Построение входных данных прогноза с помощью скользящих средних, преобразований Фурье и межрыночных спредов

Построение — это объект входа

Построение прогноза цены описывается как неполное, если оно не объединяет собственные технические ряды целевого рынка со связанными рыночными рядами и фундаментальными факторами, которые влияют на этот рынок. Преобразование в этом рабочем процессе — это переписывание одного или нескольких сырых рядов в один вход модели, который выделяет выбранный признак, например изменение, сглаживание, спред или режим.

Срезы шума на целевом ряде

Скользящая средняя — это lookback-сглаживатель упорядоченной цены, объёма или ширины рынка, который можно подать как построенный вход, чтобы модель прогноза видела меньше шума от бара к бару. Пятидневная простая скользящая средняя закрытия предлагается как преобразование для прогноза следующего закрытия, потому что она даёт более грубый сигнал и снижает шум. То же построение отмечает, что сглаживание также может отбросить полезную детализацию.

Fast Fourier Transform — спектральное преобразование, используемое как продвинутый шаг снижения шума на упорядоченном рыночном ряде перед обучением. Оно перечислено среди продвинутых преобразований снижения шума для ряда целевого рынка наряду с простыми или экспоненциальными скользящими средними и другим сглаживанием.

Ряды связанных рынков и спреды

Межрыночный анализ здесь означает построение рядов связанных рынков и спредов, чтобы прогноз одного рынка обусловливался межрыночной структурой, а не изолированными ценами. Построение связанных рынков для следующего дневного максимума и минимума казначейских облигаций иллюстрируется рядом индекса доллара, рядом фондового индекса и рядом немецких государственных облигаций, выбранными на основе предметных знаний и проверок корреляции с целевым рядом.

Рекомендуются спреды между целевым рядом и рядами связанных рынков, чтобы межрыночные связи становились явными входами, а не сырыми параллельными уровнями цен.

Согласование фундаментальных данных и компактные преобразования

Фундаментальные данные следует выбирать или агрегировать на горизонте, который совпадает с целевым. Дневные или как минимум недельные ряды используются для следующего дневного максимума. Недельные или месячные ряды используются для недельной цели. Дневные бары можно свернуть по среднему, максимуму или минимуму.

Разности и отношения перечислены как простые преобразования, которые сокращают число входов. Классификаторы состояния, такие как направленные меры или меры перекупленности-перепроданности, предлагаются, чтобы одно и то же наблюдение читалось по-разному в растущих, снижающихся или боковых условиях.

Нормализация и обратимая шкала выхода

Нормализация — это масштабирование каждого построенного входа и выхода в диапазон нейрона, при необходимости после клиппинга, с тем же правилом при обучении и при дальнейшем использовании.

Линейное масштабирование отображает каждый вход из выборочного минимума и максимума на диапазон нейрона, обычно от -1 до 1 или от 0 до 1, по формуле I = Imin + (Imax - Imin)(D - Dmin)/(Dmax - Dmin). Это линейное отображение не меняет форму распределения частот.

Второй способ масштабирования задаёт границы на среднем минус и плюс выбранное число стандартных отклонений. При среднем 50, стандартном отклонении 3 и двух отклонениях нижняя граница равна 44. Значения вне этих границ клиппируются, затем применяется линейное отображение, чтобы распределение растянулось и стало более равномерным.

Требуется обратимая шкала выхода: преобразование выхода можно обратить, а значения, лежащие на границе клиппинга, нужно читать как цензурированные, а не как точные. Если выходы при обучении клиппировались, последующий выход, лежащий на границе клиппинга, следует читать как находящийся на этой границе или за ней, поэтому преобразование выхода должно быть достаточно обратимым для прогнозного применения.