🛠️
Bemind
Инструменты оценки
Инструменты оценки
  • Основные показатели стратегии
  • Инструменты оценки модели линейной регрессии
    • 1. Средняя квадратическая ошибка
    • 2. Средняя абсолютная ошибка
    • 3. Корень из средней квадратической ошибки.
    • 4. Коэффициент детерминации
    • 5. Скорректированный коэффициент детерминации:
    • 6. Коэффициенты модели
    • 7. Проверка гипотез о коэффициентах модели
    • 8. Проверка предположений о модели
  • Инструменты оценки качества обучения классифицирующей нейронной сети
    • Точность (Accuracy)
    • Матрица ошибок (Confusion Matrix)
    • Кривая ROC (Receiver Operating Characteristic)
    • Кросс-энтропийная функция потерь (Cross-Entropy Loss)
    • Precision, Recall, F1-score
    • Разделение данных на тренировочный, валидационный и тестовый наборы
    • Мониторинг метрик на валидационном наборе во время обучения для предотвращения переобучения
  • Линейная, логистическая и регрессия Пуассона.
    • Введение в простую линейную регрессию
    • Введение в регрессию Пуассона для подсчета данных
    • Введение в простую линейную регрессию
    • Полное руководство по линейной регрессии в Python
      • Как создать остаточный график в Python
      • Понимание гетероскедастичности в регрессионном анализе
      • Как выполнить тест Дарбина-Ватсона в Python
      • Четыре допущения линейной регрессии
    • Как рассчитать VIF в Python
    • Руководство по мультиколлинеарности и VIF в регрессии
  • Мультиколлинеарность и коэффициент инфляции дисперсии (VIF) в регрессионной модели (с кодом Python)
    • Фактор инфляции дисперсии в Python
  • Функции потерь в Python — простая реализация
  • CADE — интересный способ поиска аномалий в многомерных данных
  • Как использовать Python для проверки нормальности
  • Анализ карты Пуанкаре
    • Анализ Финансовых Рынков: Автокорреляция и Спектральный Анализ Криптовалют
  • Предсказания цен с использованием постоянной Фейгенбаума
  • Расчет вероятности серии убыточных сделок в серии игр.
  • Анализ данных ставок и результатов с использованием Python
Powered by GitBook
On this page

Анализ карты Пуанкаре

Анализ карты Пуанкаре может дать глубокое понимание динамических свойств системы, в частности, её периодичности, квазипериодичности и хаотического поведения. Рассмотрим, как правильно анализировать карту Пуанкаре, чтобы выявить эти свойства.

Шаги анализа карты Пуанкаре

  1. Сбор и предобработка данных:

    • Соберите временной ряд интересующего вас параметра (например, цен акций).

    • Очистите данные от выбросов и шума, если это необходимо.

  2. Построение карты Пуанкаре:

    • Постройте карту, где на оси (x) отложены значения временного ряда в момент времени ( t ), а на оси (y) — значения в момент времени ( t+1 ).

  3. Визуальный анализ карты:

    • Ищите паттерны на карте, такие как точки, линии или облака точек.

Типичные паттерны на карте Пуанкаре и их интерпретация:

  1. Точки или дискретные группы точек:

    • Периодичность: Если карта состоит из нескольких дискретных точек, это указывает на периодическое поведение системы. Например, две точки означают период 2, три точки — период 3 и так далее.

    • Квазипериодичность: Если точки сгруппированы в несколько близко расположенных кластеров, это может указывать на квазипериодическое поведение.

  2. Линии или кривые:

    • Непрерывные линии: Указывают на детерминированное поведение, но не обязательно периодическое. Это может быть свидетельством квазипериодического поведения.

  3. Облака точек:

    • Хаос: Если точки распределены по всей области без явного порядка, это указывает на хаотическое поведение системы.

Пример анализа карты Пуанкаре для финансового временного ряда

Рассмотрим пример с данными о ценах BTC-USDT:

import yfinance as yf
import numpy as np
import matplotlib.pyplot as plt

# Загрузка исторических данных BTC-USDT
btc_data = yf.download('BTC-USD', start='2021-01-01', end='2024-05-25', interval='1d')

# Используем закрытые цены
prices = btc_data['Close'].values

# Построение карты Пуанкаре
plt.figure(figsize=(10, 6))
plt.plot(prices[:-1], prices[1:], 'o', markersize=2)
plt.xlabel('$P(t)$')
plt.ylabel('$P(t+1)$')
plt.title('Карта Пуанкаре для BTC-USD')
plt.show()

Анализ карты

  1. Выявление паттернов:

    • На карте Пуанкаре может быть видно, что точки образуют определённые кластеры или линии.

    • Если наблюдаются плотные кластеры точек, это может указывать на периодическое или квазипериодическое поведение.

    • Если точки распределены случайным образом, это может свидетельствовать о хаотическом поведении рынка.

  2. Определение типа поведения:

    • Периодическое поведение: чёткие, повторяющиеся группы точек.

    • Квазипериодическое поведение: точки образуют плавные кривые или замкнутые петли.

    • Хаотическое поведение: точки распределены без видимой структуры.

Использование для прогнозирования

Анализ карты Пуанкаре может помочь в прогнозировании:

  • Периодические рынки: Определив периодичность, можно делать прогнозы на основе повторяющихся паттернов.

  • Квазипериодические рынки: Прогнозы можно строить, изучая траектории движения точек на карте.

  • Хаотические рынки: Прогнозирование становится сложнее, но понимание хаоса может помочь в оценке вероятностей определённых изменений и в управлении рисками.

Заключение

Анализ карты Пуанкаре предоставляет мощный инструмент для понимания сложных динамических систем, таких как финансовые рынки. Он позволяет выявить скрытые паттерны и понять, как система ведёт себя во времени. Используя этот метод, можно улучшить стратегии прогнозирования и управления рисками.

PreviousКак использовать Python для проверки нормальностиNextАнализ Финансовых Рынков: Автокорреляция и Спектральный Анализ Криптовалют

Last updated 11 months ago

Ссылка на код статьи