利用市场瞬时状态预测趋势逆转

这可能解释了与相关矩阵的最大特征值对应的全局集合模式，以及谱块的结构，这不仅是由于噪声，还考虑了聚类特性[37]。有趣的是，即使市场动态无疑比模型复杂得多，这样一个最小模型返回的精确度几乎与成对自动注册模型的精确度一样好；这一发现突显了集合模式在趋势预测中的重要贡献，因为除了较高的采样频率外，个体偏差与预测无关。此外，它还建议，如果耦合的规模似乎不同[11,10]，那么神经科学中衍生的方法也可以应用于金融业。13/感谢D.Veredas、B.De Rock、P.Emplit、A.Smerierieri和S.Massar的宝贵评论和讨论。这项工作是在索尔维布鲁塞尔经济与管理学院的财政支持下进行的。在这项工作中，我们考虑瞬时信息（在定义的时间范围内）。因此，时间序列应该是同步的。证券交易所取消了交易日、交易前和交易后的交易交易所。如果某个特定资产缺少时间仓位，则应从数据库中删除sametime仓位。后一种情况是无关紧要的，因为我们考虑到了公司和资本充足的公司。B正则化伪最大似然当公共最大似然不可追踪时，rPML方法是估计成对最大熵模型拉格朗日参数的一种有效方法[32]。这种方法可以被认为是一种用于预测二元结果的自回归。其主要思想是对分布进行因式分解，只考虑条件概率。

对于长度为T的无因次样本，最大化isPL（θ）=TT的目标函数∑t=1N∑i=1log P（si，t|s-i、 t；θ） （5）其中瞬时模型的条件概率为p（si，t | s）-i、 t；θ） =“1+si，ttanh∑j6=ijsj，t+hi#（6） andp（si，t | HTt；θ）=“1+si，ttanh∑j6=ijsj，t+hi+t∑τ=1∑jKτijsj，t- τ!#（7） 对于历史模型。在PL函数中添加正则化项以防止过度拟合，例如，过度拟合是待估计参数l-范数的负倍数。正则化的PL（rPL）目标函数就是PL（θ）-λkθk，λ>0。如果认为网络是稀疏的，则应使用lRegulation术语[32]（参数的小值投影在零上）。C噪声和与艺术作品的比较拉格朗日参数的估计可能会在方向预测中引入偏差。尤其是由于有限尺寸估计带来的噪声以及基于近似方案的推理方法的局限性。此外，它们的值取决于所考虑的样本，因为它们的第一和第二矩应该与经验矩相匹配。为了量化偏差，我们估计了恢复的Jmatrix标准偏差的噪声部分。我们用最大熵条件概率p（si，t=-是的，t-1 | s-i、 被称为Glauber dynamics[42]。随机选择一个产品，如果泄漏概率为2，则允许泄漏尝试-1[1 -锡坦人(∑林俊杰*ijsj]大于区间[0,1]上的随机均匀数。每个蒙特卡罗步骤（MCS）都会记录一个配置。MCS对应于5N的飞行尝试。在这一数据生成过程中*矩阵为齐次矩阵，所有条目均等于相互影响的经验平均值。然后我们用RPML方法估计影响矩阵。

理想情况下，估计的艺术影响的标准偏差σNoiseo应远小于实际影响σJ。该方法如图15所示，结果如表1所示。根据样本长度，噪声似乎很小，但不是估计的主要部分，除了大系统尺寸。我们还可以根据数据生成估计的J矩阵，推断出艺术J*矩阵和比较J*对于J.如果估计的拉格朗日参数14/-3.-2.-101230.51.5Jij-hJijiσJrealJ*JESTJREAL图15：参数推断中噪声级估计的示意图。艺术数据产生的影响是均匀的*（绿色Diracdelta表示的概率密度函数）。然后，我们使用这些人工数据进行参数估计。理想情况下，估算参数Jests的pdf应接近J的pdf*. 最后，我们将Jestto的分布与实际数据产生的参数方差进行了比较。表1：推断相互影响标准偏差的噪声部分的量化。索引/设置样本长度（T）σnoise/σJEur。指数2.5×100.37DJ（日）2.5×100.31DJ（分钟）3.0×100.24J*我很接近他们的真实价值观。为了量化与真实网络（定义为byJ）的偏差，我们使用重建误差 =√Nh（J）*ij- Jij）i1/2，表示均方根误差h（J*ij- Jij）1/2和规范标准偏差1/√N[32]。重建误差的这种定义被认为与金融网络一致[11]。结果见表2。

这些结果与[32]中重建误差的量级为10的结果一致-2对于大小为N=64的完整网络，其Jijdrawn来自高斯分布N（0，N-1).表2：重建误差的量化 有规律的伪似然。艺术数据是通过Glauber dynamics生成的，使用从真实数据推断出的J作为真实影响矩阵（每5N次冲击尝试记录一次配置）。索引/设置样本长度（T）欧元。指数2.5×100.100DJ（每日）2.5×100.158DJ（分钟）3.0×100.035DJ（分钟）1.0×100.026A评估自动注册模型准确性的有用基准可能是根据艺术数据计算的预测能力。我们计算两两自动注册过程真实生成的艺术数据的平均准确度和平均AUC，并将其与从财务数据中获得的结果进行比较。表3中报告了这些值。一般来说，艺术数据的预测能力略大。艺术数据和真实数据之间的相对差异在1%到5%之间。该基准显示，回归迹象的预测精度与15/表3真实生成的有限规模时间序列的预测精度相似：人工精度和AUC与真实时间序列的比较。人工值由成对最大熵模型（autologis-tic）生成的数据和财务数据生成的真实数据计算得出。人工样本的长度与相应的真实样本相同。索引/设置精度艺术。（%）准确率（%）AUC艺术。拍卖师。指数87 83 0.911 0.914DJ（每日）75 73 0.806 0.797DJ（最小）71 70 0.769 0.763a成对瞬时过程。人工准确度和AUC表示模型因有限尺寸效应可以返回的最大预期值。参考文献[1]彼得·F·克里斯托弗森和弗朗西斯·X·迪博尔德。

金融资产回报、变化方向预测和波动动力学。《管理科学》，52（8）：1273-1287，2006年。[2] 海伦·苏珊娜·M·奥特、切斯特·克鲁姆、亚当·阿瓦基安、德罗·凯内特、尤金·斯坦利和托比亚斯·普瑞斯。在股市波动之前量化维基百科的使用模式。科学报告，2013年3月。[3] 托比亚斯·普里斯、海伦·苏珊娜·莫特和尤金·斯坦利。使用谷歌趋势量化金融市场的交易行为。科学报告，2013年3月。[4] 托拜厄斯·普赖斯、丹尼尔·雷思和尤金·斯坦利。我们经济生活在不同规模上的复杂动态：来自搜索引擎查询数据的见解。theRoyal Society A的哲学学报：数学、物理和工程科学，368（1933）：5707-5719，2010。[5] 托马斯·勒克斯和米歇尔·马尔凯西。金融市场随机多代理模型中的标度和临界性。《自然》，397（6719）：498-5001999。[6] Rama Cont和Jean-Philipe Bouchaud。金融市场中的羊群行为和总波动。宏观经济动态，4（2）：170–196，2000年。[7] 迪迪埃·索内特。股市崩溃原因：复杂金融系统中的关键事件。普林斯顿大学出版社，2004年。[8] 凌峰、李宝文、鲍里斯·波多布尼克、托比亚斯·普里斯和尤金·斯坦利。将基于代理的模型和金融市场的随机模型联系起来。《国家科学院院刊》，109（22）：8388–83932012。[9] K·H·费舍尔和J·A·赫兹。旋转眼镜。剑桥大学出版社，剑桥，1991年。[10] Elad Schneidman、Michael J.Berry、Ronen Segev和William Bialek。弱的成对相关性意味着神经种群中的强相关网络状态。《自然》，440（7087）：1007-1012，美联社2006年。[11] T.伯里。股票市场的统计两两互动模型。《欧洲物理杂志》，2013年。[12] S.阿纳托利耶夫和N.戈斯波迪诺夫。

通过分解建模财务回报动态。《商业与经济统计杂志》，28（2）：232-24520-10。[13] 尼伯格。用动态二元概率模型预测美国股市的走向。《国际预测杂志》，27（2）：561-5781011。[14] 玛斯法蒂克和罗德里格斯。金融市场中的集体行为。EPL（欧洲物理学通讯），96:480042011。[15] L.Laloux、P.Cizeau、J.P.Bouchaud和M.Potters。财务相关矩阵的噪声修饰。《物理评论》Letters，83（7）：1467–14701999.16/18[16]J.-P.Onnela，A.Chakraborti，K.Kaski，J.Kertész和A。关东。市场相关性的动态：分类和投资组合分析。菲斯。牧师。E、 2003年11月，68:056110。[17] L.Molgedey和W.Ebeling。金融时间序列的局部顺序、熵和可预测性。欧洲物理杂志B-凝聚态物质和复杂系统，15（4）：733-737，2000。[18] 瓦西里基·普莱鲁、帕拉米斯瓦兰·戈皮克里希南、伯纳德·罗森诺、卢伊斯·努内斯·阿马拉尔和H·尤金·斯坦利。金融时间序列中互相关的普适性和非普适性。《物理评论快报》，83（7）：14 711999年。[19] T.伯里。由两两互动解释的市场结构。Physica A:St A tistical Mechanics及其应用，423:1375–13852013。[20] 斯坦利阁下。相变和临界现象简介。介绍相变和临界现象，H尤金·斯坦利著，第336页。H尤金·斯坦利的前言。牛津大学出版社，1987年。ISBN-10:0195053168。ISBN-13:978019505316611987。[21]曼弗雷德·奥珀和大卫·萨阿德。推荐的平均场方法：理论与实践。米特出版社，2001年。[22]Rosario N M antegna和H Eugene Stanley。经济物理学导论：金融中的相关性和复杂性。剑桥大学出版社，1999年。[23]J.W.枕头，J.施伦斯，L.帕宁斯基，A.谢尔，A.M。

利特克、EJ Chichilnisky和E.P.S imoncelli。完整神经元群体中的时空相关性和v isua l信号。《自然》杂志，454（7207）：995-999，2008年。[24]E.T.杰恩斯。信息理论和统计力学。菲斯。牧师。，106（4）：620-6301957年5月。[25]T.M.Cover，J.A.Thomas，J.Wiley等人，《信息论要素》，第6卷。威利在线图书馆，1991年。[26]Elad Schneidman、Susanne Still、Michael J.Berry和William Bialek。网络信息和关联性。菲斯。牧师。莱特。，91（23）：23870 1+，2003年12月。[27]R.Cont.资产回报的经验性质：程式化事实和统计问题。2001年[28]Jean-Philippe Bouchaud和Marc Potters。金融风险理论：来自统计物理托里斯克管理，第12卷。剑桥大学出版社剑桥，2000年。[29]鲍里斯·波多布尼克和H·尤金·斯坦利。去趋势互相关分析：分析两个非平稳时间序列的新方法。普希斯。牧师。莱特。，2008年2月100:084102。[30]伯顿·G·马尔基尔和尤金·F·法玛。有效资本市场：理论与实证研究综述。《金融杂志》，25（2）：383-4171970。[31]托本·G·安德森和蒂姆·博勒斯列夫。金融市场的日内每碘率和波动持续性。《经验金融杂志》，4（2）：115–158，1997年。[32]埃里克·奥雷尔和马格努斯·埃克伯格。使用所有数据进行逆伊辛推理。菲斯。牧师。莱特。，2012年3月108:090201。[33]T.福塞特。roc分析简介。模式识别字母，27（8）：861-874，2006。[34]托马斯·W·埃普斯。股票价格在短期内的共同变动。《美国统计协会杂志》，74（366 a）：291-2981979。【35】托拜厄斯·普里斯（Tobias Preis）、德罗·凯内特（Dror Y Kenett）、尤金·斯坦利（H Eugene Stanley）、德克·赫尔宾（Dirk Helbing）和埃舍尔·本·贾科布（Eshel Ben-J acob）。量化股票相关性在市场压力下的行为。

《科学报告》，2012年2月17日/[36]安东尼奥·马金丹齐奇、鲍里斯·波多布尼克、谢尔盖·V·布尔迪列夫、德罗·凯内特、什洛莫·哈夫林和H尤金·斯坦利。动态网络中的自发恢复。《自然物理学》，10（1）：34-382014。[37]贾科莫·利万、西蒙·阿尔法拉诺和恩里科·斯卡拉斯。随机相关矩阵规范属性的精细结构：金融市场的应用。体格检查E，84（1）：0161 13，20 11。[38]贾斯卡·S·迪克斯坦、彼得·B·巴塔利诺和迈克尔·R·德威·埃斯。概率模型中参数估计的新方法：最小概率流。《物理评论快报》，107:2206012011。[39]岸信一、中原广幸、吴思和酒井裕隆。神经元池中的同步滤波和高阶相互作用。神经计算，15（1）：127–1422003。[40]雅各布·H·麦克、菲利普·贝伦斯、亚历山大·S·埃克、安德烈亚斯·S·托利亚斯和马蒂亚斯贝奇。生成具有特定相关系数的尖峰序列。神经计算，21（2）：397-4232009。[41]单宇、杨洪典、中原弘之、古斯塔沃·S·桑托斯、日立·丹科和迪特马尔·普伦茨。以皮层活动为特征的高阶相互作用。《神经科学杂志》，31（48）：17514–17526，2011年。[42]库尔特·宾德和迪特·W·赫尔曼。《统计物理中的蒙特卡罗模拟：导论》，第80卷。斯普林格，2010.18/