pedrobsb / mlrfinance Goto Github PK

O objetivo desse artigo é avaliar a qualidade da previsão t-passos a frente em dados de alta frequência usando SVR. Podemos usar dados de câmbio.

The Example05.R is showing an error.

Someone could create the Wikipage showing how to use the package with, for example, using the R scripts inside test folder.

A ideia é usar o modelo SVR para causalidade para comparar determinadas políticas acerca de Finanças Corporativas e o seu impacto em medidas de retorno das firmas.

SVR for Quantile Regression - Review and implementation - do you have some progress?

A ideia é construir um modelo de precificação de opções usando SVR.

Task list

• Check the SPA and RCA functions.
• Compute the prediction functions.
• Modify the prediction arguments.
• Create the manuals.

Pedro,

Fiz um teste rápido aqui e percebi uma diferença na previsão dos dois pacotes em alguns conjuntos de dados. No exemplo abaixo, usando o conjunto 1 os resultados são diferentes, mas no conjunto 2 eles são iguais. Percebi que o gamma e os SV são também diferentes em ambos conjuntos. Depurei um pouco aqui e no conjunto 1 não há suportes de subida, que você usa para computar o gamma.

library(mlRFinance)
library(Matrix)

#Conjunto dados 1: Previsao mlRFinance diferente do libsvm
dados<-matrix(c(-1,-3,1,
0,2,1,
-7,2,2,
2,1.5,1.5,
3,4,4,
10,15,18,
5,16,40,
15,5,5,
7,17,4.5
),byrow=TRUE,nrow=9,ncol=3)

#Conjunto dados 2: Previsao mlRFinance igual do libsvm
dados<-matrix(c(-1,1,1,
0,2,1,
1,2,2,
2,1.5,1.5,
3,4,4,
4,4,5,
5,5,4,
6,5,5,
7,4.5,4.5
),byrow=TRUE,nrow=9,ncol=3)

X=dados[,c(2,3)]
Y=dados[,1]

csvrl1=CSVRL1(y = Y,X = X,C = 10,epsilon = 0.5,kernel = "Polynomial",parms = c(1,0))
Yp=PredictedCSVRL1(CSVRL1 =csvrl1,y = Y,X = X,Xprev=X)

install.packages("e1071")
library(e1071)

svm.model <- e1071::svm(X, y=Y, type="eps-regression",scale=FALSE,cost = 10,kernel="linear", probability = TRUE,epsilon=0.5)
svm.pred <- predict(svm.model,newdata = X,probability = TRUE)

#Estatísticas mlRFinance x e1071 ("libsvm")
#Pacote "mlRFinance"
#SV
csvrl1$SupportVectors
#gamma
csvrl1$gamma
#"previsao:"
Yp
#Pacote "e1071"
#SV
svm.model$coefs
#gamma
svm.model$gamma
#previsao:
svm.pred

Pedro Alexandre could create a R function to enable the connection between R and the Reuters terminal using the UnB login.

The computation of the performance relative to the benchmarks is not correct in the tests for superior predictive ability. The formula you state in the theoretic overview is Loss_Benchmark - Loss_Alternatives. However, in your function hansen.spa the first line is:

d.mat <- apply(Dmat, 2, function(x) x - bVec).

So, you reversed it. This leads to wrong conclusions regarding p-values.

Pedro,

Se eu não tiver cometendo algum equívoco na parametrização das funções, acho que tem algum bug no código do SVM. Depois veja essa comparação abaixo do Libsvm com o mlRFinance.

Uma das coisas que desconfio seria a inversão do sinal no cômputo do gamma ( de: gamma=gamma+(y(i)-res) para: gamma=gamma+(res-y(i) ) na função PredictedCSVML1. Isso pq logo a seguir vc calcula predVec(i)=res-gamma.

Outro ponto que acho que pode ter algum problema é na definição do CE na função CSVML1. No código está CE = Eigen::MatrixXd::Ones(1,y.size()), mas acho que o CE deveria ser o vetor de y, pois ele sai da igualdade lambda^TD1=0.

Tive um problema com meu R e não consegui compilar, então não consegui verificar se essas mudanças resolvem as diferenças entre o mlRFinance e o Libsvm.

library(mlRFinance)
library(Matrix)

dados<-matrix(c(-1,1,1,
-1,2,1,
-1,2,2,
-1,1.5,1.5,
1,4,4,
1,4,5,
1,5,4,
1,5,5,
1,4.5,4.5
),byrow=TRUE,nrow=9,ncol=3)

X=dados[,c(2,3)]
Y=dados[,1]

csvml1=CSVML1(y = Y,X = X,C = 10,kernel = "Polynomial",parms = c(1,0),biasTerm=TRUE)
Yp=PredictedCSVML1(CSVML1 =csvml1,y = Y,X = X,Xprev=X,typePredict=0,biasTerm=TRUE)

install.packages("e1071")
library(e1071)

svm.model <- e1071::svm(X, y=Y, type="C-classification",scale=FALSE,cost = 10,kernel="linear", probability = TRUE)
svm.pred <- predict(svm.model,newdata = X,probability = TRUE)

#Estatísticas mlRFinance x e1071 ("libsvm")
#Pacote "mlRFinance"
#SV
csvml1$SupportVectors
#"previsao:"
Yp
#Pacote "e1071"
#SV
svm.model$coefs
#gamma
svm.model$gamma
#previsao:
svm.pred

We need to correct the nearPDefinite function to works as the Matrix::nearPD. We can use the nearPDefinite.R script to test the steps of the algorithm.

O objetivo desse artigo é apresentar o pacote no Journal of Statistical Software. O conteúdo são exemplos de como usar as funções do pacote em finanças. É necessário que o HELP esteja terminado antes da subimissão do artigo.

O objetivo desse artigo é construir uma nova metodologia para a construção de clusters espaciais. Comparar o método proposto com os métodos existentes e fazer uma aplicação (pode ser em Geomarketing).

https://people.eecs.berkeley.edu/~bartlett/courses/281b-sp08/27.pdf

O objetivo desse paper é comparar a estimação do CAViaR com o o CAViaR que pode ser obtido pelo SVR. Especificamente, comparar a perfomance de previsão do CAViaR diário entre os diferentes métodos existentes e o CAViaR estimado usando a função SVWQR que é uma Regressão Quantílica usando SVR. Podemos usar dados intraday de ativos usais ou ETF's.

A ideia é estudar o efeito do componente único das matrizes de Variância e Covariância na formação de Portfólio usando Kernel PCA.
Sob essa ótica há outros componentes ? O que eles representariam ? Muda de mercado para mercado ?

Remover todas as chamadas do RcppArmadillo e trocar por RcppEigen.