Mdfa Forex

Negociação financeira de alta frequência no FOREX com MDFA e R: um exemplo com o iene japonês Esta última entrada de Chris é particular no sentido de que ele confia no meu pacote MDFA de código aberto (e não na iMetrica) para gerar sinais comerciais, veja 1. Portanto, os resultados são reprodutíveis. Chris fez um grande esforço de replicação, veja abaixo: quarta-feira 20: adicionei o código R modificado por Chris para prosseguir para a replicação. O que se segue é Chris8217email, cortado e colado do meu servidor: quotSo acabei de completar o tão aguardado tutorial de introdução sobre como criar sinais comerciais usando MDFA e R para dados de alta freqüência. Não há muitos segredos para se esconder aqui, como o que eu fiz em R com seu código é principalmente a mesma rotina que tomo para construir meus sinais comerciais no iMetrica (exceto que eu posso fazer coisas muito mais rápido no final8230 e ok, lá São apenas alguns pequenos molhos secretos que I8217m estão usando e ainda não estão dispostos a vazar até I8217m empregados). Mas, no que diz respeito a este exemplo com o iene, tudo (deve) ser reprodutível em casa usando uma versão (ligeiramente modificada) do seu código. Aqui está o artigo 1. Um desafio que enfrentei na construção desses exemplos veio de compará-los com os meus resultados que recebo no iMetrica. Infelizmente, no início os resultados não eram os mesmos. Depois de ficar um pouco frustrado, peguei o árduo esforço de descobrir por que minhas rotinas de MDFA em C são diferentes da sua em R. Mine são codificadas de uma maneira muito mais otimizada e eficiente para alcançar a velocidade mais rápida possível (graças a uma otimização rápida de apophenia Pacote para montar matrizes e resolver coeficientes). No entanto, os resultados finais ainda devem ser equivalentes. Depois de um dia de navegar através de ambas as implementações MDFA, descobri por que elas não são equivalentes (e as mudei em seu código). Aqui estão as diferenças (que eu consigo lembrar) da minha implementação e do seu (a partir do seu lançamento de novembro): 8211 Computing the DFTs. Por algum motivo, na freqüência zero, você não usa a média dos dados. Você simplesmente configurou-o para zero. Não tenho certeza se você deixou isso em acidente ou de propósito, mas eu uso a média. Além disso, divide os valores DFT pela constante (pino) onde n é o número de observações em séries temporais. 8211 Na definição do parâmetro decay1, você não parece usar o mapeamento da função tan. Eu fiz. 8211 A maior diferença está na definição da função de suavização (definida pelo valor de expansão). Em primeiro lugar, você divide o valor do valor em 2, eu divido em 10. Não é um grande negócio. O grande negócio é esse. Minha definição da função de energia deslocada é uma função do valor da frequência (assim, de 0 até 3,14). O seu é uma função da localização do índice de frequência, entre 0 e K. Isso faz uma enorme diferença. Eu prefiro definir a função de energia em relação ao valor da frequência e não ao índice. Depois que eu mudei estes, os resultados foram praticamente os mesmos, mas não exatos. Ao analisar a matriz final (na resolução de Axb para os coeficientes) após a aplicação de regularização e personalização, parece que os valores dentro da matriz A estão fora de um fator de cerca de 10. Minha intuição é que as funções complexas de exp em R e C são calculadas ligeiramente diferentes (melhor precisão de precisão, eu não sei). Então, eu não tenho certeza se isso é algo que nós poderemos resolver. Mas eu não estou preocupado, já que os resultados finais são tão próximos. Na verdade, não afetou nenhum dos negócios nos meus exemplos que mostro, eles eram os mesmos no iMetrica. E isso é o mais importante. De qualquer forma, posso enviar-lhe a minha versão do seu código se quiser, para que as pessoas possam fazer o download para experimentar os exemplos. Ou você pode considerar essas mudanças e torná-las permanentes em futuras versões do MDFA. Me avise e aproveite o artigo. Você trabalha muito, velho rapaz. Seu cabelo foi R-colorido e R-brushing vem à mente também. Por sinal, a consistência é medida ao contrário: iMetrica deve ser capaz de replicar o I-MDFA, que é a referência. Meu código MDFA como modificado por Chris (veja os comentários acima) DFT. r. I8217m sempre trabalhando com séries centradas, portanto, o DFT na freqüência zero é zero (it8217s proporcional à média). Chris não parece trabalhar com séries centradas: sua DFT é diferente de zero na freq. zero. I-MDFAnew. r. Parece que a amplitude-ponderação do peso líquido foi alterada e acho que o termo lambda-decaimento também foi modificado. Observe que eu não modifico minha versão mais recente do I-MDFA: as modificações acima são úteis se você deseja replicar os resultados do Chris8217 (mas eu permaneço na minha versão). Para executar a replicação, você precisa exigir os dados dele. Deixe uma resposta Cancelar respostaFigura 1: In-sample (observações 1-250) e desempenho fora da amostra do sinal comercial incorporado neste tutorial usando MDFA. (Top) O preço de registro do iene (FXY) em intervalos de 15 minutos e os negócios gerados pelo sinal de negociação. Aqui a linha preta é uma compra (longa), o azul é vendido (posição curta). (Fundo) Os retornos acumulados (caixa) gerados pela negociação, em porcentagem obtida ou perdida. No meu artigo anterior sobre o comércio de alta freqüência no iMetrica no FOREXGLOBEX. Introduzi algumas estratégias robustas de extração de sinal no iMetrica usando a abordagem multidimensional de filtro direto (MDFA) para gerar sinais de alto desempenho para negociação no mercado de câmbio e Futuros. Neste artigo, faço uma breve falta de ausência do meu mundo de desenvolvimento de sinais de negociação financeira no iMetrica e migre para uma linguagem uber-popular usada em finanças devido à sua exuberante variedade de pacotes, gerenciamento rápido de dados e manipulação de gráficos e de Claro, o fato de que ele é gratuito (como em fala e cerveja) em quase qualquer plataforma de computação do mundo. Este artigo oferece um tutorial de introdução sobre o uso de R para negociação de alta freqüência no mercado FOREX usando o pacote R para MDFA (oferecido por Herr Doktor Marc Wildi von Bern) e algumas estratégias que I8217ve desenvolvido para gerar sinais de negociação financeiramente robustos. Para este tutorial, considero o segundo exemplo dado no meu artigo anterior, onde criei um sinal comercial para logaritmos de 15 minutos do iene japonês (de abertura de sino a mercado fechado EST). Isso apresentou desafios um pouco novos do que antes, pois as variações de salto abertas são muito maiores que as geradas por retornos horários ou diários. Mas, como demonstrei, essas variações maiores no preço fechado aberto não representavam problemas para o MDFA. Na verdade, explorou esses saltos e fez grandes lucros ao prever a direção do salto. A Figura 1 na parte superior deste artigo mostra o desempenho na amostra (observações 1-250) e fora da amostra (observações 251 em diante) do filtro que vou construir na primeira parte deste tutorial. Ao longo deste tutorial, eu tento replicar esses resultados que eu construí no iMetrica e expandi-los um pouco usando o idioma R e a implementação do MDFA disponível aqui. Os dados que consideramos são os log-retornos de 15 minutos do iene de 4 de janeiro a 17 de janeiro e os tenho guardados como um arquivo. RData fornecido pela ldfxyinsamp. Eu tenho uma série explicativa adicional incorporada no arquivo. RData que I8217m usa para prever o preço do iene. Além disso, eu também usarei pricefxyinsamp qual é o preço de registro do iene, usado para calcular o desempenho (buysells) do sinal de negociação. O ldfxyinsamp será usado como dados na amostra para construir o filtro eo sinal de negociação para FXY. Para obter esses dados para que você possa executar esses exemplos em casa, envie-me um e-mail e I8217ll envie todos os arquivos. RData necessários (os dados na amostra e fora da amostra) em um arquivo. zip. Olhando rapidamente nos dados do ldfxyinsamp, vemos os retornos de log do iene a cada 15 minutos começando no mercado aberto (fuso horário UTC). Os dados de destino (Ien) estão na primeira coluna, juntamente com as duas séries explicativas (Yen e outro recurso co-integrado com movimento de ienes). 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 Movendo-se, para começar a construir o primeiro sinal de negociação para o iene, começamos por carregar os dados em Nosso ambiente R, defina alguns parâmetros iniciais para a chamada de função MDFA e, em seguida, computa as DFTs e periodograma para o iene. Como eu mencionei nos meus artigos anteriores, minha estratégia passo a passo para construir sinais de negociação sempre começa por uma análise rápida do periodograma do objeto a ser negociado. Segurando a chave para fornecer informações sobre as características de como o recurso funciona, o periodograma é uma ferramenta essencial para navegar como o extractor é escolhido. Aqui, procuro os principais picos espectrales que correspondem no domínio do tempo a como e onde o meu sinal irá desencadear comerciais Buysell. A Figura 2 mostra o periodograma dos retornos de log de 15 minutos do iene japonês durante o período in-sample de 4 de janeiro a 17 de janeiro de 2013. As setas apontam para os principais picos espectrales que procuro e fornece um guia sobre como eu Irá definir a minha função. As linhas pontilhadas pretas indicam os dois limites de freqüência que considerarei neste exemplo, o primeiro ser e o segundo em. Observe que ambos os pontos de corte são definidos diretamente após um pico espectral, algo que eu recomendo. Na negociação de alta freqüência no FOREX usando MDFA, como observamos, o truque é buscar o pico espectral que explica a variação do preço aberto da moeda estrangeira. Queremos aproveitar esse pico espectral, pois é aqui que os grandes ganhos em troca de moeda estrangeira usando MDFA ocorrerão. Figura 2: Periodograma de FXY (Yen japonês) juntamente com picos espectrales e dois pontos de corte de freqüência diferentes. Em nosso primeiro exemplo, consideramos a freqüência maior como o limite para o ajuste (a linha mais direita na figura do periodograma). Em seguida, inicialmente configurei os parâmetros de tempo e suavidade, e expweight para 0 juntamente com a configuração de todos os parâmetros de regularização para 0 também. Isso me dará um barómetro para onde e quanto ajustar os parâmetros do filtro. Ao selecionar o comprimento do filtro, meus estudos empíricos sobre inúmeras experiências na construção de sinais comerciais usando o iMetrica demonstraram que uma escolha 8216 good8217 é entre 14 a 15 do comprimento total da amostra dos dados da série temporal. Claro, o comprimento depende da frequência das observações de dados (isto é, 15 minutos, hora, diária, etc.), mas, em geral, você provavelmente não precisará mais do que ser maior que 14 no tamanho da amostra. Caso contrário, a regularização pode tornar-se demasiado pesada para lidar efetivamente. Neste exemplo, o comprimento total na amostra é 335 e, portanto, eu configuro o que I8217ll adere para o restante deste tutorial. Em qualquer caso, o comprimento do filtro não é o parâmetro mais importante a considerar na construção de bons sinais comerciais. Para uma boa seleção robusta dos pares de parâmetros do filtro com séries explicativas apropriadas, os resultados do sinal de negociação em comparação com, digamos, dificilmente diferem. Se o fizerem, a parametrização não é suficientemente robusta. Depois de carregar os dados de registro-retorno na amostra juntamente com o preço de registro correspondente do Iene para calcular o desempenho da negociação, procedemos em R para definir as configurações de filtro inicial para a rotina de MDFA e, em seguida, computamos o filtro usando a função IMDFAcomp. Isso retorna os coeficientes de retenção de objetos imdfaamp, as funções de resposta de freqüência e as estatísticas de filtro, juntamente com o sinal produzido para cada série explicativa. Combinamos esses sinais para obter o sinal comercial final na amostra. Tudo isso é feito em R da seguinte maneira: as funções de resposta de freqüência resultantes do filtro e os coeficientes são traçados na figura abaixo. Figura 3: As funções de resposta de freqüência do filtro (superior) e os coeficientes de filtro (abaixo) Observe que a abundância de ruído ainda presente passou a freqüência de corte. Isso é melhorado pelo aumento do parâmetro de suavidade do peso vivo. Os coeficientes para cada série explicativa mostram alguma correlação em seu movimento à medida que os atrasos aumentam. No entanto, a suavidade e deterioração dos coeficientes deixa muito a desejar. Vamos remediar isso introduzindo parâmetros de regularização. Os gráficos do sinal de troca na amostra e o desempenho na amostra do sinal são mostrados nas duas figuras abaixo. Observe que o sinal de negociação se comporta muito bem na amostra. No entanto, os olhares podem enganar. Este desempenho estelar é devido, em grande parte, a um fenômeno de filtragem chamado overtuagem. Pode-se deduzir que a superposição é o culpado aqui, simplesmente olhando o não-lisura dos coeficientes, juntamente com o número de graus de liberdade congelados, que neste exemplo é aproximadamente 174 (de 174), muito alto. Gostaríamos de obter esse número em cerca de metade da quantidade total de graus de liberdade (número de séries explicativas x L). Figura 4: O sinal de negociação e os dados de log-return do iene. O desempenho na amostra desse filtro demonstra o tipo de resultados que gostaríamos de ver após a aplicação da regularização. Mas agora vem para os efeitos sóbrios da superposição. Aplicamos essas coeficientes de filtro a 200 observações de 15 minutos do iene e as séries explicativas de 18 de janeiro a 1 de fevereiro de 2013 e comparamos com as características na amostra. Para fazer isso em R, primeiro carregamos os dados fora da amostra no ambiente R e, em seguida, aplicamos o filtro aos dados fora da amostra que eu defini como xout. O gráfico da Figura 5 mostra o sinal de troca fora da amostra. Observe que o sinal não é tão suave quanto foi na amostra. A superação dos dados em algumas áreas também está obviamente presente. Embora as características de superposição fora da amostra do sinal não sejam horrivelmente suspeitas, eu não confiaria nesse filtro para produzir retornos estelares no longo prazo. Figura 5. Filtro aplicado a 200 observações de 15 minutos de Yen fora de amostra para produzir sinal de negociação (mostrado em azul) Após a análise anterior da solução do meio-quadrado (sem personalização ou regularização), agora procedemos a limpar o Problema de superação que era aparente nos coeficientes, além de acalmar o ruído na banda de parada (frequências depois). Para escolher os parâmetros de suavização e regularização, uma abordagem é primeiro aplicar primeiro o parâmetro de suavidade, pois isso geralmente suaviza os coeficientes enquanto age como um regulador 8216pre8217 e, em seguida, avance para selecionar os controles de regularização apropriados. Ao analisar os coeficientes (Figura 3), podemos ver que uma quantidade razoável de suavização é necessária, com apenas um ligeiro toque de decaimento. Para selecionar esses dois parâmetros em R, uma opção é usar o otimizador Troikaner (encontrado aqui) para encontrar uma combinação adequada (eu tenho uma abordagem algorítmica de molho secreto que desenvolvi para iMetrica para escolher combinações ótimas de parâmetros, dado um extractor e um indicador de desempenho , Apesar de it8217s longo (mesmo em GNU C) e complicado de usar, então eu normalmente prefiro a estratégia discutida neste tutorial). Neste exemplo, comecei por definir o lambdasmooth para .5 e a decadência para (.1, .1), juntamente com um parâmetro de suavidade de peso médio configurado para 8.5. Depois de ver os coeficientes, ainda não tinha suficiente suavidade, então eu continuei a adicionar mais finalmente chegando a .63, o que fez o truque. Em seguida, escolhi a lambda para equilibrar os efeitos do gasto de suavização (lambda é sempre o último parâmetro de ajustes). A Figura 6 mostra a função de resposta de freqüência resultante para ambas as séries explicativas (Ien em vermelho). Observe que o maior pico espectral encontrado diretamente antes do corte de freqüência está sendo enfatizado e ligeiramente modificado (valor próximo de 0,8 em vez de 1,0). Os outros picos espectrales abaixo também estão presentes. Para os coeficientes, apenas o alisamento e decaimento foram aplicados para manter intacta a estrutura de atraso, cíclica e correlação dos coeficientes, mas agora eles ficam muito mais agradáveis ​​em sua forma suavizada. O número de graus de liberdade congelados foi reduzido para aproximadamente 102. Figura 6: As funções de resposta de freqüência e os coeficientes após a regularização e alisamento foram aplicados (topo). Os coeficientes suavizados com ligeira decadência no final (parte inferior). O número de graus congelados é de aproximadamente 102 (de 172). Juntamente com graus de liberdade melhorados e sem falhas aparentes de superposição, aplicamos este filtro fora da amostra para as 200 observações fora da amostra, a fim de verificar a melhora na estrutura dos coeficientes de filtro (mostrado abaixo em Figura 7). Observe a tremenda melhoria nas propriedades do sinal de negociação (em comparação com a Figura 5). A supressão dos dados foi eliminada e a suavidade geral do sinal melhorou significativamente. Isso se deve ao fato de que erradicamos a presença de superposição. Figura 7: sinal de negociação fora da amostra com regularização. Com todas as indicações de um filtro dotado exatamente das características que precisamos para a robustez, agora aplicamos o sinal comercial tanto na amostra como fora da amostra para ativar as negociações buysell e ver o desempenho da conta de negociação em valor de caixa. Quando o sinal cruza abaixo de zero, nós vendemos (entre posição curta) e quando o sinal sobe acima de zero, nós compramos (insira uma posição longa). O gráfico superior da Figura 8 é o preço de registro do Iene para os intervalos de 15 minutos e as linhas pontilhadas representam exatamente onde o sinal de negociação gerou negociações (cruzando zero). As linhas pontilhadas pretas representam uma compra (posição longa) e as linhas azuis indicam uma venda (e posição curta). Observe que o sinal previu todos os saltos abertos para o iene (em parte, graças à série explicativa). Isto é exatamente para o que nos esforçaremos quando adicionarmos regularização e personalização ao filtro. A conta de caixa das negociações ao longo do período de exibição na amostra é mostrada abaixo, onde os custos de transação foram fixados em 0,05 por cento. Na amostra, o sinal ganhou cerca de 6% em 9 dias de negociação e um índice de sucesso comercial de 76%. Figura 8: Desempenho na amostra do novo filtro e os negócios que são gerados. Agora, para o teste final para ver o desempenho do filtro na produção de um sinal comercial vencedor, aplicamos o filtro para a observação fora de amostra de 15 minutos do iene e as séries explicativas de 18 de janeiro a 1 de fevereiro e fazemos Negociações baseadas no cruzamento zero. Os resultados são mostrados abaixo na Figura 9. As linhas pretas representam as compras e as linhas azuis das vendas (shorts). Observe que o filtro ainda é capaz de prever os saltos perto de abrir, mesmo fora da amostra, graças à regularização. O filtro sucumbe apenas a três pequenas perdas em menos de 0,08 por cento entre as observações 160 e 180 e uma pequena perda no início, com uma taxa de sucesso de comércio fora da amostra atingindo 82% e um ROI de pouco mais de 4% O intervalo de 9 dias. Figura 9: Desempenho fora da amostra do filtro regularizado em 200 retornos fora da amostra de 15 minutos do iene. O filtro atingiu 4% de ROI ao longo das 200 observações e um índice de sucesso comercial de 82%. Compare isso com os resultados obtidos no iMetrica usando as mesmas configurações de parâmetros do MDFA. Na Figura 10, tanto o desempenho na amostra quanto fora da amostra são mostrados. O desempenho é quase idêntico. Figura 10: Desempenho na amostra e fora da amostra do filtro Yen no iMetrica. Quase idêntico ao desempenho obtido em R. Agora tomamos uma facada na produção de outro filtro comercial para o iene, só que desta vez desejamos identificar apenas as freqüências mais baixas para gerar um sinal de negociação que negocia com menos frequência, apenas buscando os ciclos maiores. Tal como acontece com o desempenho do filtro anterior, ainda desejamos segmentar as freqüências que podem ser responsáveis ​​para as grandes variações próximas ao preço do iene. Para fazer isso, selecionamos nosso ponto de corte para ser o que efetivamente manterá os três maiores picos espectrales intactos na banda de baixa passagem. Para este novo filtro, mantemos as coisas simples, continuando a usar os mesmos parâmetros de regularização escolhidos no filtro anterior, pois eles pareciam produzir bons resultados fora da amostra. Os parâmetros de personalização do tempo e da velocidade devem, no entanto, ser ajustados para ter em conta os novos requisitos de supressão de ruído na banda de parada e as propriedades da fase na banda passante menor. Assim, aumentei o parâmetro de suavização e diminui o parâmetro de tempo (que afeta apenas a banda passante) para explicar essa alteração. As novas funções de resposta de freqüência e os coeficientes de filtro para este projeto menor de passagem baixa são mostrados abaixo na Figura 11. Observe que o segundo pico espectral é contabilizado e apenas ligeiramente atenuado sob as novas mudanças. Os coeficientes ainda apresentam a suavidade e decadência visíveis nos maiores atrasos. Figura 11: Funções de resposta de frequência dos dois filtros e seus coeficientes correspondentes. Para testar a eficácia deste novo design de freqüência de negociação mais baixa, aplicamos os coeficientes de filtro para as 200 observações fora da amostra dos log-returns de Yen de 15 minutos. O desempenho é mostrado abaixo na Figura 12. Neste filtro, vemos claramente que o filtro ainda consegue prever corretamente os grandes saltos abertos ao preço do iene. Somente três perdas totais são observadas durante o período de 9 dias. O desempenho geral não é tão atraente quanto o design do filtro anterior, pois menor quantidade de negócios é feita, com um ROI de cerca de 2% e uma razão de sucesso comercial de 76%. No entanto, este design poderia caber as prioridades para um comerciante muito mais sensível aos custos de transação. Figura 12: Desempenho fora da amostra do filtro com corte inferior. Conclusão A verificação e a validação cruzada são importantes, assim como o homem mais interessante do mundo irá informá-lo. O objetivo deste tutorial era mostrar alguns dos principais conceitos e estratégias que eu sofro ao abordar o problema de construir um sinal de negociação robusto e altamente eficiente para qualquer bem determinado em qualquer freqüência. Eu também queria ver se eu poderia conseguir resultados semelhantes com o pacote R MDFA como meu pacote de software iMetrica. Os resultados acabaram sendo quase paralelos, exceto por algumas pequenas diferenças. Os principais pontos que eu estava tentando destacar foram analisar primeiro o periodograma para buscar os importantes picos espectrales (como os associados com variações próximas ao aberto) e demonstrar como a escolha do corte afeta a negociação sistemática. Aqui, uma recapitulação rápida sobre boas estratégias e hacks para ter em mente. Resumo das estratégias para construir o sinal comercial usando MDFA em R: Como mencionei anteriormente, o periodograma é o seu melhor amigo. Aplique o corte diretamente após qualquer intervalo de picos espectrales que você deseja considerar. Esses picos são o que geram os negócios. Utilize uma escolha de comprimento de filtro não superior a 14. Qualquer coisa maior é desnecessária. Comece por computar o filtro no sentido do quadrado médio, ou seja, sem usar qualquer personalização ou regularização e ver exatamente o que precisa ser aprovado ao visualizar as funções e coeficientes de resposta de freqüência para cada série explicativa. O bom desempenho do sinal de troca na amostra (e até mesmo fora da amostra na maioria dos casos) não tem sentido, a menos que os coeficientes tenham características robustas sólidas tanto no domínio da freqüência como no domínio da lag. Eu recomendo começar com o ajuste do parâmetro de personalização de suavidade e os parâmetros de regularização de lambdasmooth primeiro. Em seguida, proceda apenas com ligeiros ajustes aos parâmetros lambdadecay. Finalmente, como último recurso, a personalização lambda. Eu realmente nunca me incomodo em olhar para lambdacross. Pouco ajudou de forma significativa. Como os dados que estamos usando para segmentar e criar sinais de negociação são log-returns, não há necessidade de incomodar com i1 e i2. Esses são para os extratores de sinal verdadeiramente avançados e pacientes, e só devem ser deixados para aqueles dotados de iMetrica. Se você tiver alguma dúvida ou gostaria dos dados de ienes de alta frequência que usei nestes exemplos, sinta-se à vontade para entrar em contato e enviar I8217ll Para você. Até a próxima vez, extraindo feliz 8220 Com uma rápida olhada nos dados do ldfxyinsamp, veremos os retornos de registro do iene a cada 15 minutos começando no mercado aberto (fuso horário UTC). Os dados de destino (ienes) estão na primeira coluna, juntamente com as duas séries explicativas (Yen e outro recurso co-integrado com o movimento do iene) .8221 Então, no seu arquivo na entrada, você usa o log (close-returns) duas vezes (col1 E 2) e um outro bem. Você pode me contar mais sobre esse outro recurso cointegado. Como você acha Enquanto it8217s não é tão óbvio para determinar um conjunto de variáveis ​​explicativas que melhorarão o desempenho do sinal (e comercial), desenvolvi uma ferramenta chamada análise de componentes de freqüência fundamental que me ajuda a escolher séries com fortes correlações de lag s em determinadas freqüências I8217m interessadas O método parece funcionar muito bem na minha experiência. Obrigado Chris, você planejou outro tópico nas próximas semanas Sim, eu tenho muitas idéias novas para artigos, e redigirei um em breve. Eu estava ocupado nos últimos meses, melhorando a metodologia ainda mais, tornando-a ainda mais robusta para o comércio financeiro. O problema é que eu começo a distribuir muitos dos meus segredos e acabarei por perder minha vantagem competitiva, então eu preciso permanecer um pouco crítico. 15 minutos, acho que 15 minutos é um bom alcance, quanto menor for a frequência, melhor será o sinal mais robusto. No entanto, na prática I8217m atualmente usando retornos de 5 minutos com uma empresa comercial negociada em Chicago no Index Futures. Você filtra o tempo em seus dados. Você troca apenas das 13:30 horas até às 20:00. Você troca durante a noite