Andrei Malkov Devisenhandel

Ich las mit Interesse ein älteres Papier Can Markov Switching Models Predict Excess Foreign Exchange Returns von Dueker und Neely von der Federal Reserve Bank von St. Louis. Ich habe eine Vorliebe für versteckte Markov-Modelle wegen seiner großen Erfolg in Spracherkennung Anwendungen, aber ich gestehe, dass ich noch nie in der Lage, ein HMM-Modell, das einfache technische Indikatoren übertrifft zu schaffen. Ich schuld, dass sowohl auf meinen eigenen Mangel an Kreativität als auch die Tatsache, dass HMM neigen dazu, zu viele Parameter, die auf historische Daten angepasst werden müssen, was macht es anfällig für Daten snooping Bias. Daher näherte ich mich diesem Papier mit der großen Hoffnung, dass die Fachleute mir beibringen können, wie man HMM richtig zur Finanzierung anwendet. Das Ziel des Modells ist einfach: die Überschussrendite eines Wechselkurses über einen Zeitraum von 8 Tagen vorherzusagen. (Die Überschussrendite wird in diesem Zusammenhang durch die Änderung des Wechselkurses abzüglich der Zinsdifferenz zwischen den Basis - und Quotierungswährungen des Währungspaares gemessen.) Wenn die erwartete Überschussrendite höher ist als ein Schwellenwert (im Folgenden Filter genannt) Dann gehen Sie lange. Wenn er niedriger als ein anderer Grenzwert ist, gehen Sie kurz. Auch wenn die Vorhersage auf einer 8-tägigen Rückkehr erfolgt, wird die Handelsentscheidung täglich getroffen. Es wird angenommen, dass die Überschussrendite eine 3-Parameter-Schüler-t-Verteilung hat. Die 3 Parameter sind der Mittelwert, der Freiheitsgrad und die Skala. Der Skalierungsparameter, der die Varianz steuert, kann auf der Grundlage eines Markov-Modells zwischen einem hohen und einem niedrigen Wert umschalten. Der Freiheitsgrad (der die Kurtosis, a. k.a. Dicke der Schwänze steuert) kann auch zwischen 2 Werten basierend auf einem anderen Markov-Modell umschalten. Der Mittelwert ist linear abhängig von den Werten, die durch den Freiheitsgrad und den Maßstab sowie eine andere Markov-Variable angenommen werden, die zwischen zwei Werten umschaltet. Daher kann der Mittelwert 8 verschiedene Werte annehmen. Die 3 Markov-Modelle sind unabhängig. Die Student-t-Verteilung ist besser geeignet für die Modellierung der finanziellen Erträge als die normale Verteilung aufgrund der Zulage für schwere Schwänze. Die Autoren gehen davon aus, dass dieses Modell den Wechsel zwischen Perioden hoher und niedriger Volatilität mit dem daraus folgenden Wechsel der Präferenz (unterschiedliche Durchschnittsrenditen) für sichere versus riskante Währungen erfasst, ein Phänomen, das in der Zeit von August 2011 bis Januar 2012 gut nachgewiesen wurde. Die Parameter der Markov-Modelle und die Student-t-Verteilungen werden in der Stichprobenperiode (1974-1981) für jedes Währungspaar geschätzt, um die kumulative Abweichung der Überschussrenditen von Null zu minimieren. Es gibt insgesamt 14 Parameter, die so geschätzt werden. Nach diesen Schätzungen müssen auch die 2 Handelsschwellen durch Maximierung der In-Sample-Rendite der Handelsstrategie unter Berücksichtigung von Transaktionskosten von 10 Basispunkten pro Trade abgeschätzt werden. Mit dieser großen Anzahl von Parametern (insgesamt 16) fürchte ich, die Out-of-Sample-Ergebnisse (1982-2005) zu sehen. Erstaunlich, diese sind viel besser als ich erwartet hatte: die annualisierten Renditen reichen von 1,1 bis 7,5 für 4 große Währungspaare. Die Sharpe-Ratios sind nicht so beeindruckend: sie reichen von 0,11 bis 0,71. Natürlich, wenn Forscher berichten Out-of-Sample-Ergebnisse, sollte man das mit einem Körnchen Salz. Wenn die Out-of-Sample Ergebnisse nicht gut waren, würden sie nicht berichten sie, und sie hätten gehalten, die Änderung des zugrunde liegenden Modells, bis gute Out-of-Sample-Ergebnisse erhalten werden Also ist es wirklich bis zu uns, dieses Modell zu implementieren, wenden Sie es an Auf Daten nach 2005 und auf mehr Währungspaare, um herauszufinden, ob es wirklich etwas gibt. In der Tat, das ist der Grund, warum ich es vorziehen, ältere Papiere zu lesen - um die Möglichkeit der wahren Out-of-Probe-Tests sofort zu ermöglichen. Was denken Sie, kann getan werden, um dieses Modell zu verbessern, das ich vermute, dass als ein erster Schritt, kann man sehen, ob die geschätzten Markov Zustände vernünftigerweise zu dem, was Händler denken, wie Risiko-on vs Risiko-Off-Regimes. Wenn sie es tun, dann unabhängig von der Nutzung dieses Modells als Signalgenerator, kann es zumindest generieren gute Risikoindikatoren. Wenn nicht, dann muss das versteckte Markov-Modell durch ein Markov-Modell ersetzt werden, das auf beobachtbaren Indikatoren konditioniert ist. 35 Kommentare: You39ve bekam einen Tippfehler in den Titel der Zeitung. Das Wort quotresreservesquot sollte durch Rückgaben ersetzt werden. Ich war wirklich verwirrt, als ich sah, dass der Titel, dass Sie schrieb, dass ich dachte, würde auf der Erde würde jeder über die Vorhersage von überschüssigen Devisenreserven interessieren Ihr Kommentar über die Quote von Probe-Testsquot in Forschung Papiere nicht wirklich so out-of-sample Ich denke, viele Leute verstehen das Problem, das Sie erhoben haben, und ich denke, es ist ein sehr wichtiger Punkt. Aagold, Vielen Dank für den Hinweis darauf. Eigentlich war der Tippfehler in der ursprünglichen Vorabdruck, weshalb ich es kopiert Ernie Ernie, nicht auf Ihre Quant-Fähigkeiten Frage aber sind Sie ernsthaft vorschlagen, ein Modell mit, dass viele Parameter passen, um jede Anwendbarkeit auf den Handel Ich sage dies als Quant Trader passen Mit über 14 Jahren Industrieerfahrung und laufen meine eigene Mitte zu hft Firma. Für mich ist dieses Papier absolut nonesense und die genannten Sharpe-Verhältnisse sind viel zu niedrig, auch in ihrem eigenen Quotienten von samplequot backtests, um die Einnahme dieses Papiers ernsthaft zu rechtfertigen. AsiaProp, Tatsächlich sind die 16 Parameter nicht so viele, wie sie klingen. 14 davon sind für die Anpassung der Zeitreihen selbst: sie sind unabhängig von der Handelsstrategie. Nur 2 der Parameter dienen der Optimierung der Strategie. Die Sharpe-Ratios in der akademischen Forschung sind fast immer niedrig. Wenn sie hoch sind, werden sie nicht veröffentlicht. Unsere Aufgabe als Händler ist es, diese Forschung als Inspiration zu nehmen und sie in praktische Strategien zu zwicken. Nochmals vielen Dank für Ihre harte Arbeit. Oben auf Ihrem Blog und Buch, gewinne ich große Einblick nur Lesen durch Ihre Gespräche mit anderen Kommentaren auf Ihrer Website. In einem vorherigen Kommentar Thread vom anderen Tag haben Sie erwähnt, dass ein großer Teil Ihrer Renditen im Jahr 2011 kam aus Mittel-Reversion-Strategien in der Devisenmarkt. Ich frage mich, wenn Sie jede Art von Regime-Switching-Modell in Ihrem FX-Handel zu bestimmen, ob Sie primär zu Ihrem Momentum oder Mittel-Reversion-Strategien zugeteilt werden wollen Zack, Nein, ich didn39t verwenden alle Regime Switching-Modelle. Ich habe nie gefunden, dass diese Modelle Out-of-Sample arbeiten. Ernie Hast du diese Zeitung gelesen, jeden Kommentar Hallo Anon, nein, ich habe das Papier nicht gesehen, sondern das auf meine Leseliste geschrieben. Auch Chris Neely, der Verfasser der Zeitung, die ich beschrieben habe, erwähnte mir dieses andere relevante Papier: Und seine Website: Nur aus einer akademischen Perspektive, anstatt der einfachen HMM vielleicht etwas wie die maximale Entropie Hidden Markov Modell kann besser funktionieren Dave, Warum denken Sie, maximale Entropie HMM wird besser funktionieren Es scheint nur eine andere Methode, um die Schätzung Werden. Ernie Ich habe keine empirischen Beweise und finanzielle Vorhersage isn39t wirklich mein Fachgebiet. Es ist nur so, dass in meinen wenigen Versuchen, maschinelles Lernen für finanzielle Vorhersagen zu nutzen, habe ich gelernt, dass die Menge an Lärm neigt dazu, alle Trends des Marktes zu summieren. Infolgedessen neigen die meisten Lernenden dazu, sehr schlecht durchzuführen, möglicherweise aufgrund der Überformatierung der Trainingsdaten. Also eine meiner Ideen ist es, Techniken wie Maximale Entropie verwenden, um den Grad der Überanpassung zu reduzieren. Allerdings habe ich nicht wirklich versucht, diese aus. Hi ernie: Ich lese gerade Ihr Buch mit dem Namen quotquantitative tradingquot, und bereits programmiert und versucht MATHLAB für Backtesting. Die Ergebnisse unterscheiden sich jedoch von der MetaTrader-Strategie testerOptimization. In MT4 habe ich Hunderte von Pässen, die mit den meisten meiner echten Trades (dankbar) übereinstimmen, aber letztere ist nicht so positiv. Ich benutze den gleichen Datensatz, den ich von 2001-2009 verfolgen. Der Hauptgrund, warum MATHLAB ist, dass ich Sharpe Ratio beschäftigen wollen. In der Regel, in MT4, die Auswahl meiner Parameter ist ziemlich einfach, einfach. Ich wähle die mit minimalem Drawdown besten Returns, und führen Sie dann separate Kopien von ihnen. Nachdem ich Ihr Buch gelesen hatte, dachte ich an die Wahl der Parameter mit: 1) Minimal Drawdown 2) Beste Renditen und fügen Sie ein drittes Kriterium, Sharpe Ratio. Auf diese Weise fühle ich, ich kann meine Renditen zu erhöhen, nein Die Formel sieht kompliziert, aber dennoch, es ist kein Schaden zu versuchen. Was denken Sie und Danke Hallo Anon, als Sie sagten, dass die Resultate von Matlab sich von Metatrader unterscheiden, können Sie spezifischer sein Sind Sie sicher, dass die Logik in den 2 Programmen identisch sind Sie können Sharpe Verhältnis in allen Programmen verwenden, die Sie wählen, nicht notwendigerweise Matlab. Es ist nur mittlere Rückkehr geteilt durch Standardabweichung. Ernie Ich dachte auch, dass die Sharpe Ratio noch in jedem Programm eingesetzt werden könnte. Ist es wirklich nur beschränkt auf Mathlab Ernie Chan sagte. Hallo Anon, wenn Sie sagten, die Ergebnisse von Matlab unterscheidet sich von Metatrader, können Sie mehr spezifisch Sind Sie sicher, dass die Logik in den 2 Programmen identisch sind Ja, Im sehr sicher sind sie. Ok, ich bin konkreter. Meine Strategie ist extrem einfach, aber rentabel (zumindest für mich) - nur 2 Zeilen Logik, 2 Integer-Parameter. Ich kann nicht sehen, wie oder warum diese einfache Logik unterscheidet sich stark zwischen den beiden. Der Unterschied ist, dass in MT4 ich hunderte Pässe bekomme, aber bei MATHLAB bekomme ich nur rund 50 Pässe. In MATHLAB, einer der 1 Jahr Test-Pass geben einen Saldo von 200K aus Anfangskapital von 10K, aber in MT4, die Salden im Bereich von 50K-100K, für alle Pässe. Eine weitere Sache, in MT4, Zeit der Bars sind in der Tester berücksichtigt. Ich brauche nichts neu programmieren. Aber in MATHLAB muss ich diesen Datensatz trennen. Vielleicht thats, warum die Differenz Thx wieder für Ihre freundliche Hilfe. Hi Ruthstein, Ja, es ist wahrscheinlich, dass Fehler in der Datenvorbereitung ist, was die Unterschiede verursacht. In Metatrader werden die Daten als Teil des Programms installiert. Aber Matlab ist eine allgemeine Rechenplattform, ähnlich einem Taschenrechner. Sie müssen sehr vorsichtig sein, wenn Sie Daten für die Eingabe in Matlab vorbereiten. Ernie Hi ernie, vielen Dank für Ihre Kommentare. Jemand mir helfen, mit seinem Plug-in für die Zeit und es gab einen sehr kleinen Fehler in der Zeit Vorbereitung in MATHLAB. Dennoch bleiben die Ergebnisse inkonsistent. Aber erstaunlich jetzt, ist die Sharpe Ratio fast der gleiche Wert für die Top 5 minimal Drawdown Pässe, aber nicht in Bezug auf die Gewinne, though. Auf der hellen Seite, das macht Entscheidungen einfacher als zuvor, da ich nur in Bezug auf die sicherste Drawdown entscheiden, da die Sharpe Ratio für alle sind ziemlich akzeptabel. Nochmals vielen Dank für Ihre freundliche Hilfe und ich muss sagen, Ihr Buch ist eine gute Lektüre. Ich werde keinen Zweifel daran haben, dass ich wieder dein nächstes Buch Hi Ruthstein kaufe, ich bin froh, dass du einen Fehler gefunden hast. Wenn die Programmierlogik die gleichen in Matlab und MT sind, dann der einzige Grund, Ergebnisse können unterschiedlich sein, ist die Eingangsdaten falsch. Ernie Ernies, wann kommst du nach den USA, um die Quantitative Trading-Klasse Anon zu lehren, ist es bis zu dem Veranstalter der Workshops, Technical Analyst Magazine. Wenn Sie interessiert sind, fordern Sie bitte eine New York oder Chicago Workshop auf trainingtechnicalanalyst. co. uk Ernie Hi, werden Sie bitte einen Link zu Ihrem Blog an der Währung Handel Gemeinschaft Unsere Mitglieder werden es zu schätzen wissen. Mitglieder umfassen: Devisenhändler, Währung und Forex Trading Experten und Professionals. Es ist einfach zu tun, nur schneiden und fügen Sie den Link und es automatisch Links auf Ihre Website. Sie können auch Artikel, Nachrichten und Videos hinzufügen, wenn Sie möchten. Emailen Sie mich, wenn Sie irgendeine Hilfe benötigen oder möchten, dass ich es für Sie tue. Fühlen Sie bitte sich frei, so häufig zu teilen, wie Sie mögen. Die Währung Handel Gemeinschaft: vortscurrencies Ich hoffe, dass Sie mit uns teilen. Vielen Dank, James Kaufman, Editor Ich versuche, Matlab39s HMM-Funktion verwenden, um einige einfache Modellierung zu tun. Ich versuche immer noch zu verstehen, wie man alle Funktionen nutzen, um die Vorhersage zu machen. Sagen Sie, ich habe eine Zeitreihe der täglichen Rückkehr, ich wechsle es zu Oben, Flach oder Unten (1, 0, -1) als meine Beobachtung. Sagen, ich habe eine einfache 2-Staaten-Modell. Nun kann ich die gesamte Beobachtungsreihe zusammen mit einigen anfänglichen Vermutungswerten für die Wahrscheinlichkeit der Wahrscheinlichkeit von Emissionen und die Wahrscheinlichkeit der Transition zur Abschätzung der Übergangs - und Emissionswahrscheinlichkeitsmatrix setzen. TRANSEST2, EMISEST2 hmmtrain (seq, TRANSGUESS, EMISGUESS) Nun, mit diesen beiden Matrix, was machst du, um die neue Vorhersage zu erstellen, führen Sie einfach seq, Zustände hmmgenerate (1, TRANS, EMIS) zu generieren 1 Nummer, die Ihre nächste ist Beobachtungssequenz und nennen Sie es Ihre Vorhersage Anon, ich bin nicht vertraut mit der spezifischen Matlab-Funktion, die Sie verwenden (Ich benutze ein kostenloses Paket statt), aber im Allgemeinen, ja, wenn Sie die nächste Messgröße vorhersagen wollen, that39s, was Sie tun . In anderen Anwendungen interessieren sich die Händler eher für die Zustandsvariable (z. B. ein Hedge-Verhältnis, das nicht direkt beobachtbar ist und daher quididden ist), und die Zustandsvariable Vorhersage wäre der Fokus. Ernie Danke Ernie. Diese Funktionen werden von Matlab Statistics Toolbox zur Verfügung gestellt. Dort gibt es fünf Funktionen. Hmmgenerate 8212 Erzeugt eine Folge von Zuständen und Emissionen aus einem Markov-Modell hmmestimate 8212 Berechnet maximale Wahrscheinlichkeitsschätzungen von Übergangs - und Emissionswahrscheinlichkeiten aus einer Sequenz von Emissionen und einer bekannten Folge von Zuständen hmmtrain 8212 Berechnet maximale Wahrscheinlichkeitsschätzungen von Übergangs - und Emissionswahrscheinlichkeiten aus einer Sequenz von Emissionen hmmviterbi 8212 Berechnet den wahrscheinlichsten Zustandsweg für ein verdecktes Markov-Modell hmmdecode 8212 Berechnet die Wahrscheinlichkeiten des hinteren Zustandes einer Folge von Emissionen In Bezug auf Ihren Kommentar zur Vorhersage der Zustandsvariablen ist die Realität, dass wir keine Ahnung haben, was die Zustände und wie viele sind Von denen sollte das so sein, nehmen die Leute nur einige willkürliche Zustände quotSunny, Rainy, Cloudyquot oder ie (RiskOn, RiskOff, RiskNeutral) Art Szenario an. Für mich, um die wahrscheinlichsten Zustände zu erhalten, muss ich die Viterbi-Funktion verwenden. Wahrscheinlich hmmviterbi (seq, TRANS, EMIS). Aber ich muss zuerst die TRANS, EMIS-Wahrscheinlichkeitsmatrix aus unserer eigenen Seq. Der Beobachtungen. TRANSEST2, EMISEST2 hmmtrain (seq, TRANSGUESS, EMISGUESS) Schließlich klingt es, als gäbe es hier einiges zu schätzen. Sie schätzen die Wahrscheinlichkeitsmatrix und verwenden die geschätzte Wahrscheinlichkeitsmatrix, um Ihre Zustände abzuleiten. Nach all diesen harten Arbeit, was Sie finden können, ist ein Bündel von Staats-Zahlen, die sie nennen es "Most Likelyquot Zustand gegeben quotWhat has happenedquot Frage ist, wie verwenden wir es jetzt für die Zukunft Vorhersage Bin ich etwas hier Anon, um festzustellen, was ein Staat Variable sollte, oft müssen Sie einige Domain-Kenntnisse. D. h. Benötigen Sie mehr als HMM, um Ihr Modell zu beschränken. Ein gutes Beispiel ist in Kapitel 3 meines neuen Buches, das die Verwendung von HMM beim Finden des Heckenverhältnisses eines kointegrierenden Paares von ETFs veranschaulicht. Die hier gewählte Zustandsvariable ist überhaupt nicht willkürlich. Auch in diesem Fall ist das Ziel nicht in der Vorhersage der nächsten Messung, obwohl Sie können wählen, dies zu tun. Ich denke, dieses Papier von Jerry Hong lohnt sich für Sie, sehr interessant (auf HMM und SVM). Eecs. berkeley. eduPubsTechRpts2010EECS-2010-63.pdf Hallo Laurent, ich habe wirklich gelesen, dieses Papier vor. In der Tat haben einige Mitarbeiter und ich versucht, Replikation und erweitern die Ergebnisse zu mehr Aktien. Die Anstrengung war ein Misserfolg und stärkte meine Meinung, dass maschinelle Lerntechniken, die direkt Regeln lernen, für den Handel ungeeignet sind. Ernie Das ist interessant. Ich implementierte meine Version des Markov-Modells und Backtests gab mir Ergebnisse einer durchschnittlichen 66 Gewinnrate auf einer stündlichen Handelsperiode über eine kumulative Handelsperiode von 5 Jahren. Ich habe dann eine ppmc-Methode auf diese Ergebnisse und die Win-Rate ging auf ein Durchschnitt von 83. In Bezug auf den tatsächlichen Handel I39ve Handel für 7 Monate jetzt und die durchschnittliche Gewinn-Verhältnis ist 69 mit beiden Methoden. Es wird mit der Zeit besser und passt sich ähnlich den sich ändernden Marktbedingungen an, sodass ich damit zuversichtlich bin. Immer nur sagen, dass es möglich ist, diese Sache zu tun. Vielen Dank für Ihren Erfolgserfolg mit dem HMM-Modell Von PPMC, meinen Sie Partikelfilter Monte Carlo Hallo Ernie, Sie haben in Ihrem Buch erwähnt, dass Sie quotBuy auf gapquot Strategie im Livehandel verwendet haben. Wie behandeln Sie einen Fall, in dem es während der Voreröffnung keine Tradesquotes für ein oder mehrere Instrumente gibt. Analysieren historischer Daten, dieser Fall ist manchmal wahr. Ein anderes Problem tritt auf, wenn es handelsquotes gibt, aber sie sind zu alt, zum Beispiel Zeitstempel ist gleich 08:55 Uhr. I39ll dankbar sein für die Hilfe Hallo Ernie, Du hast in deinem Buch erwähnt, dass du quotBuy auf gapquot Strategie im Livehandel benutzt hast. Wie behandeln Sie einen Fall, in dem es während der Voreröffnung keine Tradesquotes für ein oder mehrere Instrumente gibt. Analysieren historischer Daten, dieser Fall ist manchmal wahr. Ein anderes Problem tritt auf, wenn es handelsquotes gibt, aber sie sind zu alt, zum Beispiel Zeitstempel ist gleich 08:55 Uhr. I39ll dankbar sein für die Hilfe Alle Intraday Backtesting sollte mit Anführungszeichen statt Trades durchgeführt werden. Zitate sind immer um 9:30 Uhr anwesend. Nun, sobald die Subjektivität direkt auf Geld machen Gelegenheit, es ist völlig sinnlos, jede Art von nützlichen feedbackcontribution erwarten: Dummköpfe beitragen, smarts Geld verdienen. Wenn jemand hat eine Arbeitsidee it39s ein sehr einfach zu validieren - Geld verdienen die Alternative wäre, dazu beitragen, und haben eine Menge nette talk. Reading Forex Speicher mit Fünf-Tage-Markov-Ketten Stellen Sie sich vor, Ihr Geschäft in der U-Bahn. Sie nehmen den ersten Zug, den Sie fangen und durch eine zufällige Anzahl von Haltestellen in einer zufälligen Richtung passieren können, dann Transfer zu einem anderen Zug. Sie gehen durch eine andere Anzahl von Stationen, und wiederholen Sie den Vorgang. Ihre Reisen haben sowohl eine zufällige Komponente (Ihre zufälligen Entscheidungen) und eine deterministische (die U-Bahn-Routen und Fahrpläne, die alle starr verbunden sind). Anschließend nehmen Sie Ihre Transfers finden Sie auf einem Expresszug mit einem Stop am Ende der Route. Plötzlich, während es wesentlich dazu beigetragen, wo Sie sich jetzt befinden, ist das zufällige Element weg. Ihr Schicksal ist eingestellt. Sie werden schnell zum Ende der Linie reisen und abfahren. Wie sich herausstellt, ähnelt dieser Prozess der der Devisenmärkte. An den Finanzmärkten, ähnliche Situationen auch passieren, außer dass Markov Kriterium ist der U-Bahn-Zeitplan und Bars auf dem Preis-Diagramm Stationen werden. Hier untersucht wersquoll diese Prozesse im Rahmen des Forex-Marktes auf einem Tageszeitrahmen mit allen Berechnungen zum Abschluss des Handelstages. Nach einem Überblick über Markov-Ketten und einer Diskussion dieser einzigartigen Sichtweise des Marktes demonstriert wersquoll einen Algorithmus, um ein vereinfachtes Modell für unabhängige Forschung aufzubauen. Markov Ketten in FX Millionen von Handelsgeschäften werden in der Forex-Markt täglich durchgeführt. Wenn die meisten ihrer Teilnehmer unterschiedliche Ansichten teilen, bewegt sich der Markt seitwärts, aber wenn es eine vorherrschende Stimmung gibt, erleben wir eine stabile Preisentwicklung. Im Laufe dieser Entwicklung hat jeder Tag eine gewisse Verbindung mit allen früheren Tagen. Dies ist ein Preisgedächtnis, das schwächer wird, wenn der Markt durch die Zeit abläuft. In der Mathematik entsprechen solche Beziehungen Markov-Prozessen, und Sequenzen selbst werden Markov-Ketten genannt. Andrej Markow (1856-1922) war ein russischer Mathematiker, der sich auf stochastische Prozesse spezialisierte, und viele seiner Beiträge eignen sich gut für den Finanzmarkt. Die Erforschung einer Reihe von Kursbewegungen, die auf dem nichtlinearen dynamischen Modell basieren, hat es ermöglicht, das Markov-Kriterium für den Devisenmarkt zu formalisieren und zu bestimmen, an welchen Punkten diese Prozesse mit hoher Wahrscheinlichkeit zu entwickeln beginnen. Eines der wichtigsten Dinge über dieses Modell ist die Schlussfolgerung, dass fünftägige Marktketten die stabilsten und vorhersagbar sind. Als solche bieten sie die stärkste Basis für einen Handelsansatz. Das Ergebnis des Modells ist die digitale Sentimentfunktion d (t), die einen Wert 1 für eine Aufwärtsbewegung, -1 für eine Abwärtsbewegung und 0 für eine Abwesenheit eines bestimmten Sentiments annimmt. Diese Ketten entsprechen nach zwei Regeln: Wenn eine andere Kette identifiziert wird in die gleiche Richtung wie eine Kette bereits Gebäude, itrsquos hinzugefügt, um die vorherige Kette. Dies erhöht seine aktuelle Länge um fünf Tage Wenn es eine Kette in die entgegengesetzte Richtung gibt, hebt es die vorherige Kette auf und stellt eine andere Richtung ein. Über den Autor