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 آنالیز نمودیم. قبلا شما میتوانستید برای مدلهای مختلف اینکار 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 می کردید. اکنون، تنها کاری که لازم است شما انجام دهید اینست 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 می باشد. 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 می باشد؛ این مدلهای Spectrum برای تعدادی از بازارهای مالی نتایج رضایت بخشی نشان داده اند. اما همواره با مدلهای جدید کار می کنیم و مدلهای قدیمی را نیز مجددا تست می کنیم. 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 انطباق های تصادفی جلوگیری می کند.
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 می توانید جدول زیر را ببینید:
Financial Instrument: Dow_from_1885.csv
Analyzed 27 models
LBC Info: 22607 train/10586 test
Target: Rel. Osc.(1,50,50 Close,Exp)
| Model |
NN (first 10801 pt) |
NN (first 5378 pt) |
NN (last 5425 pt) |
LIN (first 10801 pt) |
LIN (first 5378 pt) |
LIN (last 5425 pt) |
| Dynamic Model TI=500 |
14.89% |
9.00% |
21.53% |
3.33% |
-0.01% |
7.43% |
| Dynamic Model TI=750 |
13.86% |
9.60% |
18.87% |
4.59% |
5.77% |
4.10% |
| Spectrum Model TI=1000 |
10.16% |
7.44% |
13.79% |
7.36% |
6.57% |
7.61% |
| FAM Model Phase, Orb=10, TI=1000 |
7.66% |
2.87% |
12.27% |
8.70% |
2.14% |
15.27% |
| FAM Model Phase, Orb=10, TI=2000 |
7.39% |
3.16% |
11.48% |
7.77% |
2.10% |
13.20% |
| Dynamic Model TI=1000 |
6.83% |
3.69% |
10.78% |
3.88% |
2.78% |
5.83% |
| FAM Model Phase, Orb=15, TI=1000 |
6.68% |
0.41% |
12.83% |
5.08% |
-1.84% |
12.13% |
| FAM Model Phase, Orb=15, TI=2000 |
6.56% |
-0.68% |
13.19% |
8.03% |
1.37% |
14.50% |
| FAM Model Geo, Orb=15, TI=2000 |
6.36% |
11.17% |
0.84% |
5.22% |
12.17% |
-2.40% |
| Terms/Faces Model TI=All |
5.37% |
0.99% |
10.09% |
4.91% |
2.30% |
7.72% |
| Dynamic Model TI=2000 |
4.65% |
3.78% |
6.18% |
-0.59% |
1.06% |
-2.08% |
| FAM Model Phase, Orb=10, TI=All |
4.41% |
3.56% |
5.20% |
4.36% |
4.06% |
4.64% |
| Seasonal Orb=15, TI=1000 |
4.27% |
2.84% |
5.66% |
0.13% |
-0.39% |
0.47% |
| FAM Model Geo, Orb=10, TI=2000 |
4.11% |
4.32% |
4.71% |
6.83% |
10.38% |
3.52% |
| FAM Model Geo, Orb=10, TI=1000 |
4.01% |
8.84% |
-1.53% |
7.36% |
6.29% |
8.57% |
| Ptolemy Aspects Model Orb=15 |
3.68% |
0.65% |
6.44% |
-0.49% |
-4.40% |
3.36% |
| FAM Model Geo, Orb=15, TI=1000 |
3.58% |
7.63% |
-0.56% |
8.52% |
6.93% |
10.38% |
| FAM Model Phase, Orb=15, TI=All |
2.43% |
2.69% |
1.94% |
1.67% |
1.35% |
1.92% |
| Terms/Faces Model TI=2000 |
2.26% |
0.39% |
3.37% |
8.14% |
1.70% |
10.14% |
| Seasonal Orb=10, TI=1000 |
2.16% |
5.25% |
-0.93% |
-0.12% |
-0.94% |
0.51% |
| FAM Model Geo, Orb=10, TI=All |
2.10% |
4.59% |
0.77% |
5.86% |
9.24% |
4.74% |
| FAM Model Geo, Orb=15, TI=All |
1.81% |
-2.94% |
7.94% |
2.17% |
5.40% |
0.87% |
| Terms/Faces Model TI=1000 |
1.12% |
1.13% |
2.26% |
9.38% |
8.22% |
8.14% |
| Dynamic Model TI=All |
0.11% |
1.89% |
-1.58% |
2.39% |
0.26% |
4.72% |
| Spectrum Model TI=300 |
-0.93% |
3.15% |
-5.43% |
-1.25% |
6.45% |
-8.92% |
| Spectrum Model TI=50 |
-3.40% |
-0.35% |
-6.61% |
-0.91% |
4.58% |
-7.06% |
| Spectrum Model TI=500 |
-5.18% |
-7.37% |
-3.54% |
-1.89% |
-2.08% |
-2.04% |
این یک لیست از 27 مدلی است که بر اساس ضریب همبستگی دسته بندی شده اند. (ضریب همبستگی نشان می دهد 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 می دهند.
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 می توانید 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 می توانید طول بازه training را ببینید :
جای عکس 306
همچنین شما می توانید همین مدل را با training interval = 750 کندل قیمت، امتحان کنید، این حالت خیلی نتایج نزدیکتری به ما می دهد (در جدول بالا خط بعدی را ببینید):
| Dynamic Model TI=750 |
13.86% |
9.60% |
18.87% |
4.59% |
5.77% |
یکی از مدلهای Spectrum که توسط Ben Price پیشنهاد شده نیز خوب بنظر می رسد
| Dynamic Model TI=750 |
13.86% |
9.60% |
18.87% |
4.59% |
5.77% |
به عبارت دیگر ، ما می توانیم از تعدادی سیکل ثابت برای پیش بینی داوجونز استفاده کنیم.
سه تا از بهترین مدل های دیگر ، مدلهای FAM Phase و یک مدل Dynamic دیگر می باشد:
| FAM Model Phase, Orb=10, TI=1000 |
7.66% |
2.87% |
12.27% |
8.70% |
2.14% |
15.27% |
| FAM Model Phase, Orb=10, TI=2000 |
7.39% |
3.16% |
11.48% |
7.77% |
2.10% |
13.20% |
| Dynamic Model TI=1000 |
6.83% |
3.69% |
10.78% |
3.88% |
2.78% |
5.83% |
لازم است در مورد مدلهای Phase کمی توضیح دهیم. مدلهایPhase بر مبنای دوره های سیارات می باشد، و اغلب موارد این مدلها با مدلهای داینامیک با هم بکار می روند.
منظور از دوره یا فاز سیاره از دید ناظر روی زمین، میزان درجه ای از سیاره می باشدکه توسط خورشید روشن شده است.
بعلاوه با یک دقت مناسب، ما می توانیم دوره هر سیاره را به عنوان میزان درجه جاذبه این سیاره درنظر 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 حداق میزان ممکن است، درحالیکه تاثیر جاذبه ونوس بر زمین در حداکثر میزان خودش است. زمانی که phase=180است (ونوس کامل = مقابله ونوس – زمین در زودیاک خورشید مرکز)؛ که به معنی بیشترین فاصله بین زمین و ونوس می باشد و بنابراین حداقل میزان جاذبه ونوس.
لذا میتوانیم شاخص داوجونز را به عنوان یک بازار وابسته به دوره/جاذبه (phase/gravitation) در نظر بگیریم.
