Документация по работе с программой |
Модели
Spectrum основанные на циклах,
выбранных самостоятельно Модели
Spectrum основанные на вэйвлет-циклах:
взгляд в глубину
Модели Spectrum
основанные на вэйвлет-циклах с
использованием АСТРОНОМИИ
Данное руководство
предназначено для изучения различных типов моделей
Spectrum. Вы можете как быстро пролистать его от начала и
до конца, так и сразу же перейти
к описанию
наиболее заинтересовавшей модели (в этом случае, кликните
на гиперссылку в оглавлении).
В описаниях моделей мы сосредоточились,
прежде всего, на технической стороне, постаравшись
затронуть все существенные
аспекты функционирования каждой
из них. Если у вас возникнут какие-либо
вопросы, пожалуйста свяжитесь с нами. Давайте выберем самые значительные
циклы для некоторых
котировок, и затем создадим линию
прогноза, основанную на этих циклах. В Timing Solution это
сделать просто. Активируйте
модуль Spectrum и нажмите
на эту кнопку: Теперь активируйте модуль
Neural Net. Прежде чем запустить процесс обучения,
ценовой ряд обрабатывается осциллятором
с периодом в 25 дней: Поскольку мы создаем модели, основанные
на неподвижных циклах, мы можем использовать эти циклы как входы для
Neural Net. После того, как вычисления произведены, их
результаты автоматически попадают в буферную зону,
откуда мы и извлекаем нужные значения: В этом примере (а
также и во всех других примерах
данной статьи), мы
настраиваем программу так, чтобы использовать все
ценовые пункты (перед Learning
Border Cursor), для дальнейшего обучение
нашей нейросети (Neural Net).
Не забывайте отмечать этот пункт в настройках! Нажмите на эту кнопку (1) и затем выберите режим обучения
Neural Net: Обратите внимание на изменениях этого глифа: После этого
нажмите на "Обучить", и очень скоро Вы
получите линию прогноза, основанную на выбранных циклах. 2) Модели
Spectrum, основанные на циклах,
выбранных самостоятельно В предыдущем примере мы извлекли
из ценового ряда все значимые
циклы (насколько их смогла обнаружить программа), поместили
данные значения в буферную зону и затем создали
прогноз, основанный на этих циклах. Самый слабый пункт этого подхода -
то, что мы предоставили самой программе
решать, какие циклы являются важными, а
какие нет. Однако, Вы можете иметь совсем
другое мнение относительно
того, какие циклы нужно использовать, и
модуль Spectrum позволяет Вам выбрать самые
значительные из них в ручном
режиме. Чтобы сделать это, нажмите на кнопку "+",
а потом щелкните кнопкой мыши возле
какого-нибудь из пиков на
диаграмме Spectrum: Программа вычислит цикл, соответствующий выбранному
пику, и поместит его в
данный список: После этого Вы сможете
переместить все выбранные таким образом
циклы в буферную зону (нажимая на данную
кнопку): Теперь Вы можете использовать их в модуле
Neural Net, чтобы получить линию прогноза. Есть еще несколько рекомендаций относительно того, как
выбрать цикл: Рекомендация A: пик на диаграмме
Spectrum должен быть высоким и
узким. Чем уже пик - тем
больше уверенности, что
он значим для исследуемых ценовых данных. Рекомендация B: В
Timing Solution имется возможность
вычислять диаграмму Spectrum,
используя два независимых друг от друга интервала.
Для этого выберите опцию "Do Splitе": В данном примере,
красная кривая представляет Spectrum,
вычисленный для всех доступных
ценовых баров (1988-2004).
Синяя представляет
Spectrum, вычисленный для первого
интервала (1988-1996 лет), зеленая
- для второго интервала
(1996-2004). Самые значительные волны
подтверждаются присутствием на всех
диаграммах. 3) Модели
Spectrum, основанные на вэйвлет-циклах:
взгляд в глубину В предыдущих примерах, мы имели дело,
главным образом, с линейным
подходом. Данный подход исходит из предпосылки, что совокупное
воздействие всех циклов на рынке является простой
суммой их индидуальных воздействий. Таким образом, наша
деятельность состоит в том, что вычисляем самые значительные циклы и проецируем их
волны в будущее. Но действительность намного более сложна - на самом деле
воздействие циклов не фондовую биржу неравномерно. В одно время эти циклы
оказывают существенное влияние на
фондовую биржу, в другое - не проявляют своей активности вообще. Вэйвлет-анализ
как раз и предназначен для того, чтобы выявлять подобные
периоды, и соответственно, учитывать их влияние в прогнозе.
Для примера, давайте
извлечем циклы, и проведем их
вэйвлет-анализ.
Активируйте модуль
Spectrum и кликните на эту кнопку:.
Мы получим список циклов, воздействущих
на рынок наиболее мощно.
Давайте поочередно проанализируем их. Начнем с самого первого цикла: Если вэйвлет-диаграмма не видна, активируйте эту опцию: Затем мы нажимаем на эту кнопку: В итоге, мы получаем Спектрум для вэйвлета-диаграммы: Эта диаграмма показывает нам пики активности в деятельности цикла
продолжительностью в 58.1 дней.
Как мы видим, один из пиков расположен приблизительно в районе 3 лет. Это
означает, что исследуемый нами цикл особо активизируется на рынке с 3-летней
периодичностью. Другими словами, каждые 3 года появляется сильная
вероятность, что данный цикл (58.1 дней) сыграет важную роль для выбранного
рынка. Итак, в данном частном случае с помощью вэйвлет-анализа мы можем понять,
как цикл из 58.1 дней проявляет свою активность
во времени. Чтобы не путаться в дальнейшем, мы назовем w-циклами. Давайте извлечем из этой диаграммы самые значительные циклы. Для этого нужно
лишь кликнуть мышью возле выбранного пика: Например, отсюда мы извлекли 6 вэйвлет-циклов (w-циклов): Далее, мы проделываем ту же самую операцию для следующего цикла - в 96,1
день. Если мы набрали уже достаточно информации, мы можем остановить этот процесс.
В противном случае, мы продолжаем извлекать вэйвлет-циклы из более длинных
циклов (141 день, 162 дня, и т.д.). Как минимум, мы рекомендуем проанализировать
таким образом хотя бы
первые 2-3 самых быстрых цикла (в нашем примере это циклы со значениями в 58.1, 96.1
и141.8 дней). Поскольку, именно быстрые циклы обеспечивают нас самой важной информацией относительно краткосрочных
ценовых колебаний. Когда мы выбираем какой-либо цикл, программа автоматически
помещает его в буферную зону - в дальнейшем мы можем использовать эти значения
для получения линии прогноза в Neural Net (Нейросеть). Несколько слов для продвинутых пользователей относительно w-циклов.
При моделировании этих циклов мы используем специальный математический подход.
Моделируя обычные циклы, мы имели обыкновение применять косинус-волны;
моделируя w-циклы, мы используем регулярные вэйвлеты. Этот подход лучше
приводит к раскрытию нелинейных эффектов, вызванных взаимодействием различных
циклов. Данная опция: указывает, сколько овертонов мы используем при моделировании w-циклов (в этом
случае каждый цикл как бы дробиться на несколько частей. Например, если Вы
выбрали цикл в 100 дней, то при использовании овертона со значением 2 к нему
автоматически добавляется цикл в 50 дней (100 разделить на 2 = 50).
Использование овертонов позволяет лучше уловить движения среднесрочных и
"быстрых" циклов). 4) Модели
Spectrum на основе вэйвлет-циклов с использованием
АСТРОНОМИИ В этом примере мы попробуем поработать с некоторыми из внешних
факторов, к которым мы относим и регулярные планетарные перемещения. Чтобы
извлечь
астрономические циклы из вэйвлет-диаграммы, нажмите на эту кнопку: Мы попадаем в специальный модуль, позволяющий нам извлекать из
ценовых данных астрономические циклы (иначе говоря, соотносить циклы в
изменениях цен с астрономическими явлениями, которые, как известно, строго
цикличны): Чтобы извлечь все существенные астрономические циклы
потребуется поработать, как минимум, с несколькими вэйвлет-диаграммами. Как в
предыдущем примере, мы рекомендуем провести подобный анализ для 2-3 самых быстрых циклов. В этом примере первые два
цикла были уже проанализированы (в 58 и 96 дней): Как следствие, в нашем "Cycle Box"
появились обычные циклы: и астрономические циклы: Напоминаем, что программа автоматически помещает все эти циклы в буферную
зону, таким образом мы сразу, без каких либо дополнительных манипуляций,
получаем возможность использовать результаты нашей
работы в модуле Neural Net
(Нейросеть). 5) Создание
моделей на основе лучших поворотных точек В предыдущих примерах, ценовые данные, с которыми мы
работали, обрабатывались одним из относительных
ценовых осцилляторов. Этот осциллятор очень неплох, когда нас интересует
прогноз ценовых движений в целом. Однако, в случае. когда мы заинтересованы в прогнозе,
основанном на одних лишь поворотных точках, для ценовых данных лучше
использовать
detrended zigzag. Более подробная
информация относительно его использования находиться здесь:
http://www.timingsolution.com/TS/Uphistory/u_5.htm Посмотрите на эту картину. Относительный
ценовой осциллятор (с периодом = 25 барам) представлен здесь
синей кривой, а 5 % detrended
zigzag обозначен
красной кривой: Как мы видим, detrended
zigzag отражает поворотные точки лучше чем осциллятор. Относительный ценовой
осциллятор более сориентирован на отображение изменения цен в целом, в то время как
detrended zigzag "видит" только
лишь поворотные точки. Все что происходит между двумя поворотными точками "не интересно" для последнего. Внимание: если Вы решите применить для обработки ценовых данных detrended
zigzag, используйте его в модулях Spectrum
и Neural Net одновременно! В модуле Spectrum (Спектрум) Вы должны для
этого заглянуть в данный пункт:
После этого Spectrum вычислит циклы для
detrended zigzag. В модуле Neural Net (Нейросеть)
detrended zigzag устанавливается в этом окне: Нажав на кнопку "Try", Вы окажетесь в окне, где можно изменять его
параметры по своему усмотрению: В этом примере, установка параметра Critical change
(Критическое изменение) в 5 %
дает нам 382 поворотных точки; средняя дистанция между двумя последующими
поворотными точками составит 24.7 дня. Это означает, что данный зигзаг производит
одну волну среднем за 49.5 дней. Я нашел, что модуль Neural Net
очень чувствителен к некоторым detrended-зигзагам:
хорошо воспринимает одни, и не очень другие. Я пробовал использовать в модуле Neural Net
зигзаги со значением в 2 %, 5% и 7%. Как выяснилось, лучшую линию прогноза дает
использование 5%-го зигзага. В любом случае, зигзаги как модуле
Spectrum, так и в модуле Neural
Net должны быть основаны на одном и том же значении "Критического изменения". Прогностическая линия, произведенная
модулем Neural Net
для detrended-зигзага имеет структуру, подобную
"треугольнику". Это очень удобно для идентификации поворотных
точек: 6)
Multiframe и стандартный
Spectrum:сравнение Вычисляя Spectrum для всех
вышеизложенных примеров, мы применяли алгоритм multiframe
(мультиструктуры): Данный алгоритм особенно хорошо себя проявляет в работе с краткосрочными циклами.
Более подробно Вы можете прочитать
об этом здесь:
http://www.timingsolution.com/TS/Study/EasyCycles/forecast_in.htm Стандартный же Спектрум более сориентирован на раскрытие регулярных циклов в
изменениях цен на фондовой бирже: Безусловно, трейдеру стоит поработать с обеими возможностями. Как создавать модели в
Spectrum