¿Cómo generar datos sintéticos de FX para el backtesting?

Question

Quiero generar datos sintéticos de forex con el fin de hacer backtesting de mis algoritmos de trading. Tengo algunas ideas aproximadas en mente sobre cómo hacer esto:

Comience con una curva que represente una tendencia y luego genere aleatoriamente puntos alrededor de la curva según una distribución gaussiana o de otro tipo. A continuación, tome los puntos generados y genere de alguna manera los datos de la barra (apertura, alta, baja, cierre) alrededor de esos puntos; alternativamente, añada un factor de tiempo, y luego determine aleatoriamente cuándo se produce un tick y recoja los datos en barras después.

Mi pregunta es: ¿se aleja esto de los métodos establecidos para la generación de datos sintéticos? Supongo que eso plantea la pregunta más básica: son ¿hay algún método establecido para la generación de datos sintéticos? No consigo encontrar ningún escrito sobre este tema, ya sea una entrada de blog o un trabajo de investigación.

Así que, además de solicitar recursos externos sobre la generación de datos sintéticos, me gustaría saber qué tipo de distribuciones modelan mejor las relaciones entre la apertura, el máximo, el mínimo y el cierre, o cómo generar los intervalos adecuados entre los ticks, el diferencial entre los precios de compra y venta, etc.

Answer 1

Para empezar, ni siquiera estoy seguro de por qué necesita hacer esta pregunta. Hay literalmente años de datos gratuitos de ticks disponibles para FX, sólo hay que ver quant.SE's datos wiki .

Dicho esto, una gaussiana es un ajuste muy pobre para los datos de alta frecuencia, especialmente los de FX. Su estrategia de simulación de datos depende de la idea en la que se basa la simulación. Si desea estimar realmente cualquier parámetro o métodos de prueba en estos datos, y va a aceptar o rechazar ideas basadas en los resultados de la simulación, le insto a que se detenga allí mismo y reconsidere.

Si, por el contrario, desea modelar la volatilidad del proceso y probar la capacidad de su sistema para hacer frente a los cambios en los parámetros del proceso de generación de datos, debe consultar el capítulo 5 y en particular la página 122 de Introducción a las finanzas de alta frecuencia . Escriben:

Las distribuciones de los rendimientos tienen cada vez más colas gordas a medida que aumenta la frecuencia de los datos (tamaños de intervalo más pequeños) y, por tanto, son claramente inestables...

Las leyes de escala describen los rendimientos medios absolutos y los rendimientos medios al cuadrado como funciones de sus intervalos de tiempo...

Hay pruebas de heteroscedasticidad estacional en forma de distintos grupos diarios y semanales de volatilidad...

Algunos trabajos afirman que los rendimientos de FX se acercan a los estables paretianos, por ejemplo (McFarland et al., 1982; Westerfield, 1997); otros a las distribuciones de Student que no son estables (Rogalski y Vinso, 1978; Boothe y Glassman, 1987); algunos rechazan cualquier distribución única... En la actualidad, la mayoría de los investigadores están de acuerdo en que una mejor descripción del proceso de generación de datos es en forma de modelo condicional heterocedástico en lugar de ser de una distribución incondicional.

Por último, si desea construir datos OHLC, su mejor opción es modelar el proceso de generación de datos como el anterior junto con un proceso de frecuencia de ticks (también discutido en la referencia anterior) y construir barras OHLC a partir de datos de ticks simulados.

Answer 2

El método de generación de datos sintéticos descrito aquí puede serle útil. También creo que el meboot El paquete R puede utilizarse para la generación de series temporales sintéticas.

Answer 3

Podría empezar con algunos datos representativos (es decir, datos históricos para el período de interés) y luego utilizar el arranque para estimar la verdadera distribución de esos datos. A partir de ahí, puedes utilizar esa distribución para generar datos representativos.

• En R
• En Incanter

Answer 4

Me he planteado la misma pregunta. Creo que la literatura de aumento de datos es relevante. Y sin duda se pueden adaptar algunas ideas de la estimación de frecuencias de Good-Turing y sus descendientes. Otra idea es transformar un tipo de cambio para que coincida más o menos con otro, y utilizar un aluvión de algoritmos de clasificación estándar para ver si pueden determinar la falsedad a partir de datos reales. Creo que todo depende de qué invariantes de los datos crees que conoces bien y qué comportamiento residual es común en diferentes series temporales.