STATISTICA для трейдера

Рассмотрим софт для проведения масштабного статистического исследования.

Программа STATISTICA – одна из лучших статистических программ на рынке софта. Она полезна для трейдера для проведения статистического исследования временных рядов финансовых временных рядов.

Американский сайт разработчика:
www.statsoft.com

Официальный сайт представителя разработчика в России: 
www.statistica.ru
www.statsoft.ru
www.spc-counsulting.ru

В состав пакета STATISTICA входят модули дисперсионного анализа,  нелинейного и линейного регрессионного анализа, анализа временных рядов, прогнозирования, модуль частных наименьших квадратов, модули общих линейных и регрессионных моделей.
Модуль для дисперсионного анализа применяется для промышленного анализа, когда требуется сделать факторный анализ  данных, где данные являются случайными величинами, не задаваемые экспертом. В этом модуле имеется возможность стандартные факторные и иерархические  производные планы. Есть методы для оценки составляющих дисперсии по принципу максимума правдоподобия (алгоритм Ньютона-Рафсона и Фишера). В модуле содержится большой набор функций для вычисления доверительных интервалов. Присутствует линейная и нелинейная оценка параметров модели с помощью подгонки. Есть возможность оценить кусочно-разрывные модели регрессии. Представлена возможность подогнать распределение под  случайные данные (виды распределений в пакете STATISTICA: бета, биноминальное, хи-квадрат, Коши, экспоненциальное, гамма, геометрическое, логистическое, Лапласа,  Пуассона, Рэлея, Вейбула).
В модуль нелинейного и линейного оценивания включены оценки параметров моделей, матрица дисперсий и ковариаций для оценки параметров, их стандартные ошибки. Классификация наблюдений и установления отношений несогласия между моделями.

С точки зрения трейдера полезен модуль анализа временных рядов. В модуль анализа временных рядов  STATISTICA включены инструменты для построения, описания моделей, прогнозирования временных рядов, как во времени, так и по частоте. Включены различные статистические преобразования исходных временных рядов: удаление тенденции, удаление автокорреляционной зависимости, фильтрация сглаженным, экспоненциальным средним, косинус-сглаживанием, прямым и обратным преобразованием Фурье. Модуль позволяет рассчитать автокорреляционную функцию исследуемого временного ряда, частные автокорреляции и кросс-корреляции. Для прогнозирования временных рядом можно использовать модель авторегрессии и модель скользящего среднего. Перед прогнозированием модель можно преобразовать. Результаты прогнозирования можно оценить по ошибкам корреляции и другим стандартным ошибкам. Прогнозирование может быть представлено в визуально удобной графической форме. К дополнительным функциям анализа при прогнозировании относятся функции исследования остатков модели. Одно из достоинств статистического пакета STATISTICA является возможность провести анализ разрывных временных рядов. Для прерванных временных рядов можно построить модели прогноза, основанные на регрессии. Эти модели прогнозирования можно вывести на график для лучшего визуального анализа. В этот модуль включены традиционные методы экспоненциального сглаживания, методы формирования аддитивной или мультипликативной модели временного ряда, включающие сезонную, трендовую, колебательную и случайную составляющие. Включена возможность описать временной ряд с помощью модели Хольта-Винтерса. Пользователь может вручную записать параметры модели либо автоматически найти лучший набор по минимуму среднеквадратической, абсолютной, относительной ошибки. В модуль включены методы спектрального и гармонического анализа временного ряда, а также методы кросс-спектрального анализа двух временных рядов. Есть возможность определить спектр плотности и построить периодограмму.

Также в STATISTICA очень полезен  модуль построения нейронных сетей, которые можно использовать в различных сферах от социологии до экономики.  Они применяются для плохо структурированных задач, где традиционные методы оказываются бессильными. Нейронные сети полезны для решения задач прогнозирования, построения многомерных зависимостей, классификации, распознавания образов.

 

Автор: Жданов Василий Юрьевич
(с) BE in trend

Оцените статью
Adblock
detector