- •Оглавление
- •Теоретическая часть
- •1 Фрактальный анализ временных рядов
- •1.1.1 Концепция фрактального рынка
- •1.1.2 Эффективность цены
- •1.1.3 Хаусдорфова размерность
- •1.1.4 Корреляционная размерность
- •1.4 Зависимость стабильности временных рядов и их фрактальной структуры
- •1.5 Локальный фрактальный анализ и прогнозирование
- •1.6 Показатель Ляпунова
- •2 Реконструкции динамических систем по временным рядам
- •2.1 Теорема Такенса
- •2.2 Реконструкция динамической системы методом задержки
- •2.3 Реконструкция динамической системы с помощью отображений.
- •2.4 Реконструкция дифференциальных уравнений системы методом Магницкого.
- •Практическая часть Временные ряды и системы над которыми проводились исследования
- •Фрактальная размерность
- •Корреляционная размерность
- •Показатель Херста
- •Локальный фрактальный анализ
- •Зависимость стабильности временных рядов и их фрактальной структуры
- •Прогнозирование
- •Показатели Ляпунова
- •Реконструкция динамических систем методом задержки Система Магницкого
- •Реконструкция динамических систем методом отображения
- •Реконструкция сду методом Магницкого
1.4 Зависимость стабильности временных рядов и их фрактальной структуры
Для исследования связи между стабильностью финансовых
временных рядов и их фрактальной структурой были построены
эмпирические зависимости различных показателей стабильности от значением индекса µ. Всего было выбрано пять различных показателей
стабильности:
,
где – текущая цена закрытия торгов. Чем больше
разница между текущей ценой закрытия и ценой закрытия 32 дня назад,
тем больше значение . Большие по модулю значения означают
наличие значительного ценового движения за период в 32 дня, а маленькие
– как правило, небольшие колебания цен, т.е. флэт.
,
где – амплитуда колебаний цен за последние 32 дня.
определяет отношения амплитуд колебаний цен за текущий и прошлый
32-х дневные периоды. Как правило, при наличие тренда >1, а при наличии флэта <1.
- стандартное отклонение цен закрытия за последний 32
дня. Чем больше значение , тем более выражена тенденция в поведении
цен.
– значение коэффициента наклона линии линейной регрессии,
проведенной по ряду цен. Чем больше по модулю значение , тем сильнее
наклон линии регрессии и, следовательно, тем сильнее выражен тренд.
- разность между текущей ценой и ценой 32 дня
назад, нормированная на сумму модулей ежедневных приращений цен за
32 дня. В случае, если за 32 дня приращение цен ни разу не меняло знак
(наблюдалось направленное движение вверх или вниз) | |=1, если же на
графике цен наблюдался флэт значение | | близко к нулю.
Для всех выбранных показателей стабильности справедливо
следующее утверждение: чем более стабильно поведение исходного ряда
(колебания происходят возле одного уровня), тем ближе значение F к нулю
и наоборот, чем более выражен тренд, тем больше по модулю значение F.
Для исследования зависимостей ( m ) (i=1..5) исходные ряды, как и
прежде, разбивались на интервалы длиной 32 дня, смещенные друг59
относительно друга на 1 день. Для каждого исходного ряда, длиной 1300
дней было получено 1268 интервалов. Для каждого из них рассчитывалось
значение m и значение Fi и полученные значения наносились на точечные
диаграммы, где по оси х откладывалось значение m , а по оси y значение Fi
1.5 Локальный фрактальный анализ и прогнозирование
Численного значения фрактальных характеристик ряда позволяет естественным образом определить является ли текущее локальное состояние финансового ряд случайным блужданием или же трендом (флэтом). Этот факт можно попытаться использовать для прогнозирования. Действительно, в состоянии тренда можно использовать эконометрические методы, а в состоянии случайного блуждания предыдущую цену или же вообще отказаться от прогнозирования. Оценим качество такого прогноза. Рассмотрим ценовые ряды акций восьми крупнейших российских компаний. В каждом из рядов выделим участки для которых
µ< 0.5 , т.е. те участки где наблюдается тренд. Для каждой точки каждого участка построим прогноз, используя линейную регрессию по четырем предыдущим точкам.
Формально это можно записать следующим образом:
При , где коэффициенты a и b
оцениваются по набору точек
.
При прогноз не делается. Выберем теперь в качестве критерия качества прогноза дисперсию ошибки прогноза и сравним ее с дисперсией ценовых приращений.