A busca pelos ciclos dominantes diretos em qualquer mercado é complicada pela crença de que os comprimentos de ciclo não são estáticos em outras palavras, eles continuam mudando ao longo do tempo. O que funcionou um mês atrás pode não funcionar em um mês a partir de agora. Em seu livro MESA e Trading Market Cycles, John Ehlers usa uma abordagem estatística chamada Maximum Entropy Spectral Analysis (MESA). Ehlers explica que uma das principais vantagens da MESA é a sua alta resolução meashysurement de ciclos com períodos de tempo relativamente pequeno, o que é crucial para o curto prazo de negociação. Ehlers também explica como os ciclos podem ser usados para otimizar os comprimentos médios móveis e muitos dos indicadores do tipo oscilador que já mencionamos. Descobrir os ciclos permite o ajuste dinâmico dos indicadores técnicos para atender às condições atuais do mercado. Ehlers também aborda o problema de distinguir entre um mercado em um modo de ciclo versus um que está em um modo de tendência. Quando um mercado está em um modo de tendência, um indicador de tendência-folshylowing como uma média móvel é necessário para implementar trades. Um modo de ciclo favoreceria o uso de industradores de tipo oscilador. A medição de ciclos pode ajudar a determinar em qual modo o mercado está atualmente e qual tipo de indicador técnico é mais apropriado para usar em estratégias de negociação. 0 commentsDado uma série temporal estacionária x (t). E seus primeiros coeficientes de auto-correlação M, a finalidade do MEM é obter o espectro de potência PX determinando o processo mais aleatório (isto é, com o menor número de suposições), com os mesmos coeficientes de auto-correlação como x (t). Em termos de teoria da informação, esta é a noção de entropia máxima. Daí o nome do método. A entropia h de um processo gaussiano é dada por: Da identidade de Wiener-Khintchin, o processo de entropia máxima ea série x (t) terão o mesmo espectro de potência. Na prática, sob a suposição de que x (t) é gerado por um processo autorregressivo AR (M): onde xi (t) é um ruído branco com uma variância sigma 2. pode-se obter estimativas de coeficientes aj por regressão. Os coeficientes de autocorrelação São calculados primeiro e usados para formar a mesma matriz de Toeplitz como na SSA. Esta matriz é então invertida usando esquemas numéricos padrão para render a estimativa a. O espectro de potência P (f) do processo AR (M) verdadeiro com coeficientes aj é dado por: onde a 0 sigma 2. Portanto, o conhecimento dos coeficientes Aj determinada a partir da série temporal x (t). Também produz uma estimativa de seu espectro de potência P X. Em resumo, o método se resume a procurar um processo auto-regressivo que imita a série temporal original. É por isso que é um método paramétrico chamado. O MEM é muito eficiente para detectar linhas de freqüência em séries temporais estacionárias. No entanto, se este tempo sereis não é-estacionário, resultados enganosos podem ocorrer, com pouca chance de ser detectado de outra forma do que através de verificação cruzada com outras técnicas. A arte de utilizar MEM reside na escolha apropriada de M. A ordem de regressão de x (t). O comportamento da estimativa espectral depende da escolha de M. É claro que o número de seus pólos (ou mesmo máximos) depende da ordem de regressão M e dos coeficientes de auto-regressão a j. De modo que, para uma dada série temporal, o número de picos irá aumentar com M. Portanto, um trade-off entre uma boa resolução (alta M) e poucos picos espúrios (baixa M) tem que ser encontrado. Alguns guias são fornecidos pelos valores padrão do kit de ferramentas (isto é, M não deve exceder metade do comprimento da série de tempo). As deficiências podem ser corrigidas, em parte, por (a) determinar quais picos sobrevivem a reduções em M. (B) comparação dos espectros MEM com os produzidos pelo correlograma de Blackman Tukey e MTM que geralmente não devem compartilhar picos espúrios com MEM, e (c) usar SSA para pré-filtrar a série e assim decompor a série original em vários componentes, cada um deles Que contém apenas alguns harmônicos (de modo que podem ser escolhidos valores de M menores, ver Penland et al., 1991). Referências 1. Percival, D. B. E Walden, A. T. 1993: Análise espectral para aplicações físicas - Multitaper e técnicas univariadas convencionais. Universidade de Cambridge, 580 pp. 2. Penland, C. Ghil, M. e Weickmann, K. 1991: Filtragem adaptativa e espectros de entropia máxima com aplicação a mudanças no momento angular atmosférico. J. Geophys. Res. 96. 22659-22671.
No comments:
Post a Comment