文摘

本文提出在本质上是方法论,致力于分析观察一系列的金融资产在资本市场报价变化。这些过程的最重要的特性是他们的不稳定性,这体现在高灵敏度看似微小的干扰因素。这种现象是非线性动力系统的理论研究,是由确定性模型描述的混乱。但是,对于本文的过程被认为是,浸入式环境的动态不稳定加剧了随机不确定性定价过程中引起的随机波动。结果,描述观察一系列金融资产报价是困难的,因为它涉及到随机混乱。本文分析和分类混乱的一系列观测模型和预测相关流程。

1。介绍

目前,没有管理策略,明确保证赢得对资本市场投机操作。交易,究其根本,是一个风险。很难想象整个世界贸易将是什么样子没有管理风险。风险的概念直接从需要遵循管理条件的不确定性。

Cybertrading现代金融交易,是一个重要的趋势,大多数决定是由人工智能。这需要的发展日益复杂的数学模型进行自动检测的市场情况。这些模型使用算法,如机器学习,深入学习,自然语言处理,情绪分析检测模式和趋势数据,并相应地做出决定。他们必须能够处理大量数据的实时和足够强劲,能够处理市场的变化1]。

框架内的有效市场假说(EMH),假设投资者理性行为,也就是说,他们往往根据普遍接受的概率做出管理决策关于预期的变化在一个特定的金融工具。然而,这个假设的分析应用实践证明其不一致(2]。传统方法分析市场状态的原因不是有效是因为的水平和性质的不确定性的一种有效的预测。这种不确定性更高和更复杂的实现比传统方法的局限性。

事实上,管理的主要问题积极投资的投机性交易业务的不确定性一直是而且动力学的过程发生在市场。应该注意的是,任何管理一般来说,尤其是交易业务,是主动的,即。基于预测市场形势的发展。事实上,管理决策的结果总是在于未来相对于其执行的时刻。这是特别清楚地看到投机操作的例子在电子交易过程中的资本市场。交易员的主要任务一直做一个预测发生变化的报价基于可用的金融工具。此外,我们将调用等仪器工作,与其他金融资产作为辅助分析和预测过程中交易的发展情况。

在当一个交易员管理构建一个有效的预测,管理工作仪器的问题就变得微不足道了。换句话说,建立一个有效的预测是充分必要条件,建设一个成功的管理策略。一个有效的预测将被理解为一个成本的定量或定性预测工作工具,这可以成为一个成功的管理策略的依据。至关重要的是要记住,当评估预测模型的有效性,你不应该专注于其准确性或可靠性,但最后的结果(3]。

交易业务的一个基本特征是市场资产的报价不是物理量,相反,他们是心理组的结果的评估市场的状态。这种估计的时间序列形成一个无惯性的随机过程,这是一个实现的系统组件的动态混乱(4- - - - - -7]。存在混沌动力学组件的报价可以显著减少的可能性,建立一个有效的预测,因此,导致低生成的控制决策的有效性。

自然需要提高管理质量的投机操作导致需要深入了解的特性和结构混乱的过程。为此,我们将考虑不确定性的起源不稳定造成的浸入式环境作为一个专家的出现的问题,分析解决控制问题时随机混沌的条件。

2。方法

2.1。动态不确定性

动态定价的不确定性的存在的主要问题是贸易情况的分析和预测投机操作的有效管理。初始数据的动态分析和预测是回顾性的实现的非平稳随机过程描述的动态报价的市场资产和环境沉浸。然而,投机性资产管理研究的对象不是一系列的观察自己,但他们的系统组件由顺序滤波的随机波动。的系统组件的一系列观测,作为进一步预测的基础和积极主动的管理决策的形成。

在传统概率模式的框架内,系统组件被解释为一个未知的确定过程。不确定性的主要来源是知识的不完备的相对数量影响因素的动态过程。结果,观察系列是由最终用户理解为随机过程。然后,系统组件可以使用变异识别序列估计(8- - - - - -11]。

中使用的数学模型外推法是按顺序选择和自适应滤波算法的版本更正。

基于贝叶斯估计的数据分析统计方法识别的发展观察系列的系统组件(12- - - - - -14]。在这种情况下,系统组件的一系列观察被认为是一个条件意味着观测的随机过程。在这个假设,计算方案,如卡尔曼滤波器(15)或其他广义的变异算法(例如,过滤器使用有限内存)用于形成(16- - - - - -20.]。

作为市场资产的技术分析的实践表明,上述传统方法预测观察一系列定价过程被证明是无效的。这样做的原因是高不稳定的浸入式环境,描述了各种模型的混沌动力学(21,22]。

浸入式环境不稳定的混沌动力学问题是20世纪中期所描述的在洛伦兹的基本工作23),都24],Nicolis和Prigozhin [25)和其他人,奠定了基础的一种新的协作的范例描述解决方案的动态不稳定的非线性系统开放。根据非线性微分方程的一般理论,他们的解决方案可能包含所谓的分岔点的参数化动力系统是不稳定的。在这些点,甚至是极其微不足道的扰动可以彻底改变的动态积分曲线的求解非线性微分方程组。

从经济角度来看,分岔点代表时刻的时候即使是很小的外部干扰可以灾难性变化的动态发展价值的一种资产,甚至整个市场。在[21,22),本系列的系统组件的混沌性质的观察市场资产的报价是证实。说明了一个简单的可视化的动态报价的所有特征一个混乱的过程:一个振荡非周期的轨迹,当地的趋势和异常的观察,异方差性,等。作为一个说明性的例子这样的一系列的观察,图1显示了图过程的改变目前的报价,GBPUSD,美元对日元汇率在外汇市场上货币对在250天的时间间隔。

最可靠的随机性的数学判据是最大李雅普诺夫指数,其评估的平均散度测量系统的轨迹。其他方法来定量评价时间序列的随机性,我们可以注意新范围分析(RS)。它允许一个计算赫斯特指数,衡量一系列的随机性26]。赫斯特指数的值接近0.5显示随机系列。接近1的赫斯特指数表明,考虑时间序列是由一些混沌系统。系列,在图所示的片段1的赫斯特指数波动范围0.68 - -0.72(窗口宽度l= 200)。

根据(27),被认为是最有前途的分割方法持票人条件,这是一个当地的衡量一个函数的规律。霍尔德指数超过1表示一个光滑函数。如果指数小于1,则该函数在给定的奇异点。系列的图1,霍尔德指数的估计范围从0.2到1.1,平均值是0.61(窗口宽度200 - 400)。

特别感兴趣的是Hinich测试(28- - - - - -30.),基于频谱第三阶,更准确地说,评估后。在图2,P_gauss统计可以解释为可能的重量,这段可以通过高斯模型进行描述。相对较小(小于1.5 2)值del_R统计显示的一系列数据,可以用线性模型描述。

图2显示的值的部分Hinich测试计算滑动窗口(重叠)。这些统计数据的动态为整个系列数据显示,可用非高斯几乎贯穿其整个长度,但其中重要的部分可以用线性模型描述。

2.2。统计的不确定性

如前所述,当前状态的个人资产和整个市场各种性质受多种因素的影响。数量可观的经济、政治、心理、社会等因素可以达到数百和数千。与此同时,这些因素本身是随机过程的实现,可能会因时间不同而发生重大变化的影响。

尝试使用概率建模和统计数据分析的仪器导致的随机动力学模型的报价基于的假设IID(独立和数据分布的身份)31日]。这个假设是基于一些假设的本质过程发生在资本市场,为正态分布的变化意味着是连续可微的报价和方差有界。在最简单的情况下,这个方案的结果在一个马尔可夫随机游走,假设目前的观测足以实现交易的预测。

统计不确定性的问题在于显著不足上述简化概率数据模型的描述性统计分析的结果真正的市场流程21,22,32]。的概率特征的一系列观测不符合的限制集提供适用性或传统统计数据分析和预测算法的有效性。

最显著偏离简化数据模型的不履行的平稳性假设观测序列的残差。残留在这种情况下是指观察和系统组件之间的差异的观察过程。特别是,这种观察是异方差的序列(33,34]。

统计的不确定性是一个著名的问题,在文献中研究了健壮的统计数据(35- - - - - -41]。然而,在这种情况下,概率的不确定性数据结构叠加在确定性混沌的系统不稳定带来的不确定性。结果,过程描述的动态资本市场应该归类为随机混乱,最高程度的预测和管理任务的复杂性。

2.3。多重空间和多个连接

多重空间的问题很明显:市场的状态,如上所述,受到大量相互关联的不同性质的外部和内部因素。更多的因素被认为是构造模型的市场时,更可靠的预测,更好的交易决策。然而,考虑每个因素包括识别的意义(这在预测区间可能不同),结构和参数识别的动态进化因素本身,以及其影响市场条件的函数。换句话说,整个浸环境综合监测的仪器是必要的,这意味着需要识别和跟踪几十个,几百个重要和相关因素的影响。

很明显,这样的问题的完整的解决方案依赖于需要考虑成千上万的潜在因素的影响,甚至超越了超级计算机。因此,在实践中,这些解决方案是有限的,考虑到最重要的影响因素,和所有其他的总效应被描述为一个平稳随机组件,满足中心极限定理,即。,服从高斯分布。

如上所述,这种简化可以接受一定程度的信任(更准确地说,不信任),记住当地的存在趋势和异常的观察,可能存在的异方差性的一系列观测,等等。然而,辩证的说,据说每一个乌云中总有一丝光明。通过多个连接和稳定的相关性大间隔的观察,我们可以使用统计数据分析来获得局部稳定性的碎片。这种解决方案的例子给出了(42,43]。

2.4。源数据完整性

结果的可用性监控市场和交易环境的状态是必要的,但远远不够条件有效决策。事实是,监测结果可以不包含必要的信息(甚至间接)准备一个定性的预后评估的市场,或者他们可能不够正确显示。这种差异的原因大致可以分为两个部分:(1)不完备或监控过程的可靠性不足(2)人的因素。

从本质上说,这个问题不完备的数据是动态的上述问题的主要原因和统计的不确定性。然而,即使有拉普拉斯妖能够考虑所有影响因素的交易资产的定价过程,它仍然不可能获得保证预测结果的混乱的自然的过程。正如上面提到的,对于不稳定的浸入式环境,即使是很小的令人不安的影响可能会导致一个非常不足的反应过程。

提出的问题相关联,首先,系统生成的数据的特性监测资产和浸入式环境的状态。一起,有一群问题造成市场混乱的管理任务的特殊性条件和人为因素的细节。让我们描述其中的一些。

2.5。Multicriteriality

交易决策的质量通常是基于两个或两个以上的分析质量标准。在最简单的情况下,这样的标准是相互矛盾的要求利润最大化和最小化风险。通常,这类优化问题没有一个共同的解决方案。

使用scalarizing度量可以帮助简化multicriterial问题通过减少单个标量参数的优化。另一种选择是优化一个广义参数,和所有其他特征转换成一个系统的约束。例如,上面的例子中,这意味着最大化利润,同时保持的任务设置一个以上的风险水平。

解决的问题multicriteriality multiexpert系统的基础上(44)似乎有希望。在这种情况下,各种软件使用各种优化专家获得决策或其他标准,然后协调他们用数学的方法解决冲突(45,46]。

2.6。异构数据集成和分析

很清楚的分析结构良好的数值数据的处理技术有很大区别的文本和其他结构化信息。目前,存在各种方法分析异构数据;然而,他们的联合处理仍然是一个相当复杂的科学问题。

可能的解决方案之一,正如上面提到的,是使用multiexpert分析的方法。在这种情况下,独立或弱相关的软件专家产生独立的解决方案,在第二个层次,metaexpertise进行,搜索一个折衷考虑个别专家的权重。

2.7。市场心理

正如上面已经提到的,一个有效市场的经典模型是基于假设的理性投资者的操作按照一般关于“常识”和优先事项交易业务的稳定性(1,2]。不幸的是,个人投资者的个体心理学和社会心理学的一组个人投资者和股票市场参与者在许多情况下适合这些模型。

社会市场心理的细节尤其严重的影响下的消息流。操纵新闻的观念导致了不合理的资产价格的突然改变,甚至一个细分市场,大大复杂化的可能性,这种情况下形成一个有效的预测。

2.8。人为因素和数据分析解释

最后决定在投机领域的数据分析,作为一个规则,属于一个人。人类思维的具体定量分析让我们考虑一个非常小的因素影响(在最好的情况下,2 - 3个相互关联的因素)。人类意识是,原则上,局限于现实的三维表示,要求正确的令人不安的影响涉及会计操作与状态空间维度几十上百的单位。因此,任务,原则上,专家的定量控制,分析师或投资者。自然的这种情况是聚合数据维度,可以可视化。然而,任何聚合,以及任何数据压缩,就不可避免地导致部分损失的信息。

人为因素的问题是一个同样重要的组成部分的解释数据和处理结果。这个问题是复杂的,它包含,显式或隐式地,上面的初始数据的不完备等问题,多准则问题,认知有限,市场心理细节等。

看来这个问题没有一个明确的解决方案在传统数据分析,需要最新的信息技术。这些包括人工智能技术,包括构建知识库的任务,方法分析任务的个体和群体决策方案。这个问题最激进的方法是排除人类的控制回路。在这种情况下,这一决定是由交易机器人,或一个网络的软件专家结合成一个单一的multiexpert系统。

2.9。资产管理动态混沌的条件

上述问题的预测和管理条件的随机混沌大大复杂化的过程开发有效的管理解决方案。传统技术提高稳定性的预测和管理过程往往成为无效的沉浸在面对一个不稳定的市场环境。例如,适应方法通常是不可行的,因惯性和不连续的过程发生在市场。反馈链根本没有时间应对突然的变化动态的报价。另一方面,增加反馈回路的敏感性就不可避免地导致病理反应随机波动的观察到的过程,和,因此,统计II型错误(“假警报”)决策电路。

另一个传统方法增加管理的稳定性,基于robustification估计和预测算法,也会导致增加II型错误。注意,后验分析回顾数据通常允许我们确定敏感性和粗糙度之间的这种一线(鲁棒性)的决策算法,甚至弱的控制策略是有利的(47,48]。然而,这方面是不稳定的。即使是小偏离最优值的参数管理模式迅速导致损失在随后的观察间隔。

因此,审核状态的一般随机混沌预测和控制条件的问题表明,这个问题的解决方案需要开发和应用新的非传统的方法和算法进行数据分析,明显不同于已知的统计和外推计算方案。

是非常重要的典型变化的动态报价和分类在开发预测和管理算法。这些信息需要建立数学模型的观察系列包含的状态变化的市场。本文进一步材料致力于的方法论,这一任务。

2.10。系统动力学是对新闻的反应

首先让我们把一个重要的话。本身,观察到的非平稳过程不是一个灾难性的问题预测动力系统的状态。例如,可微动力的意思是,按照维尔斯特拉斯逼近定理(49),总能被一些多项式模型。近似残差可以表现得“相当不错”,一定程度的近似描述同样的平稳高斯模型。问题是,这种近似是一个已经实现的实现过程。进一步发展的动力对统计混乱意味着在不久的将来是完全不足与新建多项式或另一个模型。结果,这种方法,成功地用于许多惯性物理和技术过程,甚至是不适合短期投机性资产管理任务的市场环境。不过,这一决定本身是最简单的逻辑性质:它足以回答这个问题报价是否会增加,减少,或进步无关紧要的范围内一段时间了。

注意,相同的原因限制了使用自适应控制的可能性。对于大多数物理的、生物的、或技术过程,一个可以依靠的惯性过程与实际的质量或能量的潜力。这使得它可以调整系统模型定期或连续,调整其参数,甚至它的结构。在信息系统中,与市场社会的虚拟表示形式的价值资产,惯性几乎是没有的。任何引用消息流的影响下多次几乎可以立刻改变它的值。因此,“小丑”的现象出现,大大限制了适应的可能性获得一个有效外推预测通过传统的技术分析。

然而,消息流不是一个连续的时间。消息,显著影响报价的动态形成的非平稳时间序列。从理论上讲,在消息之间的间隔,资产应保持一些趋势的动态叠加一个添加剂随机组件。然而,先天的等间隔的识别过程中,被分割,极其复杂。这是由于许多潜在因素的存在,彼此“妨碍”在一个完全不可预测的方式,与“小丑”新闻的出现和其他属性的市场混乱。

在最简单的形式中,消息流可以分为三种类型的消息:(1)无关紧要的消息,可以改变的动态观察过程突然在很短的时间内,恢复之后,前面的趋势。趋势本身可能不会改变,但是其散射。例如,标准差是增加相对于平均动力学。(2)有影响力的新闻,可以显著改变这一趋势或其变化足够长的一段时间在数天或数周。(3)重要(战略)的消息,从根本上扭转长期趋势,并确定其整体动力学数周或数月。

例如,在图3,考虑的情节的新闻动态的影响目前30天。与3号箭头指示的重要的新闻发布会上,决定报价的一般趋势变化的时间间隔30天。2号的箭头表示的时刻释放新闻几天能扭转这一趋势,但不改变其战略方向发展。最后,1号的箭头显示新闻的时候可以稍微改变趋势,但是,尽管如此,他们仍然明显的背景下,典型的随机波动的报价。

分析这些数据表明,如果不改变报价的过程本身,那么至少可以维持其统计结构足够重要的时间间隔。对于任何确定的结构,它几乎总是可以构建一个有效的资产管理策略。换句话说,如果可以快速确定观察到的总趋势的非平稳过程,那么可以使用一个预先准备策略选项,这个动态结构提供了有效的资产管理。

这直接表明本文中的任务是:研究的可能性,及时识别当前的混沌动力学的结构。很明显,这个任务对及时发现至关重要结构的显著变化的动态观察过程的影响下一个非平稳的消息流。

2.11。分裂和分类混乱的动态过程

作为一个例子,让我们考虑一个30-day-long观察段目前报价图所示4。这张图展示了典型的混沌动力学结构的几个部分:(1)突然的增长或衰退的地区。进程以非常高的速度,一个大动态范围和一个小散射相对近似线性趋势。(2)地区的快速增长或下降的报价随后大幅修正的形式明显的锯齿形波动方向相反。这个过程有一个大动态范围和一个大的散射相对近似线性趋势。(3)水平线性趋势的地区(所谓的“扁平”或“横向趋势”)。这样的部分可能显著差异在散射的大小和频率的越界近似的意思。(4)地区的快速增长或下降的报价与微不足道的修正成为添加剂波动。过程有一个大动态范围和小散射相对近似线性趋势。(5)领域的相对缓慢增长或下降。类似于段落1、2和4,它们也可以分为根据散射参数的值和校正过程的本质。

一切考虑,考虑到非常精确的定义术语,比如“快”,“慢”,“大”和“实质性”,我们可以提出一个典型的混沌动力学结构,分类呈现在图5。

注意,上述条款的定义可以用模糊逻辑或基于一组定量约束用块回顾性数据观测时间间隔。然而,这些约束的具体的参数值有很大的差别取决于特定资产的动态属性(“工具”)。这是由于不同的波动率和方差特征,不同的市场工具。

识别结构的需要选择一组指标决定的类型结构的滑动窗口选择的过程。

分析表明,结构类型的变化是由赫斯特指数的变化之前。这是由系列细分的基础上,这个指标。同样,持有人下降指数与突然的跳跃。层流段缓慢增长或下降Hinich识别的测试值低于1.5。段和明显的非线性不可避免地演示同时指出,经常观察,例如,样品峰态的动力学[26- - - - - -30.]。

的结构类型的选择,以及其他统计结论,必然导致I型和II型错误。在第一种情况下,建立的指标不能识别结构,第二是一个不正确的决定的起源和类型建立结构。

统计识别的经典方案相比,由于上述原因,是不可能构造一个分布函数的样本指标,因此,它是不可能正确地评估的信心水平决定。的唯一选择构建一个动态结构识别系统是一种经验方法,使用启发式方案构建决策规则紧随其后数值测试回顾数据的大型数据集。指定的数据集的大小应该足够大,这样指示器可以反复测试在各种结构的混沌动力学和过渡过程。

2.12。随机混沌模型:分解和分析

在传统的控制理论动力系统(50,51),最简单的直接观察模型是由添加剂关系如下: 在哪里 是一个确定的未知的过程反映了真正的动力学和 是一些噪音组件由错误的观察。

在这种情况下,过程 视为系统组件用于预测的过程中观察到的过程和发展控制决策。假设系统组件可以确定数学,例如,通过回归分析方法(52- - - - - -55]。

在更一般的情况下,基于Bayesian-Kalman范式(12- - - - - -14),运动的轨迹是由随机过程描述如下: 在哪里转换矩阵和吗 是随机成分,所谓系统的噪声。与前面的情况下,系统的噪声通常是由一个平稳高斯过程建模。过滤的任务,在这种情况下是孤立系统的过程 ,这是一个有条件的平均观察随机过程 。

很明显,这样的解释的观测模型的组件不适合代表报价系列。在市场混乱的状况,有几乎没有观察错误,整个随机组件是完全取决于系统的噪声。观察到的过程完全(数字化过程中选择的舍入数字)对应于报价的真正动力。同时,系统的噪声分量不能机械地丢弃平滑,因为它的值是有意义离不开大量的报价。因此,修改后的双组分添加剂表示考虑过程(1)这类应用定性问题需要一个不同的解释。

在考虑的问题,系统组件 理解为一个平滑quasiregular过程用于确定一个趋势,预测,在决策的过程中,或直接和 是一个随机观测模型的组件由残差吗 ,在哪里 是一个平滑曲线由一个序贯滤波算法(15- - - - - -20.]。

注意,有了这样一个定义,有一个基本概念的不确定性系统的组件。本质上,观察到的系列的划分成一个系统过程和噪声组件在本例中是模糊的,需要额外的定义等主观因素相关滤波算法的选择和其有效性的标准。识别系统组件的过程是决定性的战略偏好影响的参与者在交易业务3),这是一个外生因素。

本质上,在交易业务利润或损失,不管怎样,与交易策略的选择,使管理决策基于关于后续更改报价的交易资产的价值。习惯上区分短期策略集中在白天交易业务会话,中期(从几天到几个月)和长期(年度或多年)接近投资管理策略。很明显,动态趋势,确定管理决策可以看出不同。这意味着识别任务的一系列观测的系统组件将是不同的。特别是,盘中波动是微不足道的长期交易业务,但他们完全确定短期每天猜测的有效性。

因此,分工的通用动力公司的报价系统和随机是有条件的,由外部因素决定的,需要澄清当接近每个特定的任务。它遵循随机组件,噪声相对于所选的系统组件,可能完全非随机的从传统的角度观察系列的随机性和独立的统计标准。

换句话说,需要过滤掉的随机组件识别的系统组件的动态报价,根本上是重要的交易,由其统计性质不应常常并不是传统意义上的“噪音”probabilistic-statistical范例。特别是,随机组件可能不是一个平稳和正常过程,作为一个规则,包含其quasisystem组件由条件决定的意思。

3所示。结果

3.1。统计分析的结构混乱的过程观察系列

观察系列正式分为系统顺序和随机组件可以由复杂的系统组件模型,直到残差变成一个平稳噪声过程。使用这种方法,它是权宜之计的初始过程的形式一个添加剂三分量的观测模型,其中包括系统组件用于交易决策的过程中,与高阶变化动力学quasisystem组件,一个纯粹的随机组件形成一个平稳时间序列。然而,实现这样的概念在实践中遇到的具体困难的特点交易资产的价格动态的过程。在这种情况下,连续计算方案的动态过滤是最常用的10,12,15- - - - - -20.]。

让我们考虑过滤过程中的随机误差序列拟合的一系列观察一天的观测时间间隔。为此,我们将持续增加的程度近似多项式模拟系统组件级别的统计标准协议确认相应的随机性质差异模型和实际观测。图6显示了块报价的DJ指数及其变化多项式近似(1日,2日,3日度)两天的交易日,以及图7显示相应的残差近似。数据使用30年代和数字的步骤数作为参数使用X设在。

一系列的近似残差的独立性和稳定性是通过已知的统计测试标准(52,56]。测试假设的随机独立观察系列中,我们使用中位数系列标准(56]。为选定的例子,在 (每分钟计数的数量在纽约证券交易所的操作),关键值,分别等于 。

相应的值的统计和决定接受的决定独立的假设回归误差系列三个交易日在纽约证券交易所如表所示1。列中的值1意味着假设数据,0表示不矛盾的假设拒绝。

从上面的数据可以看出的独立性的假设认为观察系列在大多数情况下也不会拒绝。很足够使用近似多项式的订单2 - 3。略微降低质量的估计 是由正规方程矩阵的条件差高逼近多项式的订单。

应该注意的是,这一标准不能检查考虑过程的平稳性。所以,例如,如果上半年的振幅的时间序列图所示3人为地增加,下半年是保持不变,那么参数和不会改变,假设关于独立不会被拒绝,和过程的平稳性条件显然不会。

检查评价残差的独立性和平稳性本身并不是目的。主要任务是识别系统组件重要的交易决策的过程。残差的不稳定由于散射参数的变化并不显著。这里的主要角色属于变异的意思是,形成趋势和混合物的非周期振荡过程。

升序和降序系列的标准可以使用[56)评估的独立性等一系列的观察。这个测试来验证计算,我们使用相同的数据三个交易日在纽约证券交易所如表1。然而,我们不会使用多项式近似的程度 ,因为他们导致正常退化方程的矩阵。结果如表所示2。对于给定的数据,关键值,分别 和 。

因此,在估计的参数回归模型基于一个完整的样本的观测,前面假设了三分之一,quasisystemic组件的动力学过程被证明是不可行的。剩下的随机组件后,估计是一个序列的独立样本。当然,这并不意味着该组件形式平稳过程(在一个限制或广义的定义)。特别是,从上面的图在图6,一个可以看到的系统振荡的过程,但非周期的。

使用传统的独立验证标准不包含这一过程,导致混沌动力学引入初始过程。结果,预测的发展情况下的货币,股票和其他市场变得无效。

然而,在研究这一问题通过分析或数值方法,有必要把股市的状态评估的过程更接近实际。上面讨论的方法只是理论。这是由于这样的事实,评估过程进行了基于联合处理的数据在整个交易日。按顺序形成的决策是在实践中,使用的样本数据可用增加体积,或基于滑动观察窗。在这方面,我们将重新回归的残差估计考虑最后的话。要做到这一点,我们将使用一个连续的回归估计方案基础上增加体积的样品观察不同大小的滑动窗口用来计算LSM的传递系数(最小二乘法)过滤器。

图8显示了DJ的图表顺序LSM评价指数引用三个工作天(以下相对应的时间间隔时,交易平台不是工作是“剪”)和一个工作日。

不难看到,尝试使用所有积累的信息来估计当前值显著增加了估计过程的惯性,导致一个重大转变。滑动观察窗,数据恢复的质量,我们可以看到从图9(一个)(滑动窗口 分钟计数)和图9 (b)( 计数)要高得多。然而,在这两种情况下,定性恢复系统的组件的主要问题仍是延迟近似相对于观察到的过程,最终导致根本性的有效性下降。正如所料,窗口的增长增加了平滑度,同时会导致增加延迟。

为估计的情况下通过一个滑动的观测样本的大小 分钟数,我们将构建一序列回归估计的错误,检查他们的独立使用上面给出的标准。与滑块这些错误的观察窗口的大小,分别 和 分钟数如图10。

可以看出,在上述情况下,模拟真实的顺序处理,而不是理想主义的联合数据处理方案的描述在本节的开始,有一个明确表示quasisystem组件,已建议的存在。这个组件变得更加明显随着滑动观察窗的增长,造成的延迟形成一个股票市场的当前状态的评估指标。

严格证实这一观点,我们将测试统计假设的独立选择的一系列观测用升序和降序的标准系列(56]。本系列标准的关键值是相等的 和 。决定的数值统计数据的观察窗 是 和 ,为观察窗 ,他们是 和 。因此,按照选择的标准和水平的信心 ,观察系列的独立性的假设被拒绝,这证实了存在一系列常规组件的剩余工资。

再确认一下这个结论,我们使用中位数系列标准(56]。关键值,在这种情况下,分别 和 。决定数据的值相同的置信水平的观察窗 是 和 ,为观察窗 他们是 和 。因此,根据中位数标准,独立的假设也拒绝了在这两种情况下。

基本的结论是,quasisystem获得组件几乎不包含明显的线性趋势,因为它是振荡和非周期的。这种动态是极其困难的调整与传统计算方案的联合数据处理。适应的概念还不允许有效实施由于非周期的波动与延迟评价相关联。如果我们添加到他们所需的时间来确定变化的动态控制过程,然后构建适应循环将适应已经过时的动力学和,事实上,只有恶化估计的准确性。最富有建设性的这种情况是一个试图使用健壮的评估方案,对识别的影响quasisystem组件。

在本节的结论,我们将考虑的可能性,减少残差系列的常规组件的水平增加的程度的近似多项式。作为数值分析的一个例子,我们将考虑相同的参数在前面的情况。唯一的区别在于,不同的交易时段被选中。近似多项式的顺序被选为2(图(11日))和3(图11 (b)),分别。

独立决策数据的测试表明,该值升序和降序系列的标准在第一种情况下是相等的 和 ,在第二种情况下, 和 。决定统计订单2和中值的近似多项式系列标准的窗口 分别是, 和 ,和观察窗 ,他们是 和 。选择置信水平 ,的阈值决策统计数据,分别 和 ,,因此,随机独立的假设是拒绝。为观察窗 ,我们已经决定数据的值等于 和 ,在这些关键值,随机独立性的假设也拒绝了。得到了类似的结果在使用近似多项式的订单3。

注意,除了这些标准,阿贝标准可以用来验证独立(53,56]。然而,它的使用是以一个错误是否高斯的初步测试。在这种情况下,这个测试会导致负面的结果,这违反了这一标准的适用性的条件。在这种情况下,正常分析使用一个基于值的评价标准的不对称和峰度,正常条件下并没有完成由于大峰态。

3.2。报价的三分量模型观察系列

从上面的研究,可以得出的结论是,最初的过程可以表示为一个三分量模型 其中包括:(我)系统组件 用于交易决策组成的一个复杂的非线性过程平滑和明显的趋势和波动(2)quasisystem噪声组件 ,这是一个未移位振荡非周期的(混乱)过程(3)一个平稳随机过程 其分布,将所示,倾向于高斯定律。

可以描述的图形化表示的曲线如图所示12- - - - - -14。

重要的是指出再次的主观性识别系统组件的过程中,基于该交易员的一般考虑初始系列的平滑程度的利益确保有效的交易决策的过程。

很明显,该参数将很大程度上取决于主观地选择交易策略。接下来,在图13,quasisystem组件 的模型(3)给出的背景下,残差DJ引号和选定的系统组件之间的关系。来确定,一个可以重用LSM近似或一些更简单和更快的方法估计条件平均水平。

特别是,在这种情况下,指数平滑算法(11用传递系数) 是使用。这个过程也是一个混沌动力学的变体,即。,an oscillatory nonperiodic process, but it no longer contains pronounced trends and is well centered.

图14显示了第三个纯粹的随机组件模型(3),由系统组件的剩余工资的区别和quasisystem组件的值。不难看到,这个过程是接近静止的高斯噪声。在给出的标准14)被用来验证这个事实。

应该注意的是,在实践中,正常标准可能不满足,自从平滑用于识别quasiregular模型,正如已经上面所提到的,一个明显的峰态。然而,一个近似的描述的随机分量的分布高斯曲线可以接受对许多应用任务。

4所示。讨论和结论

本文致力于研究试图理解和形式化的结构观察一系列混乱的过程。最复杂的一种混沌运动产生的信息淹没环境被认为是inertia-free和不稳定。最引人注目的例子,这样的环境是现代电子资本市场:股票、货币和大宗商品市场。

的根本区别过程发生在这些市场是他们inertia-free自然。任何已知的混乱的流程与物质和能量相关流程,如湍流气和水动力流,不允许瞬时突变动力学由于其物理性质的变化,即惯性。它是已知的4],非线性的动态开放系统尺寸大于三个描述系统的非线性微分方程,可以包含分岔点的解决方案,即:的积分曲线的演化系统的状态、参数化是不稳定的。这意味着即使非常小外部扰动会导致激进的变化观察到的动态过程。这一现象,已经收到了确定性混沌的名字,是完全可行的任务监控在资本市场定价过程。为物理过程扰动在分岔点意味着相对平稳(不间断的导数)过渡到另一个糟糕的可预测的进化的轨迹。有在许多情况下突然变化的一系列观测,大大复杂化等识别和预测计算程序流程的无形信息流程,反映当前市场参与者的看法一个资产的价值。

这种现象本身也带来了新问题预测观察到的动态过程。然而,不难看到,除了动态不确定性,数据反映市场资产的变化报价包含统计不确定性整合的影响,大量不同的潜在因素的影响从浸入式环境。结果,最好的解释模型是添加剂两个参数的山地模型(1),平滑系统组件是由动态混沌模型和随机组件是由一个随机过程集成所有隐藏的因素的影响。

传统的观测模型用于数据分析的任务是基于的假设的平稳性和Gaussianity观测模型的随机组件。然而,随着一系列的概率性质的分析观察市场资产报价的文章所示,这些假设并不满足。这是由于一个事实,即浸市场环境的特点是周期放大各种因素的影响,这违反了中心极限定理的Lindenberg条件(57,58),因此,导致违反高斯条件。使用著名的统计标准,结果表明,随机组件的其他重要特征的数据模型,如平稳性和一系列独立观察,也没有履行。

它遵循从这个作为一个过程的解释模型认为在这篇文章中,建议使用一个三分量的计划(3),一个quasisystem组件由一个非平稳的随机过程。这个模型提供了一个观察到的结构流程的可视化表示。然而,最佳的可能性的问题或quasioptimal预测或主动控制算法基于它仍然开放。

然而,本文获得的材料让我们实践得出一些有用的结论:(1)存在一个非平稳的随机组件清楚地表明,任何传统的统计分析方法将是次优的,和在某些情况下不可行。这并不意味着完全的不可行性。所以,LSM在任何情况下将提供一个估计的偏差的平方和最小化。然而,由此产生的转变将显著减少主动管理的有效性。(2)的存在inertia-free不连续非周期的变化明显复杂应用的可能性,任何形式的预测算法的适应和积极的管理。很明显,反馈回路的惯量最终禁止监测序列观察系列的突然变化。增加反馈回路的敏感性会导致更多的负面影响与控制回路的系统响应第三组件生成的随机波动模型(3)。(3)看来稳健估计(35- - - - - -41)是一个更有前途的方法来增加稳定性的主动管理算法随机混沌的条件。这类技术提出算法的发展与减少对输入数据的变化。特别是,它可以假定的概率结构非平稳的市场资产的报价过程是由一组描述的分布从一个给定的有限的可行的分布函数。最大化的法律费雪信息选择最不利分布对于一个给定的类。在这种情况下,使用极大极小方法,预测算法形成的最佳解决方案(例如,根据最大似然准则)之前选定“最有利”的分布。很明显,这种方法对随机混沌条件的有效性是极其困难的评估分析和数值方法的主要工具是调查这个问题。(4)显示数据结构的困难让我们得出这样的结论:建议解决的任务管理资产在资本市场间接传播,把它分为两个阶段。第一阶段是正式的定量分析的整个细分市场,包括资产管理,以及其他因素的浸入式环境影响的国家资产,其定量特征可以被监控。第一阶段应连续进行,让积极的迹象需要改变管理策略。在第二阶段,基于序列分析的数据结构,选择或自动生成预测管理策略实施,用于一个相当有限的时间间隔。(5)流程可以使用各种指标确定的结构(包括趋势和通道的参数)。同时,个别指标的有效性的问题的不同区域观察到的过程仍然开放。形式化分析的质量等指标的非平稳动态条件是极其困难的,和数值例子并不能保证其有效性的各种情况下的特征统计混乱。这导致了使用multiexpert方法结论的权宜之计,在[提供的概念44]。专家主要是理解为软件数据分析工具用于建设交易机器人。这种方法的进一步发展将集中在混合算法基于人工和混合智能的原则。段落1 - 5是初步的结论出发,要求数值验证。他们将是我们进一步研究的主题。

数据可用性

数据的来源是Finam.ru (https://www.finam.ru/,2023年2月28日通过)。

的利益冲突

作者宣称没有利益冲突。

确认

作者感谢参与者的计量经济学和商业分析中心的圣彼得堡州立大学(https://ceba-lab.orgCEBA)研讨会系列有益的意见和建议。支持的研究中心的计量经济学和商业分析和圣彼得堡大学的捐赠基金。