Procesamiento de señales digitales en Trading

Question

Existe un concepto de trading u observación del mercado con procesamiento de señales originalmente creado por John Ehler. Él escribió tres libros al respecto.
Análisis Cibernético para Acciones y Futuros
Ciencia Cohete para Traders
MESA y el Trading de Ciclos del Mercado

Hay muchos indicadores y modelos matemáticos que son ampliamente aceptados y utilizados por algunos softwares de trading (incluso MetaStock), como MAMA, Transformada de Hilbert, Transformada de Fisher (como sustitutos de la FFT), Discriminador Homodino, Ondas Seno de Hilbert, Línea de Tendencia Instantánea, etc. inventados por John Ehler.

Pero eso es todo. Nunca he escuchado de alguien más que no sea John Ehler estudiando en esta área. ¿Crees que vale la pena aprender procesamiento digital de señales? Después de todo, cada transacción es una señal y los gráficos de barras son una forma filtrada de estas señales. ¿Tiene sentido?

Answer 1

Wavelets son solo una forma de "descomposición de base". Las wavelets en particular se descomponen tanto en frecuencia como en tiempo y, por lo tanto, son más útiles que las descomposiciones puramente basadas en frecuencia como la de Fourier. También hay otras descomposiciones de tiempo-frecuencia (por ejemplo, la HHT) que también deberían explorarse.

La descomposición de una serie de precios es útil para entender el movimiento primario dentro de una serie. En general, con una descomposición, la señal original es la suma de sus componentes base (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 una frecuencia máxima que se acerca a N / 2.

Cómo esto es útil

• desruidizar una serie
• determinar el componente principal del movimiento en la serie
• determinar pivotes

La desruidización se logra recomponiendo la serie sumando los componentes de la descomposición, menos los últimos pocos componentes de alta frecuencia. Esta serie desruidizada (o filtrada), si se elige bien, a menudo ofrece una visión del proceso de precios básico. Suponiendo una continuación en la misma dirección, se puede usar para extrapolar por un corto período hacia adelante.

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

Una de las claves, sin embargo, es determinar cuántos niveles de la descomposición recomponer en una situación dada. Demasiados niveles (baja frecuencia) significarán que la serie de precios recomuesta responde muy lentamente a los eventos. Demasiados niveles (alta frecuencia) significarán una respuesta rápida pero, quizás demasiado ruido en ciertos regímenes de precios.

Dado que el mercado cambia entre movimientos laterales y movimientos de impulso, un proceso de filtrado necesita ajustarse al régimen, volviéndose más o menos sensible a los movimientos para proyectar una curva. Hay muchas formas de evaluar esto, como observar la potencia de la serie filtrada versus la potencia de la serie de precios cruda, apuntando a un cierto % dependiendo del régimen.

Suponiendo que se ha empleado con éxito wavelets u otras descomposiciones para obtener una señal suave y adecuadamente reactiva, se puede derivar y utilizar para detectar mínimos y máximos a medida que progresa 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 necesita proporcionar resultados consistentes en el punto final a medida que la serie temporal avanza y no estar sesgada posicionalmente.

Desafortunadamente, no conozco ninguna base de wavelet que evite los problemas anteriores. Hay algunas otras bases que se pueden elegir que funcionan mejor.

Conclusión
Si deseas seguir con las wavelets y construir reglas comerciales en torno a ellas, espera tener que hacer mucha investigación. También puedes encontrar que aunque el concepto es bueno, necesitarás explorar otras bases de descomposición para obtener el comportamiento deseado.

No uso descomposiciones para decisiones comerciales, pero las he encontrado útiles para determinar el régimen del mercado y otras medidas retrospectivas.

Answer 2

Necesitas investigar cómo diferenciar entre métodos de interpolación frente a métodos de extrapolación. Es fácil construir un modelo que repita el pasado (casi cualquier esquema de interpolación funcionará). El problema es que ese modelo es típicamente inútil cuando se trata de extrapolar hacia el futuro.

Cuando escuchas/ves la palabra "ciclos", debería surgir una bandera roja. Investiga la aplicación de "Integral de Fourier", "Serie de Fourier", "Transformada de Fourier", etc., y descubrirás que con suficientes frecuencias puedes representar cualquier serie temporal lo suficientemente bien como para convencer a la mayoría de los traders minoristas de que "funciona". El problema es que no tiene ningún poder predictivo.

El motivo por el que los métodos de Fourier son útiles en ingeniería/procesamiento de señales digitales es porque esa "señal" (voltaje, corriente, temperatura, etc.) típicamente se repite en el circuito/máquina donde fue generada. Como resultado, la interpolación se relaciona con la extrapolación.

En caso de que estés usando R, aquí tienes un código "ingenioso" para probar:

 library(gam)

 #Genera y grafica una serie temporal de 1000 puntos de datos
 x <- 1:1000
 y <- cumsum(rnorm(1000))
 plot(x, y, type="l")

 #Ajusta los primeros 500 puntos usando un Modelo Aditivo Generalizado (ajustará cualquier cosa)
 #La línea roja es un ejemplo de interpolación
 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")

 #Ahora, predice los puntos futuros
 #La línea azul es un ejemplo de extrapolación (de un modelo de interpolación)
 lines(501:1000, predict(gam.object, data.frame(x=501:1000)), lwd=2, col="blue")

 #Observa la diferencia en el "ajuste" de la línea azul frente a la línea roja.

Answer 3

El sitio web de Ehler tiene una sección de artículos técnicos donde hay artículos disponibles para 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 pienso que aplicar DSP al trading muestra un gran potencial y definitivamente merece ser investigado. Si te interesa, estoy escribiendo en mi blog sobre mi progreso en la aplicación de estos principios aquí.

Answer 4

Las técnicas de DSP a las que haces referencia son excelentes para señales repetitivas, pero no son adecuadas para señales aleatorias (como movimientos de precios). Aunque existen algunas técnicas adecuadas para detectar señales débiles en entornos de mucho ruido (el GPS es uno que viene a la mente), esas técnicas dependen de saber cómo luce la señal, y si supieras cómo luce la señal, serías dueño del mercado.

Answer 5

El análisis de ciclos y el procesamiento de señales pueden ser útiles para patrones estacionales, pero sin conocer más sobre el desempeño de dicho enfoque para el trading, no consideraría un grado en procesamiento de señales solo para el trading. ¿Estarías dispuesto a aplicar lo que aprendes en problemas de ingeniería estándar? Porque puede ser que te quedes atascado haciéndolo si no funciona lo suficientemente bien con el trading.