ایجاد مدل نجومی برای Euro FX
در این مقاله مدل های بلند مدت و میان مدت برای جفت ارز USD/Euro را شرح میدهیم. به عنوان یک رویداد قیمت برای مدل بلند مدت ، از اسیلاتور Hurst استفاده می شود: (45 ،90 ،0 ، Sym) RPO . مدل میان مدت از (5 ، 50 ، 50 ، Exp)RPO استفاده می کند. این تحقیق براساس داده های آتی FX Euro و شاخص دلار است.
در هنگام نوشتن این مقاله ، دغدغه اصلی من مربوط به موارد زیر بود:
- مقایسه انواع قیمت های برای اندیکاتور هایی که به عنوان رویدادهای قیمت استفاده می شوند.
- ایجاد مدلهای معتبر میان مدت و بلند مدت برای پیش بینی یورو / دلار.
- ارزیابی سازگاری مدلهای پیشنهادی با استفاده از روشهای دیگر؛
- مقایسه تأثیر فاکتورهای مختلف نجومی برای یک ابزار مالی مشابه و اندیکاتورهای های مختلف؛
- یافتن بهترین بازه آموزشی (Training Interval).
روند یافتن بهترین مدل برای هر ابزار مالی با "راه حل پدیده شناسی" (Phenomenological Solution) آغاز می شود. این راه حل به ما امکان آزمایش سریع مدل هایی که اثربخشی آنها در پیش بینی، قبلا تایید شده اند ، را میدهد. ما با بهترین این مدل ها کار خواهیم کرد. روش کار به چه صورت است؟ LBC را در اول ژانویه 2000 تنظیم کنید و Phenomenological Solution را برای اندیکاتور Hurst تنظیم کنید (قیمت Close را به عنوان قیمت مرجع در نظر بگیرید). در اینجا میتوانید نتایج را مشاهده کنید :
ابزار مالی : FX Euro.Csv
21 مدل تحلیل شده
اطلاعات LBC : 2048 آموزشی / 1615 آزمایشی
هدف : Rel. Osc. (45،90،0 Close , Sym1)
بهترین مدل ها عبارتند از: Ptolemy Aspects (نظرات بطلمیوسی) ، Spectrum ، Terms/Faces و 3 مدل FAM برای Phase Zodiac. تمام این مدلها به جز Spectrum ، پیش بینی بهتری در نیمه دوم بازه آزمایشی ارائه می دهند. ما در این مقاله در مورد Spectrum بحث نخواهیم کرد زیرا موضوع بحث ما مدلهای نجومی است. توجه داشته باشید که در بین مدلهای نجومی ، همبستگی در بازه آموزشی برای مدل Ptolemy Aspects و مدل Terms / Faces حتی بیشتر از مدلهای FAM است. این یک مزیت قابل توجه است زیرا ممکن است نشانه ای از کمتر بودن مقدار وارونگی باشد. به هر حال، این همبستگی فقط در حدود 20٪ است که این به اندازه کافی خوب نیست.
می خواهیم یکبار دیگر همان راه حل پدیده شناسی را برای اسیلاتور Hurst انجام دهیم و این بار به جای Close ، 3High+Open+Close)/) را به عنوان قیمت مرجع انتخاب کنیم. در اینجا نتایج آمده است :
ابزار مالی : FX Euro.Csv
21 مدل تحلیل شده
اطلاعات LBC : 2048 آموزشی / 1615 آزمایشی
هدف : Rel. Osc. (45،90،0 , (H+L+C)/3 , Sym1)
بهترین مدلها همبستگی تقریباً یکسان دارند. نتیجه گیری من این است که نوع قیمت برای اثربخشی مدل مهم نیست. این بدان معناست که حداقل برای مدل پیش بینی بلند مدت اهمیتی ندارد که چه نوع قیمتی مورد بررسی قرار می گیرد. و این بستگی به نظر شخصی معامله گر دارد. نسخه فعلی Timing Solution اجازه کار با نظرات بطلمیوسی و Terms/Faces را نمی دهد. ما تحقیقات خود را برای مدلهای FAM Phase از طریق مدول های آسترونومی (ترکیبات) ادامه خواهیم داد. لذا تنها بازه آموزشی (Training Internal) را تحلیل خواهیم کرد.
ما با پنجره " Algorithm" شروع می کنیم. همانطور که تحقیقات خود را برای برخی از اسیلاتورهای خاص انجام می دهیم ، بایستی این اسیلاتور را در " Analyzed Index " وارد کنیم. " Simple Index" را به عنوان الگوریتم انتخاب کنید :
پنجره "Report" را باز کنید گزینه "Add To Composite Box" را ببینید و "Corr And Predict" را به عنوان فیلتر انتخاب کنید :
شبکه عصبی را با حجم عظیمی از رویدادها برای تجزیه و تحلیل سنگین نکنید. ما برای مدل FAM در Phase Zodiac تحقیق می کنیم. بنابراین ، این نوع زودیاک را انتخاب کنید و " Geo Longitude Zodiac " را تیک نزنید. برای انجام محاسبات بر روی دکمه OK کلیک کنید. سپس این لیست را دریافت خواهیم کرد:
هر یک از این نظرات (Aspect) را از لیست انتخاب کنید و تاثیر آن را بر اندیکاتور مورد نظرمان ببینید. (ما آن را به عنوان همبستگی و مناطق قابل پیش بینی (Predictable Zones) درنظر می گیریم). بگذارید نظرات را در نظر بگیریم؛ به نظر من ، بهترینها فازهای مریخ ، زحل ، نپتون و پلوتو و زوایای مریخ - زحل ، مریخ - اورانوس ، مریخ - نپتون و مریخ - پلوتو است. بنابراین بایستی Orbs و Phases را بیابیم و با آماده کردن شبکه عصبی سعی کنیم بهترین نتیجه ممکن را در بازه آزمایشی کسب کنیم. متأسفانه ، درحال حاضر تکنیک دیگری به جز روش "آزمایش و خطا" وجود ندارد. من این کار را اینگونه انجام می دهم: سیارات را یکی یکی اضافه کنید ، مدل را آماده کنید (Train) و تغییرات را نظاره کنید. من نتایج مربوط به افزایش / کاهش همبستگی و هموار بودن خط پیش بینی را تخمین می زنم. فقط بعد از آن روی Orbs مانور می دهم.
این روش یعنی اضافه کردن یک به یک سیارات دارای یک ایراد قابل توجه است: ممکن است به دلیل ماهیت غیرخطی تعامل سیاره ای برخی فاکتورهای مهم را از دست بدهیم. بعد از مدتی (نه خیلی زیاد) ، این مدل را پیدا کردم :
من آن را در 2000 کندل قیمت بررسی کرده ام (این بازه از 1000 کندل قیمت بهتر است ؛ نتایج را در گزارش Phenomenological Solution ببینید). این پیش بینی بدست آمده است :
هنگامی که ما یک مدل پیش بینی ایجاد می کنیم ، یکی از مهمترین سؤالها این است که چگونه کیفیت پیش بینی انجام شده برای فواصل زمانی مختلف را ارزیابی کنید. من پیش بینی را برای تنظیمات مختلف LBC انجام دادم. نرم افزار Timing Solution این امکان را به ما می دهد که همه این پیش بینی ها را در یک پنجره ببینیم. تصویر زیر را ببینید؛ در این تصویر هر پیش بینی با یک خط با رنگی متفاوت نشان داده می شود:
- خط زرد بیانگر پیش بینی زمانی که LBC در تاریخ 1 ژانویه 2000 تنظیم شده است.
- خط آبی برای LBC در تاریخ 1 ژانویه 2001;
- خط بنفش برای LBC در تاریخ 1 ژانویه 2002 است.
- خط سبرآبی برای LBC در تاریخ 1 ژانویه 2003 است.
- خط قرمز برای LBC در تاریخ 1 ژانویه 2004 است.
همانطور که می بینید ، همه این پیش بینی ها مشابه هستند. لذا میتوانیم نتیجه بگیریم که مدل ما نسبتاً قابل اعتماد است. ما می توانیم این روند را تکرار کرده و یک مدل مشابه برای (50،50، 5)RPO ایجاد کنیم. پیش بینی مبتنی بر این مدل روندهای میان مدت را برای بازار ما نشان می دهد. همبستگی برای بازه زمانی مشابه (6 سال) 33٪ است و ما در اینجا نوسانات زیادی داریم.
این مدل پیش بینی غالبا مبتنی بر سیارات داخلی است. بنابراین ، برای آموزش مدل خود باید فاصله زمانی مناسب را پیدا کنیم و این فاصله نباید خیلی بزرگ باشد (بیشتر از 9 سال). Timing Solution یک گزینه ویژه برای انجام این کار دارد: Neural Net Module را باز کنید و گزینه "Find The Best Training Interval (Fixed LBC)" را انتخاب کنید. LBC را در تاریخ 1 ژانویه 2006 تنظیم کنید و Back Test را برای مدل را انجام دهید. این نتایج وجود دارد :
ما می توانیم در اینجا 3 گروه را با همبستگی مثبت در حال رشد پیدا کنیم (گروه ها روی این تصویر با خط قرمز از هم تفکیک شده اند). بگذارید ثبات این نتایج را بررسی کنیم: ما بک تست این مدل پدیده شناسی را انجام می دهیم ، و معیار بک تست ضریب همبستگی محاسبه شده در 65 کندل قیمت (یعنی مدت زمان 3 ماه) خواهد بود. ما با مجموعه LBC در تاریخ اول ژانویه 2003 شروع می کنیم و این بار LBC را 11 مرتبه و برای 65 کندل قیمت (یا 3 ماه) هر بار تغییر خواهیم داد. اینها نتایجی است که من بدست آورده ام :
Mode: Neural Net
Price Events: Rel. Osc.(5,50,50 Close,Exp)
معیار: همبستگی 65 کندل بعد از LBC
بهترین نتایج توسط مدلهای تست شده با 2000 و 2800 کندل قیمت ارائه می شود. با این حال ، باید به یاد داشته باشیم که داده های موجود برای یک تست مطلوب کافی نیست - تاریخچه قیمت یورو از سال 2000 شروع می شود. قبل از آن ، تا سال 1999 ، ما از دیتای شاخص دلار استفاده کرده ایم. من همچنین می خواهم به این نکته اشاره کنم که همبستگی این دو مدل (تست شده بر روی 2000 و 2800 کندل قیمت) با همان مدل که فقط یکبار تست شده ، برای LBC در 1 ژانویه 2000 و برای مدت زمان 6 سال بسیار نزدیک است.