프로그래밍 방식으로 두 줄 (스톡 패턴 매칭)

Question

내가하고 싶은 것은 특정 주식 패턴 (일련의 X 및 Y 좌표로 정의 됨)을 가져 와서 역사적 주가와 비교하는 것입니다. 내가 정의한 패턴과 비슷한 역사적 가격으로 무엇인가를 찾으면, 나는 그것을 일치로 반환하고 싶습니다.

두 개의 곡선이 얼마나 비슷한 지 결정하는 방법을 잘 모르겠습니다. 나는 약간의 연구를했고, 당신은 두 개의 직선의 유사성을 찾을 수 있지만 (선형 회귀와 함께) 아직 두 개의 곡선을 비교하는 좋은 방법을 찾지 못했습니다.

지금 가장 좋은 방법은 내가보고있는 과거 데이터 범위에서 몇 가지 높고 낮은 점수를 얻는 것입니다. 선의 경사면을 찾고, 그것들을 내가 일치시키려는 패턴의 경사면과 비교해야합니다. 대략 동일합니다.

더 나은 아이디어가 있습니까? 나는 그들을 듣고 싶다!

편집하다: 입력 주셔서 감사합니다! 나는 전에 가장 적은 사각형 접근법을 고려했지만 어디로 가야할지 확신하지 못했습니다. 내가받은 입력 후, 나는 각 줄의 최소 제곱을 먼저 컴퓨팅하여 먼저 데이터를 부드럽게 한 다음 제임스가 제안한 패턴을 스케일링하고 스트레칭하면 내가 찾고있는 것을 얻어야한다고 생각합니다.

구매 및 판매 신호를 결정하기 위해 주식의 특정 기술 플래그를 식별하기 위해 이것을 사용할 계획입니다. 이미 어느 정도이 사이트가 있습니다. (예 : Stockfetcher), 그러나 물론 나는 직접 시도하고 더 잘할 수 있는지보고 싶습니다.

Answer 1

문제 중 하나는 비선형 함수를 사용하는 곡선 피팅이 얼마나 복잡한 지에 따라 항상 일부 패턴에서 작동하지는 않는다는 것입니다. 2 차 또는 입방 또는 일부 다항식 순서를 사용하여보다 정확한 결과를 얻을 수 있지만 모든 상황에서는 특히 시간이 지남에 따라 데이터의 급격한 변화로 작동하지 않습니다.

솔직히 나는 합리적이고 비교적 간단한 솔루션은 패턴을 '스케일'하고 '스트레칭'하여 역사적 데이터와 동일한 범위에서 발생하는 것이라고 생각합니다. x 축에 보간 및 곱셈과 y 축에 대한 오프셋을 사용할 수 있습니다. 그 후 각 지점에서 제곱 차이의 평균을 살펴보고 임계 값보다 낮은 경우 일치하는 것으로 간주 할 수 있습니다. 예측 가능한 결과를 얻으려면 약간의 조정이 필요하지만 회귀에 의존하지 않고도 잘 맞는 곡선을 생성하지 않고 모든 종류의 패턴을 정의 할 수있는 좋은 접근법이라고 생각합니다. 본질적으로 통계의 적용 일뿐입니다. 보다 포괄적 인 접근 방식을 위해 표준 편차 또는 분산을 볼 수도 있습니다.

Answer 2

각 지점에서 잔차 (Y 차이)의 총 최소 제곱을 계산하십시오. 이것은 당신에게 기하학적 착용을 측정해야합니다 (비슷한 모습). 그런 다음 '유사한 충분히'에 대한 공차를 설정할 수 있어야합니다.

보다 http://en.wikipedia.org/wiki/curve_fitting

Answer 3

수학은 내 강한 요점이 아니지만 사용할 수 있습니다. 상관관계.

두 데이터 세트 사이의 상관 값과 상관 관계가 일부 값 (.8?)보다 큰 경우 세트를 유사하게 고려하십시오. 충분한.

Answer 4

아니면 아마도 파생 상품을 보시겠습니까?

이론적으로 주가 이동은 일반적으로 드리프트 계수를 가진 브라운 운동으로 모델링됩니다. (나는 아주 작은 것을 알고 있지만 봐 여기)

당신이 내가 묻는 것을 신경 쓰지 않는다면, 그게 어떤 끝이 될까요?

Answer 5

한 가지 생각은 다양한 시간 범위 (매일, 몇 달, 몇 년, 매주, 몇 달, 몇 년 등)의 이동 평균을 취하고 현재 평균 이동 평균과 비교하는 것입니다.

개별 평균은 또한 더 쉬운 비교를 제공합니다. 평균의 연속 항목이 일부 정규화 된 형태 인 경우 (예 : 스플릿을 설명하기 위해 0..1에서) 벡터의 연속 요소를 서로 내부와 비교할 수 있습니다. 일부 범위 epsilon, 그리고 경기의 잠재력을 얻으십시오.

그냥 생각.

Mathworld (http://mathworld.wolfram.com/) 또한 곡선 비교도 가져와야합니다.

Answer 6

최소 제곱은 당신이 할 수있는 최선이 아닙니다. Ransac 알고리즘을 사용하십시오. 이런 종류의 데이터는 예측할 수없고 종종 시끄럽기 때문에 이러한 종류의 데이터를 처리합니다.