무역 전략 garch

+

GARCH 변동성 예측 양자 재무관을 사용하여 무역 변동성 예측을 사용하여 시스템을 전환 흥미로운 기사의 정권을 썼다. 이 기사는 평​​균 복귀하고 시장 변동성에 따라 추세 추종 전략을 전환 할 수있는 고급 알고리즘을 제시한다. 두 모델은 검사합니다 : 하나는 역사적 변동성을 사용하여 또 다른 GARCH (1,1) 변동성 예측을 사용. 평균 - 복귀 전략 RSI (2)으로 모델링된다 : 긴 경우 RSI (2) 쇼트 달리. 추세 추종 전략은 SMA 2백분의 50 크로스 오버로 모델링 : 긴 경우 SMA (50) SMA (200), 및 단락 그렇지. 나는 체계적인 투자 도구 상자의 백 테스팅 라이브러리를 사용하여 이러한 아이디어를 구현하는 방법을 보여합니다. 코드가로드에게 야후 약혼자의 과거 가격을 다음과 구매의 성능을 비교하고 체계적인 투자 도구 상자의 백 테스팅 라이브러리를 사용하여, 홀드 평균-복귀하고, 트렌드에 따라 전략 : 다음, s는 평균 복귀 사이에 전환하는 전략을 만들 수 있습니다 추세 추종 역사적인 시장 변동성에 따라 전략을. 다음의이 GARCH (1,1) 변동성 예측을 만들 수 있습니다. 데이비드 하퍼로하여 시각적 다이어그램의 많은 아주 좋은 소개 기사를 GARCH (1,1) : 나는 GARCH의 전부 또는 자신의 지식을 새로 고치는 손쉽게 찾을 수 원하는 사람을위한 읽기의 다음 문서를 추천 할 것입니다. Y. 찰라비, 피팅 GARCH 전체 R 코드 (1,1) 모델의 단계의 예에 의한 D. 뷔 르츠 단계로 단 변량 GARCH 모델링에서 실제 문제. 양자 재무관에 의해 GARCH하는 기본 소개 GARCH과 EGARCH의 세부 사항과 가정에 간다 게시물의 시리즈입니다. GARCH 모델에 맞게 몇 R 패키지가 있습니다. 나는 fGarch 패키지의 tseries 패키지와 garchFit 기능에서 GARCH 기능을 고려할 것입니다. tseries 패키지에서 GARCH 기능은 빠른하지만 항상 해결책을 찾을 수 없습니다. fGarch 패키지에서 garchFit 기능은 느리지 만 더 지속적으로 수렴 않습니다. GARCH 기능과 garchFit 기능 사이의 속도 차이를 설명하기 위해 나는 간단한 벤치 마크를 만든 다음 garchFit 기능은 GARCH 기능보다 느린 평균 6 배입니다. 그것은 다른 솔루션과 garchFit 기능을 찾을 수 있습니다 때마다 그래서 GARCH 기능을 사용하려고합니다 변동성을 예측합니다. 지금, s는 평균 복귀 및 GARCH (1,1) 변동성 예측에 따라 추세 추종 전략 사이에서 전환 전략을 만들 수 있습니다. GARCH를 사용하는 스위칭 전략 (1,1) 변동성 예측은 역사적 변동성을 사용하는 것보다 약간 더 나은 수행. 이 많은 다른 방법 당신은 당신의 모델과 거래 전략에 예측을 통합 할 수 있습니다. R은 모델링하고 시계열을 예측하는 패키지의 매우 풍부한 있습니다. 여기에 흥미로운 발견 몇 가지 예입니다 :이 예제의 전체 소스 코드를 볼 수는 GitHub의에서 bt. test. r에서 bt. volatility. garch () 함수에서 봐 주시기 바랍니다. 업데이트가 최신 R 게시물로 전자 메일을받을 R-블로거에 가입 그리워. (당신은이 메시지를 다시 표시되지 않습니다.) 나는 방법에서 얻은 지식을 모두 적용하는 방법을 보여주고 싶은이 기사에서는 10 월 7 일, 2015 년 마이클 홀 - 무어에 의해 R을 사용하여 S P500 주식 시장 지수에 ARIMA GARCH 무역 전략 의 S P500 미국 주식 시장 지수의 거래 전략에 대한 이전의 시계열 분석 글. 우리는 우리가 상당히 긴 기간에 걸쳐 판매 및 보호 방식을 능가 할 수있는 ARIMA와 GARCH 모델을 결합하여 그 표시됩니다. 전략 개요 전략의 개념은 비교적 간단하지만 당신이 그것을 실험하고 싶다면 내가보기 엔 당신은 롤링 기준으로 수행 전략을 수정하는 것을 이해하기 위해 시계열 분석에 이전 게시물을 읽고 제안 : 각각에 대해 날, N, 주식 시장 지수의 구별 지워진 로그 수익률의 이전 케이 일 최적의 ARIMA와 GARCH 모델을 피팅을위한 창으로 사용된다. 결합 모델은 다음 날 반환에 대한 예측을 만드는 데 사용됩니다. 예측이 음수 인 경우는 정의 경우는 동경 동안 재고 이전 단락에서 확대된다. 예측 전날과 같은 방향 인 경우, 아무것도 변화하지 않는다. 이 전략으로 나는 S P500 야후 금융에서 가능한 최대 데이터를 사용했다. I는 K (500)를 촬영 한하지만 성능을 향상 또는 자본을 감소시키기 위해 최적화 될 수있는 파라미터이다. backtest은 아직 현재의 파이썬 이벤트 구동 backtester 구현되지 R. 를 이용한 벡터화 간단한 방식으로 수행된다. 따라서 실제 거래 시스템에서 달성 성능은 가능성이 당신이 때문에 수수료 및 미끄러짐에, 여기에 달성하는 것보다 약간 덜 될 것입니다. 전략 구현 우리가 이전에 rugarch을 포함하여 시계열 분석 기사 시리즈뿐만 아니라 몇 가지 새로운 라이브러리에서 생성 한 코드의 일부를 사용하고자하는 전략을 구현합니다. 이는 QuantStrat 상인에 걸쳐 리아 Kipnis 나에게 제안되었다. I는 단계별 방식으로 구를 통과 한 후 단부 전체 구현뿐만 아니라, ARIMA GARCH 인디케이터 내 데이터 집합에 대한 링크를 제공한다. 그것은 당신이 코드 자체가 너무 복잡하지로 전체 내 결과를 복제 할 수 있어야한다 신호를 생성하는 내 dekstop PC에서 나에게 며칠을 가지고 있기 때문에이 경우 시뮬레이션하는 데 시간이 걸릴 않지만 나는 후자에 포함했습니다 당신은 전액을 실시한다. 첫 번째 작업은 설치 및 R에 필요한 라이브러리를 가져 오는 것입니다 : 당신은 이미 당신은 단순히 가져올 수 있습니다 설치 라이브러리가있는 경우 : 그 완료로를 S P500에 전략을 적용 할 것입니다. 우리는 인덱스 다시 1950가는 데이터를 얻기 위해 quantmod 사용할 수 있습니다. 야후 금융 심볼 GPSC을 사용합니다. 우리는 그 다음 S P500의 종가의 구별 지워진 로그 수익률을 작성하고 초기 NA 값을 제거 할 수 있습니다 : 우리는 특정 날짜에 우리의 예측 값을 저장하는 예측 벡터를 작성해야합니다. 이 단계에서 우리가 거​​래 데이터의 모든 일을 통해 루프를 필요의 롤 창에 적절한 ARIMA와 GARCH 모델에 맞게 : 우리는 거래 우리가 가지고있는 데이터 마이너스 (k)의 길이와 동일하게, 창 길이가 길이 foreLength 설정 길이 K. 우리는 24 별도의 ARIMA의 적합을 시도하고 GARCH 모델에 맞게 점을 감안, 매일, 표시등이 생성하는 데 시간이 오래 걸릴 수 있습니다. 우리는 거래 데이터의 길이에 K에서 반복 변수 및 루프로 인덱스 D를 사용 : 우리는 그 다음 S P500의 수익률을 복용하고 1 d를 KD 사이의 값을 선택하여 롤 창을 만들 경우이 전략에 대한 K 500 : 우리는 페이지를 제외하고, q를 0에서의 p와 q 모든 ARMA 모델을 통해 검색 할 ARIMA 기사에서와 동일한 절차를 사용합니다. 우리는 우리가 t는 p와 q의 특정 값에 대한 적합을 얻을 돈 경우, 우리는 그것을 무시하고 p와 q의 다음 조합에 이동하는지 확인하기 위해 R tryCatch 예외 처리 블록에서 arimaFit 호출을 래핑합니다. 우리는 D 0의 통합 값을 설정 (이것은 우리의 색인 매개 변수에 다른 라이다)와 같은 우리가 정말 ARMA 모델을 피팅되어 있습니다. 오히려 ARIMA보다. , 우리는 rugarch 라이브러리를 사용하고자하는 다음 코드 블록에서 : 루핑 절차는 우리가 다음 우리의 GARCH 모델에 공급하는 데 사용할 수있는 아카 이케 정보 기준의 측면에서 최고의 피팅 ARMA 모델을 우리에게 제공 할 것입니다 GARCH (1,1) 모델입니다. 이 구문은 분산과 평균을위한 모델을 취하는 ugarchspec 사양 개체를 설정하는 우리를 필요로한다. 평균은 p와 q 위 선택된다 ARMA (P, Q) 모델을 취하면서 분산은 GARCH (1,1) 모형을받습니다. 우리는 또한 오류에 대한 sged 분포를 선택합니다. 우리는 사양을 선택하면 우리는 사양 개체의 S P500의 K 반환 및 수치 최적화 솔버 걸리는 ugarchfit 명령을 사용하여 ARMA GARCH의 실제 피팅을 실시하고 있습니다. 우리는 하이브리드를 사용하도록 선택했습니다. 이는 통합의 가능성을 증가시키기 위해 다양한 해법을 시도합니다 GARCH 모형 우리 단순히 명확 추측 장기 예측을 생성하는 일 세트에 수렴하지 않는 경우. 그러나, 모델은 다음 수렴 않을 경우 우리 출력 날짜 및 미래의 예측 방향 (1 또는 -1) 루프가 폐쇄되고 지적하는 문자열로. 나는 다음 일에 대한 예측 방향과 쉼표로 구분 된 데이터를 포함하는 문자열을 생성 한 CSV 파일의 출력을 준비하기 위해 다음 끝에서 두 번째 단계는 CSV 디스크에 파일을 출력하는 것입니다. 그것은 지금 약자로하지만, CSV 파일로 작은 문제가있다 :이 지표를 가지고 원하는 경우, 추가 분석을 위해 대안 백 테스팅 소프트웨어를 사용할 수있게 해준다. 이 파일은 날짜의 목록과 미래의 방향에 대한 예측이 포함되어 있습니다. 우리가 약자로 아래 backtest 코드로이로드한다면, 우리는 실제로 예측 값이 예측시 알 수없는 데이터를 나타 내기 때문에 봐 미리 바이어스를 도입 할 것이다. 이를 설명하기 위해 우리는 단순히 앞서 예측 된 값 일일 이동해야합니다. 파이썬을 사용하여 더 간단이를 발견했다. 나는 t 당신이 (예 : 팬더와 같은) 특별한 라이브러리를 설치 한 적이 있다고 가정 할 돈 때문에, 나는 순수 파이썬으로 유지했습니다. 다음은이 절차를 수행하는 짧은 스크립트입니다. forecasts. csv 파일과 같은 디렉토리에서 실행해야합니다 :이 시점에서 우리는 지금 수정 표시 파일 예보 new. csv에 저장했다. 전략의 결과 이​​제 우리는 우리가 보류를 구매하는 성능을 비교해야 우리의 표시 CSV 파일을 생성 한 것을 :이 계산하기 위해 상당한 시간이 필요하기 때문에 사용자가 직접 다운로드 할, 내가 여기에 전체 파일을 제공했습니다. 우리는 먼저 CSV 파일에서 표시 읽고 spArimaGarch로 저장 : 우리는 그 다음 ARIMA GARCH 예측 및 S P500의 수익률의 원래 세트에 대한 날짜의 교차로를 만들 수 있습니다. 우리는 그 다음 예측 기호 곱하여 ARIMA GARCH 전략의 수익률을 계산할 수있다 (또는 -) 반환 자체 : 우리는 우리가 ARIMA GARCH 모델과 구입 보류 모두 자본 곡선을 만들 수 있습니다 ARIMA GARCH 전략에서 수익을 일단. 마지막으로, 우리는 하나의 데이터 구조로 결합 : 마지막으로, 우리는 같은 줄거리에 모두 자본 곡선을 그릴하는 xyplot 명령을 사용할 수 있습니다 : 당신이 볼 수 있듯이, 65 년 이상 : 2015년 10월 6일에 대한 지분 곡선 위로는 다음과 같다 기간은 ARIMA GARCH 전략은 크게 판매 보류를 상회하고있다. 그러나, 당신은 또한 이득의 대부분이 1970 년과 크게 변동성 증가를 지적하는 80 년대 초반, 평균 수익률이 덜 인상적까지 곡선의 변동성이 매우 최소한의 것을 1980 고지 사이에 발생한 것을 볼 수 있습니다. 분명히 주식 곡선은 전체 기간 동안 뛰어난 성능을 약속드립니다. 그러나이 전략은 정말 우선 거래 가능한이었을 것, 의 그것은 상자 젠킨스는 자신의 책에서 그것을 논의 할 때 t 정말 널리 1970의 때까지 사용 년후 ARMA 모델은 1951 년에 출판되었다​​는 사실을 생각해 보자. 둘째, ARCH 모델을 얻지 못한 t 엥글로 80 년대 초반까지 (공개) 발견 및 GARCH 자체가 물리적으로 거래 가능한 악기를 세 번째로 1986 년에 Bollerslev로 출판 되었음이 backtest 실제로 주식 시장 지수에 수행 된하지. 인덱스에 액세스하기 위해 이와 같은 그러한 SPDR로 S P500 선물 또는 복제 상장 지수 펀드 (ETF)를 거래 할 필요가 있었을 것이다. 따라서 정말 적절한 대안이 최근 데이터에 모델을 적용하기 시작하는 것입니다 전에 자신의 발명에 역사적인 시리즈와 같은 모델을 적용하는 것입니다. 사실, 우리는 월 1 일 2005 년 오늘, 지난 10 년의 성과를 고려할 수 있습니다 : 당신이 주식 곡선이 거의 삼년에 대한 구매 보류 전략 미만으로 유지 볼 수 있듯이, 하지만 2008/2009 그것의 주식 시장 충돌시 상당히 잘한다. 이 기간에 상당한 직렬 상관 될 가능성이 있으며이 ARIMA와 GARCH 모형으로 잘 캡처 때문 이해된다. 시장은 이후 2009 년 회복과 더 확률 적 경향을 보이는 것을 입력하면 모델 성능을 다시 한 번 고통을 시작합니다. 이 전략을 용이하게 다른 주식 시장 지수, 주식 또는 다른 자산 군에 적용 할 수있다. 난 강력하게 당신이 여기에 제시된 결과에 상당한 개선을 얻을 수있다대로, 다른 악기를 연구하려고하는 것이 좋습니다. 다음 단계 이제 우리는 모델의 ARIMA와 GARCH 가족을 논의 완료했습니다 것을, 나는 긴 메모리 프로세스, 상태 공간 모델과 공적분 시계열을 고려하여 시계열 분석 논의를 계속합니다. 시계열의이 이후의 영역은 크게 우리의 무역 수익성을 높일 및 / 또는 위험을 줄일 수있는 내가 여기에 제시했습니다 사람들, 넘어 우리의 예측을 향상시킬 수있는 모델로 우리를 소개합니다. 다시 가져 오기 전에 forecasts. csv에 적용하고 파이썬 코드 : 여기에 전체 코드가 표시 세대, 백 테스팅 및 플로팅에 대한 전체 목록 마이클 홀 - 무어 마이크 QuantStart의 설립자이며, 대한 양적 금융 산업에 참여하고있다 지난 5 년 동안, 주로 양의 개발자로 이후 헤지 펀드에 대한 퀀트 상인 컨설팅 등. 관련 기사 누군가는 내가 현재 다음 일 위치를 예측하는 ARMA GARCH를 사용하여 탐색하고 외환 거래에 ARMA의 GARCH 모델을 사용했다. 지금은 지난 2 주에 일부 모델을 실행 해요. 내가 사람이 아직이 탐구 내가 quintuitive / 2012 / 08 / 2 읽고 게시물의 SPY에서 좋은 결과를 제공 한 것으로 보이는 경우 나 외환 공장 커뮤니티 물어 것이라고 생각 때문에 완료하는 데 시간이 좀 걸릴 것입니다. 사람이 내가 시도하고 그들이 계산을 완료하면 내 결과를 게시 할 것이다 통화 쌍과 같은 결과를 얻을 수 있었다 경우 S-에 대한 거래 /과 궁금 해서요. PIP 슬레이어 : 2009 년 10 월 2008 상태에 합류했다. 나는 그것이 시험은 다음 날이 돌아 예측하기 위해 노력하고 반환 멋지다 두 주간의 테스트를 위해 그들에게 266 게시물을 지킬 수 소원 중 1, 0, -1 다음 긴 짧거나없는 무역 거래를 열 것이라고 값을 기준으로. ARMA의 GARCH 모델은 지난 40 바에서 외모를 받아 가장 낮은 AIC가있는 ARMA 모델을 choses. 그런 다음 변동성을 설명하는 GARCH 1,1를 적용합니다. 파란색 선은 구입과 긴 무역을 유지한다면 같은 EURUSD 4 시간 차트의 종가 수익률을 나타냅니다. 녹색 선은 길거나 짧은 무역을 구입 한 ARMA GARCH 모델을 나타냅니다. 이 분석되는 데이터의 가치 만 72주이 주위에 막대가 유망 보인다. 이미지 첨부 (클릭) 10월 2008 상태 가입 : PIP 슬레이어합니다. 나는 데이터의 꽤에 그들에게 혼자 266 게시합니다 ARMA 모델을 유지할 수 있으면 좋겠다 t이 너무 좋아 보인다 아무튼. 지금 변동성에 대한 GARCH 모델을 통해 여기에 동일한 데이터를 실행. 다음 게시물 전에 잠시 될 것입니다 때문에 완료 24 시간이 걸릴 수와 나는 결과를 첨부 이미지를 볼 수 2,011 팔월 가입 (클릭) 상태 : 회원 1105 ARMA의 GARCH 모델은 지난 40 바에서 모습을 취하고 ARMA 모델을 choses 게시물이 가장 낮은 AIC 있습니다. 그 방법 GARCH 너무 작은 창이야. 그것은 수렴하기 위해 2000 바 같은 것을 필요로한다. 더 욕심이 없습니다. 에 두려워하지 않는다. 그냥 수학. PIP 슬레이어 : 2009 년 10 월 2008 상태에 합류했다. 내가 GARCH 위해 그 방법이야 266 게시물에게 너무 작은 창을 그들을 지킬 수 바랍니다. 그것은 수렴하기 위해 2000 바 같은 것을 필요로한다. 그래, 난 그냥 쓰레기를 줄 것이다 미만 500 점 시간 아무것도의 대부분을 읽고 있었다. 나는 이미 예측 모델의 건물 개막했다. 나는 중지하고 다시 실행 큰 창 또는 대기가 완료 될 때까지 출력이 롤 모습을 볼 수있는 경우에 만 몇 시간. 원더. 가입 2011년 8월 상태 : 내가 때문에 금융 시계열의 프랙탈 성격의 당신을위한 또 다른 나쁜 소식을 가지고 있기 때문에 회원은 1105 게시물 아마도 당신은, 당신은 종종 소수 통합하기 위해 (그것을 위해 구글)을 가져야한다. 즉, ARIMA (P, D, Q)의 d는 정수가 아닌 것입니다. 물론하는 I (D) 모델을 처리 할 수​​ 없습니다. 좋은 소식은 그 AR (p)의 차별화 및 통합과 같은 MA (Q) 부분의 역할을 같은 부분 역할을합니다. 이 모델은 하나 이상의 페이지 이상의 Q와 differentition에서 / 오버를 보상합니다. 물론 당신은 모델에 맞게 더 많은 샘플이 필요합니다. 나는 FX와 ARIMA를 사용하는 방법을 알아낼 수 없었어요. 심지어 매우 높은 acuracy에 다음 줄을 예측하는 것은 t이 작업을 수행 할 아무튼. 나는 80 acuracy (신경 그물, 하지 아리마)와 다음 줄을 자신의 예상 할 수있는 글을 읽어 아직 그것의 수익성 시스템을 그들의 구축 할 수 없었습니다. 더 욕심이 없습니다. 에 두려워하지 않는다. 그냥 수학. PIP 슬레이어 : 2009 년 10 월 2008 상태에 합류했다. 나는 그들에게 내가 그것을 다시 시작 266 게시물을 유지할 수 있으면 좋겠다. 지금은 1000 점의 기록을 사용하고 있습니다. 그러나 Hasn는 t 시간에 걸쳐 아직 롤 예측 결과를 완료했다. 나는 t 권자 다시 시작해야 힘을 잃고 돈 경우를 게시 할 예정입니다. 희망은 더 많은 데이터 포인트로 몇 가지 더 나은 결과를 제공합니다. 80 정확성에 대한 이상한 나는 당신이에 수익성있는 시스템을 만들 수있을 것이라고 생각합니다. 사람이 t하는 ​​방법을 알고 수익성있는 시스템을 구축 나오지 않았어 경우 시장은 t 우리의 나머지 부분에 대한 많은 희망을 남겨 아무튼 80 확신을 가지고 갈 것입니다. 당신이 그것을 찾을 수 있다면 흥미로운 읽기 될 것이라고 종이로 링크를하는 일. 그들이 만났다 도로 블록을 참조하십시오. 가입 2011년 8월 상태 : 그것은 그냥 곡선 overfitters처럼 생각 신경망에 대해 때문에 회원 1105 게시물 나는 t 용지를 유지 바랬다 -. 그들은 t은 그들의 기상 캐스터를 사용하려고 방법을 설명 didn를. 나는 실패가 다음 줄이 녹색으로 될 것입니다 확실히 당신이 알고있는 경우에도 사실에서 오는 생각, 그것은 t는이 이후의 줄을 빨간색되는 것을 방지 아무튼. 다음 줄이 강한 매도세에 할 수 있습니다. 하지만 당신은 t 당신의 마음은 무역 성장하게 할 필요가 모든 줄을 변경할 수 있습니다. 상기 방법은 로컬이고 엔트리가 항상 같은 회 definced되기 때문에 지방의 방법은 항상 실패한다 : 소규모 있거나, 페이딩 전략. 또는 이동에 대해. 오직 두 가지 선택이있다. 첫 번째는 다른 시장 동향에 실패 범위에 실패합니다. 시장은이 번갈아. 모두가 실패합니다. 글로벌 접근 (큰 그림)는 IMO가 필요합니다. 1000 바 기간에 시장은 확실히 이미 변경 한 것입니다. 금융 시계열 때문에이 분산의 모든 고정 후에도 취소 동향 / DIFF 보내고에서 t를 때로 믿을 수. 나는 매우 유용한 두려워 ARIMA의 ISN의 t을 해요 이유에요. 왜 (첨부 서류 참조) 어떤 욕심을 칼만 필터를 온라인으로 추정을 시도하지 않았다 느린 당신의 피팅입니다. 에 두려워하지 않는다. 그냥 수학. PIP 슬레이어 : 2009 년 10 월 2008 상태에 합류했다. 이 주위에 어쩌면 내가 너무 많은 역사를 증가하기 때문에 갈 너무 오래 걸리는 이유는 확실하지 그들에게 266 게시물을 유지할 수 있으면 좋겠다. 그것은 모든 줄을 예측하고들마다 줄을 다시 장착 s의. 아리마 모델 (0,0)의 시리즈를 통해 실행 - (5,5) 그래서 35 모델 등 각 막대 발생 일 및 AIC에 따라 그 중 가장 적합한을 선택합니다. 그런 다음 확인 변동성을 만들 수있는 GARCH (0,0)이 거기에 있었고, 난이 GARCH에 대한 주문을 통해 t주기를 돈 추가 계산을 할 필요 막기 위해 적합합니다. 상당히 무거운 계산 현명한 발생 backtest. 비록 리눅스를 실행하는 병렬 처리를 활용한다. 이제 몇 일 동안 운영하고 있으므로 곧 완료됩니다 기대와 나는 비록 longg의 시간을내어 결과를 게시 할 수 있습니다. 가입 2011년 8월 상태 : 회원 1105이 게시물 나는 GARCH (0,0) t이 존재 아무튼 생각합니다. GARCH (1,1) 금융 시계열 충분하다. 당신은이를 가정하고 있습니다. 왜 돈을 당신이 페이지를 추측 ACF와 PACF를 사용하여 T, Q people. duke. edu/ rnau / 411arim3.htm 나는 당신이 정말로 계수를 추정 할 경우 그들은을, 잘 모르겠어요하지만, p와 q는 t 자주 변경하기로되어 그런가 온라인 (바 바이 바), 당신은 정말 칼만 필터를 고려해야합니다. 더 욕심이 없습니다. 에 두려워하지 않는다. 그냥 수학. 가입 2009년 8월 상태 : 회원이 게시물 네, GARCH (1,1) 금융 및 경제학에 약속되어있다. 당신은 ACF와 PACF과 시간을 낭비 할 필요가없는, EViews는 정확하게 내 지식의 최선을 우리가 분명히 추세 레인 징 기간을 차별화 할 수있는 경우 거래의 문제점이 크게 감소 될 수있다 생각 계산한다. 나는 변동성을 추정하기 위해 GARCH (1,1)를 사용하기 시작했습니다. 그럼 내가 예측하는 신경망 (패턴 인식)를 사용하여 계획입니다. 그러나 나는 그것이 GARCH 발진기 같은 것을 가지고 도움이 될 것이라 생각합니다. 회원 1,105 게시물 두 계수 또는 일부 예측 그리고 무엇 NN 복용 왜 확실하지 찾으려고합니다을 표시하는데 당신의 GARCH 발진기는 무엇입니까 :이 가입 2011년 8월 상태 할 수있는 집에서 자신의 모든 GARCH 발진기 / 표시 또는 코더입니다 내가 너무 많은 역사를 증가하기 때문에 너무 오래이 주위에 아마 이동합니다. 그것은 모든 줄을 예측하고들마다 줄을 다시 장착 s의. 아리마 모델 (0,0)의 시리즈를 통해 실행 - (5,5) 그래서 35 모델 등 각 막대 발생 일 및 AIC에 따라 그 중 가장 적합한을 선택합니다. 그런 다음 확인 변동성을 만들 수있는 GARCH (0,0)이 거기에 있었고, 난이 GARCH에 대한 주문을 통해 t주기를 돈 추가 계산을 할 필요 막기 위해 적합합니다. 상당히 무거운 계산 현명한 발생 backtest. 심지어 활용하는 리눅스에서 실행. 작품의 몇 달이 인터 휴식 뭔가 올라와있었습니다 안녕하세요 같은 (I는 AR (F) (I) MA - () GARCH 모델에 또 다른 시도를주고 싶습니다하지만 난 항상 필요한 샘플의 거대한 수를 차단 해요 10000 ARFIMA)입니다. 난 안 mesuring 예측에 관심이 있어요. volatily 갑자기 다시 수렴하는 시간 (항상 너무 오래)를 취 다음 변할 때 내 웨이블릿 분해 나에게 나쁜 결과를 제공합니다. 나는 두 가지 방법을 결합 할 수 있는지 확인하고 싶습니다 (돈은 t 방법을 아직 알고있다). 더 욕심이 없습니다. 에 두려워하지 않는다. 그냥 수학. 가입 2015년 5월 상태 : 회원 3 내가 ARMA 모델과 모델의 잔차 분석을 사용하고있는 중이 야 무엇을 당신과 함께 공유하고 싶습니다 게시물. 나는 EURUSD 일하고, 나는 ARMA 모델링을 기반으로 주문을 할 수있는 방법을 찾기 위해 노력하고 있어요. 데이터, 데이터 변환 및 모델 피팅을 수집하는 것은 : 나는 EURUSD 악기의 각 EOD 닫기를 수집하고, 나는 고정 과정에서이 시계열을 변환 할 수있는 로그의 차이점을 계산합니다. 그렇다면, 박스 젠킨스를 사용하여 I가 ARMA 모델의 파라미터를 장착한다. 이미지를 첨부 첨부 이미지 (클릭) 모델이 장착 후, 나는 모델의 잔차 분석 (클릭). 모델 잔차의 방법은 고정 된 프로세스이며 표준 정규 분포를 따른다. 첨부 이미지 (클릭)