Die Suche nach den richtigen dominanten Zyklen in jedem Markt ist comshyplicated durch den Glauben, dass Zyklus Längen arent statisch mit anderen Worten, sie ändern sich im Laufe der Zeit. Was vor einem Monat gearbeitet hat, kann ab sofort nicht arbeiten. In seinem Buch, MESA und Trading Market Cycles, verwendet John Ehlers einen statistischen Ansatz namens Maximum Entropy Spectral Analysis (MESA). Ehlers erklärt, dass einer der Hauptvorteile von MESA seine hochauflösende meashysurement von Zyklen mit relativ kleinen Zeiträumen ist, was für den kürzeren Handel entscheidend ist. Ehlers erklärt auch, wie Zyklen verwendet werden können, um gleitende durchschnittliche Längen zu optimieren und viele der oszillatorischen Indikatoren, die bereits erwähnt wurden. Die Aufdeckung von Zyklen ermöglicht die dynamische Anpassung der technischen Indikatoren an die aktuellen Marktbedingungen. Ehlers befasst sich auch mit dem Problem der Unterscheidung zwischen einem Markt in einem Zyklusmodus gegenüber einem, der sich in einem Trendmodus befindet. Wenn ein Markt in einem Trendmodus ist, ist ein Trend-Folclylowing-Indikator wie ein gleitender Durchschnitt erforderlich, um Trades zu implementieren. Ein Zyklusmodus würde die Verwendung von Ionentillator-Typ-Indianern begünstigen. Zyklusmessung kann dazu beitragen, festzustellen, welcher Modus der Markt derzeit ist, und welche Art von technischen Indikator ist besser geeignet, für Handelsstrategien zu verwenden. 0 KommentareGeben Sie eine stationäre Zeitreihe x (t). Und seinen ersten M-Autokorrelationskoeffizienten ist der Zweck von MEM, das Leistungsspektrum P X zu erhalten, indem man den am meisten zufälligen (d. h. mit dem geringsten Annahmen) Prozess mit den gleichen Autokorrelationskoeffizienten wie x (t) bestimmt. In der Informationstheorie ist dies der Begriff der maximalen Entropie. Daher der Name der Methode. Die Entropie h eines Gaußschen Prozesses ergibt sich aus der Wiener-Khintchin-Identität, der maximale Entropieprozess und die Reihe x (t) haben das gleiche Leistungsspektrum. In der Praxis wird unter der Annahme, dass x (t) durch einen autoregressiven AR (M) - Prozeß erzeugt wird: wobei xi (t) ein weißes Rauschen mit einem Varianz-Sigma 2 ist. Man kann Schätzungen der Koeffizienten aj durch Regression erhalten. Die Autokorrelationskoeffizienten Werden zuerst berechnet und verwendet, um die gleiche Toeplitz-Matrix wie in SSA zu bilden. Diese Matrix wird dann unter Verwendung von Standard-numerischen Schemata invertiert, um das geschätzte aj zu liefern. Das Leistungsspektrum P (f) des wahren AR (M) - Verfahrens mit Koeffizienten aj ist gegeben durch: wobei ein 0 Sigma 2 ist. Daher ist die Kenntnis der Koeffizienten Aj aus der Zeitreihe x (t) bestimmt. Liefert auch eine Schätzung seines Leistungsspektrums P X. Zusammenfassend lässt sich sagen, dass die Methode auf die Suche nach einem auto-regressiven Prozess, der die ursprüngliche Zeitreihe nachbildet, Deshalb ist es eine parametrische Methode. Der MEM ist sehr effizient für die Erkennung von Frequenzlinien in stationären Zeitreihen. Wenn jedoch diese Zeit sereis nicht stationär ist, können irreführende Ergebnisse auftreten, mit wenig Wahrscheinlichkeit, anders erkannt zu werden, als durch Cross-Checking mit anderen Techniken. Die Kunst der Verwendung von MEM besteht in der geeigneten Wahl von M. D. h. die Reihenfolge der Regression von x (t). Das Verhalten der spektralen Schätzung hängt von der Wahl von M ab. Es ist klar, dass die Anzahl ihrer Pole (oder sogar Maxima) von der Reihenfolge der Regression M und den Auto-Regressionskoeffizienten a j abhängt. So dass für eine vorgegebene Zeitreihe die Anzahl der Peaks mit M zunimmt. Daher muss ein Kompromiss zwischen einer guten Auflösung (hoher M) und wenigen Störspitzen (niedrige M) gefunden werden. Ein paar Führungen werden durch die Standardwerte des Toolkits bereitgestellt (d. h. M sollte die Hälfte der Länge der Zeitreihe nicht überschreiten). Die Schwächen können teilweise durch (a) beseitigt werden, um zu bestimmen, welche Gipfel in M reduzieren. (B) Vergleich von MEM-Spektren mit denen, die von Blackman Tukey-Korrelogramm und MTM produziert werden, die in der Regel keine falschen Peaks mit MEM teilen sollten, und (c) die Verwendung von SSA zur Vorfilterung der Serie und damit zur Zerlegung der Originalreihe in mehrere Komponenten Die nur wenige Harmonische enthält (so dass kleine M-Werte ausgewählt werden können, siehe Penland et al., 1991). Referenzen 1. Percival, D. B. Und Walden, A. T. 1993: Spektralanalyse für physikalische Anwendungen - Multiträger und konventionelle univariate Techniken. Cambridge University, 580 S. 2. Penland, C. Ghil, M. und Weickmann, K. 1991: Adaptive Filterung und maximale Entropiespektren mit Anwendung auf Veränderungen des atmosphärischen Drehimpulses. J. Geophys Res. 96 22659-22671
No comments:
Post a Comment