تست نیمه اتوماتیک مدلهای پدیده شناسی
در این بخش می‌خواهیم الگوریتم جدیدی برای پیدا کردن بهترین مدل پدیده شناسی را به شما معرفی کنیم. ایده کلی این تکنیک ساده است. ما برای بازارهای مالی مورد نظرمان مدلهای پیشنهاد شده را اعمال کرده و سپس آنها را آنالیز نمودیم. قبلا شما می‌توانستید برای مدلهای مختلف این کار را بصورت دستی انجام دهید. شما مجبور بودید مدل‌ها را انتخاب کرده و سپس شبکه عصبی را اجرا کنید، بعد از آن بایستی مدل‌ها را تست کرده و سپس نتایج را با هم مقایسه می‌کردید. اکنون تنها کاری که لازم است شما انجام دهید این است که بازار مالی مورد نظرتان را انتخاب کرده و سپس روش جدید "Phenomenological.ts" را اجرا کنید و منتظر بمانید تا برنامه 27 مدل ایجاد شده برای این بازار را اجرا کند. 27 شبکه عصبی را اجرا و تست نماید، ضریب همبستگی را برای هر مدل پیدا کند و در آخر نتایج نهایی را به صورت یک جدول به شما ارائه دهد. این یک نمونه ساده شده بک تست برای مدلهای پدیده شناسی می‌باشد.
به منظور کمک به کاربرانی که وقت کافی یا مهارت لازم برای جستجوی مدل ندارند، ما اینکار را انجام دادیم. بنابراین شما می‌توانید بهترین مدل (یا بهترین انتخاب‌ها) را استخراج نموده و یک خط پیش بینی به روشی معمولی برای بازار مالی مورد نظرتان ایجاد کنید. در اینجا ما 27 مدل را پیشنهاد می‌کنیم که عمدتا مدلهای پدیده شناسی هستند. لیست موجود شامل چندین مدل Spectrum نیز می‌باشد؛ این مدلهای Spectrum برای تعدادی از بازارهای مالی نتایج رضایت بخشی نشان داده‌اند. اما همواره با مدلهای جدید کار می‌کنیم و مدلهای قدیمی را نیز مجددا تست می‌کنیم. بنابراین لیست پیشنهادی به مروز زمان ممکن است تغییر کند. حالا کاری که شما باید انجام دهید چیست؟ این مراحل را دنبال کنید:
1) دیتای بازار مالی مورد نظر را دانلود کنید
2) بازه Training را تا جایی که ممکن است بزرگ انتخاب کنید. (بازه بزرگتر، از انطباق‌های تصادفی جلوگیری می‌کند)
3) روش "Phenomenological.ts" را اجرا کنید
در این بخش می‌توانید سه نمونه مطالعاتی را ببینید. من این تکنیک را روی دیتای شاخص داوجونز، ذرت و طلا اجرا کردم.
Dow Jones Industrial Index Case Study
دیتای Dow Jones Industrial index را دانلود کنید. من این دیتا را از سال 1885 تا 2006 دانلود کردم (33000 کندل). LBC روی سال 1963 ست شده است؛ بنابراین ما بیش از 10000 کندل در بازه آزمایشی داریم. اکنون روش "Phenomenological.ts" را اجرا کنید:
سپس می‌توانید جدول زیر را ببینید:
این یک لیست از 27 مدلی است که بر اساس ضریب همبستگی دسته بندی شده‌اند. ضریب همبستگی نشان می‌دهد که در بازه آزمایشی (Testing) قیمت واقعی تا چه میزان با هر خط پیش بینی تناسب دارد. اعداد قرمز رنگ همبستگی مثبت و اعداد آبی رنگ همبستگی منفی را نشان می‌دهند. همانطور که می‌بینید، بهترین مدل برای DJI"Dynamic Model TI=500"می باشد؛ این مدل داینامیک با بازه Training = 500 کندل قیمت است. شما به سادگی می‌توانید خط پیش بینی شبکه عصبی برای "Dynamic Model TI=500" را ایجاد کنید. این مراحل را دنبال کنید:
در اینجا بازه Training (TI) = 500 کندل قیمت تعیین شده است:
در این قسمت شما می‌توانید طول بازه Training را ببینید. همچنین شما می‌توانید همین مدل را با Training Interval = 750 کندل قیمت، امتحان کنید. این حالت خیلی نتایج نزدیکتری به ما می‌دهد (در جدول بالا خط بعدی را ببینید):
یکی از مدلهای Spectrum که توسط Ben Price پیشنهاد شده نیز خوب بنظر می‌رسد. به عبارت دیگر ما می‌توانیم از تعدادی سیکل ثابت برای پیش بینی داوجونز استفاده کنیم. سه تا از بهترین مدلهای دیگر، مدلهای FAM Phase و یک مدل Dynamic دیگر می‌باشد:
لازم است در مورد مدلهای Phase کمی توضیح دهیم. مدلهای Phase بر مبنای دوره‌های سیارات می‌باشد و اغلب موارد این مدل‌ها با مدلهای داینامیک با هم بکار می‌روند. منظور از دوره یا فاز سیاره از دید ناظر روی زمین، میزان درجه‌ای از سیاره می‌باشدکه توسط خورشید روشن شده است. بعلاوه با یک دقت مناسب، ما می‌توانیم دوره هر سیاره را به عنوان میزان درجه جاذبه این سیاره در نظر بگیریم. زمانی که Phase=0 درجه است (به عنوان مثال ونوس جدید = مقارنه ونوس - زمین در زودیاک خورشید مرکز)، فاصله بین ونوس و زمین در حداقل میزان ممکن است، در حالیکه تاثیر جاذبه ونوس بر زمین در حداکثر میزان خودش است. زمانی که Phase=180 است (ونوس کامل = مقابله ونوس – زمین در زودیاک خورشید مرکز)؛ که به معنی بیشترین فاصله بین زمین و ونوس می‌باشد و بنابراین حداقل میزان جاذبه ونوس. لذا می‌توانیم شاخص داوجونز را به عنوان یک بازار وابسته به دوره/جاذبه (Phase/Gravitation) در نظر بگیریم.