Эти прогнозы делаются на основе количественного анализа автокорреляционной матрицы поведения цены инструмента на некотором предыдущем интервале времени в скользящем окне. Для этого решается задача на собственные числа и собственные значения автокорреляционной матрицы.
В результате определяется такой поворот в многомерном пространстве, который максимально возможно диагонализует автокорреляционную матрицу. В результате такой процедуры оси многомерного пространства максимально соответствуют независимым трендам с минимальными корреляциями между собой.
Таким способом можно разделить поведения цены на медленный тренд, периодические низкочастотные составляющие и высокочастотный случайный шум. После чего делается аналитическое продолжение тренда и периодических низкочастотных составляющих в будущее на ближайшие 5 биржевых дня.
Данный метод является одной из разновидностей вейвлет-методов и хорошо зарекомендовал себя при разделении радиосигналов искусственного происхождения и случайного шума.
Анализ поведения биржевых цен более сложен, чем выделение радиосигнала из шума в связи с более плохой разделимостью тренда и шума. В случае радиосигналов мы с хорошей точностью можем представить радиосигнал как сумму двух слагаемых: сигнал искусственного происхождения и плюс природный шум. На бирже более сложная ситуация.
Фактически там мы имеем дело не с двумя слагаемыми, а с несколькими слагаемыми.
- Первое из которых является чисто динамическим трендом.
- Последнее слагаемое является чисто белым шумом.
- А промежуточные слагаемые являются гибридом динамики и шума с разным соотношением последних.