利用市场瞬时状态预测趋势逆转

2022-5-5 03:44:47

1940年，托马斯·布卢姆塞尔斯泰利斯大学图书馆街1050号，邮编：伯里塞尔斯泰尔斯tbury@ulb.ac.beAbstract：金融市场中发生的集体行为揭示了密切相关的状态，尤其是在危机期间。一个自然的假设是，不同证券交易所之间的相互影响也会导致趋势逆转。使用最大熵方法，我们发现在由成对分量主导的趋势反转期间，协调行为。特别是，通过系综的瞬时状态，这些事件的预测精度非常高。内容1导言12集体状态23结果33.1指标集。53.2道琼斯。73.3单位数、样本长度和距离的依赖性。84同步趋势逆转115结论13A清理数据14B正则化伪最大似然14C噪声和与人工网络的比较141简介尽管有大量研究侧重于估计股票回报水平，尽管存在超额回报方向可预测性的证据（回报和基准定义之间的差异）[1,2,3,4]，但很少有研究检验金融资产变动迹象的可预测性。交易者的羊群行为可以解释这种部分可预测性[5,6,7,8]。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

kedemingshi

2022-5-5 03:44:50

对于不同金融产品之间的资本分配来说，这个方向是一个有趣的数量，但也因为它允许研究神经网络和磁性材料中的集体行为[9,10,11]。现有的趋势预测方法基于收益波动性、偏度、峰度和收益符号之间的联系[1]。考虑了自动注册模型（逻辑模型，包括二元模型中的过去收益）[12]和交易对交易价格增长到三个组成部分（活动、方向和规模）的dec composition，以及以各种常用财务变量作为解释变量的probit模型[13]。这些模型的问题可能是使用了特定的数据生成过程，或者在回归模型中识别了相关的财务变量。此外，金融市场中观察到的集体行为强调了对captureco运动的多变量方法的要求，这是解释同步性、有序性、非随机相关性和可预测性的关键特征[14,15,16,17,18]。我们认为，任何旨在预测财务数量的模型，比如股票回报的符号，都应该是多元的。在这里，我们提出了一种基于统计数据的模型，即所谓的两两最大熵模型[19]，它捕捉了金融市场的几乎所有相关结构。该定性模型不依赖于特定的数据生成动态，仅使用基于内部输入（当前和过去回报）的数据驱动方法，并考虑协同运动。成对最大熵（maxent）模型的使用已经导致了对复杂系统的富有成效的描述，尤其是在相变和磁性材料（伊辛模型和自旋玻璃）[9,20]中，但在神经科学[10]中也是如此。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

可人4

2022-5-5 03:44:53

它们与图形模型、玻尔兹曼机器、纠错码、逻辑回归等有关[21]。Maxe-nt模型比从数据中恢复时刻的模型要多得多，它们是描述集体行为的强大而有效的模型。然而，必须注意捕捉共同运动（成对影响）的参数的缩放。在真实的神经网络中，它们似乎与大小无关。增大尺寸相当于降低温度，通过存在负的空气耦合[10]可以防止冻结，而在金融网络中，耦合似乎与网络尺寸成反比，从而导致平均场描述[11]。maxent方法的目的有两个：使用一个统计框架，尽可能避免任何假设，并研究协同运动的重要性（多变量方法的必要性），尤其是在空间预测股市方向方面。我们发现，瞬时条件转换（空间预测）能够预测平均83%的市场反转，这远远好于单个模型，从而显示了协同运动的重要性。道琼斯指数各组成部分的准确率降至73%。这种偏差可能是由较低的相关性和缺乏足够大的样本引起的。此外，我们还表明，历史似乎不会通过真正的记忆缺失或p参数推断中的有限尺寸效应来提高准确性。这些结果表明，一些集体动力推动了全球市场趋势[15,18]。它们构成了金融市场协调行为的另一个证据。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-5-5 03:44:56

此外，他们还表明，这些集合模式对股市方向的可预测性负有部分责任[22,17]。我们注意到，如果已知集体动力学的良好近似值以及经济量之间的依赖关系，它肯定会导致比通过这个简单的自动注册模型获得的预测更好的预测，就像神经网络相关领域[23]和计量经济学方法[12,13]中的情况一样。我们建议该模型作为基准，用于比较嵌入真实经济描述的更复杂模型的结果。2集体国家我们考虑在为期十年的日常时间序列中观察到的欧元区8个主要欧洲指数（AEX、BEL、CAC、DAX、EUROSTOXX、FTSE、IBEX、MIB），包括两次大型危机（2008年次级危机和欧元债务危机）。数据被清理，以确保不同时间序列的同时性（见app endix）。方向反转（或趋势反转）是指在连续观察的两个交易日内的趋势反转。更准确地说，我们考虑的是日收益率（不包括隔夜期）定义为s ri，t=（pci，t- poi，t）/poi，t，其中，pci是t和poi期间第i支股票的收盘价，t是开盘价。指数i=1，N标记资产（N是资产总数）。指数t=1，T标记时间段（T是观察到的时间段总数）。它们可以重写为sri，t=si，t | ri，t |，其中二进制变量si，t∈ {-1，1}是周期t时指数i的符号或方向。如果si，t+1=-si，t。这种反转表示为二进制变量1[si，t+1]=-是的，t]。我们考虑回报的二元部分，1代表正回报，1代表负回报-1表示否定。由此产生的时间序列是强相关的，非对角相关系数介于0.43和0.74之间。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-5-5 03:44:59

我们认为市场导向反转是一个多元随机过程。这一过程由两个主要部分组成，即不同市场之间的瞬时（在定义的时间单位或空间偏差内的影响）和因果（时间偏差）统计相关性。对集体状态和条件触发概率（因果和瞬时）的研究需要估计潜在高维系统的概率分布(~ n参数），通常在没有进一步限制的情况下难以解决。解决这个问题的一种方法是使用限制在二阶矩的最大熵原理[24,25]来推断统计模型。一个是多元自回归模型（或类似伊辛模型）。对于我们的数据，按照多信息标准[26,19]测量，成对统计依赖性占所有统计依赖性的95%，该模型适用于描述集体行为。由此产生的成对分布由p（s1，t；··；sN，t）=Z给出-1扩展∑i、 j=1Jijsi，tsj，t+N∑i=1hisi，t！（1）二进制变量∈ {-1，1}描述市场位置的方向（分别为熊市或牛市），Z是一个标准化常数。参数{hi}和{Jij}分别是与一阶和二阶约束相关的拉格朗日乘数。在这个框架中，指数（或股票）之间的内在相关性是根据给定指数的条件波动概率给出的。通货膨胀率由P给出(-是的，t-1=si，t|s-i、 t）=exp-是的，t-1.∑j6=ijsj，t- 希西，t-1.经验-∑j6=ijsj，t- 你好+ e xp∑j6=ijsj，t+hi（2）在哪里-i、这是t期观察到的市场配置，不包括第i个实体。人们可以询问，考虑过去的状态是否有助于预测飞行事件。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

点击查看更多内容…

2022-5-5 03:45:02

条件迁移概率（2）可以修改为包含一些记忆，由P给出(-是的，t-1=si，t | HTt）=“1-是的，t-1吨∑j6=ijsj，t+hi+t∑τ=1∑jKτijsj，t- τ!#（3）其中历史记录记录了序列-i、 t；圣-1.圣-T）。由于符号自相关和成对互相关已知在绝对值相反的情况下对任何滞后都不显著（在某些情况下，第一个滞后除外）[27,28]，因此我们预计与无记忆情况下会有微小差异[29]；例如，CAC和DAX指数之间以及NCVX和XOM股票之间的交叉相关性如图1所示。然而，互相关度量线性或单调依赖性。可能存在更复杂的统计关系。Ma xent模型应该能够捕捉到它们，因为熵和相关量提供了一种更通用的方法来捕捉统计相关性[25]。此外，当我们只考虑过去的信息时，我们可以通过检查预测能力是否显著大于50%来检查我们的模型是否能够预测收益迹象（因此，做出预测）。我们将看到事实并非如此。这一结果符合弱有效市场假说（大致上：仅使用过去的收益率无法预测超额收益的迹象）[30]。在下文中，我们将自己限制为两个时间滞后（因为更多的滞后意味着更多的参数来估计和降低数据集中的预测能力）。对于较高的采样频率（此处为分钟时标），特定特征可能会影响结果。首先，价格波动不连续（跳跃），因为它们通常以1美分的增量变化。我们在分析中没有考虑这个问题，但我们考虑了资本化程度高、流动性强的资产，这些资产可以限制所谓的市场结构噪音的影响。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-5-5 03:45:05

第二，绝对日内收益率绘制了一条凹曲线，在午餐时间达到最小值（日内季节性）。这种确定性模式在整个市场中都可以观察到[31]。我们在回归的迹象中寻找这样的季节性。图1的底部显示了225个交易日内信号的时间平均值（上午10:00到下午4:00之间）。在时域和频域（此处未说明）中都没有明确的确定性模式，这意味着在交易日的开盘和收盘时没有交易（卖出或买入）的优先方向。拉格朗日参数由正则化伪最大似然法（rPML）估计（见附录）[32]。一旦对其进行了估计，则可使用（2）或（3）获得流动可能性。然而，应该区分由相关公共输入{hi}引起的统计依赖和真正的成对输入。在成对maxent框架中，如果一个输入（表示hj）依赖于另一个输入（表示hi），这可能导致非对角协方差，即使Jijare设置为z ero。结果3/18-4.-2 0 2 4-0.20.20.40.60.8CVX和XOM-4.-2 0 2 40.20.40.60.8LagDAX和CAC10:0011:0012:0013:0014:0015:0016:00-0.3-0.2-0.10.10.2XOM10:0011:0012:0013:0014:0015:0016:00-0.2-0.1CVx图1：顶部：CVX和XOM（左）方向之间以及CAC和DAX指数之间的交叉相关图。CVX和XOM是两家主要的石油公司，每天使用2500份回报。对于CvxOm（左下角）和CvxOm（右下角）的采样函数，分别为。Bar代表225个交易日（2011年3月至2012年5月）的时间平均值。4/0 5 10 15 20 25 30 35 40 45 500.50 5 10 15 20 25 30 35 40 45 500.5图2：CAC（顶部）和DAX（底部）指数的预测序列。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-5-5 03:45:09

黑色圆圈代表50个样本交易日的实际波动时间序列。第一条红色虚线和第三条红色虚线显示了所有的概率设置。我们在一个大的时间窗口（超过2000个交易日）上推导出拉格朗日参数，并使用瞬时经验数据计算50个连续交易日的波动概率-i、 tin（2）或经验序列HTtin（3）。CAC和DAX指数的结果如图2所示。两个自动注册模型给出的结果与实际时间序列相似。为了评估瞬时和历史模型的效率，我们比较了真阳性（预测实际发生的流感）率和假阳性（预测未发生的流感）率。理想情况下，一个好的分类器应该具有较高的准确度，但lso具有较高的真阳性率和较低的假阳性率。为了评估这些数量，我们考虑了不同检测水平的混淆矩阵。检测水平α是阈值，如果泄漏概率大于α，则泄漏被视为真实事件。我们使用所谓的DROC（接收器工作特性）曲线来说明分类器的预测能力[33]。我们使用了十倍交叉验证方案来比较两种方法在样本外的性能，因为如果预测状态在训练集中（样本内），而在验证集中（样本外）的预测较差，那么这种匹配可能会导致准确的预测。样本分为学习模块和测试模块。参数是根据90%的总数据量（学习块）估计的。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-5-5 03:45:12

使用经验方向对验证样本（数据集的10%）进行预测-i、 t（或HTt）渴望测试块输入si，t。每个验证倍数的真阳性率、假阳性率和准确率都会被测量，并在十倍以上进行比较。ROC曲线如图3所示。对于无记忆模型（2），平均真阳性率约为76%，假阳性率小于10%。另一个汇总量是曲线下面积（AUC）。随机猜测产生对角线，因此AUC=0.5。一个好的老师应该有接近1的成绩。AUC可解释为模型将更大的波动概率分配给随机选择的包含阳性事件的样本的概率。图3中阴影区域显示的AUC等于0.914±0.042（平均值±标准差）。这8项指数的最低AUC为0.849，最大AUC为0.960。我们还考虑了预测精度与所选检测水平的函数关系。准确度是真实预测数除以事件总数。平均精度与检测水平的对比如图4所示。最大平均精度为83%。平均83%的事件被正确预测。这些最大比率的最低值为78%，最大比率为89%。对于历史模型（3），假阳性率低于10%时，平均真阳性率约为75%，得出的AUC为0.902±0.050。该平均值不包括在5/FPr0中。20.40.60.81.00 0.20.40.40.6 0.8 1.0FPr0。20.40.60.81.00 0.20.40.40.6 0.8 1.0图3：单一市场趋势逆转的预测。8项指标的接收机工作特性（ROC）曲线（左）和由此产生的平均ROC曲线（右）。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

能者818

2022-5-5 03:45:15

ROC曲线显示了真阳性率（TPr）与假阳性率（FPr）的函数关系。这些曲线是在8个欧洲指数集上通过十次交叉验证方案获得的。平均ROC曲线下方的阴影区域显示了曲线下的区域（AUC）。0.2 0.4 0.6 0.8 10.20.40.60.8检测水平α图4：作为一组8个欧洲指数检测水平函数的平均准确度。记忆事件的准确性用一条完整的线表示，因果模型用虚线表示。无记忆AUC的96%置信区间，但两个AUC平均值之间的相对偏差仅为1.3%。对于无记忆模型，8个指数的最低AUC为0.849，最大AUC为0.960。最大平均精度为83%。平均83%的事件被正确预测。这些最大比率的最低值为78%，最大比率为89%。在附录中，我们讨论了噪声对参数估计的影响，以及经验精度对真实无记忆成对模型生成的艺术数据准确性的比较。给定有限的样本和系统规模，经验精确度接近最大可实现值。我们注意到，独立瞬时模型给出的结果非常差，几乎是阿兰多姆猜测（AU C=0.51）。独立模型是通过在独立模型中将J设置为零来定义的。如果我们考虑没有瞬时部分的历史模型（3），最大平均精度只有53%。因此，我们得出结论，成对最大化模型中最重要的组成部分是捕捉瞬时协同运动（此处为瞬时协同运动）的部分。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-5-5 03:45:19

我们注意到[13]中详述的计量经济学模型正确预测了59%的样本外事件，显示了经济量之间基本关系知识的重要性，即使是部分知识。最后，我们注意到历史模型的一个缺点是要估计的参数相乘。每增加一个时间步长6/0 0.2 0.4 0.6 0.8 10.20.40.60.8FPr0.2 0.4 0.6 0.8 10.40.50.60.70.8检测水平α图5：道琼斯指数日抽样的两个模型s的平均ROC曲线（左）和作为检测水平函数的精度（右）。实线表示无记忆模型，虚线表示历史模型。这些曲线是通过十倍交叉验证方案获得的。阴影区域显示了AUC（N）之间的差异- N） /2每个矩阵Kτ的更多参数sf。然而，总和应该在一个最佳延迟（例如，精度达到其最大值的延迟）下截断。我们得出结论，根据有效市场假说，预测模型最重要的部分是捕捉即时CO运动。3.2道琼斯指数道琼斯指数是一个重组资本充足的美国公司（AA、AXP、BA、BAC、CAT、C SCO、CVX、DD、DIS、GE、HD、HPQ、IBM、INTC、JNJ、KFT、KO、MCD、MMM、MRK、MSFT、PFE、PG、T、TRV、UTX、VZ、WMT、XOM）的指数。我们考虑两种不同的时间尺度：每日和1分钟价格抽样率。每日采样的样本量约为2500 tr adingdays，分钟时标为3×10点。在这种应用中，有两个主要问题。为了获得令人满意的参数估计，我们需要大样本。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

可人4

2022-5-5 03:45:22

直接抽样需要的样本长度是配置总数2N的几倍，这是道琼斯指数的特征(~ 10点，这意味着在这个时间尺度上有5000个交易年）。对于rPML方法，可以用较少的点进行重建，但对于系统大小N=64[32]，仍需使用较大的样本长度10到10。其次，定向之间的典型相关系数小于市场的相关系数。问题有两个方面：参数估计可能会受到影响，低相关性可能导致内在的预测能力低于指数集分析。对于无记忆模型，AUC等于（0.797±0.038），平均最大准确度等于7.3%。对于历史模型，AUC等于（0.740±0.049），平均最大准确度等于68%。两个AUC之间的差异如图5中的阴影区域所示。预测能力受到有限规模估计和大量待估计参数的影响（尤其是在历史模型中）。为了了解时间尺度是否会影响预测能力，我们对较小的时间尺度（小3个数量级）进行了相同的分析。对于无记忆模型，AUC等于（0.763±0.029），平均最大准确度等于70%。对于历史模型，AUC等于（0.695±0.037），平均最大准确度等于64%。两个AUC之间的差异如图6中的阴影区域所示。这些值略低于每日采样分析中的值，两个时间刻度的准确度之间的相对差异等于4%。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

能者818

2022-5-5 03:45:25

此外，独立瞬时模型的准确度相当于58%，显著高于每日采样结果（51%）。这些结果与在较低时间尺度下观察到的收益之间的较低相关性（Epps效应）一致[34]。历史模型的效率最低。我们得出结论，预测模型中最重要的部分是捕捉瞬时协同运动的部分。7/0.2 0.4 0.6 0.8 10.20.40.60.8FPr0.2 0.4 0.6 0.8 10.40.50.60.70.8检测水平α图6:Dow Jones分钟取样的平均ROC曲线（左）和作为检测水平函数的精度（右）。实线表示无记忆模型，虚线表示历史克隆。这些曲线是通过十倍交叉验证方案获得的。阴影区域显示了AUC的2.3 4 5 6 7 8 90.70.750.80.85实体数之间的差异图7：作为指数数函数的精度。蓝色圆点表示瞬时模型的准确性，红色方块表示历史模型的准确性。虚线是一个指数函数。有趣的是，如果成对影响Jijare设置为他们的rmean值（均匀影响），并且如果个别偏差设置为零，结果会略有改善。然而，这种改善是轻微的，与异质性病例的相对差异约为2%。对于每分钟采样的道琼斯指数，结果的准确度等于71%，AUC等于（0.786±0.026）。对于道琼斯a t日抽样，准确率为73%，AUC为（0.810±0.03 0）。由于时间窗口的宽度相对较小，这些参数的重构误差会导致有偏差的结果。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-5-5 03:45:28

事实上，研究表明，市场结构由一个非均匀的p-气相最大化模型而不是一个同质模型[19]很好地描述。3.3依赖于单元数、样本长度和距离。集体动力学似乎对预测流动性很重要。增加更多指标可能会提高流动检测的准确性。为了研究对系统规模的依赖性，我们只在N=8的欧洲指数中显示k个指数，并在简化的系统上进行预测。对于k的每个值，我们对N进行预测/K（N）- k） !！指数集的可能性。结果如图7所示。附件也可能取决于测试样品的长度。为了检验这一特性，我们在学习块上用rPML方法推断拉格朗日参数，并执行8/学习测试步骤1学习测试步骤2。。。图8：根据测试块长度检查精度的方法示意图。我们提供的样品是成批的。在学习块上推断较大范围的参数。我们使用这些参数和试块的经验数据进行弯曲预测。0 100 200 300 400 5000.60.650.7测试块的长度图9：作为测试块长度函数的精度。误差条代表8个不同测试块上的标准偏差。在500个样本的学习块上推断参数，在8个不同的测试块上测量精度，每个测试块的长度从30点增加到500点（2个交易年），增加10个样本。对长度增加的试块进行预测。这种方法如图8所示。如图9所示，随着试块尺寸的增加，精度似乎保持不变。如果序列是平稳的，拉格朗日p参数对于整个样本应该是相同的，我们希望精度是恒定的。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-5-5 03:45:31

对于非平稳时间序列，拉格朗日参数可能随时间而变化，因此精度也会随之变化。然而，如果与平均值的显著偏差仅出现在小时间窗上，则在大时间窗上计算时，ac uracy应用程序会持续运行。为了研究这一特性，我们测试了学习块和测试块之间的距离对准确性的依赖性。我们考虑的不是越来越大的测试块，而是固定长度的测试块，但距离学习块越来越远。该程序允许比较这些固定长度的不同时间窗口的准确性。该方法的示意图如图10所示，结果如图11所示。收益率表现出波动性聚集性，因此我们预计精度将仅在小时间窗口上与其平均值不同，对于固定的拉格朗日参数，我们应该在大时间窗口上观察到几乎恒定的值。在图11中，我们观察到ac精度在嵌入黑色星期一（1987年10月19日）的试块中达到最大值。这一特征与[35]一致，其中最大的平均相关系数对应于最大的标准化回报。更高的精度来自碰撞过程中更大的相关性。最大（0.82）和最小（0.55）精度之间的差异大于预期的统计误差40-1/2 因此，危机期间准确度的提高是一个真正的特征。由于金融网络9/18学习测试步骤1学习测试步骤2。。。图10：学习模块和测试模块之间距离依赖性研究方法的示意图。我们把样品分成块。Lagrange参数在learningblock上推断。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-5-5 03:45:34

我们使用这些参数和试块的经验数据进行性能预测。试块的长度是固定的。0.5 10.20.4准确度。指标0。2 0.4 0.6 0.8 10.10.2准确度道-琼斯（每日）图11：道-琼斯指数（1982-2000 perio d）学习和测试块之间距离的函数精度。参数推断是在1000个第一点（1982-1985）上进行的，准确度是在40个点的89个块上进行评估的。整行表示瞬时模型，灰线表示历史模型。10/02/8609/8704/8911/9006/9201/9408/9503/9710/980.60.70.8图12：欧洲独立指数（左）和道琼斯每日抽样指数（右）在1000个交易日宽度的时间窗口内的精度分布（N个实体的平均d）。可以描述为一个动态网络，包含故障（涉及更大协同运动的碰撞）和恢复[36]。最后，我们注意到，在1000个交易日宽度的时间窗口内，每个交易日的平均精度很少等于零，如图12所示。对于欧洲指标集，平均精度仅在6个交易日内等于零（2007年8月31日、2007年10月18日、2009年4月22日、2010年4月14日、2010年2月6日、2012年2月23日）。前两次发生在次贷危机之前，第三次发生在2009年市场反弹期间，第四次发生在福岛事故后的反弹结束期间，第五次和第六次发生在债务危机后的复苏期间（高风险期）。精度的时间序列没有明显的周期性（傅里叶级数没有基频）。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-5-5 03:45:38

人们不能期望周五的准确率会因为证券到期而下降，但在本分析中没有观察到。另一种可能性是[37]中给出的：几乎没有驱动力可以导致丰富的结构，即使是在相关矩阵ix的大部分频谱中，这不仅是由于tonoise。这些因子和簇也可以被认为是成对maxent模型临界状态附近的相关结构。在有序无序边界附近，全局关联（关联长度为网络大小的顺序）和流动簇可以共存。4同步趋势反转我们还询问成对自动注册模型是否能够估计同步趋势反转的分布。趋势逆转的发生由二元变量xi表示，t=1[si，t+1]=-是的，t]。利用最大熵原理，我们得到以下两两最大模型p（x1，t；·；xN，t）=Z-1扩展∑i、 j=1Wijxi，txj，t！（4）其中，矩阵W具有非零对角a，可通过[38]中详述的方法进行估计。我们还建立了一个独立的趋势反转模型（泊松分布，使用最大似然估计）。我们比较了10个随机选择的组在不同大小（最多N=12，其中直接抽样给出了很好的分布估计）上的经验、成对和独立分布。结果如图13所示。最常见的事件是大约一半被考虑的股票发生逆转。我们计算了经验分布与成对、独立和d二分高斯模型之间的平均Kullback-Leibler d方差。结果如图14所示。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-5-5 03:45:41

两两模型最接近于经验分布。二分法高斯（DG）模型[39,40]是一种阈值多元高斯模型，其均值和协方差矩阵推断与二元时间序列的经验第一和第二矩相匹配。这是一个有吸引力的替代两两maxent模型，因为11/0 1 2 3 4-1.-0.8-零点六零一二三四五六-1.5-1.-零点五零二四六八-2.-库存数量-2.-1股票数量图13：同时趋势反转的分布。经验分布用圆点表示，成对分布用正方形表示，独立泊松模型用三角形表示。这一分布是在20组随机选择的道琼斯指数集合（从左上到右下，N=4、6、8、10只股票）上计算的，每分钟抽样一次。12 /4 6 8 10 12-4.-3.-2库存数量4 8 10 12-5.-4.-3.-2股票数量图14：同时反转的经验分布与成对（正方形）、独立（三角形）和二分高斯（五边形）模型之间的平均Kullback-Leibler散度。在每日抽样（左）和分钟抽样（右）的情况下，计算了10个随机选择的道琼斯股票集合的散度。误差条代表10个随机样本集的标准偏差。参数更容易推断，可以用来表征高阶相互作用[41]。如图14所示，其同时反转预测的精度与成对maxent模型的精度相似。因此，没有理由排除成对最大值。这一结果与多信息标准一致，该标准得出的结论是，统计相关性代表95%的统计相关性[19]。5结论我们的结果表明，可以使用其他市场的瞬时集体状态预测趋势逆转。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-5-5 03:45:44

这一发现还揭示了波动过程背后的集体动力学的强度，因为除了较高的采样频率外，单个瞬时模型无法做出更好的随机预测。另一个优点是，这种成对最大化模型可以同时满足所有的成对相关性，当涉及两个以上实体时，它可以防止仅使用成对相关性对依赖项进行过度计算。在这个模型中包含内存并不能提高预测的准确性。这不是一个非常令人惊讶的结果，因为成对滞后的互相关接近于零。此外，当我们只使用返回过去的信息时，返回信号的预测性很差（准确率为53%）。这一结果与有效市场假说一致，无法使用该模型进行预测。然而，样本长度太小，无法估计任何参数。历史在更进化的模型中可能很重要，包括基于市场动态的良好近似的时间过滤（通过分析时间序列的处理，尤其是在神经科学领域），或使用外生经济变量建模。对correlationmatrix[37]光谱的精细结构的一个有趣解释是，此类模型允许全局相关性（具有网络大小顺序的特征长度）和在临界状态附近共存的导电簇[9]。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-5-5 03:45:47

这可能解释了与相关矩阵的最大特征值对应的全局集合模式，以及谱块的结构，这不仅是由于噪声，还考虑了聚类特性[37]。有趣的是，即使市场动态无疑比模型复杂得多，这样一个最小模型返回的精确度几乎与成对自动注册模型的精确度一样好；这一发现突显了集合模式在趋势预测中的重要贡献，因为除了较高的采样频率外，个体偏差与预测无关。此外，它还建议，如果耦合的规模似乎不同[11,10]，那么神经科学中衍生的方法也可以应用于金融业。13/感谢D.Veredas、B.De Rock、P.Emplit、A.Smerierieri和S.Massar的宝贵评论和讨论。这项工作是在索尔维布鲁塞尔经济与管理学院的财政支持下进行的。在这项工作中，我们考虑瞬时信息（在定义的时间范围内）。因此，时间序列应该是同步的。证券交易所取消了交易日、交易前和交易后的交易交易所。如果某个特定资产缺少时间仓位，则应从数据库中删除sametime仓位。后一种情况是无关紧要的，因为我们考虑到了公司和资本充足的公司。B正则化伪最大似然当公共最大似然不可追踪时，rPML方法是估计成对最大熵模型拉格朗日参数的一种有效方法[32]。这种方法可以被认为是一种用于预测二元结果的自回归。其主要思想是对分布进行因式分解，只考虑条件概率。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

kedemingshi

2022-5-5 03:45:50

对于长度为T的无因次样本，最大化isPL（θ）=TT的目标函数∑t=1N∑i=1log P（si，t|s-i、 t；θ）（5）其中瞬时模型的条件概率为p（si，t | s）-i、 t；θ） =“1+si，ttanh∑j6=ijsj，t+hi#（6） andp（si，t | HTt；θ）=“1+si，ttanh∑j6=ijsj，t+hi+t∑τ=1∑jKτijsj，t- τ!#（7）对于历史模型。在PL函数中添加正则化项以防止过度拟合，例如，过度拟合是待估计参数l-范数的负倍数。正则化的PL（rPL）目标函数就是PL（θ）-λkθk，λ>0。如果认为网络是稀疏的，则应使用lRegulation术语[32]（参数的小值投影在零上）。C噪声和与艺术作品的比较拉格朗日参数的估计可能会在方向预测中引入偏差。尤其是由于有限尺寸估计带来的噪声以及基于近似方案的推理方法的局限性。此外，它们的值取决于所考虑的样本，因为它们的第一和第二矩应该与经验矩相匹配。为了量化偏差，我们估计了恢复的Jmatrix标准偏差的噪声部分。我们用最大熵条件概率p（si，t=-是的，t-1 | s-i、被称为Glauber dynamics[42]。随机选择一个产品，如果泄漏概率为2，则允许泄漏尝试-1[1 -锡坦人(∑林俊杰*ijsj]大于区间[0,1]上的随机均匀数。每个蒙特卡罗步骤（MCS）都会记录一个配置。MCS对应于5N的飞行尝试。在这一数据生成过程中*矩阵为齐次矩阵，所有条目均等于相互影响的经验平均值。然后我们用RPML方法估计影响矩阵。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-5-5 03:45:54

理想情况下，估计的艺术影响的标准偏差σNoiseo应远小于实际影响σJ。该方法如图15所示，结果如表1所示。根据样本长度，噪声似乎很小，但不是估计的主要部分，除了大系统尺寸。我们还可以根据数据生成估计的J矩阵，推断出艺术J*矩阵和比较J*对于J.如果估计的拉格朗日参数14/-3.-2.-101230.51.5Jij-hJijiσJrealJ*JESTJREAL图15：参数推断中噪声级估计的示意图。艺术数据产生的影响是均匀的*（绿色Diracdelta表示的概率密度函数）。然后，我们使用这些人工数据进行参数估计。理想情况下，估算参数Jests的pdf应接近J的pdf*. 最后，我们将Jestto的分布与实际数据产生的参数方差进行了比较。表1：推断相互影响标准偏差的噪声部分的量化。索引/设置样本长度（T）σnoise/σJEur。指数2.5×100.37DJ（日）2.5×100.31DJ（分钟）3.0×100.24J*我很接近他们的真实价值观。为了量化与真实网络（定义为byJ）的偏差，我们使用重建误差 =√Nh（J）*ij- Jij）i1/2，表示均方根误差h（J*ij- Jij）1/2和规范标准偏差1/√N[32]。重建误差的这种定义被认为与金融网络一致[11]。结果见表2。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-5-5 03:45:57

这些结果与[32]中重建误差的量级为10的结果一致-2对于大小为N=64的完整网络，其Jijdrawn来自高斯分布N（0，N-1).表2：重建误差的量化有规律的伪似然。艺术数据是通过Glauber dynamics生成的，使用从真实数据推断出的J作为真实影响矩阵（每5N次冲击尝试记录一次配置）。索引/设置样本长度（T）欧元。指数2.5×100.100DJ（每日）2.5×100.158DJ（分钟）3.0×100.035DJ（分钟）1.0×100.026A评估自动注册模型准确性的有用基准可能是根据艺术数据计算的预测能力。我们计算两两自动注册过程真实生成的艺术数据的平均准确度和平均AUC，并将其与从财务数据中获得的结果进行比较。表3中报告了这些值。一般来说，艺术数据的预测能力略大。艺术数据和真实数据之间的相对差异在1%到5%之间。该基准显示，回归迹象的预测精度与15/表3真实生成的有限规模时间序列的预测精度相似：人工精度和AUC与真实时间序列的比较。人工值由成对最大熵模型（autologis-tic）生成的数据和财务数据生成的真实数据计算得出。人工样本的长度与相应的真实样本相同。索引/设置精度艺术。（%）准确率（%）AUC艺术。拍卖师。指数87 83 0.911 0.914DJ（每日）75 73 0.806 0.797DJ（最小）71 70 0.769 0.763a成对瞬时过程。人工准确度和AUC表示模型因有限尺寸效应可以返回的最大预期值。参考文献[1]彼得·F·克里斯托弗森和弗朗西斯·X·迪博尔德。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

能者818

2022-5-5 03:46:00

金融资产回报、变化方向预测和波动动力学。《管理科学》，52（8）：1273-1287，2006年。[2] 海伦·苏珊娜·M·奥特、切斯特·克鲁姆、亚当·阿瓦基安、德罗·凯内特、尤金·斯坦利和托比亚斯·普瑞斯。在股市波动之前量化维基百科的使用模式。科学报告，2013年3月。[3] 托比亚斯·普里斯、海伦·苏珊娜·莫特和尤金·斯坦利。使用谷歌趋势量化金融市场的交易行为。科学报告，2013年3月。[4] 托拜厄斯·普赖斯、丹尼尔·雷思和尤金·斯坦利。我们经济生活在不同规模上的复杂动态：来自搜索引擎查询数据的见解。theRoyal Society A的哲学学报：数学、物理和工程科学，368（1933）：5707-5719，2010。[5] 托马斯·勒克斯和米歇尔·马尔凯西。金融市场随机多代理模型中的标度和临界性。《自然》，397（6719）：498-5001999。[6] Rama Cont和Jean-Philipe Bouchaud。金融市场中的羊群行为和总波动。宏观经济动态，4（2）：170–196，2000年。[7] 迪迪埃·索内特。股市崩溃原因：复杂金融系统中的关键事件。普林斯顿大学出版社，2004年。[8] 凌峰、李宝文、鲍里斯·波多布尼克、托比亚斯·普里斯和尤金·斯坦利。将基于代理的模型和金融市场的随机模型联系起来。《国家科学院院刊》，109（22）：8388–83932012。[9] K·H·费舍尔和J·A·赫兹。旋转眼镜。剑桥大学出版社，剑桥，1991年。[10] Elad Schneidman、Michael J.Berry、Ronen Segev和William Bialek。弱的成对相关性意味着神经种群中的强相关网络状态。《自然》，440（7087）：1007-1012，美联社2006年。[11] T.伯里。股票市场的统计两两互动模型。《欧洲物理杂志》，2013年。[12] S.阿纳托利耶夫和N.戈斯波迪诺夫。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-5-5 03:46:03

通过分解建模财务回报动态。《商业与经济统计杂志》，28（2）：232-24520-10。[13] 尼伯格。用动态二元概率模型预测美国股市的走向。《国际预测杂志》，27（2）：561-5781011。[14] 玛斯法蒂克和罗德里格斯。金融市场中的集体行为。EPL（欧洲物理学通讯），96:480042011。[15] L.Laloux、P.Cizeau、J.P.Bouchaud和M.Potters。财务相关矩阵的噪声修饰。《物理评论》Letters，83（7）：1467–14701999.16/18[16]J.-P.Onnela，A.Chakraborti，K.Kaski，J.Kertész和A。关东。市场相关性的动态：分类和投资组合分析。菲斯。牧师。E、 2003年11月，68:056110。[17] L.Molgedey和W.Ebeling。金融时间序列的局部顺序、熵和可预测性。欧洲物理杂志B-凝聚态物质和复杂系统，15（4）：733-737，2000。[18] 瓦西里基·普莱鲁、帕拉米斯瓦兰·戈皮克里希南、伯纳德·罗森诺、卢伊斯·努内斯·阿马拉尔和H·尤金·斯坦利。金融时间序列中互相关的普适性和非普适性。《物理评论快报》，83（7）：14 711999年。[19] T.伯里。由两两互动解释的市场结构。Physica A:St A tistical Mechanics及其应用，423:1375–13852013。[20] 斯坦利阁下。相变和临界现象简介。介绍相变和临界现象，H尤金·斯坦利著，第336页。H尤金·斯坦利的前言。牛津大学出版社，1987年。ISBN-10:0195053168。ISBN-13:978019505316611987。[21]曼弗雷德·奥珀和大卫·萨阿德。推荐的平均场方法：理论与实践。米特出版社，2001年。[22]Rosario N M antegna和H Eugene Stanley。经济物理学导论：金融中的相关性和复杂性。剑桥大学出版社，1999年。[23]J.W.枕头，J.施伦斯，L.帕宁斯基，A.谢尔，A.M。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

可人4

2022-5-5 03:46:07

利特克、EJ Chichilnisky和E.P.S imoncelli。完整神经元群体中的时空相关性和v isua l信号。《自然》杂志，454（7207）：995-999，2008年。[24]E.T.杰恩斯。信息理论和统计力学。菲斯。牧师。，106（4）：620-6301957年5月。[25]T.M.Cover，J.A.Thomas，J.Wiley等人，《信息论要素》，第6卷。威利在线图书馆，1991年。[26]Elad Schneidman、Susanne Still、Michael J.Berry和William Bialek。网络信息和关联性。菲斯。牧师。莱特。，91（23）：23870 1+，2003年12月。[27]R.Cont.资产回报的经验性质：程式化事实和统计问题。2001年[28]Jean-Philippe Bouchaud和Marc Potters。金融风险理论：来自统计物理托里斯克管理，第12卷。剑桥大学出版社剑桥，2000年。[29]鲍里斯·波多布尼克和H·尤金·斯坦利。去趋势互相关分析：分析两个非平稳时间序列的新方法。普希斯。牧师。莱特。，2008年2月100:084102。[30]伯顿·G·马尔基尔和尤金·F·法玛。有效资本市场：理论与实证研究综述。《金融杂志》，25（2）：383-4171970。[31]托本·G·安德森和蒂姆·博勒斯列夫。金融市场的日内每碘率和波动持续性。《经验金融杂志》，4（2）：115–158，1997年。[32]埃里克·奥雷尔和马格努斯·埃克伯格。使用所有数据进行逆伊辛推理。菲斯。牧师。莱特。，2012年3月108:090201。[33]T.福塞特。roc分析简介。模式识别字母，27（8）：861-874，2006。[34]托马斯·W·埃普斯。股票价格在短期内的共同变动。《美国统计协会杂志》，74（366 a）：291-2981979。【35】托拜厄斯·普里斯（Tobias Preis）、德罗·凯内特（Dror Y Kenett）、尤金·斯坦利（H Eugene Stanley）、德克·赫尔宾（Dirk Helbing）和埃舍尔·本·贾科布（Eshel Ben-J acob）。量化股票相关性在市场压力下的行为。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝