Regression To The Mean Forex Cargo

La reversión media es la teoría que sugiere que los precios y los beneficios eventualmente se mueven hacia atrás hacia la media o la media. Esta media o media puede ser el promedio histórico del precio o rendimiento u otro promedio relevante como el crecimiento de la economía o el rendimiento medio de una industria. BREAKING Down Reversión media Esta teoría ha llevado a muchas estrategias de inversión que implican la compra o venta de acciones u otros valores cuyas actuaciones recientes han diferido mucho de sus promedios históricos. Sin embargo, un cambio en los rendimientos podría ser un signo de que la empresa ya no tiene las mismas perspectivas que una vez hizo, en cuyo caso es menos probable que la reversión media se producirá. Porcentaje de devoluciones y los precios no son las únicas medidas consideradas de media revertir las tasas de interés o incluso la relación precio-ganancias de una empresa puede estar sujeto a este fenómeno. Una reversión implica el retorno de cualquier condición de nuevo a un estado anterior. En los casos de reversión media, el pensamiento es que cualquier precio que se aleja lejos de la norma a largo plazo volverá de nuevo, volviendo a su estado entendido. La teoría se centra en la reversión de sólo cambios relativamente extremos, ya que el crecimiento normal u otras fluctuaciones son una parte esperada del paradigma. La teoría de la reversión media se utiliza como parte de un análisis estadístico de las condiciones del mercado y puede ser parte de una estrategia comercial general. Se aplica bien a las ideas de compra baja y alta venta, con la esperanza de identificar la actividad anormal que, teóricamente, volver a un patrón normal. El regreso a un patrón normal no está garantizado, ya que un inesperado alto o bajo podría ser una indicación de un cambio en la norma. Tales eventos podrían incluir, pero no están limitados a, lanzamientos o desarrollos de nuevos productos en el lado positivo, o recalls y pleitos en el lado negativo. Incluso con eventos extremos, es posible que una seguridad experimentará una reversión media. Al igual que con la mayoría de las actividades del mercado, hay pocas garantías sobre cómo determinados eventos afectarán o no afectarán el atractivo general de determinados valores. Inversión media de reversión La media de reversión de operaciones busca capitalizar cambios extremos dentro de la fijación de precios de una determinada garantía, basándose en el supuesto de que volverá a su estado anterior. Esta teoría se puede aplicar tanto a la compra como a la venta, ya que permite a un comerciante beneficiarse de aumentos inesperados y ahorrar en la ocurrencia de una baja anormal. MetaTrader Expert Advisor La correlación y la cointegración son dos conceptos basados ​​en regresión que son comúnmente mal utilizados por la comunidad comercial . Complejo en su formulación, ambos están interrelacionados y se utilizan para calcular las relaciones entre dos o más productos (es decir, materias primas, divisas, precios de las acciones) durante un período de tiempo específico. Correlación Se asigna un valor de 1 (correlación positiva) o -1 (correlación negativa) en función de la eficacia con que los dos precios reaccionan entre sí. La correlación identifica pares que se mueven en direcciones tándem o opuestas. Un buen ejemplo de un par de correlaciones a largo plazo es el de los cotizaciones EURUSD y USDCHF, que operan en una dirección similar. En el otro lado de la moneda, el EURGBP y el AUDNZD negocian direcciones opuestas. Muestran una correlación negativa de -0,81. Aunque esta cifra indica que los cruces se movieron unos contra otros, existe un ligero grado de incertidumbre sobre la sostenibilidad a largo plazo de este resultado negativo. Los comerciantes profesionales suelen establecer el punto de referencia de entrada para los pares por encima o por debajo de 0,9 o -0,9. La correlación tiene un inconveniente significativo, que puede afectar en gran medida la rentabilidad. Aunque dos pares pueden ser correlacionados, todavía no están en el unísono completo, que puede causar una ligera deriva en los precios. En el caso del EURGBP y el AUDNZD, es una deriva -0.19. Lea el post sobre la correlación forex para más detalles sobre el tema. Crédito de la imagen: Vassia Atanassova La caja de la izquierda muestra una fuerte correlación. El centro muestra una correlación débil. La extrema derecha muestra una imagen sin correlación. Cointegración Cointegración analiza los movimientos de precios e identifica el grado en que dos valores son sensibles a la misma media o precio medio durante un período de tiempo dado. No dice nada acerca de la dirección en que se moverán las parejas. La cointegración sólo mide si la distancia entre ellos permanece estable en el tiempo. Si observamos el oro y la plata, por ejemplo, podemos encontrar que rastrean un valor medio común. Pueden operar en direcciones opuestas de un día a otro. En algún momento desconocido en el futuro, deben volver a ese promedio y por lo tanto se cointegran. Los fondos de cobertura comúnmente usan esta fórmula para programar modelos de arbitraje estadístico para identificar parejas al comercio. Otro factor importante a tener en cuenta es el período de retroceso de la media y la desviación estándar. En esencia, si usted hace el valor de la mirada posterior 700, entonces el canal de la regresión calculará cuál es el precio medio sobre 700 períodos. Esto puede ser demasiado ineficiente y limitará la sensibilidad a los cambios en la dinámica del mercado. Por otro lado, si establece un período corto de vista atrás, entonces causará un efecto whipsaw y será demasiado sensible. Es importante obtener una mirada equilibrada en el rango de 200-350. Oro y plata Sección superior: Desviación estándar y regresión lineal Sección media: Rendimiento relativo Oro (azul oscuro) y plata (azul claro / azul turquesa) Sección inferior: Diagrama diario de oro y línea de tiempo El gráfico anterior destaca la correlación general de oro y plata Y el grado en que los desgloses podrían provocar oportunidades comerciales. He marcado varios escenarios diferentes de cointegración y los he mencionado en la segunda sección con las etiquetas P1, P2, P3 y P4. Silver Spike 8211 March Un repunte significativo en el precio de Silver en marzo envió el valor de regresión lineal por debajo del canal de desviación estándar inferior de -2.0. Para sacar provecho de la significativa discrepancia en los precios, el comerciante habría mirado cortocircuito plata y oro largo. En cuanto al rendimiento, esto habría resultado en un beneficio global, ya que la plata se debilitó fuertemente, cruzando por debajo del oro en mayo. Sobreviva de Plata Julio El precio de la plata sigue debilitándose en un nivel relativo al oro. En junio y julio, el valor de regresión pasa por encima del canal de desviación estándar superior, lo que indica que la plata está sobrevendida y el precio tendrá que volver a su media. El comerciante decide abrir una posición larga en plata y oro corto. Como previsto, vuelve a su media y la brecha entre ambos precios al contado se cierra rápidamente. Plata Overshoots diciembre Una vez más el precio de la plata sobrepasa el oro. Esto establece una larga oportunidad de oro, plata corta. En un nivel de rendimiento, el comerciante se capitalizar en el spread y el beneficio de la posición. Plata Selloff Abril Perforando el segundo canal de desviación estándar, el precio del oro se estabiliza mientras que la plata se debilita fuertemente. Esto ha proporcionado al comerciante una larga oportunidad de plata, de oro corto. El legendario matemático Carl Friedrich Gauss consideró su supuesto descubrimiento de regresión estadística ldquotrivial. rdquo El método parecía tan obvio para Gauss que pensó que no debía haber sido el primero en usar eso. Estaba seguro de que debió descubrirse que no publicó su descubrimiento hasta muchos años después, después de que su contemporáneo Adrien-Marie Legendre publicara sobre el método. Cuando Gauss sugirió que lo había usado antes de Legendre, se puso de relieve una de las disputas de prioridad más famosas en la historia de la ciencia. Rdquo Gauss eventualmente sería dado la mayor parte del crédito como el fundador de la regresión, pero no sin una pelea. Gaussrsquos ldquotrivialrdquo invención está ahora en el centro de la estadística moderna y la ciencia de los datos. La regresión es una herramienta estadística para investigar la relación entre las variables. Se utiliza con frecuencia para predecir el futuro y comprender qué factores causan un resultado - si desea averiguar cómo la escolarización afecta los salarios. Supongo que el ganador de la próxima elección. O averiguar el impacto de un nuevo fármaco. Hay una buena posibilidad de que tuya use la regresión. El historiador de estadística Stephen M. Stigler llama a la regresión el ldquo automóvil rdquo del análisis estadístico. Ldquo. A pesar de sus limitaciones, los accidentes ocasionales y la contaminación incidental, él y sus numerosas variaciones, extensiones y medios de transporte relacionados llevan la mayor parte de los análisis estadísticos, y son conocidos y valorados por casi todos. ¿Entonces cómo hizo la regresión, tan simple a Gauss, Tan esencial para gran parte de la ciencia moderna, surgen ¿Gauss realmente merece crédito por el descubrimiento methodrsquos A finales del siglo XVIII, la mejora de la navegación oceánica fue quizás el problema científico práctico más importante del día. La Era del Descubrimiento había conducido a grandes riquezas y comercio lucrativo, pero los viajes por mar seguían siendo peligrosos y propensos a imprecisiones. La tecnología mejorada en esta área valía mucho dinero. Con mayor precisión de navegación, los buques - y su carga - tendrían mayor probabilidad de llegar a su lugar de destino con seguridad y rapidez. Dadas las enormes recompensas económicas de una mejor navegación, la geodesia. El estudio de la medición de la tierra, era toda la rabia. En ese momento, una herramienta clave de los geodistas era el uso de los movimientos de otros planetas y cometas, en relación con la Tierra, como una manera de entender la forma y los comportamientos de Earthrsquos. Esto llevó a una mejor cartografía y un mejor conocimiento de la ubicación, lo que a su vez hizo más fácil encontrar su camino de forma rápida y segura de Portugal a la India. Los monarcas y los nobles estaban contentos de apoyar la investigación en esta área. Fue en este contexto histórico donde los matemáticos Carl Friedrich Gauss y Adrien-Marie Legendre descubrieron de manera independiente el método de los mínimos cuadrados, característica esencial de la regresión estadística. Menos cuadrados es una forma de utilizar los datos para hacer predicciones cuantitativas. Esas predicciones se optimizan para que, para cualquier punto en el conjunto de datos, el error modelrsquos multiplicado por sí mismo (al cuadrado) se minimice. Tanto Gauss como Legendre utilizaron el método de los mínimos cuadrados para comprender las órbitas de los cometas, sobre la base de las mediciones inexactas de los cometsrsquo ubicaciones anteriores. El conjunto de datos utilizado para la primera regresión estadística públicamente demostrado por Adrien-Marie Legendre, matemático del comienzo del siglo XIX. Los problemas de Legendre y Gaussrsquos eran bastante complejos, pero el método se puede entender a través de un ejemplo simple. Imagine que usted tiene un aula de 5to grado. Se le da el sexo, altura y peso de todos los estudiantes. Ahora se le dice que falta un alumno ese día, pero alguien sabe que el alumno tiene la altura y el género, pero no su peso. Así que ¿cuál es la mejor suposición para ese peso de los estudiantes Hay todo tipo de criterio de optimalidad que usted podría elegir. Es posible que le guste el criterio que minimiza el error absoluto de su conjetura, o tal vez uno que tiene la menor posibilidad de estar fuera de más de 10 libras. El método de mínimos cuadrados optimiza minimizando el error al cuadrado. Entonces, ¿qué hace que el error cuadrático sea tan especial? Por qué tanto Gauss como Legendre lo eligieron, independientemente. Hay dos razones principales que el error cuadrático fue aceptado casi inmediatamente por la comunidad matemática. En primer lugar, en ese momento y en un grado menor hoy en día, era comparativamente fácil de calcular. Mientras que hay una fórmula simple que se puede utilizar para obtener la mejor suposición para minimizar el error cuadrado, itrsquos un calvario serio para calcular la mejor suposición para casi cualquier otro criterio de optimalidad - incluyendo el error absoluto. En segundo lugar, la estimación basada en mínimos cuadrados tiene algunas propiedades estadísticas. Con algunas condiciones, puede suponer que el error se distribuye normalmente. Que es bastante agradable para la comprensión de lo seguro que puede estar en su conjetura. Tienes que amar una buena broma normal de distribución Via Robert Buxbaum Legendre fue el primero en hacer su descubrimiento del método de mínimos cuadrados público. En su artículo de 1805. Ldquo Nuevos métodos para la determinación de las órbitas de los cometas, rdquo Legendre suministró la articulación original y el ejemplo del uso de la regresión de mínimos cuadrados. Legendre confiaba en que su método era un ganador: De todos los principios que se pueden proponer para hacer estimaciones a partir de una muestra, creo que no hay ninguna más general, más exacta y más fácil de aplicar, de la que hemos hecho usehellip Que consiste en hacer de la suma de los cuadrados de los errores un mínimo. Desafortunadamente para el legado de Legenders, uno de los espíritus científicos más brillantes de la historia estaba trabajando en este mismo problema. Carl Friedrich Gauss fue uno de los mejores matemáticos de la historia y quizás un poco idiota. Debido a sus asombrosas contribuciones a las matemáticas, Carl Friedrich Gauss es a veces llamado el ldquo Príncipe de los matemáticos. Aunque Legendre reconoció al genio de Gaussrsquos, probablemente tenía algunos nombres menos amables que le gustaba llamar. En un movimiento de indecencia académica, Gauss robó el crédito por el descubrimiento de Legendrersquos de la regresión de los mínimos cuadrados directamente desde debajo de él. En el tratado de Gaussrsquos 1809, la teoría del movimiento de los cuerpos celestiales moviéndose sobre el sol en secciones cónicas, el matemático fue capaz de resolver el problema aparentemente intratable del cálculo de las órbitas planetarias. La demostración central de su teoría era la capacidad de Gaussrsquos para adivinar cuándo y dónde aparecería el asteroide Ceres en el cielo nocturno, un logro que ningún otro científico podría afirmar. Había una gran cantidad de matemáticas complejas y geometría que entró en su estimación, incluyendo el uso del método de mínimos cuadrados. Ldquo Nuestro principio, que hemos utilizado desde 1795, ha sido publicado recientemente por Legendre. Rdquo escribió Gauss. Como otras matemáticas de la época, a Gauss le gustaba usar el ldquowe real. Legendre estaba consternado. La decisión de Gaussrsquos de reclamar un descubrimiento que otro matemático había publicado antes que él era ciertamente conducta cuestionable. El notorio historiador de estadísticas Stephen Stigler nos dijo que, por lo menos, la decisión de Gaussrsquos era poco clara. Legendre envió una carta a Gauss para expresar su grave decepción. Fue con placer que vi que en el transcurso de tus meditaciones habías golpeado el mismo método que yo había llamado el método de los mínimos cuadrados en mi libro de memorias sobre cometshellip te confieso que añado algún valor en este pequeño hallazgo. Por lo tanto, no voy a ocultar de usted, señor, que sentí algún pesar al ver que al citar mi memoirhellip usted dice que lo había descubierto en 1795. No hay descubrimiento de que uno no pueda reclamar por sí mismo diciendo que uno había encontrado la misma cosa unos años antes, pero si uno no suministra la evidencia citando el lugar donde la publicó, esta afirmación se vuelve inútil y sirve sólo para hacer una Mal servicio al verdadero autor del descubrimiento. Legendre terminó la nota con una declaración de respeto. Tú tienes un tesoro suficiente, señor, para no tener necesidad de envidiar a nadie y estoy perfectamente satisfecho, además, de que tengo razones para quejarme de la única expresión y de ninguna manera de la intención. Gauss nunca volvería a retroceder De su afirmación de que había descubierto el método primero. Aunque no es totalmente concluyente, la preponderancia de la evidencia sugiere que Gauss estaba diciendo la verdad. Colegas de Gauss coinciden en que les había explicado los mínimos cuadrados y hay cálculos en sus cuadernos que probablemente no podrían haber sido hechos por ningún otro método. Gauss no había publicado su descubrimiento debido a su preferencia por desarrollar sus ideas antes de hacerlas públicas. Gauss famoso vivió por el lema. El historiador matemático Eric Temple Bell cree que si Gauss había publicado todas sus teorías cuando llegaron a él, las matemáticas habrían sido avanzadas por más de 50 años. Hoy en día, Gauss recibe la mayor parte del crédito por la invención de los mínimos cuadrados, y por lo tanto la regresión. Esto se debe principalmente a que la explicación de Gaussrsquos fue mucho más plenamente realizada que Legendrersquos. Stigler explica. Cuando Gauss publicó sobre los mínimos cuadrados, fue mucho más allá de Legendre tanto en el desarrollo conceptual como en el técnico, vinculando el método a la probabilidad y proporcionando algoritmos para el cálculo de las estimaciones. Gauss no pensaba mucho en su uso de los mínimos cuadrados, No es el más grande de mis descubrimientos. Una vez escribió a un colega lo avergonzado que estaba por sus predecesores de que no lo habían encontrado. Añadió que no quería dar a conocer su supervisión debido a su desagrado por la enfermedad en los patríos cineres, lo que se traduce en la decoloración en las cenizas de mis ancestros. Aún así, Gauss se mantuvo preocupado durante toda su vida que la gente había cuestionado su reclamo de regresión. El historiador estadístico R. Plackett escribió sobre Gaussrsquos ldquoless que la aceptación incondicional del principio de que la publicación establece la prioridad. Stigler nos dijo que este tipo de desacuerdos prioritarios son comunes en la historia del descubrimiento científico. Explicó: "La existencia de una disputa de prioridades es una señal de que algo importante está ocurriendo". Aunque eran los creadores de la función principal de regresión, ni Gauss ni Legendre usaron la palabra ldquoregressionrdquo para referirse a su método. El término regresión se aplicó primero a las estadísticas por el polímata Francis Galton. Galton es una figura importante en el desarrollo de las estadísticas y la genética. Desafortunadamente, sus estudios de herencia le llevaron a inventar el término eugenesia y abogar por la crianza de una sociedad más linda. Galton usó el término regresión para explicar un fenómeno que observó en la naturaleza. En la década de 1870 Galton recogió datos sobre la altura de los descendientes de árboles extremadamente altos y extremadamente cortos. Quería saber cómo ldquo co-relacionados rdquo árboles fueron a sus padres. Galton publicó su análisis de sus datos en el papel de 1886 Regression Towards Mediocrity in Hereditary Stature. De estos experimentos se desprende que los descendientes no tienden a parecerse a las semillas de sus padres en tamaño, sino que son siempre más mediocres que ellos, a ser más pequeños que los padres, si los padres eran grandes para ser más grandes que los padres si los padres Eran pequeños. Ahora nos referimos a este fenómeno que Galton descubrió como regresión a la media. Si hoy es extremadamente caliente, probablemente debería esperar mañana para ser caliente, pero no tan caliente como hoy. Si un jugador de béisbol acaba de tener la mejor temporada de su carrera, su próximo año es probable que sea una decepción. Los eventos extremos tienden a ser seguidos por algo más cercano a la norma. LdquoRegressionrdquo llegó a ser asociado con el método de los mínimos cuadrados de predicción a finales de 1800. Karl Pearson, uno de los fundadores de la estadística matemática y un colega de Galtonrsquos, notó que si se trazaba la altura de los padres en el eje xy sus hijos en el eje y, la línea que mejor ajustara los datos según los mínimos cuadrados tenía Una pendiente de menos de uno. Una pendiente de menos de uno es esencialmente la representación matemática de la mediación a la media. Pearson se refirió a esta pendiente en un gráfico como la línea de regresión de ldquo. Y así el método de mínimos cuadrados y regresión se volvió algo sinónimo. En 1901, el estadístico Karl Pearson usaba la lorquedura de la lorquedad para referirse a la estimación de los mínimos cuadrados. El análisis de regresión tal como lo conocemos hoy en día es principalmente el trabajo de R. A. Fisher, uno de los estadísticos más renombrados del siglo XX. Fisher combinó el trabajo de Gauss y Pearson para desarrollar una teoría completamente realizada de las propiedades de la estimación por mínimos cuadrados. Debido al trabajo de Fisherrsquos, el análisis de regresión no se utiliza sólo para la predicción y la comprensión de las correlaciones, sino para la inferencia sobre la relación entre un factor y un resultado (a veces de forma inapropiada). Post Fisher, ha habido una variedad de importantes extensiones de regresión, incluyendo la regresión logística. Regresión no paramétrica, regresión bayesiana y regresión que incorpora la regularización. La tecnología informática trajo regresión a la corriente principal. En la década de 1920, IBM creó tabuladores de tarjetas perforadas mecánicas que podrían utilizarse para calcular las respuestas a los análisis estadísticos computacionalmente pesados ​​como las regresiones. Antes de esto, todos los cálculos tenían que hacerse a mano, por lo que la regresión era sólo para los conjuntos de datos muy pequeños o para aquellos dispuestos a hacer una mente numbing número de problemas de multiplicación. Incluso todavía, todo el camino hasta la década de 1970, los cálculos para completar una regresión podría tomar días y la tecnología sólo estaba disponible para seleccionar a los investigadores. No fue hasta la aparición de la moderna computadora de escritorio que el uso del análisis de regresión fue verdaderamente democratizado. Hoy en día, cualquier persona con acceso a una PC puede ejecutar una regresión para un conjunto de datos de tamaño moderado en menos de un segundo. Gauss y Legendre se sorprenderían de la ubicuidad de la regresión de mínimos cuadrados. Los análisis de regresión son frecuentemente usados ​​por académicos, analistas de políticas, periodistas e incluso equipos deportivos para predecir el futuro y entender el pasado. Incluso con el desarrollo de algoritmos cada vez más sofisticados para la predicción y la inferencia, la buena regresión de los mínimos cuadrados sigue siendo quizá la joya de la corona del análisis estadístico. Nuestro próximo post es acerca de una mujer tratando de obtener la historia olvidada de Filipinas en la Segunda Guerra Mundial escrito en libros de texto. Seguimiento de contenido