Как предсказать курс доллара. Поиск доходной стратегии с языком R
Шрифт:
Далее построим аналогичные интервальные прогнозы на период от одного, двух … и до 250 торговых дней (в календарном году около 250 торговых дней). Для прогнозов будем использовать данные по курсам доллара к рублю за период с 30 июня 1992 г. по 30 марта 2018 г. С этой целью введем код, в котором используется оператор циклов for(n in 1:250), «пробегающий» значения от 1 до 250. При этом в R используются фигурные скобки {}, чтобы создать новую функцию, в которой «упаковано» сразу несколько операторов. В некоторых ситуациях фигурные скобки можно опускать, тем не менее начинающим программистам рекомендуется всегда их ставить.
Прогноз
Вывод.данных<-data.frame
# создаем таблицу для вывода данных с 0 колонок и 0 строк
for(n in 1:250) {
# оператор циклов for
# вектор 1:250 означает последовательность 1, 2 … 250.
НижПрогноз<-round(Курс0+quantile(diff(Курс, n), 0.001),digits=4)
# нижний интервал прогноза, digits=4 – округлить на 4 цифры
# функция round означает округлить
ВерхПрогноз<-round(Курс0+quantile(diff(Курс, n), 0.999),digits=4)
# верхний интервал прогноза
Вывод.данных<-c(Вывод.данных, data.frame(n, НижПрогноз, ВерхПрогноз))
# заполняем таблицу данных
show(data.frame(n, НижПрогноз, ВерхПрогноз, row.names='Дней торгов'))
# команда показать вывод данных
>Табл.05 <– data.frame(matrix(unlist(Вывод.данных0), nrow=250, byrow=T), stringsAsFactors=FALSE)
# преобразуем лист с выводом данных в табл.05
>ДнейТоргов <-Табл.05[, 1]
# присваиваем колонке 1 из табл. 05 имя первой переменной
НижПрогноз <-Табл.05[, 2]
# присваиваем колонке 2 из табл. 05 имя второй переменной
ВерхПрогноз<-Табл.05[, 3]
# присваиваем колонке 3 из табл. 05 имя третьей переменной
Табл.5 <-data.frame(ДнейТоргов, НижПрогноз, ВерхПрогноз)
# создаем таблицу с тремя обозначенными переменными для последующей работы
Табл.5
# выводим таблицу с тремя обозначенными переменными – см. табл. 5
В результате получим следующие интервальные прогнозы (в целях экономии места, здесь они даются не полностью) – см. табл. 5.
>Табл. 5. Нижние и верхние интервальные прогнозы с лагом от 1 до 250 дней
Источник: расчеты автора
Судя по табл. 5, своего максимума верхний интервал прогноза =91.1698 руб. достигает при прогнозе на 250 дней. Такой же лаг и у минимума нижнего интервала прогноза= 36.4774 руб. Воспользуемся соответствующими встроенными функциями, чтобы не тратить время на поиск этих важных для трейдера параметров интервальных прогнозов.
> max(ВерхПрогноз)
# находим максимум по верхнему интервалу прогноза
[1] 91.1698
> which.max(ВерхПрогноз)
# находим в таблице порядковый номер строки максимума по верхнему интервалу прогноза
[1] 250
> min(НижПрогноз)
# находим минимум по нижнему интервалу прогноза
[1] 36.4774
> which.min(НижПрогноз)
# находим в таблице порядковый номер минимума по нижнему интервалу прогноза
[1] 250
> НижПрогноз[21]
# находим нижний интервал прогноза с лагом в 21 день
[1] 47.3384
> ВерхПрогноз[21]
# верхний интервал прогноза с лагом в 21 день
[1] 71.1137
>plot(НижПрогноз, main = 'Интервальный
прогноз на 250 торг. дней',type='l', lwd=4, ylim=c(min(НижПрогноз), max(ВерхПрогноз)))
>lines(ВерхПрогноз, lwd=4)
# делаем график интервального прогноза с лагом на 250 торговых дней
В результате получаем следующий график – см. рис. 7
Источник: расчеты автора
Рис. 7
На рис. 7 хорошо видно, что в целом, особенно, на первом этапе (для нижнего интервала – до лага в 75 дней торгов, а для верхнего – до 100 дней торгов) диапазон интервального прогноза по мере увеличения временного лага резко расширяется. Однако затем это расширение замедляется, а временами иногда даже немного уменьшается, хотя потом снова временами слегка подрастает. Это объясняется тем, что наши интервальные прогнозы рассчитаны на основе фактических изменений курса валюты с различным временным лагом. В то время как при расчете интервальных прогнозов, исходя из теоретического нормального распределения, таких колебаний не наблюдалось бы, но зато у них есть другой серьезный недостаток. Дело в том, что интервальные прогнозы, построенные на основе нормального распределения с 70%-90% уровнем надежности, как правило, существенно завышают вероятность волатильности валюты, на уровне 95% надежности близки к фактической волатильности, а на 99% и 99.9% уровнях надежности занижают этот риск.
Далее на основе данных за период с 30 июня 1992 г. по 30 марта 2018 г. мы сначала попытаемся разработать торговую систему, а затем ее протестировать на основе данных за весь апрель 2018 г. Поскольку в этом месяце насчитывается 21 день, в течение которых мы будем торговать, то, вполне логичным будет посмотреть, каким будет интервальный прогноз на конец этого периода. С этой целью мы введем следующий код:
> НижПрогноз[21]
[1] 47.3384
> ВерхПрогноз[21]
[1] 71.1137
Благодаря командам НижПрогноз[21] и ВерхПрогноз[21] нам удалось выяснить, что при лаге в 21 торговый день верхний и нижний интервалы прогнозов равняются, соответственно, 47.3384 руб. и 71.1137 руб. Таким образом наши расчеты, выполненные на основе имеющихся на 30 марта 2018 г. данных, с 99.9% уровнем надежности предсказывают, что на конец апреля 2018 г. курс доллара к рублю должен находиться в указанном диапазоне. В тот момент, когда пишутся эти строки, уже известно, что в течение апреля 2018 года, курс доллара к рублю находился в диапазоне от 57.285 руб. и до 64.0626 руб., то есть не выходил за рамки интервального прогноза.
Если бы мы захотели построить интервальные прогнозы на конец апреля 2018 г. с более низким 1% уровнем надежности, то нам следовало бы ввести следующий код:
> НижПрогноз <– Курс0+quantile(diff(Курс, 21), 0.01)
> НижПрогноз
2018-03-30
52.301041
> ВерхПрогноз<-Курс0+quantile(diff(Курс, 21), 0.99)
> ВерхПрогноз
2018-03-30
65.302888
В этом случае верхние и нижние интервалы прогнозы равнялись бы, соответственно, 52.3010 руб. и 65.3029 руб., но риск выхода курса доллара к рублю оказался бы выше.