Глава 16. Анализ циклов фьючерсных рынков 583

Основная сложность, связанная с анализом дневных данных, — это проблема выходных дней. Есть три основные возможности ее решения: (1) считать, что в выходные были торги с теми же результатами, что и в предшествующий им день; (2) интерполировать ценовые данные на вы­ходные дни; (3) игнорировать выходные дни. Хотя единственного пра­вильного ответа не существует, мы предпочитаем, исходя из опыта, пер­вое решение.

3. Недельные данные. После внутридневных данных неде-льные данные представляют собой наиболее проблематичную сте-пень сжатия, поскольку их период не совпадает с периодами лю-бых сезонных моде­лей. Проблема связана с тем, что изменения цен многих фьючерсных контрактов имеют сезонный характер. Поскольку месяц не равен четы­рем неделям, а год немного длин-нее, чем 52 недели, недельные данные «идут не в ногу» с сезон-ными изменениями. Основная ценность недель­ных данных заклю-чается в том, что они позволяют идентифицировать циклы, сли-шком длинные, чтобы их можно было найти, используя днев­ные данные. Один из возможных подходов — использовать недельный анализ для отыскания подобных более длинных циклов, а затем конвер­тировать циклы в дневные или месячные, что позволит из-бежать про­блемы несовпадения фаз цикла с сезонными моделями данных. Анало­гично дневным данным, ограничьте поиск цикла-ми, период которых не меньше пяти недель и не больше одной десятой всего объема данных.

4. Месячные данные. Вместе с дневными данными месячные дан­ные представляют собой наилучшее сжатие для циклического анализа. У месячных данных нет проблем, связанных со случайны-ми флуктуациями, поскольку они сильно сглажены. Кроме этого, они прекрасно со­четаются с сезонными тенденциями во фьючер-сных данных. Месячные данные могут использоваться для оты-скания циклов от 5 месяцев до 350. (Верхний предел превышает максимальную длину цикла, равную одной десятой всего объема данных, о которой говорилось выше. Это менее жесткое условие возникает благодаря сглаженной природе ме­сячных данных.)

5. Квартальные и годичные данные. В общем случае эти бо-лее долгосрочные виды сжатий не предоставляют достаточно ма-териа­ла для анализа фьючерсных данных. Для некоторых рын-ков, однако, существуют данные по ценам наличного товара, продолжительности которых хватает для проведения подобного анализа. Обычно годичные данные дают возможность получить лучший результат, чем квартальные. В случае более долгосрочных сжатий аналитику приходится использо­вать комбинированные данные. Например, годичные цены на зерно до­ступны начиная с 1259 г. и являются комбинацией четырех отдельных серий: бри-танские цены на зерно до существования американских дан­ных и три различных американских ценовых серии, отражающие изме-

584 ЧАСТЬ 3. осцилляторы и циклы

нения в преобладании наиболее популярных сортов зерна (например, твердых сортов над мягкими). Для того чтобы «склеить» различные це­новые серии, необходимо, чтобы эти серии содержали перекрывающи­еся ценовые данные не менее чем за 10 лет, форма которых более или менее совпадает. Затем полученную комбинированную серию умножа­ют на коэффициент, подобранный так, чтобы ее последние значения совпадали с современными ценами.

Шаг 2: Визуальная проверка данных

Поскольку в наши дни львиная доля циклического анализа осуществля­ется с помощью компьютера, исследователи часто забывают просмот­реть ценовой график, прежде чем приступить к его математической обработке. При этом теряется много значимой информации, посколь­ку визуальная проверка имеет несколько полезных функций.