Forex pca

Permita que você tenha um modelo multifatorial que toma como entradas cerca de 10 20 variáveis ​​fracas estacionárias exógenas. Em seguida, você pode usar PCA para obter apenas 3 4 variáveis ​​ortogonais, a fim de simplificar o seu modelo, sem perder demasiada informação (talvez 3 4 componentes principais explicar mais de 90 das variáveis ​​originais variante total de 39). Por exemplo, os comerciantes técnicos muitas vezes usam lote de t. a. Indicadores, tais como MACD, RSI, estocástico e assim por diante: é provável que a primeira componente principal desses indicadores explique mais de 95 de todos os indicadores39 variância. Ndash Lisa Ann May 2 13 at 9:54 2 Respostas Para responder às suas perguntas, temos de dar uma olhada no que ele faz. PCA é matematicamente definido como uma transformação linear ortogonal que transforma os dados para um novo sistema de coordenadas, de modo que os vetores de notícias são ortogonais e explicam a parte principal da variância do primeiro conjunto. Demorou-se uma matriz de N x M como entrada, N representa a repetição diferente da experiência e M os resultados de uma sonda particular. Ele lhe dará instruções (ou componentes principais) que explicam a variação do seu conjunto de dados. Por isso, tudo depende do que você entra para o seu PCA. Eu uso PCA para olhar para a correlação de mercado, então eu introduzir os preços M mais de N vezes. Você pode entrar diferentes medidas (gregos, futuros.) De um estoque único para dar uma olhada em sua dinâmica. Meu uso vai dar a correlação de um preço das ações com o mercado, conhecido como beta, o outro uso irá dar correlação entre os diferentes indicadores técnicos de um estoque. E bem eu acho que você pode obter alguns resultados interessantes com diferentes indicadores sobre diferentes ações. Não se esqueça de pré-processamento. Como você pode ver aqui: Sincronização de dados há alguns problemas complicados com datas de mercado. Também depende do que você faz com seus resultados. Você pode usar algum critério para remover componentes com pouca variação para reduzir a dimensão de seu conjunto de dados. Este é o objetivo usual do PCA. Dá-lhe um número reduzido de ações para construir um portfólio, para estimar curvas de lucro / risco. Mas você também pode fazer pós-tratamento mais complexo. Aqui: th-if. uj. edu. pl/acta/vol36/pdf/v36p2767.pdf você pode ver um uso de PCA combinado com a teoria da matriz aleatória para remover o ruído do mercado. PCA é uma ferramenta, uma ferramenta muito poderosa, mas apenas uma ferramenta. Seus resultados dependerão de como você o usa. O risco é usá-lo demais. Você sabe o que eles disseram, se você tem um martelo cada problema parece um prego.