El procesamiento de señales digitales en el comercio

Question

Existe el concepto de comerciar u observar el mercado con el procesamiento de señales creado originalmente por John Ehler . Escribió tres libros sobre ello.
Análisis cibernético de acciones y futuros
La ciencia de los cohetes para los comerciantes
MESA y los ciclos del mercado de comercio

Hay una serie de indicadores y modelos matemáticos que son ampliamente aceptados y utilizados por algunos programas de comercio (incluso MetaStock), como MAMA, Hilbert Transform, Fisher Transform (como sustitutos de FFT), Homodyne Discriminator, Hilbert Sine Wave, Instant Trendline etc. inventados por John Ehler.

Pero eso es todo. Nunca he oído de nadie más que John Ehler estudiando en esta área. ¿Crees que vale la pena aprender el procesamiento de señales digitales? Después de todo, cada transacción es una señal y los gráficos de barras son una forma filtrada de estas señales. ¿Tiene sentido?

Answer 1

Las ondículas son sólo una forma de "descomposición de bases". Las ondículas, en particular, se descomponen tanto en frecuencia como en tiempo, por lo que son más útiles que las descomposiciones de Fourier u otras basadas exclusivamente en la frecuencia. Hay otras descomposiciones en tiempo y frecuencia (por ejemplo, la HHT) que también deberían explorarse.

La descomposición de una serie de precios es útil para comprender el movimiento principal de una serie. En general, con una descomposición, la señal original es la suma de sus componentes básicos (potencialmente con algún multiplicador de escala). Los componentes van desde la frecuencia más baja (una línea recta a través de la muestra) hasta la frecuencia más alta, una curva que oscila con un máximo de frecuencia que se acerca a N / 2.

Cómo es de útil

• denotación de una serie
• determinar el componente principal del movimiento en la serie
• determinar los pivotes

La eliminación de ruido se consigue recomponiendo la serie mediante la suma de los componentes de la descomposición, menos los últimos componentes de mayor frecuencia. Esta serie denotada (o filtrada), si se elige bien, suele dar una visión del proceso central de los precios. Suponiendo la continuación en la misma dirección, puede utilizarse para extropasar un período corto hacia adelante.

A medida que la serie temporal avanza en tiempo real, se puede observar cómo cambia el proceso de precios denotado (o filtrado) para determinar si un movimiento de precios en una dirección diferente es significativo o sólo ruido.

Sin embargo, una de las claves es determinar cuántos niveles de la descomposición hay que recomponer en una situación determinada. Demasiados pocos niveles (baja frecuencia) significarán que la serie de precios recompuesta responde muy lentamente a los acontecimientos. Demasiados niveles (alta frecuencia) significarán una respuesta rápida pero, quizás, demasiado ruido en algunos regímenes de precios.

Dado que el mercado oscila entre los movimientos laterales y los movimientos de impulso, un proceso de filtrado debe ajustarse al régimen, haciéndose más o menos sensible a los movimientos de proyección de una curva. Hay muchas formas de evaluar esto, como mirar la potencia de la serie filtrada frente a la potencia de la serie de precios en bruto, apuntando a un determinado % en función del régimen.

Suponiendo que se haya empleado con éxito la wavelet u otras descomposiciones para obtener una señal suave y adecuadamente reactiva, se puede tomar la derivada y utilizarla para detectar mínimos y máximos a medida que avanza la serie de precios.

Problemas

• Se necesita una base que tenga un "buen comportamiento" en el punto final para que la pendiente de la curva en el punto final se proyecte en una dirección adecuada.
• La base tiene que proporcionar resultados consistentes en el punto final a medida que la serie temporal avanza y no estar sesgada posicionalmente

Por desgracia, no conozco ninguna base wavelet que evite los problemas anteriores. Se pueden elegir otras bases que lo hagan mejor.

Conclusión:
Si quiere dedicarse a las Wavelets y construir reglas de negociación en torno a ellas, espere hacer mucha investigación. También puede descubrir que, aunque el concepto es bueno, tendrá que explorar otras bases de descomposición para obtener el comportamiento deseado.

No utilizo las descomposiciones para tomar decisiones comerciales, pero me han resultado útiles para determinar el régimen de mercado y otras medidas retrospectivas.

Answer 2

Hay que investigar cómo diferenciar los métodos de interpolación de los de extrapolación. Es fácil construir un modelo que repita el pasado (casi cualquier esquema de interpolación sirve). El problema es que ese modelo suele carecer de valor cuando se trata de extrapolar el futuro.

Cuando oiga/vea la palabra "ciclos", debería saltar una bandera roja. Si se profundiza en la aplicación de la "integral de Fourier", la "serie de Fourier", la "transformada de Fourier", etc., se descubrirá que con suficientes frecuencias se puede representar cualquier serie temporal lo suficientemente bien como para convencer a la mayoría de los operadores minoristas de que "funciona". El problema es que no tiene ningún poder predictivo.

La razón por la que los métodos de Fourier son útiles en ingeniería/DSP es porque esa "señal" (tensión, corriente, temperatura, lo que sea) suele repetirse en el circuito/máquina donde se generó. En consecuencia, interpolar se convierte en algo parecido a extrapolar.

En caso de que utilices R, aquí tienes un código de prueba:

 library(gam)

 #Generate and plot a 1000 data point time series
 x <- 1:1000
 y <- cumsum(rnorm(1000))
 plot(x, y, type="l")

 #Fit the first 500 points using a Generalized Additive Model (it'll fit anything)
 #The red line is an example of interpolating
 gam.object <- gam(y[1:500] ~ s(x[1:500]))
 lines(1:500, predict(gam.object, data.frame(x=1:500)), lwd=2, col="red")

 #Now, predict the future points
 #The blue line is an example of extrapolating (from an interpolation model)
 lines(501:1000, predict(gam.object, data.frame(x=501:1000)), lwd=2, col="blue")

 #Now, notice the difference in the "fit" of the blue line versus the red line.

Answer 3

Ehler's sitio web tiene una sección de artículos técnicos donde hay artículos disponibles para su descarga gratuita, con código, para que puedas probar las cosas por ti mismo. Personalmente, he tomado algunas de sus ideas y las he combinado con otras lecturas, foros, etc. en la red y creo que la aplicación del DSP al trading es muy prometedora y merece la pena investigarla. Si te interesa, estoy escribiendo un blog sobre mi progreso en la aplicación de estos principios aquí .

Answer 4

Las técnicas DSP a las que te refieres son excelentes para las señales repetitivas, pero no son adecuadas para las señales aleatorias (como los movimientos de los precios). Aunque hay algunas técnicas adecuadas para captar señales débiles en entornos con mucho ruido (el GPS es una de las que me vienen a la mente), esas técnicas dependen de que se sepa cómo es la señal, y si se supiera cómo es la señal, se sería dueño del mercado.

Answer 5

El análisis de ciclos y el procesamiento de señales podrían ser útiles para los patrones estacionales, pero sin saber más sobre el rendimiento de ese enfoque para el trading, no consideraría un título en procesamiento de señales sólo para el trading. Estarías contento aplicando lo que aprendes en un problema estándar de tipo de ingeniería porque eso puede ser lo que estarás atascado haciendo si no funciona lo suficientemente bien con el comercio.