Fuzzy systems
Geplaatst: 03 aug 2016, 21:25
Hallo,
alvast bedankt voor de moeite voor het lezen. Ik heb laatst een artikel gelezen dat zich concentreert op Fuzzy systems en in dit artikel werd het gebruikt voor het voorspellen van de beurs. Ik vond de manier waarop de auteur bepaalde “vage/fuzzy” regels om heeft gezet naar iets meetbaars zeer interessant. En zou dit graag eens wille reproduceren om te kijken of zijn resultaten ook in de buurt kunnen komen van mijn resultaten.
Ik heb daarom het artikel nog een keer gelezen en heb me voornamelijk geconcentreerd op de wiskunden die hiervoor nodig is. De auteur legt voor de professional waarschijnlijk alles duidelijk uit, maar voor mij zijn er toch een aantal onduidelijkheden waar ik hoop dat jullie mij verder kunnen helpen.
Allereerst zal ik kort uitleggen wat de auteur van plan is en welke aannames hij heeft getroffen:
De auteur is er vanuit gegaan dat Technical Analysis (een vage methode om de beurs te kunnen voorspellen) door de meeste mensen wordt gebruikt
Doordat veel mensen dit nog gebruiken, klopt het vaker ook (self fullfilling).
De auteur wil echter van de vage “regels” iets meetbaars maken.
Om de technical trading regels in een “single excess demand function” (edi (xt) om te zetten gebruikt hij de volgende formule (die hebben we op het einde weer nodig)
Vervolgens neemt hij 1 technical trading rule (2 moving averages) waar hij uitlegt wat in de meeste gevallen gaat gebeuren (ik zal dit nu even niet vertalen)
De moving averages worden als volgt berekend:
Echter weten we nu nog steeds niet meer behalve dat we dus iets weten over die moving averages. Daarom wil hij de uitkomst van deze formules aan een fuzzy set hangen. Hij gaat er 7 gebruiken:
Positive small (PS)
Positive medium (PM)
Positive large (PL)
Negative Small (NS)
Negative medium (NM)
Negative large (NL)
Around zero (AZ)
Die hij vervolgens zo indeelt:
De negative large function en de positive large function kan als volgt worden berekend:
W is een positive constant (hij neemt hiervoor 0.01 (1 %))
Vervolgens gaat hij deze fuzzy sets koppelen aan sell of buy signals van de mensen die deze technical analysis gebruiken. Daarvoor heeft hij ook 7 sets:
Buy small (BS)
Buy Medium (BM)
Buy Big (BB)
Sell Small (SS)
Sell Medium (SM)
Sell Big (SB)
Neutral (N)
Een voorbeeld van de membership functie voor BM (Buy Medium) ziet er zo uit:
Nu hij dit heeft gedaan, komt hij eigenlijk tot de kern van zijn fuzzy system (de IF THEN regels). De volgende 7 regels:
Het laatste dat er vervolgens moet gebeuren is om deze regels in een excess demand functie om te zetten. Het volgende fuzzy system wordt er dan gebruikt:
Nou, nu ik dit kort heb uitgelegd hoop ik dat iemand dit direct beter begrijpt.
Mijn eerste vraag gaat over Functie (4) en functie (5). Als we kijken naar de PL (positive large) functie. In Fig. 1 zie ik dat die correspondeert met 3w (of iig groter dan 3w).
Laat ik even een klein voorbeeldje gebruiken. Als we de moving average van 1 en 10 gaan berekenen (dat is, gemiddelde van vandaag (dus de prijs van vandaag) en de gemiddelde prijs van 10 dagen geleden.
Prijs vandaag: 100
Prijs over de laatste 10 dagen: 101,5
Als we dan fuctie 3 invullen krijgen we LN(100/101,5) = -0.0148886125
Als we dan functie 4 gaan invullen, dan loop ik een beetje vast. Ik krijg daar enorm hoge waardes uit, terwijl imo deze waardes kleiner moeten zijn. Waarschijnlijk vul ik in excel fout in.
Ik heb het volgende geproeerd voor functie (4)
w: 0.01 (positive constant, de auteur heeft 0.01 als basis genomen zodoende dat ik dat ook gebruik)
1 - (-0.0148886125 - 0,01) / 0,01
1 - 97,55 = -96,552
Ik heb geen idee waarom ik zo een vreemde waarde krijg. DIt is imo te hoog. Het kan goed zijn dat mijn voorbeeld geen goede getallen weergeeft voor PS (positive small) fuzzy set. Ik weet dus niet of ik hier fout zit.
Wellicht dat iemand mij verder kan helpen.
Alvast bedankt
alvast bedankt voor de moeite voor het lezen. Ik heb laatst een artikel gelezen dat zich concentreert op Fuzzy systems en in dit artikel werd het gebruikt voor het voorspellen van de beurs. Ik vond de manier waarop de auteur bepaalde “vage/fuzzy” regels om heeft gezet naar iets meetbaars zeer interessant. En zou dit graag eens wille reproduceren om te kijken of zijn resultaten ook in de buurt kunnen komen van mijn resultaten.
Ik heb daarom het artikel nog een keer gelezen en heb me voornamelijk geconcentreerd op de wiskunden die hiervoor nodig is. De auteur legt voor de professional waarschijnlijk alles duidelijk uit, maar voor mij zijn er toch een aantal onduidelijkheden waar ik hoop dat jullie mij verder kunnen helpen.
Allereerst zal ik kort uitleggen wat de auteur van plan is en welke aannames hij heeft getroffen:
De auteur is er vanuit gegaan dat Technical Analysis (een vage methode om de beurs te kunnen voorspellen) door de meeste mensen wordt gebruikt
Doordat veel mensen dit nog gebruiken, klopt het vaker ook (self fullfilling).
De auteur wil echter van de vage “regels” iets meetbaars maken.
Om de technical trading regels in een “single excess demand function” (edi (xt) om te zetten gebruikt hij de volgende formule (die hebben we op het einde weer nodig)
Vervolgens neemt hij 1 technical trading rule (2 moving averages) waar hij uitlegt wat in de meeste gevallen gaat gebeuren (ik zal dit nu even niet vertalen)
De moving averages worden als volgt berekend:
Echter weten we nu nog steeds niet meer behalve dat we dus iets weten over die moving averages. Daarom wil hij de uitkomst van deze formules aan een fuzzy set hangen. Hij gaat er 7 gebruiken:
Positive small (PS)
Positive medium (PM)
Positive large (PL)
Negative Small (NS)
Negative medium (NM)
Negative large (NL)
Around zero (AZ)
Die hij vervolgens zo indeelt:
De negative large function en de positive large function kan als volgt worden berekend:
W is een positive constant (hij neemt hiervoor 0.01 (1 %))
Vervolgens gaat hij deze fuzzy sets koppelen aan sell of buy signals van de mensen die deze technical analysis gebruiken. Daarvoor heeft hij ook 7 sets:
Buy small (BS)
Buy Medium (BM)
Buy Big (BB)
Sell Small (SS)
Sell Medium (SM)
Sell Big (SB)
Neutral (N)
Een voorbeeld van de membership functie voor BM (Buy Medium) ziet er zo uit:
Nu hij dit heeft gedaan, komt hij eigenlijk tot de kern van zijn fuzzy system (de IF THEN regels). De volgende 7 regels:
Het laatste dat er vervolgens moet gebeuren is om deze regels in een excess demand functie om te zetten. Het volgende fuzzy system wordt er dan gebruikt:
Nou, nu ik dit kort heb uitgelegd hoop ik dat iemand dit direct beter begrijpt.
Mijn eerste vraag gaat over Functie (4) en functie (5). Als we kijken naar de PL (positive large) functie. In Fig. 1 zie ik dat die correspondeert met 3w (of iig groter dan 3w).
Laat ik even een klein voorbeeldje gebruiken. Als we de moving average van 1 en 10 gaan berekenen (dat is, gemiddelde van vandaag (dus de prijs van vandaag) en de gemiddelde prijs van 10 dagen geleden.
Prijs vandaag: 100
Prijs over de laatste 10 dagen: 101,5
Als we dan fuctie 3 invullen krijgen we LN(100/101,5) = -0.0148886125
Als we dan functie 4 gaan invullen, dan loop ik een beetje vast. Ik krijg daar enorm hoge waardes uit, terwijl imo deze waardes kleiner moeten zijn. Waarschijnlijk vul ik in excel fout in.
Ik heb het volgende geproeerd voor functie (4)
w: 0.01 (positive constant, de auteur heeft 0.01 als basis genomen zodoende dat ik dat ook gebruik)
1 - (-0.0148886125 - 0,01) / 0,01
1 - 97,55 = -96,552
Ik heb geen idee waarom ik zo een vreemde waarde krijg. DIt is imo te hoog. Het kan goed zijn dat mijn voorbeeld geen goede getallen weergeeft voor PS (positive small) fuzzy set. Ik weet dus niet of ik hier fout zit.
Wellicht dat iemand mij verder kan helpen.
Alvast bedankt