مدلهای پدیده شناسی
یک پیش بینی خوب بر مبنای یک مدل مناسب اتفاق میفتد. منظور این است که انتخاب مدلی مناسب برای پیش بینی بسیار با اهمیت است. در واقع اولین قدم برای انجام پیش بینی، انتخاب بهترین مدلی است که موضوعات مد نظر ما را پاسخگو باشد. به این مثال کاربردی دقت کنید. شخصی میخواهد بداند در بازار X چه اتفاقی محتمل تر است. در واقع ما میخواهیم برای بازار X پیش بینی انجام دهیم. تاریخچه موجود، شامل دیتای بیش از 200 سال میباشد ضمنا میخواهیم پیش بینی بلند مدت انجام دهیم. اولین سوال این است: این پیش بینی بر مبنای چه چیزی باید باشد؟ نرم افزار Timing Solution مجموعه کاملی از روشها را برای ایجاد پیش بینی و تنها با چند کلیک ساده، در اختیار شما قرار میدهد:
- مدلهایی برپایه سیکلهای ثابت (این مدلها از بخش Spectrum این برنامه گرفته شده اند)
- سیکلهای نجومی
- سیکلهای برگشت خودکار (سیکلهای برگشتی غیر خطی + منطق نامعلوم + شبکه عصبی (نتایج Back Test این روش را ببینید))
- آنالیز ریز موج
این نوع خاص از شبکه عصبی بهینه سازی شده به شما این امکان را میدهد که بتوانید از کل تاریخچه دیتای موجود استفاده کنید. سوالی که بوجود می آید این است: چه تکنیکی برای این کار مناسب تر است؟ همان طور که شرح داده شد، استفاده از مدلهای نجومی بهترین شیوه برای اینکار میباشند. چنین بنظر میرسد که این شیوه حقیقتا بهترین انتخاب میباشد. عملیات سخت و طولانی گرفتن بک تست نشان میدهد که استفاده از مدل Spectrum اغلب مانند بادبادک بدون طناب است. بادبادک آنجاست و به همراه جریان باد به هر سو میرود و شما هیچ کاری نمیتوانید بکنید. مدل Spectrum بازی سیکلها را به خوبی آشکار میکند؛ لذا این رویکرد برای پیش بینیهای کوتاه مدتی بسیار خوب عمل میکند. اما زمانی که میخواهیم این تکنیک را برای پیش بینیهای بلند مدت استفاده کنیم، با شکست مواجه میشویم. برای پیش بینیهای بلند مدت، باسیتی یک حامی فاندامنتال پیدا کنیم. برای این منظور سیکلهای نجومی بهترین گزینه میباشند. پس تاریخچه قیمت را دانلود میکنیم.
معمولا ما تاریخچه قیمت را به دو بازه تفکیک میکنیم: قسمت آبی رنگ Training Interval : ما از این بازه برای جستجوی اطلاعات و پرورش شبکه عصبی استفاده میکنیم. قسمت قرمز رنگ Testing Interval برای بررسی دقت عملکرد مدل ما بکار میرود. اینها دیتای ماهانه هستند و ما باید تصمیم بگیریم که کدام سیکل نجومی میتواند به ما کمک کند. جدول زیر مربوط به دوره تناوب سیارات میباشد. اطلاعات این جدول را به خاطر داشته باشید:
در این جدول سیکلهایی که برای بررسی دیتای ماهانه از تاریخچه 200 ساله مناسبتر هستند علامتگذاری شدهاند. مانند تصویر زیر روی نمودار قیمت اواسط سال 2006 را با موس کلیک کنید:
مدل زیر را برای نمایش سیکلهای نجومی اجرا کنید:
گزینه "Option" را انتخاب کنید:
در واقع برای محاسبه Composite ، ما از کل تاریخچه قیمت در Training Interval استفاده خواهیم کرد. این آپشن رویکردی متفاوت از ماهیت تداخل سیکلهای نجومی در بازار میباشد. گزینه "All Points" را انتخاب کنید، در ادامه نحوه دستیابی به سیکلهای دائمی را شرح میدهیم. ما فرض میکنیم که یک سیاره همان تاثیری که در سال 1790 بر بازار داشته، در سالهای 1850، 1900 و اکنون نیز داشته باشد، یعنی تاثیر این سیاره بر روی بازار همیشه یکسان باشد؛ اینجا در مورد تاریخچهای نامحدود از بازار صحبت میکنیم. اگرچه پاسخ نهایی برای سوالمان پیدا نکردیم، اما به نظر میرسد این طرح برای سیارات کند سرعت عملکرد بهتری داشته باشد. اکنون لازم است به همه ترکیبات بصورت جداگانه نگاهی بیندازیم. سیکل ترکیبی ژوپیتر را ببینید:
علاوه بر نمودار رنگی اصلی، شما میتوانید سه خط قرمز، آبی و مشکی را مشاهده کنید که مربوط به محاسبه ترکیبات در سه بازه قیمتی مستقل و مختلف میباشند. در صورتی که گرایش روند این سه خط یکسان باشد، ما میتوانیم این سیکل را به عنوان یک سیکل مهم در نظر بگیریم. به دلیل اینکه تعیین یک معیار مطلق برای تخمین میزان اهمیت هر سیکل بسیار دشوار است، ما درباره گرایش این خطوط صحبت میکنیم. از نمودار فوق چنین برداشت میشود که این معیارها کاملا بر پایه ریاضیات استوار نبوده و قوه درک و شهود در اینجا بسیار با اهمیت میباشد. به همین دلیل است که ما این مدل ها را "پدیده شناسی" مینامیم. ژوپیتر برای این نوع بازارهای مالی خیلی با اهمیت است، نمودار نیز این واقعیت را تایید می کند. فقط دقت کنید که امکان وجود "وارونگی" در نمودارها وجود دارد:
وارونگیهای موجود به واکنش غیر قابل مشاهده / غیر خطی بازار به این سیکل اشاره دارد. خط عمودی مشکی روی نمودار نشان دهنده موقعیت قرارگیری نشانگر موس است؛ ما این خط را اواسط سال 2006 قرار دادیم. لذا تعیین مرحلهای که در حال حاضر سیکل در آن قرار دارد ضروری میباشد. زمانی که مطمئن شدید این یک سیکل مهم است، روی "+" کلیک کنید: