CHANGE LANGUAGE | Home > Doc > Kernel Regression ... > Tecniche di Modellamento

Kernel Regression Applicazione alla Previsione del Fib 30

1 introduzione

1.1 Tecniche di Modellamento

1.2 Modellare i Mercati Finanziari

1.3 Le Scuole di Pensiero Sullo Studio Dei Mercati

1.4. I Candidate Predictors

1.5 Il Mercato Finanziario d'interesse: Il Fib

2 Kernel Regression

2.1 Concetti Base

2.2 La funzione Kernel

2.3 La Bandwidth

2.4 L'ordine del Polinomio

2.5 la dimensionalità del Polinomio

Metodo forward stepwise semplice

Metodo forward stepwise con num_survivors(d)=10

Metodo “all combinations”

2.6 Misure di Valutazione del Modello

3 KR ad Alta performance

3.1 Dalle bandwidth al P-tree

3.2 Il P-TREE

3.3 L'utilizzo del P-TREE

3.4 Complessità Computazionale

3.5 Il tempo pesa i dati

3.6 Day Trading ed Intraday Trading

4 Studio di Fattibilità

4.1 Presentazione della Matrice dei dati

4.2 Presentazione dei Parametri Principali

4.3 Descrizione dei Risultati Ottenuti

4.4 Un Approccio con le Reti Neurali Artificiali

4.5 Considerazioni Finali

Appendice Email

Bibliografia

Kernel Regression Applicazione alla Previsione del Fib 30

Tecniche di Modellamento

Il modellamento è un processo in cui si ricorre ai dati per determinare un modello matematico che può essere esplicato mediante la seguente notazione: Y = f(X), dove Y rappresenta la variabile dipendente e X la variabile indipendente.

Esistono molte tecniche per modellare dati, in genere si distinguono due macro categorie: metodi parametrici e metodi non parametrici. Sono detti parametrici quei metodi i cui modelli si reggono sull’ipotesi che f(X) appartenga ad una famiglia di funzioni parametriche con un struttura fissa e con i parametri stimabili dai dati.

Compito del processo di modellamento è tentare di trovare in modo empirico o in base a considerazioni teoriche i valori dei parametri di f(X) più corretti e precisi e stabilirne la loro robustezza nel tempo con metodi d’inferenza statistica, oppure empiricamente utilizzando un validation set. Alcuni esempi di modelli parametrici, fra i tanti che si potrebbero citare, sono i modelli ARIMA per i quali alcune considerazioni teoriche sono basate sullo studio delle correlazioni globali e parziali.

Analizzando la forma dei due correlogrammi, infatti, si può restringere il campo di valori che possono assumere gli ordini del modello p e q, corrispondenti alla componente autoregressiva (AR) e media mobile (MA), diminuendo così le prove per la ricerca del modello migliore. In alcuni problemi, però, si possono fare pochissime assunzioni concernenti la struttura di f(X) , si deve allora proporre una lista di potenziali predittori, i quali, con pesi diversi, si ritiene possano concorrere alla stima di f(X) . In questo caso l’approccio più utilizzato consiste nello sviluppare modelli basati sui dati senza aver la pretesa di trovare una struttura fissa e parametrizzata per il modellamento.

Queste tecniche sono dette non parametriche o data-driven methods. L’applicazione dei modelli non parametrici richiede l’uso intenso del computer a causa dell’enorme quantità di calcoli che devono essere effettuati; l’attenzione perciò deve essere posta nella ricerca di algoritmi molto efficienti, che apprendano dai dati e che riescano a sviluppare modelli multidimensionali con un certo grado di potere previsionale e con un tempo computazionale ragionevole.

Si può altresì combinare tecniche di modellamento parametrico con quelle non parametriche. Una possibile strategia è di ricorrere a metodi non parametrici per esplorare i principi che sembrano guidare i dati, e in un secondo momento, studiare i risultati ottenuti per specificare un modello parametrico.

Tuttavia, più la dimensionalità del modello e la non linearità dei dati crescono, sempre più remota diventa la speranza di trovare un modello parametrico: è per questo motivo che nel campo finanziario i metodi non parametrici hanno riscontrato un notevole interesse. All’interno della grande classe dei metodi non parametrici si distinguono due importanti metodologie: le reti neurali e le regressioni non parametriche.

Monico Dino

Performance Trading

Home | Mappa | Staff | Disclaimer | Privacy | Supportaci | Contact

Copyright © PerformanceTrading.it ed il suo contenuto sono di esclusiva propriet� di DHDwise. E' vietata la riproduzione anche parziale di qualsiasi parte del sito senza autorizzazione compresa la grafica e il layout. Prima della consultazione del sito leggere il disclaimer. Per informazioni consultare la sezione info.