Sekwencje danych, zarówno otrzymywane w wyniku zastosowania strategii pro- jak i antytrendowych, są przedmiotem zainteresowania twórców i badaczy mechanicznych systemów transakcyjnych. Analiza korelacji zachodzących w obrębie tych sekwencji jest narzędziem badania procesów opisujących rozliczenia pozycji zajmowanych przez gracza stosującego elementarną strategię.
Te
korelacje, zachodzące pomiędzy poszczególnymi próbkami tego
samego szeregu czasowego, nazywane są autokorelacjami. Ich zestaw –
sam w sobie ciąg danych – opisuje charakter zależności
zachodzących w tej sekwencji. Jednak zależność, rozumiana jako
współczynniki korelacji, jest niewystarczającym narzędziem do
opisu zjawisk zachodzących w tym
procesie. Potrzebny jest nam model.
Jednym
z takich modeli jest model procesu autoregresji. Zasadza się on na
idei funkcyjnej zależności bieżącej wartości procesu od kilku
(-nastu, -dziesięciu) wartości minionych. Oczywiście zależność
taka nie może mieć charakteru deterministycznego – czynnik losowy
jest nieunikniony. A nawet nazwa niewłaściwa: nie czynnik a
składnik, ponieważ liniowość modelu nakłada naturalne wymogi dla
tej funkcji – poszukujemy wzoru wyrażającego przyszłą wartość
procesu
jako kombinację liniową wartości przeszłych
z dodanym składnikiem losowym.
Założenia
dotyczące rozkładu tego składnika losowego są dość złożone.
Niemniej jednak, przyjmując gaussowski rozkład procesów
podlegających obserwacjom, formuły wyrażające wartości przyszłe
w funkcji przeszłych obserwacji mogą być dość łatwo
przekształcone w układy równań liniowych, których rozwiązania
pozwalają na wyznaczenie ocen współczynników wyżej wspomnianych
funkcyjnych zależności.
A
te właśnie funkcje oraz rozkłady ich wartości są narzędziem dla
badania wyników strategii działania na rynkach terminowych.
Brak komentarzy:
Prześlij komentarz