Predicción De Datos De Mercado Con El Filtro De Kalman

Predicción de datos de mercado con el filtro de Kalman Por Rick Martinelli y Neil Rhoads El filtro de Kalman es un algoritmo de dos etapas que asume que hay una línea de tendencia suave dentro de los datos que representa el verdadero valor del mercado antes de ser perturbado por el ruido del mercado. ¿Se puede utilizar este filtro para prever los movimientos de los precios de las acciones? La Figura 1 en la página 46 muestra que se abre diariamente durante un año (252 días) de Ford Motor Co. (F). De acuerdo con los principios de la ingeniería financiera moderna, datos de mercado como este se considera como movimiento browniano, lo que significa que los cambios de precios diarios forman un proceso de ruido blanco. El ruido blanco es un proceso aleatorio en el que los valores consecutivos son independientes entre sí, entre otras cosas, lo que significa que cada día, un aumento de precios es tan probable como una disminución. En realidad, no es infrecuente que un artículo particular del mercado tenga varios días consecutivos abajo o encima de los días sobre un período de tiempo corto. En esos momentos, se dice que los precios están correlacionados. El objetivo es aprovechar estas correlaciones con un filtro de Kalman para poder prever los movimientos de precios. Figura 1: PRECIOS ABIERTOS. En este gráfico diario de Ford Motor Co. (F) se puede ver la naturaleza aleatoria de los movimientos de precios. En un artículo de 2006 para Stocks Commodities. Se utilizó una simple extrapolación lineal para predecir el cambio de precios de mañana. La predicción se utilizó entonces para calcular el estadístico alfa, que compara el cambio de precio previsto con un promedio reciente de cambios de precios. Los valores positivos relativamente altos de alfa indican una posición larga, y los valores negativos relativamente grandes indican una posición corta. Este procedimiento fue evaluado de nuevo en una selección aleatoria de existencias e índices para probar su efectividad. Las posiciones indicadas fueron tomadas, cerradas el próximo día de negociación, y todas las ganancias y pérdidas se acumulaban en un gráfico llamado Fortune. Sorprendentemente, de los 28 artículos probados, 20 produjeron mayores beneficios que una simple posición de compra para el mismo período de tiempo. En este artículo, ampliamos el trabajo anterior, reemplazando el predictor simple de un día por un filtro de Kalman. El Kalman, tal como se aplica aquí, es un algoritmo de dos etapas que supone que hay una línea de tendencia suave dentro de los datos que representa el verdadero valor del elemento de mercado antes de ser perturbado por el ruido del mercado. En la primera etapa, algunos valores de línea de tendencia anteriores se ajustan a un modelo adecuado. Luego se extrapola al siguiente valor de tiempo para generar una predicción y su varianza de error. En la segunda etapa, se lee el valor de datos correspondiente y se calcula un nuevo valor de tendencia como un compromiso entre el valor de predicción y el valor real de datos. El compromiso se basa en las cantidades relativas de ruido en los datos y las predicciones. El filtro repite entonces el ciclo de predicción y corrección a medida que se lee cada nuevo valor de datos. El cambio de precio predicho y su desviación estándar de la primera etapa del filtro se combinan para producir la estadística alfa, que se utiliza para determinar señales de compra / venta. Un esquema de comercio simulado ejecuta esas señales y, como antes, las ganancias y / o las pérdidas se acumulan en la fortuna. Los elementos se seleccionan para la simulación basada en una nueva propiedad de datos denominada ganancia disponible. La relación de la fortuna con el beneficio disponible define una característica del filtro llamada su eficiencia. En las secciones siguientes se describe el filtro de Kalman y los detalles del método de simulación. Las últimas secciones discuten los resultados de las simulaciones sobre los datos reales de las existencias y ofrecen algunas conclusiones. . Continuación en la edición de enero de Análisis Técnico de Stocks Commodities Extraído de un artículo publicado originalmente en la edición de enero de 2010 de Análisis Técnico de la revista Stocks Commodities. Todos los derechos reservados. &dupdo; Copyright 2009, Análisis Técnico, Inc.