Через год моя дочь закончит колледж. Вот путь для первого этапа жизни, который я ей предлагаю:

• Избегай долгов. Ничто не достойно платежей по их процентам.
• Избегай финансово безответственных людей и уж точно не выходи замуж за такого.
• Посвяти следующее десятилетие или около того строительству своей карьеры и профессиональной репутации.
• Проживи это десятилетие так, как ты жила во времена студенчества.
• Не попадись в ловушку из-за расширения образа жизни.
• Следуй Простому Пути к Богатству.
• Сберегай и инвестируй хотя бы 50% твоего дохода. Откладывай это в VTSAX или эквивалент, как мы обсуждали здесь.
• Софинансируй любой предлагаемый тебе план 401(k).
• Софинансируй твой IRA.
• Если ты будешь делать это в течение следующих десяти лет, то ты станешь финансово независимой.
• Если ты сохраняешь более 50%, то доберешься туда быстрее. Если нет, это займет чуть дольше (посмотри на таблицу внизу, чтобы оценить как долго).
• Если тебе повезет с рынком, ты доберешься туда быстрее. Если нет, это займет чуть дольше.

В этой части рассмотрим обучение модели скрытых состояний Маркова на языке R. В прошлых статьях мы изучили математическую основу модели, которая воплощена в библиотеке RHmm. Есть два способа распознавания режимов с помощью модели Маркова, первый — использование одной модели, каждое состояние которой отражает режим, в каком находится рынок. Второй способ подразумевает построение нескольких моделей, каждая из которых создана для одного режима, задача состоит в том, чтобы выбрать ту модель, которая генерирует данные, наиболее соответствующие текущему состоянию рынка. Рассмотрим оба эти способа.

Метод первый — одна модель с несколькими состояниями.

Для обучения модели будем использовать исходные данные, полученные симуляцией из нормального статистического распределения N(mu,sigma), где mu — медиана, sigma — среднеквадратичное отклонение. Распознавание будем производить для двух режимов — бычьего (bull) рынка, на котором наблюдается восходящий тренд и медвежьего (bear) рынка, на котором тренд нисходящий. Соответственно, сгенерируем приращение значений из двух нормальных распределений - N (mu.Bull,sigma.Bull) и N(mu.Bear,sigma.Bear). На рисунке показан результат такой генерации на 300 наблюдений, 100 первых из которых получены из бычьего распределения, 100 вторых — из медвежьего и 100 последних — из бычьего с другими параметрами mu и sigma (каждое приращение будем считать дневным):

В данном цикле статей начинаем рассматривать модель Маркова, которая находит применение в задачах классификации состояния рынка и используется во многих биржевых роботах. Статьи основаны на постах, опубликованных в блоге Gekko Quant. Также будет рассмотрены практические алгоритмы на финансовых рынках. Код в цикле приведен на языке R. Вначале будет много теории, ее надо хотя бы попробовать понять, затем разберем практические примеры.

Рабочая среда распознавания основных паттернов.

Рассмотрим набор признаков O, полученный из набора данных d и класс w, обозначающий наиболее подходящий класс для O:

GBPUSD — вниз
EURUSD — вниз
USDJPY — вверх.

Разумеется разворот ещё не совсем завершился.
Полностью развернулся только GBPUSD.
Поэтому до 12-00 или даже до 15-00 возможны волнообразные резкие движения и вниз и вверх.
С последующим переходом к ровному поступательному движению USD вверх.