Ciò che è MicroScribe MicroScribe CMM Portable è un point-to-point, strumento di raccolta dati da bordo a bordo o l'allineamento inseguitore per l'uso con scanner laser attaccati e altri tipi di dispositivi di rilevamento. La combinazione del digitalizzatore MicroScribe e RevWorks CAD-driven software engineering concept-to-prodotto riduce il tempo necessario per generare modelli di computer in tempo reale, riducendo drasticamente i tempi di sviluppo del prodotto. Qual è RevWorks mode software RevWorks il digitalizzatore MicroScribe in uno strumento che è specifico per il vostro lavoro. Revwares software propri RevWorks stabilisce la connessione tra il digitalizzatore MicroScribe e software solida modellazione CAD SOLIDWORKS, fornendo all'utente CAD con gli strumenti software necessari per gestire il digitalizzatore e direttamente raccogliere i dati funzionalità in tempo reale. Che cosa è il laser Skiron Il Skiron è un allegato di scansione compatto progettato appositamente per digitalizzatori MicroScribe 6DOF. In abbinamento, i dispositivi creano una opzione economica e compatta, ma molto efficace che riduce drasticamente il tempo di digitalizzazione. Ciò che è CADpad CADpad è un semplice ma potente interfaccia utente multi-applicazione per il MicroScribe portatile CMM desktop. Con CADpads personalizzati funzionalità macro-like e l'emulazione del mouse, è possibile digitalizzare molto più rapido ed efficiente. CADpad è ora integrato con il software di utilità MicroScribe (MUS) 7Academic Editor: Alexander Szimayer ricevute: 19 Febbraio 2016 accettate: 4 luglio 2016 Pubblicato: 7 LUGLIO 2016 L'analisi Intermarket, in particolare il rapporto leadlag, svolge un ruolo importante all'interno dei mercati finanziari. Pertanto, un approccio matematico per essere in grado di trovare interrelazioni tra l'andamento dei prezzi di due diversi strumenti finanziari è sviluppato in questo documento. Calcolando le differenze delle posizioni relative di rilevante estremi locali di due grafici, cioè gli sfasamenti locali di questi sviluppi dei prezzi, ci dà una distribuzione empirica sul cerchio unitario. Con l'aiuto delle statistiche direzionali, tali distribuzioni angolari sono studiate per molte coppie di mercati. E 'dimostrato che ci sono diversi strumenti finanziari molto fortemente correlati in materia di cambi, commodities e indici. In alcuni casi, uno dei due mercati è significativamente in anticipo rispetto al relativo estremi locali, cioè esiste uno sfasamento diverso da zero tra loro. leadlag rapporto analisi intermarket estremi locali distribuzione empirica 1. Introduzione È ben noto che i mercati finanziari possono essere fortemente correlate in modo tale che i loro valori di mercato mostrano un comportamento simile. Conoscendo la connessione precisa tra due mercati sarebbe molto utile per strategie di investimento avversi al rischio. Nel caso in cui due mercati sono perfettamente correlate, sarebbe alcuna differenza di investire in uno dei due o di entrambi insieme, nel senso che non possiamo diversificare il rischio in entrambi i mercati. Nel caso è noto che un mercato conduce l'altro, si è in grado di utilizzare il mercato leader come indicatore per predire lo sviluppo prezzo dell'altro mercato. Sapendo questo collegamento tra i due mercati può essere utile per migliorare la strategia di investimento. Pertanto, un metodo per quantizzare l'interrelazione di due mercati si sviluppa da un punto di vista diverso: vogliamo essere in grado di identificare un possibile sfasamento tra due mercati se sono correlati. Questo oggetto è stato affrontato in una varietà di articoli. Un approccio è quello di scomporre la serie storica dei due mercati a livello scala-by-scala in componenti con diverse frequenze con piccole onde. Il rapporto leadlag è studiato confrontando i componenti di un livello selezionato di trasformazione wavelet per due mercati, vedi ad esempio 1, 2, 3, 4, 5. Altro su metodi wavelet nella finanza si possono trovare nel libro di Genay, Seluk e Whitcher 6. Altri metodi di lavoro con la correlazione, autocorrelazione e quantità simili si possono trovare ad esempio in 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17. Ci sono anche alcuni studi incentrati sulla crisi finanziaria, in cui, ad esempio, le comovimenti durante la crisi 20072008 17, 18 e 1997 crisi asiatica del 1994 la svalutazione del Messico, e nel 1987 mercato americano arresto 19 sono discussi. Un tema diverso ma correlato è il rapporto tra la leadlag notizie, per esempio su Twitter, e prezzi delle azioni (vedi ad esempio 20, 21). Per una panoramica dettagliata della letteratura, ci riferiamo a Fiedor 16. Per l'analisi intermarket da un punto di vista dell'analisi tecnica, vedere per esempio Murphy 22 e 23 Ruggiero. Tuttavia, per quanto a conoscenza autori, gli approcci in letteratura non seguono un approccio geometrico, ad esempio non prendono valori estremi locali delle serie temporali in considerazione. Scomponendo le serie storiche con wavelets permessi di scrittura della serie storica come la somma dei componenti ondulatorie con differenti spettri di frequenza. L'utilizzo di questi componenti per il confronto dei diversi mercati sarà quindi confrontare solo alcune parti della serie storica originale. Il problema è che questi componenti possono essere nascosti nella serie temporale originale tale che un eventuale ritardo osservata tra i componenti dello stesso livello non significa necessariamente che questo ritardo può essere osservato nel tempo serie stessa, ad esempio confrontando punti di inversione. Pertanto, non è chiaro come interpretare i risultati per quanto riguarda la domanda. Dal momento che vogliamo essere in grado di ricevere i risultati dandoci un rapporto leadlag osservabile di due serie di tempo, un approccio geometrico è preferito. Per questo motivo, occorre punti significativi per essere in grado di identificare univocamente un piombo o lag se presente. situazioni molto importanti sono punti di inversione, e quindi anche i punti nel tempo dei relativi valori estremi locali che rappresenta il momento di inversione. Una possibile piombo o ritardo possono essere visti direttamente confrontando il estremi locali di entrambe le classifiche. Tale Ansatz potrebbe essere utilizzato per la negoziazione di questi prodotti finanziari e offre una visione in profondità nel rapporto leadlag tra due mercati a causa di una distribuzione empirica su tutti gli spostamenti di fase locali può essere identificato. Inoltre, i risultati non sono nascoste in un solo singolo valore come cross-correlazione. Il lavoro è organizzato come segue: la ricerca dei relativi valori estremi locali è tutt'altro che unico. Pertanto, l'approccio per trovare questi valori estremi per una data coppia di mercati, che vogliamo mettere a confronto, è discusso nella sezione 2. Usando questi valori, spostamenti di fase locali possono essere calcolati per entrambi i mercati, che dà una corrispondente distribuzione empirica. Per analizzare i risultati, le statistiche direzionali è introdotto nella Sezione 3. Ora, possiamo applicare il nostro approccio ai dati storici, per esempio dagli effetti di cambio, commodities e indici, che è fatto nella sezione 4. Nella sezione 5. sono date alcune conclusioni. Prima di continuare con la presentazione del nostro metodo leadlag, alcune considerazioni generali sono in ordine. Dal momento che il nostro metodo si basa solo su osservazioni empiriche di dati reali di mercato, la sua applicabilità è assolutamente gratuito della validità di eventuali ipotesi. Osservando punti di inversione e riconoscendoli puramente con metodi riproducibili quantitativi, abbiamo inventato una possibilità di una visualizzazione geometrica della correlazione dei due mercati collegati in punti selezionati. In particolare, a questo punto, non è chiaro se il nostro metodo può comunque essere messa in relazione con l'ipotesi di mercati efficienti (vedi sezione 5 per ulteriori dettagli). 2. Metodo per l'analisi Intermarket Supponiamo di voler confrontare due strumenti finanziari, vale a dire mercato di A e B. mercato per il piombo e lag. In primo luogo, prendiamo un grafico per ogni mercato con la stessa dimensione della barra, per esempio un grafico 60 min, a seconda del nostro interesse. Poi, vogliamo decidere se queste due tabelle sono correlate e mostrano piombo o lag. Naturalmente, se entrambi gli strumenti finanziari sono completamente non correlati, non ci aspettiamo una congrua relazione e, quindi, non ha senso per confrontarli. Pertanto, supponiamo che ci sia una connessione tra questi due grafici. Poiché un ansatz geometrico è preferito, sono necessari i punti nel tempo dei relativi valori estremi locali. Se ogni massima si verifica per entrambi i grafici al tempo stesso esatto e lo stesso vale per i valori minimi, si può dire che sia l'evoluzione dei prezzi funzionare perfettamente sincrono. Se si verifica il massimo della tabella B poco dopo il massimo di tabella A. quindi un ritardo di mercato B rispetto al mercato si osserva A. Tale confronto può essere facilmente effettuata a mano in modo molto intuitivo. Assumere due mercati hanno un rapporto leadlag, ad esempio Un mercato conduce B. quindi un beneficio diretto sarebbe risultato perché subito dopo un punto di inversione nel mercato A. c'è molto probabilmente si avrebbe un punto di inversione nel mercato B. Questo può essere molto utile per diverse strategie (per le voci di posizione e anche per le uscite) . Naturalmente, facendo un ampio studio mano sarebbe molto tempo e non obiettivo. Per un approccio automatico, un metodo appropriato per identificare gli estremi locali è necessario per prima sia le serie temporali. L'algoritmo MinMax introdotto da Maier-Paape 24 è un metodo che produce una tale serie di alternanza rilevante estremi locali (chiamato processo MinMax) e che quindi sarà usato in seguito. Questo metodo utilizza un cosiddetto SAR (arresto e retromarcia) Processo come input. Si tratta di un indicatore che ha solo due valori, su e giù, per individuare su e giù per i movimenti del grafico dei prezzi. Semplicemente parlando, se un up movimento viene rilevato dal processo SAR, le ricerche algoritmo MinMax per un massimo e correzioni questo valore massimo locale una volta che la fase di movimento, indicato dal processo SAR, inverte il movimento per un down. Analogamente, i valori minimi sono cercati durante le fasi di movimento verso il basso. L'algoritmo esatto, tuttavia, è molto più coinvolto a causa di situazioni cosiddetti eccezionali (vedi (Definizione 2.9 24)). In ogni caso, il processo di SAR controlla la frequenza della dal processo MinMax rilevano valori estremi locali. Il processo di SAR sottostante può ad esempio essere derivato dal MACD noto (media mobile convergencedivergence) Indicatore di 25. L'indicatore MACD è costituito da due linee, la linea di MACD e la linea di segnale. Considerando che la linea del MACD è la differenza di una media mobile esponenziale veloce (impostazione standard EMA è 12 periodi) e un EMA lento (standard è 26 periodi), la linea di segnale è l'EMA (standard è nove periodi) della linea del MACD. Per costruire il relativo processo di SAR, usiamo l'indicatore MACD non con parametri di default, ma scalare tutti i tre valori (12,26,9) da un fattore comune, chiamato scala cronologica. Poiché la linea MACD è più veloce della linea di segnale, il processo SAR è definito come valore massimo (valore 1), se la linea MACD è sopra la linea di segnale, e come valore basso (valore 1) nel caso contrario. Vedere 24 per i dettagli e la Figura 1 per un esempio. In questo articolo, ci sarà sempre usare l'indicatore MACD indotta processo SAR, anche se ci sarebbero possibili altre scelte ragionevoli. Aumentare i tempi porta a meno rilevato valori estremi, diminuendo i tempi porta a valori più estremi, cioè una risoluzione più fine. Si noti che la serie MACD può oscillare rapidamente attorno alla linea di segnale che porta a molti valori piccole e insignificanti estreme locali. Per evitare questo problema, si richiede un cambiamento di direzione del processo SAR tale che la distanza della linea MACD e la sua linea di segnale deve superare una soglia minima di 0. 3 ATR (100). dove ATR significa l'Average True Range del grafico dei prezzi (vedi (sottosezione 2.1 24) per i dettagli), cioè al punto di tempo i dell'i-esimo candela del grafico, è MACD-SAR (i). 1. se MACD linea di segnale di linea. 1. se MACD linea di segnale di linea. MACD-SAR (i 1). altrimenti. Nel seguito, questo algoritmo MinMax viene utilizzato perché questo è uno strumento molto flessibile per identificare i valori estremi locali nei grafici di prezzo. Per quanto sappiamo, questo metodo è l'unico che identifica valori estremi locali esattamente ed è regolabile. Dal momento che una serie temporale finanziaria ha sempre qualche rumore, non c'è scelta obiettivo unico per rilevanti estremi locali di una serie storica finanziario. Pertanto, questo processo deve essere parametro dipendente regolare la risoluzione dei minimi e massimi. Una domanda è come scegliere il parametro giusto. Ciò sarà discusso alla fine di questa sezione. Per il momento, supponiamo che buoni parametri per il mercato A sono noti. Il processo MinMax produce quindi minimi e massimi consecutivi indicato con (t i. X i) i 1.. N con i punti nel tempo t 1 t N e consecutivi valori di prezzo X i. Per poter confrontare questi punti, il tempo in secondi dal 1 gennaio 1970. I misurata. Per questa serie tempo ondulatoria, la lunghezza d'onda media può essere calcolata. 1 N 1 i 1 N 1 2 (t i 1 t i) 2 t N t 1 N 1. Si noti che dipende dai parametri utilizzati nell'algoritmo MinMax poiché i minimi e massimi dipendono dai parametri utilizzati. La scelta di questi parametri per la seconda mercato ci i valori estremi dà (t con media lunghezza d'onda In generale, si terrà. Nel seguito, i parametri del processo di MinMax per mercato B vengono regolati, in modo che vale, in modo da ottenere due serie di valori estremi che si spera oscillano allo stesso modo, non solo a livello globale, ma anche a livello locale. Con questo a portata di mano, abbiamo un criterio di selezione unica per i parametri di mercato B. Chiaramente, ci sono diverse possibilità, ma la questione rimane aperta per la ricerca futura. Nota che, in generale, la lunghezza d'onda non è previsto che essere costante, ma per essere dipendente dal tempo ed in grado di variare molto. per vedere questo, la Figura 2 mostra le medie delle lunghezze d'onda su una finestra contenente 49 semiperiodi del processo MinMax, cioè 1 49 è di 49 s 1 2 (tI 1 tI) per s 50. 51.. N. Pertanto, rispettando la lunghezza d'onda media per entrambi i mercati significa solo che corrisponde al livello di raffinatezza e non la posizione della estrema stessi valori. Dal momento che siamo interessato al rapporto tra mercato leadlag a e B. abbiamo solo bisogno di trovare la relazione di punti nel tempo della Extrema trovando le posizioni relative di (t all'interno (Tj) j 1.. N. In questo caso, mercato di A è chiamato il mercato primario e mercato B sul mercato secondario. La procedura generale è la seguente: Fissare la lunghezza d'onda desiderata gt media 0. Trova tutti i valori estremi locali (t i. X i) i 1.. N e (t per il primario e il mercato secondario, rispettivamente, in modo tale che le lunghezze d'onda media (1) per entrambi i mercati sui pieni partite base di dati. Cioè tale che 2 T N T 1 N 1 2 t L'errore standard circolare può essere definiti da. 1 r 2 1 k 2 N. e per ulteriori informazioni, vedere (sezione 4.4.4, l'equazione (4.21) 26). dal momento che siamo interessati alla possibile piombo o ritardo tra due mercati, vogliamo ridurre l'influenza di valori anomali che sono lontani dalla direzione angolare media. per questo motivo, una funzione cappello S 1 viene usato per pesare la distribuzione empirica con il cappello vicino alla posizione del picco più alto della distribuzione. Poi, tutti i dati ragionevoli vicino alla picco di ottenere pesi elevati e quindi più influenza nelle nostre statistiche, mentre i dati meno importanti, vale a dire i valori anomali, ottenere piccoli pesi. Ci aspettiamo che i picchi delle distribuzioni sono vicini allo zero fino a un po 'di piombo o ritardo, vale a dire i due mercati sono positivi correlati . Pertanto, si usa la funzione cappello che ha il suo cappello (massimo) a zero ed è zero (minima) a. I primi due lotti di figura 4 mostrano un esempio di una distribuzione osservata e la sua controparte ponderata rispettivamente. Dalla distribuzione ponderata, ponderata direzione angolare medio (w) può essere calcolato come nella (4). 3.2. Test statistici più dei test statistici richiedono una distribuzione von Mises sottostante (vedi ad esempio (sezione 3.3.6 26)), che viene spesso utilizzato come analogon alla distribuzione normale sulla sfera unitaria. La distribuzione si ottiene per la nostra applicazione non è esattamente una distribuzione von Mises ma ha una forma simile (vedere Figura 4). In questa figura, la distribuzione di sfasamenti ha una forma simile a due sovrapposti distribuzioni von Mises, una con un grande e uno con un parametro piccola concentrazione. Pertanto, è possibile che gli sfasamenti corrispondono a una distribuzione von Mises più il rumore, ad esempio rumore bianco. Tuttavia, utilizziamo i seguenti test statistici per essere in grado di classificare i risultati anche se sono progettati per distribuzioni von Mises. Dal momento che non sappiamo la distribuzione sottostante per gli sfasamenti, abbiamo solo alcune realizzazioni. Calcolo dei quantitativi nella Sezione 3.1 utilizzando le formule mettendo nelle nostre osservazioni ci darà gli stimatori che saranno indicati da. (W). S . b e k. rispettivamente. Avanti, vogliamo verificare la qualità della nostra direzione angolare media. Pertanto, le (1) intervalli di confidenza al per la popolazione media è calcolata, tale che L 1. d e L 2. d sono i limiti di confidenza inferiore e superiore della direzione angolare media, rispettivamente (vedi (Sezione 26.7 28)). Per la media ponderata (w). l'intervallo di confidenza è indicato con d (w). Usiamo sempre 5. Per verificare media zero, il che significa che non c'è piombo o lag rapporto, il test un campione per angolo medio può essere eseguita, che è simile a quella del campione t-test su una scala lineare. Let 0. ) La direzione angolare media per la quale vogliamo testare e la direzione angolare media di distribuzione del sottostante (sconosciuto). Ci prova per H 0. 0. H 1. 0. controllando se 0 L 1. L 2 utilizzando il nostro stimatore e il suo intervallo di confidenza 95 (vedere (Sezione 27.1 (c) 28)). Nel nostro caso, si imposterà 0 0. Il risultato di questa prova è data da: h m. 0. Se H 0 non può essere respinta. io. e. 0 0 L 1. L 2. 1. altrimenti. Come osservato in Nota 3, distribuzioni empiriche per diverse lunghezze d'onda media saranno generati, con, diciamo, n N valori diversi. Per confrontare tutte queste distribuzioni per la stessa coppia di mercati, un fattore ANOVA o test di WatsonWilliams (test multi-campione) possono essere utilizzati. Si valuta la questione se la direzione media di due o più gruppi sono identiche o no, cioè mette alla prova per H 0. Tutti i gruppi n condividono una direzione media comune. io. e. (1) (n) H 1. Non tutti i gruppi hanno una direzione media comune. (Vedi (Sezione 27.4 (b) 28)). L'uscita di questo test è un valore in p, cioè la probabilità di ottenere risultati che siano almeno estremo come nostra osservazione assumendo l'ipotesi nulla è vera. Così, una grande p - value indica che l'ipotesi nulla vale. Indichiamo questo valore per p w w 0. 1. 3.3. Piombo o Lag Utilizzando la direzione angolare media e il suo intervallo di confidenza, possiamo grosso modo approssimare il piombo o lag. Si supponga che la lunghezza d'onda media su un grafico a 10 min è di 600 candele. La lunghezza d'onda media sarebbe allora circa 6000 min 100 h. Questo valore equivale 2. Così la media del piombo o ritardo può essere approssimata da 2 6000 min. e il corrispondente intervallo di confidenza è approssimata da d. d. dove d d 2 6000 min. Analogamente, possiamo calcolare il piombo o Lag usando l'ponderata direzione angolare medio che viene indicato con (w) e d (w). rispettivamente, cioè (w) (w) 2 6000 min e d (w) d (w) 2 6000 min. Si noti che un valore positivo e (w) significa che il mercato primario conduce il versa secondario e vice per un valore negativo. Per rispondere alla domanda di quale mercato è avanti, se del caso, facciamo la seguente definizione: Per i mercati correlati positivi, vale a dire (w) 2. diciamo un mercato conduce l'altro se (w) è significativamente diverso da zero, vale a dire se ( cavi w) d (w) gt 0 mercato primario. se i cavi (w) d (w) lt 0 mercato secondario. 4. studio empirico Ora, studiamo mercati diversi da materie prime a scambi con l'estero. In sottosezione 4.1. spieghiamo l'impostazione e dare alcuni dettagli sulla scelta dei parametri. Gli istogrammi angolari ed i risultati statistici sono poi riportati nella sottosezione 4.2. 4.1. Impostazioni In questo documento, si concentrano sul grafico a 10 min. Le lunghezze d'onda utilizzate per regolare il processo MinMax per il mercato primario (vedi Nota 3) sono di dimensioni (k). 1000 min k 500 min. per k 0. 1.. 58. vale a dire tra il 1000 min e 30000 min. Per il test WatsonWilliams (vedi Sezione 3.2), questo porta a n 59 gruppi. Per ogni (k). k 0. 1.. 58. Abbiamo poi eseguire i passaggi da 1 a 4 della Sezione 2. Si noti che non misuriamo la lunghezza d'onda in numero di candele o numero di candele moltiplicato per il suo arco di tempo. Usiamo sempre le differenze in pochi secondi dai nostri timestamp misurati nel GMT universale. Pertanto, si considera sempre il momento in cui la borsa è chiusa. Per la maggior parte i calcoli delle statistiche direzionali, la biblioteca MATLAB CircStat 29 è stato utilizzato e tutti gli angoli sono misurati in radianti. I mercati che vengono esaminate compreso il periodo di tempo per i dati di candela disponibili sono elencati nella Tabella 1. Si noti che la data di inizio non è la stessa per tutti i mercati. Per una combinazione di mercati con diverse date iniziali, il periodo minore di tempo viene utilizzato per entrambi i mercati. 4.2. Risultati Ora, guardiamo i risultati per diversi futures, indici e scambi con l'estero. I quantitativi statistici per lo sfasamento dei valori estremi sono indicati nella tabella 2 e per i punti nel tempo della conferma dei valori estremi in Tabella 3. Le corrispondenti distribuzioni empiriche sono dati, secondo la seguente osservazione, nella figura 5. Figura 6. Figura 7. Figura 8. Figura 9. Figura 10. Figura 11. Figura 12. Figura 13. Figura 14. Figura 15. Figura 16. Figura 17. Figura 18. Figura 19. Figura 20. Figura 21 e Figura 22 . (Note su figure) L'etichetta di ciascuna delle seguenti figure membri un contro B e ogni figura mostra i seguenti quattro distribuzioni (in ordine): nello stesso tempo di extrema: A come primario e B come mercato secondario. Tempo di extrema: B come primario e A come mercato secondario. Tempo di extrema confermato (vedi Nota 4): A come primario e B come mercato secondario. Tempo di extrema confermato (vedi Nota 4): B come primario e A come mercato secondario. Tutte le piazzole contengono anche la direzione angolare media e la direzione angolare media della distribuzione ponderata (con la funzione di cappello, vedere la Figura 4). Queste indicazioni sono le linee verde e rossa all'interno del cerchio, rispettivamente. Inoltre, ogni bidone degli istogrammi contiene le informazioni delle singole distribuzioni per ogni lunghezza d'onda: questo dimostra che il più grande valore di questo bidone è avvenuto entro i 59 singole distribuzioni, il valore più piccolo e il valore bin del più di distribuzione combinato e meno la deviazione standard . Ora, discutiamo i risultati per il tempo di Extrema e poi i risultati per il momento la conferma della estremi. Tempo di Extrema In primo luogo, si nota che i risultati sono per lo più indipendenti dalla lunghezza d'onda media, che possiamo vedere dalla ulteriori informazioni di ogni bin, vale a dire il valore minimo e massimo per questo scomparto e la deviazione standard. Quindi, vediamo una correlazione molto debole tra le combinazioni di materie prime con se stesso, ad eccezione dell'oro contro argento, materie prime contro i mercati azionari, materie prime contro scambi con l'estero e di EUR-USD contro JPY-USD, vale a dire la Figura 13 alla Figura 20. Il coppie di mercati hanno anche una relativamente grande deviazione standard S e piccola concentrazione intorno al suo medio indicato dalla piccola curtosi k. Inoltre, la combinazione tra i mercati azionari e futures obbligazionari (vedi Figura 10 e Figura 11) hanno solo una piccola correlazione. Tuttavia, vi è un picco notevole in quel indica una correlazione negativa. Tutte le altre combinazioni di mercati illustrati nella tabella 2 e nella figura 5 alla figura 9 e Figura 12. Figura 21 e la Figura 22 mostrano un grande picco vicino direzione angolare media tra 20 fino a 53. Questo significa che la probabilità è significativamente elevato che valori estremi per entrambi i mercati sono a forma di quasi l'ora esatta. Naturalmente, questo porta a piccole deviazioni standard e superiori curtosi. Conferma Tempo di Extrema Poiché il momento di confermare un valore estremo dal processo MinMax è più sensibile allo sviluppo prezzo rispetto al punto molto fisso nel tempo del valore estremo stesso, abbiamo già aspettiamo osservazioni sparse. Tuttavia, anche qui, possiamo vedere un picco nella direzione angolare media di circa la metà della dimensione del picco per il tempo di estremi delle coppie fortemente correlati dei mercati. I valori nella tabella 3 sono approssimativamente dello stesso ordine come in Tabella 2. Tutti insieme abbiamo vedere una forte correlazioni per estremi e confermato estremi tra le combinazioni di Dax, Bund, EuroSTOXX 50, SampP 500, 30Y T-Bonds, NASDAQ 100, Russell 2000 e tra le borse estere, ad eccezione EUR-USD contro JPY-USD. Inoltre, oro e argento hanno una forte correlazione, mentre tutte le altre combinazioni con almeno un mercato da materie prime sembrano essere debolmente correlata o addirittura quasi non correlati. Pertanto, dal punto di vista dei valori estremi locali, i prodotti vengono separati da altri mercati. Il leadlag (w) (vedere paragrafo 3.3) è compresa tra 5 min e 10 min per il momento della estremi per gli indici e gli scambi esteri, e anche per l'oro contro argento. Si noti che questo è solo al massimo la durata di un singolo periodo del grafico 10 min. Anche i punti nel tempo della estremi sono solo la data e l'ora di una candela e non l'ora esatta del valore estremo in sé, cioè questi punti nel tempo hanno una incertezza di 5 min. Pertanto, non possiamo vedere il valore (w) come valore assoluto, ma più come una tendenza del piombo o ritardo per le candele in cui si verificano i valori estremi. Nella maggior parte dei casi, le nostre indagini della correlazione dei due mercati i rendimenti un leader di mercato e un mercato in seguito, ad esempio, DAX Future porta SampP 500 E-mini Futures, non importa quale è considerato il mercato primario o secondario. Si noti, tuttavia, che, in alcuni casi, il calcolo non può decidere quale mercato sta portando. Per la valuta franco svizzero, è più comune per analizzare USD-CHF invece di CHF-USD, come facciamo in discussione di cui sopra. Il motivo per cui ci si concentra sulla CHF-USD è quello di vedere la correlazione positiva per EUR-USD e, quindi, di avere un'interpretazione più naturale per il piombo e il ritardo come in Definizione 1. Tuttavia, è anche possibile confrontare (fortemente) mercati correlati negativi EUR-USD contro USD-CHF. In Figura 23. vediamo i risultati di questa combinazione. I risultati sono attesi per essere lo stesso per la combinazione EUR-USD contro CHF, USD, ma spostato di. Un confronto di Figura 22 e la Figura 23 mostra questa connessione perfettamente. Questo è anche il caso per lo yen giapponese. 5. Conclusioni abbiamo introdotto il concetto di rapporto leadlag da un punto tecnico di vista del mercato. Utilizzando i valori estremi locali dei mercati, otteniamo una distribuzione empirica dei loro sfasamenti sulla sfera unitaria. Le statistiche direzionali ci aiutano ad illustrare e quantificare i risultati. Molte coppie fortemente correlati dei mercati si osservano rispetto ai loro valori estremi, mentre, naturalmente, ci sono le combinazioni con una connessione molto debole. Le combinazioni di indici mostrano la più alta correlazione e anche un vantaggio misurabile o lag. Dal momento che usiamo un approccio geometrico basato sulle attuali valori estremi locali del grafico, vale a dire su una sorta di punti di inversione, i risultati possono essere direttamente utilizzate per strategie di trading. Per esempio, il periodo in cui sono rilevati i punti di inversione potrebbe essere utilizzato come ingresso o uscita del segnale di tale strategia commerciale. Questo, tuttavia, non è stato il tema di questo articolo. tali segnali di trading Tuttavia, dopo aver progettato, potrebbe essere un approccio di ricerca interessante per verificare l'ipotesi di mercato efficiente (EMH), con questo tipo di segnali. Chiaramente, questo sarebbe ben oltre i compiti di questo documento. Si noti che, anche se la EMH implica in sostanza che non si può fare profitti con le idee di analisi tecnica o di metodi quantitativi a lungo termine, le interpretazioni più recenti come l'ipotesi di mercato adattativa di Lo 30 ammettono l'esistenza di tendenze modello simile nei mercati reali. Con il modello leadlag osservato qui, questo potrebbe essere simile. Ulteriore interessante sforzo di ricerca potrebbe essere la localizzazione di utilizzare questo metodo per intervalli di tempo più brevi in modo da ottenere risultati ancora più significativi per i dati in tempo livereal. Autore Contributi Stanislao Maier-Paape e Andreas Platen contribuito in maniera uguale a questo lavoro. Conflitti di interesse Gli autori dichiarano assenza di conflitto di interessi. Riferimenti Dajman, S. interdipendenza tra Alcune MarketsA della Wavelet LeadLag Analisi europei importanti. Praga Econ. Pap. Il 2013. 22. 2849. CrossRef In, F. Kim, S. Il rapporto di copertura e l'empirico Relazione tra il e futures Mercati: un nuovo approccio Utilizzo dell'analisi Wavelet. J. Bus. Del 2006. 79. 799820. CrossRef Kim, S. In, F. Il rapporto tra rendimenti azionari e l'inflazione: Nuove prove di analisi wavelet. J. Empir. Bilancio. Del 2005. 12. 435444. CrossRef Ramsey, J. B. Lampart, C. La decomposizione dei rapporti economici da Time Scale Utilizzando Wavelets: spese e delle entrate. Perno. Nonlinear Dyn. Econ. 1998. 3. 2342. CrossRef Ramsey, J. B. Lampart, C. decomposizione dei rapporti economici con scala cronologica utilizzando Wavelets. Macroecon. Dyn. 1998. 2. 4971. Genay, R. Seluk, F. Whitcher, B. Introduzione alla Wavelets e altri metodi di filtraggio in Finanza ed Economia Academic Press: New York, NY, USA, 2001. Chan, K. informazione imperfetta e Cross-autocorrelazione Tra Quotazione Borsa. J. Bilancio. 1993. 48. 12111230. CrossRef de Jong, F. Donders, M. W.M. Intraday relazioni piombo che intercorre tra il Futures-, Opzioni e Borsa. Rev. Bilancio. 1998. 1. 337359. CrossRef de Jong, F. Nijman, T. analisi ad alta frequenza dei rapporti leadlag tra i mercati finanziari. J. Empir. Bilancio. 1997. 4. 259277. Gert CrossRef, B. Koenda, E. sincronizzazione dei mercati azionari europei variabile nel tempo. Empir. Econ. 2011. 40. 393407. CrossRef Garcia, R. Tsafack, struttura di dipendenza G. comovimenti estreme dei mercati azionari e obbligazionari internazionali. J. Bank. Bilancio. 2011. 35. 19541970. CrossRef Iwaisako, T. Stock Index autocorrelazione e cross-autocorrelazioni dei portafogli size-ordinato nel mercato giapponese. Hitotsubashi J. Econ. Del 2007. 48. 95112. Stoll, H. R. Whaley, R. E. La dinamica di indici azionari e indici azionari Futures ritorni. J. Bilancio. Quant. Anale. Del 1990. 25. 441468. CrossRef Kenett, D. Y. Preis, T. Gur-Gershgoren, G. Ben-Jacob, E. quantificare meta-correlazioni nei mercati finanziari. EPL (Europhys. Lett.) Del 2012. 99. 38001. CrossRef Podobnik, B. Stanley, H. E. Detrended cross-correlazione Analisi: Un nuovo metodo per l'analisi di due non stazionari Time Series. Phys. Rev. Lett. Del 2008. 100. 084102. CrossRef PubMed Fiedor, P. approccio Informazioni teoria per leadlag effetto sui mercati finanziari. Euro. Phys. J. B 2014. 87. 168. CrossRef Aste, T. Shaw, W. Di Matteo, la struttura di correlazione T. e le dinamiche nei mercati volatili. Nuovo J. Phys. Del 2010. 12. 085009. CrossRef Didier, T. Amore, I. Pera, M. D.M. Ciò che spiega comovimento dei rendimenti del mercato azionario durante la Int 20072008 crisi. J. Bilancio. amp Econ. Del 2012. 17. 182202. Forbes, K. J. Rigobon, R. No Contagion, Solo Interdipendenza: misurazione Borsa comovimenti. J. Bilancio. Del 2002. 57. 22232261. CrossRef Bollen, J. Mao, H. Zeng, X. Twitter umore prevede che il mercato azionario. J. Comput. Sci. 2011. 2. 18. CrossRef Mao, H. Counts, S. Bollen, J. Predicting Financial Markets: Comparing Survey, News, Twitter and Search Engine Data. Available online: arxiv. orgabs1112.1051 (accessed on 5 December 2011). Murphy, J. J. Intermarket Analysis: Profiting from Global Market Relationships John Wiley amp Sons: Hoboken, NJ, USA, 2004. Ruggiero, M. A. Cybernetic Trading Strategies John Wiley amp Sons: Hoboken, NJ, USA, 1997. Maier-Paape, S. Automatic One Two Three. Quant. Financ. Il 2015. 15. 247260. CrossRef Appel, G. Technical Analysis: Power Tools for Active Investors Financial Times Prentice Hall: Upper Saddle River, NJ, USA, 2005. Fisher, N. I. Statistical Analysis of Circular Data Cambridge University Press: Cambridge, UK, 1996. Mardia, K. V. Jupp, P. E. Directional Statistics Wiley Series in Probability and Statistics Wiley: Hoboken, NJ, USA, 1999. Zar, J. H. Biostatistical Analysis. 5th ed. Pearson: Upper Saddle River, NJ, USA, 2010. Berens, P. CircStat: A MATLAB Toolbox for Circular Statistics. J. Stat. Softw. 2009 . 31. 121. CrossRef Lo, A. W. The Adaptive Markets Hypothesis. J. Portf. Manag. 2004 . 30. 1529. CrossRef Figure 1. Two examples showing for the MinMax series and the underlying SAR (stop and reverse) process derived from the MACD (moving average convergencedivergence) indicator for two different choices of timescale: parameter (12,26,9), i. e. timescale 1 (left) and parameter (30,65,22.5), i. e. timescale 2. 5 (right). Both examples show the exact same time frame of the SampP 500. Figure 1. Two examples showing for the MinMax series and the underlying SAR (stop and reverse) process derived from the MACD (moving average convergencedivergence) indicator for two different choices of timescale: parameter (12,26,9), i. e. timescale 1 (left) and parameter (30,65,22.5), i. e. timescale 2. 5 (right). Both examples show the exact same time frame of the SampP 500. Figure 2. Moving average of wavelengths over N 1 49 half periods for SampP 500 on a 60 min chart, where the y - axis shows the mean number of candles between two maxima (and also between two minima). Figure 2. Moving average of wavelengths over N 1 49 half periods for SampP 500 on a 60 min chart, where the y - axis shows the mean number of candles between two maxima (and also between two minima). Figure 3. Computation of in (2 ): The upper chart shows an idealized price movement of the primary market with two minima and one maximum the lower part shows five different possibilities for the position of a maximum of the second market, where . ) measures their positions relative to the extreme values of the primary market. Figure 3. Computation of in (2 ): The upper chart shows an idealized price movement of the primary market with two minima and one maximum the lower part shows five different possibilities for the position of a maximum of the second market, where . ) measures their positions relative to the extreme values of the primary market. Figure 4. ( first ): example of a possible distribution of phase shifts and a hat function on S 1 ( second ): corresponding weighted version of the example distribution from first plot ( third ): plot of the probability density functions of von Mises distributions mean location parameter 0 and concentration parameters 50 ( fourth ): same as third but with 1. Figure 4. ( first ): example of a possible distribution of phase shifts and a hat function on S 1 ( second ): corresponding weighted version of the example distribution from first plot ( third ): plot of the probability density functions of von Mises distributions mean location parameter 0 and concentration parameters 50 ( fourth ): same as third but with 1 . Figure 5. SampP 500 versus DAX. Table 1. Examined markets and the period of time of the used candle data of the 10 min chart (whereas the initial date depends on the financial instrument, the terminal date is always 31 December 2015). The Forex data are from HistData while the rest of the historical data are from TaiPan RT from Lenz und Partner AG (Dortmund, Germany). Table 1. Examined markets and the period of time of the used candle data of the 10 min chart (whereas the initial date depends on the financial instrument, the terminal date is always 31 December 2015). The Forex data are from HistData while the rest of the historical data are from TaiPan RT from Lenz und Partner AG (Dortmund, Germany).
No comments:
Post a Comment