¿Cómo predecir el rango diario de las divisas?

Question

Estoy tratando de predecir el rango de movimiento intradiario de las acciones/de las divisas (esencialmente, alto-bajo). Aquí están algunas ideas basadas en lo que he estado leyendo recientemente (no tienen fondo quant, por lo que el nivel básico de comprensión).

1) GARCH puede utilizarse para modelar la volatilidad. Esto parece modelar los rendimientos intradía (cierre-apertura) y no necesariamente el rango diario. ¿Hay alguna implicación si elijo (alto-bajo) como proxy para los rendimientos? El propósito de utilizar el predictor de rango es principalmente para calcular mis paradas basadas en mi punto de entrada.

2) También me encontré con el estimador de volatilidad GARMAN-KLASS (OHLC). Cualquier pros / contras en el uso de este estimador de volatilidad como una serie de tiempo y utilizar una media móvil ponderada para predecir la volatilidad del día siguiente y el mapa que la volatilidad a un rango?

3) Por último, la opción más básica sería simplemente utilizar una media móvil ponderada de los rangos recientes y utilizarla como predicción

Agradezco cualquier aportación.

[*EDIT - He publicado esto en la página principal también ya que veo que esto es beta y no estoy seguro de si esto recibe tanto tráfico. Por favor, fusionar cuando hay una respuesta *]

Answer 1

Hasta donde yo sé, el análisis técnico no funciona para predecir el movimiento intradiario de Forex. He hecho muchos backtest utilizando el análisis técnico, pero no tiene ningún poder de predicción.

La mejor manera de predecir el FOREX es encontrar la diferencia de los tipos de interés emitidos por ambos gobiernos de ese par de divisas.

$$ Pn = P_0 . e^{(r_{jpy}-r_{usd}) \Delta t } $$ $$ \Delta t=\frac{t_n-t_0}{365} $$ A partir de ahí puede predecir el cambio/movimiento diario del par de divisas mediante la composición continua del tipo de interés.

Puede realizar directamente un backtest de la fórmula anterior utilizando el par USDJPY con los tipos de interés emitidos por el gobierno de EE.UU. y Japón en el año anterior.

$$ \sigma = \sqrt{ \frac{\sum\limits_{n=1}^{365} (P_n- \bar{P} )^2 }{365} } $$

En teoría, también se puede predecir la volatilidad después de calcular todos los precios. A continuación, puede utilizar GARCH para predecir el precio intradía (OHLC).

Answer 2

Podrías optar por un intervalo de confianza directo. Lo explicaré en términos de distribución gaussiana/normal, sin embargo, para un uso profesional yo tomaría los pasos adicionales para hacer bootstrapping y encajar alguna distribución de cola gorda.

• Seleccione un intervalo de tiempo para sus datos.
• Calcule la tasa de rendimiento para cada paso de tiempo.
• Calcule la desviación típica y la media de la tasa de rendimiento. Digamos que la desviación típica es $2\%$ y la media es $3\%$ .
• Elige un intervalo de confianza, por ejemplo, $95\%$ .
• Utilice la inversa de la distribución para el intervalo $2.5\%$ y $97.5\%$ (una anchura de $95$ puntos porcentuales). Esto da valores z de $-1.96$ y $+1.96$ .
• Calcula el intervalo, que resulta ser $-1\% \approx 3\% - 1.96 * 2\%$ y $+7\% \approx 3\% + 1.96 * 2\%$ .
• Si tiene $\$ 1000 $ of the currency in question then your confidence interval would be between $\$990 = 1000 \times (1+0.01)$ y $\$ 1070 = 1000 \N veces (1+0,07) $ with a confidence of $ 95\% $, meaning that you typically wouldn't see the price go over or under this interval more often than once every $ 20 $ days $ (=1/0.05)$.

De nuevo, lee sobre otras distribuciones distintas a la gaussiana. Además, ten en cuenta que una mayor confianza crea intervalos más amplios.

Answer 3

Como puede ver, hay muchas formas de estimar la volatilidad (desviación estándar, rango, etc.). Lo que es mejor o peor depende del caso de uso. Lo que todos los estimadores de volatilidad tienen en común es que tratan de medir la variabilidad. Si se trata del desarrollo de una estrategia de negociación, probablemente querrá hacer pruebas retrospectivas con varios métodos para ver qué funciona mejor. Algunas notas sobre los enfoques que has mencionado:

GARCH: Se puede estimar un modelo GARCH basado en datos de rango: Creo que el término formal para esta especificación es CARR (rango autorregresivo condicional). El GARCH clásico utiliza datos de rendimientos diarios al cuadrado para estimar la volatilidad condicional como varianza/desviación estándar.

Garman-Klass: Se trata de una estimación estática que proporciona una estimación de la volatilidad en términos de desviación estándar (como el GARCH clásico). Es un hecho estilizado de los mercados financieros que la volatilidad varía en el tiempo, por lo que asumir que la volatilidad es constante es arriesgado en este caso. El uso de una estimación de ventana móvil podría ser una solución burda.

Media móvil de rango alto-bajo: CARR es una versión sofisticada de lo descrito aquí. Los procesos ARMA y GARCH son tipos de medias móviles suavizadas exponencialmente, con un término adicional de reversión de la media.