolve a descoberta de todas as rotas possíveis através da grade e o cálculo da distância total para cada uma. A distância total é o mínimo da soma das distâncias entre os elementos individuais no caminho dividido pela soma da função de ponderação.

Muitas medidas de "distância" (o inverso da "semelhança") foram desenvolvidas ao longo dos anos, em campos tão distintos quanto a análise de imagens, processamento de sinais e aprendizado automático. No que se segue, usaremos a distância euclidiana como nossa métrica de distância preferida, mas há uma grande quantidade de opções alternativas:

O algoritmo DTW otimiza a distância, restringido por limites em caminhos aceitáveis através da grade:

Condição monotônica: o caminho não retornará a si mesmo, ambos os índices i e j permanecerão iguais ou aumentarão, eles nunca diminuirão. Condição de continuidade: o caminho avança um passo de cada vez. Tanto i como j só podem aumentar em pelo menos 1 em cada passo ao longo do caminho. Condição de limite: o caminho começa no canto inferior esquerdo e termina no canto superior direito. Estado da janela deformação: é improvável que um bom caminho vagueie muito longe da diagonal. A distância que o caminho permite perambular é a largura da janela. Condição de restrição de inclinação: o caminho não deve ser muito íngreme ou muito raso. Isso evita sequências curtas que correspondem a longos demais. A condição é expressa como uma relação p / q onde p é o número de etapas permitido na mesma direção (horizontal ou vertical). Após p passos na mesma direção não é permitido avançar na mesma direção antes de pisar pelo menos q tempo na direção diagonal.

Essas restrições permitem restringir os movimentos que podem ser feitos a partir de qualquer ponto do caminho e, portanto, limitar o número de caminhos que precisam ser considerados. O poder do algoritmo DTW reside no fato de, ao invés disso, encontrar todas as rotas possíveis através da grade que satisfaçam as condições acima, ele funciona seguindo o custo do melhor caminho para cada ponto na grade. Durante o processo de cálculo da grade DTW, não se sabe qual caminho é o caminho de distância global mínimo, mas isso pode ser rastreado quando o ponto final é atingido.

Perspectiva do mercado usando Dynamic Time Warping.

Vamos aplicar a abordagem DTW para encontrar um período similar no histórico do SPDR S & amp; P 500 ETF (NYSEArca: SPY).

Nós baixamos dados para o SPY ETF e procuramos períodos na história da série a partir de 1995 que são semelhantes à forma como o processo evoluiu no terceiro trimestre de 2018. Observe que estamos usando log-returns em vez de preços brutos. Isso porque o que nos interessa é que a taxa em que o ETF apreciou em relação ao seu valor inicial de partida deve ser comparável para ambos os períodos.

O algoritmo escolhe um período de 21 dias de 3/6/1995 a 4/7/1995 como sendo o mais parecido com a forma como o SPY ETF progrediu no terceiro trimestre de 2018. Vamos dar uma olhada nos dois períodos e avaliar a sua semelhança . Observe que nós estabelecemos o preço de partida inicial em 100 em cada caso.

É claro que o SPY aprecia aproximadamente a mesma porcentagem ao longo dos dois períodos, mas a forma como ele evolui parece bastante diferente em cada caso. Isso ocorre porque o período anterior abrange apenas 25 dias úteis, em comparação com os 51 dias do início do período do terceiro trimestre de 2018. Se você pode imaginar dilatar o intervalo de tempo mais curto da linha laranja no gráfico acima para cobrir o mesmo intervalo que a linha azul, os padrões parecem muito parecidos.

Vamos usar o período histórico para prever como o ETF provavelmente evoluirá nos próximos 35 dias até o final do terceiro trimestre. Fazemos isso mapeando a evolução do ETF ao longo dos 35 dias após o final do período histórico em 4/7/95 e projetando esse padrão no final do período atual, a partir de 8/12/16. O resultado é o seguinte.

Em outras palavras, se a história estreitamente paralela da série a partir de 1995 se repita em 2018, podemos esperar um novo ganho de talvez 3,5% a 4% no SPY ETF entre agora e o final de setembro.

Se você mantém essa abordagem como válida ou não, depende em grande medida de quão credível você considere a tese de que a história está inclinada a se repetir. Existem diferenças significativas nos fatores fundamentais que provavelmente afetarão o resultado nos próximos meses, em comparação com o período similar em 1995.

O início de 1995 marcou o início de um poderoso aumento do mercado impulsionado por um boom econômico que durou até o final de 1999. Em contraste, no período mais recente, a economia vem emergindo muito devagar da crise de crédito de longo prazo que começou em 2008 . Do mesmo modo, em contraste com 1995, quando o Fed estava em fase inicial de redução de taxas de juros, a Fed agora é mais provável que comece a aumentar as taxas em algum ponto antes do final de 2018.

Embora estes e outros aspectos do cenário econômico sejam fundamentalmente diferentes, existem paralelos. A recente desaceleração da produtividade, por exemplo, muitas vezes citada como motivo de preocupação, reflete uma desaceleração semelhante em 1995. Como o Bloomberg ressalta, tais paus não são incomuns e, de fato, os planaltos em 1993-1996 e 2003-2005 ocorreram em um tempo em que a economia era bastante saudável. Por outro lado, vários dos maiores saltos de produtividade ocorreram durante as recessões, em 2001 e 2009.

Conclusão.

Doom-mongering está em níveis recordes estes dias, como o mercado continua a fazer novos aumentos. O Wall Street Journal, por exemplo, publicou recentemente uma peça intitulada "This Tech Bubble Is Bursting", desenhando paralelos com o ponto-com bust de 2000.

Eles podem estar certos.

Por outro lado, se a história se repetir, poderíamos ver o mercado 4% maior no último trimestre de 2018.

Referências.

Sakoe, H. e Chiba, S. Otimização de algoritmo de programação dinâmica para reconhecimento de palavras faladas. IEEE Trans. em Acoust., Speech e Signal Process., ASSP 26, 43-49 (1978).

Notícias Forex on-line São Carlos

среда, 25 апреля 2018 г.

Estratégia dinâmica de negociação em tempo de deformação

Комментариев нет:

Отправить комментарий

среда, 25 апреля 2018 г.

Estratégia dinâmica de negociação em tempo de deformação

Комментариев нет:

Отправить комментарий

среда, 25 апреля 2018 г.