La Predicción De Datos De Mercado Mediante El Filtro De Kalman

La predicción de datos de mercado mediante el filtro de Kalman por Rick Martinelli y Neil Rhoads El filtro de Kalman es un algoritmo de dos etapas que asume que hay una línea de tendencia suave dentro de los datos que representa el verdadero valor de mercado antes de ser perturbado por el ruido del mercado. ¿Puede este filtro puede utilizar para predecir los movimientos de precios de acciones? F igura 1 en la página 46 muestra abre todos los días durante un año (252 días) de Ford Motor Co. (F). De acuerdo con los principios modernos de ingeniería financiera, los datos del mercado como éste es considerado como el movimiento browniano, lo que significa que los cambios en los precios diarios forman un proceso de ruido blanco. El ruido blanco es un proceso aleatorio en el que los valores consecutivos son independientes entre sí, entre otras cosas, lo que significa que cada día, un aumento de precios es tan probable como una disminución. En realidad, no es raro que un elemento particular del mercado de tener varios días consecutivos abajo o días hasta más de un lapso de tiempo corto. Durante esos momentos, se dice que los precios que se correlaciona. El objetivo es aprovechar estas correlaciones con un filtro de Kalman para que pueda predecir los movimientos de precios. Figura 1: ABIERTO PRECIOS. En este gráfico diario de Ford Motor Co. (F) se puede ver la naturaleza aleatoria de los movimientos de precios. En un artículo de 2006 para las acciones Productos Básicos. una extrapolación lineal simple se utilizó para predecir mañanas cambio de precio. A continuación, la predicción se utiliza para calcular el estadístico alfa, lo que se compara la variación del precio pronosticado a un promedio reciente de los cambios de precios. Relativamente grandes valores positivos de alfa indican una posición larga, y relativamente grandes valores negativos indican una corta. Este procedimiento fue backtested en una selección aleatoria de acciones e índices para probar su eficacia. Las posiciones indicadas fueron tomadas, cerraron el siguiente día de negociación, y todas las ganancias y las pérdidas se acumulaban en un gráfico llamado Fortune. Sorprendentemente, de los 28 artículos analizados, 20 produce mayores beneficios que una simple posición de compra suspenso durante el mismo período de tiempo. En este artículo, vamos a ampliar en el trabajo anterior, sustituyendo el simple predictor de un día con un filtro de Kalman. El Kalman, tal como se aplica aquí, es un algoritmo de dos etapas que asume que hay una línea de tendencia lisa dentro de los datos que representa el verdadero valor del elemento de mercado antes de ser perturbado por el ruido del mercado. En la primera etapa, unos valores de línea de tendencia anteriores son aptos para un modelo adecuado. A continuación, se extrapola a la siguiente valor de tiempo para generar una predicción y su varianza de error. En la segunda etapa, el valor de datos correspondiente se lee y un nuevo valor de tendencia se calcula como un compromiso entre la predicción y el valor real de los datos. El compromiso se basa en las cantidades relativas de ruido en los datos y predicciones. El filtro se repite el ciclo de la predicción y corrección por cada nuevo valor de datos se lee. El cambio en el precio previsto y su desviación estándar de los filtros primera etapa se combinan para producir el estadístico alfa, que se utiliza para determinar señales de compra / venta. Un régimen de comercio simulado ejecuta esas señales y, como antes, las ganancias y / o pérdidas se acumulan en la lista Fortune. Los productos que se seleccionan para la simulación basado en una nueva propiedad de datos llamado la ganancia disponible. La relación de la fortuna de ganancia disponible define una característica del filtro llama su eficiencia. Las siguientes secciones tratan el filtro y los detalles del método de simulación de Kalman. Las últimas secciones discuten resultados de las simulaciones sobre datos reales de acciones y ofrecen algunas conclusiones. . Continúa en la edición de enero de análisis técnico de Stocks de Productos Básicos Extraído de un artículo publicado originalmente en la edición de enero de 2010 de Análisis técnico de las poblaciones de la revista Commodities. Reservados todos los derechos. &copia; 2009, Análisis Técnico, Inc.