Melhorar As Regras De Negociação Média Móvel Com Métodos De Aprendizagem Impulsionadora E Estatística

Melhorando as regras de negociação em média móvel com métodos de aprendizagem econômica e estatística. 2 Embora a nossa pesquisa esteja centrada na combinação das regras técnicas clássicas de negociação com os métodos de aprendizagem estatística, é necessário salientar que houve inúmeras tentativas de melhorar as regras técnicas de negociação e de criar novas regras. Neste sentido, destacam-se, entre outros, Genay (1999) e Allen e Karjalainen (1999). Assim, Genay (1999) considerou novas regras comerciais baseadas em modelos não paramétricos que maximizam o retorno total de uma estratégia de investimento. A escolha ideal dos vizinhos mais próximos, o número ótimo de unidades ocultas em uma rede feedforward eo tamanho ótimo do conjunto de treinamento são determinados pelo método de validação cruzada, o que minimiza o erro quadrático médio. Outro artigo bem conhecido dedicado a encontrar novas regras técnicas de negociação é Allen e Karjalainen (1999), que usaram um algoritmo genético para aprender regras técnicas de negociação ótimas. Finalmente, os problemas de seleção de regras de negociação ótimas na amostra foram apontados em um artigo recente de Sullivan et al. (1999) argumentando que os perigos do snooping de dados são imensos quando selecionamos a melhor regra comercial. Seguindo Sullivan et al. (1999), se forem consideradas regras de negociação suficientes ao longo do tempo, algumas regras são obrigadas, por pura sorte, mesmo em uma amostra muito grande, a produzir desempenho superior, mesmo que não possuam poder de previsão sobre os retornos dos ativos. Dessa forma, os efeitos de tal snooping de dados só podem ser quantificados desde que se considere o desempenho da melhor regra de negociação no contexto de todo o universo de regras de negociação a partir do qual a melhor regra foi concebivelmente escolhida. Nossa pesquisa está indo em uma direção oposta para otimizar as regras técnicas de negociação, porque procuramos como combinar as existentes através de técnicas de elevação e de média de modelos. Como uma revisão, nosso papel é duplo propósito. Por um lado, uma vez que existem numerosas regras técnicas de negociação com diferentes graus de sucesso, tentamos evitar o descompasso que existe entre as diferentes regras de negociação, fornecendo uma nova regra capaz de usar todas as informações fornecidas por cada regra, tanto a altamente Informações bem-sucedidas como informações mal sucedidas, usando métodos estatísticos de aprendizagem. Por outro lado, ao combinar a informação preditiva de um amplo conjunto de regras, também reduzimos o viés de snooping de dados introduzido pela seleção arbitrária dos parâmetros nas regras técnicas de negociação, evitando o elemento de subjetividade que este procedimento envolve. MÉTODOS DE APRENDIZAGEM ESTATÍSTICA Assim como um comitê de pessoas diversas tende a tomar melhores decisões do que cada indivíduo sozinho, um conjunto de modelos diversos, porém de alto desempenho, tende a apresentar melhores resultados do que um único modelo. Métodos estatísticos de aprendizagem são algoritmos que constroem um conjunto de classificadores e, em seguida, classificam novos pontos de dados, tomando um voto (ponderado) de suas previsões (ver Hastie et al., 2001). O método estatístico original é a média bayesiana, mas foram desenvolvidos algoritmos mais recentes. Nesta seção, descreveremos os métodos de aprendizagem estatística mais populares, como Boosting, Bayesian model averaging eo método Committee, que serão utilizados para combinar as previsões técnicas, melhorando assim o desempenho de cada uma das regras de negociação. O método impulsionador Boosting é um método geral que tenta aumentar a precisão de qualquer conjunto de sistemas de classificação categórica (ou previsões em geral) que se torna uma das idéias mais poderosas sobre algoritmos de aprendizagem. Foi introduzido por Freund e Schapire (1997). O impulso lida com o problema geral de produzir uma regra de predição muito precisa, combinando previsões ásperas e moderadamente imprecisas. Uma das versões mais populares de impulsionar é o algoritmo AdaBoost. M1, conhecido como Discrete AdaBoost, devido a Freund e Schapire (1997). A fim de fornecer um esboço deste algoritmo impulsionador, vamos considerar um problema de duas classes onde a variável de saída é codificada como. Uma classificadora h (x) é uma função que produz uma previsão tomando um dos dois valores, onde x é um conjunto de variáveis ​​de previsão. Melhorando as Regras de Negociação Mínima com Boosting e Métodos de Aprendizagem Estatística. 7 a Parâmetros da regra da média móvel n 1. N 2. B. B Número de médias móveis (menor, maior, maior). O clássico procedimento de combinação de predições foi inútil devido à singularidade das matrizes envolvidas. Na Tabela I apresentamos diversas características estatísticas e econômicas das projeções correspondentes ao percentual de previsão de sinais bem-sucedidos, o retorno líquido, o índice de profissões ideal ea relação de Sharpe correspondente ao período de 10 anos de 1993 a 2002. As características econômicas são consideradas para as melhores e piores médias móveis (abaixo, entre parênteses rectos, os comprimentos de médias móveis curtas e longas e a faixa são apresentados) e para todos os métodos de aprendizagem filtrados e não filtrados, ou seja, Modelo de impulsão (filtrado e não filtrado), modelo de média móvel de comitê (filtrado e não-filtrado) e modelo de média móvel Bayesiano (filtrado e não filtrado). Abaixo, entre parênteses, é apresentado o número de regras de média móvel com retornos menores, iguais ou maiores, respectivamente. 2 Na última linha da Tabela I, mostramos também a estratégia buy-and-hold (BampH), a fim de fazer comparações. A primeira coluna da Tabela I mostra, para cada um dos procedimentos de previsão assinalados acima, as percentagens da direcção de previsão diária correcta. A coluna 2 mostra o retorno líquido obtido por uma estratégia técnica baseada nos sinais obtidos pela previsão. Mostramos também na parte inferior, entre parênteses, o número de regras de média móvel com retornos menores, iguais ou maiores, respectivamente. Finalmente, para avaliar o desempenho de nossas regras técnicas de negociação, consideramos também nas colunas 3 e 4 a relação de lucro ideal ea relação de Sharpe correspondente a todos os procedimentos de previsão mencionados anteriormente (na parte inferior, entre parênteses, o número de São apresentadas regras de média móvel com razão de lucro ideal menor, igual ou maior e relação de Sharpe, respectivamente). Observando a Tabela I, destacam-se os seguintes resultados. O único modelo que supera a estratégia BampH é o modelo Boosting fi ltered. Assim, o retorno líquido, a relação de lucro ideal ea relação de Sharpe da regra de negociação técnica guiada pelo modelo de filtro Boosting são 74,00, 0,0508 e 0,0508, respectivamente, o que supera qualquer regra de média móvel e qualquer outro método de aprendizagem. Ele supera mesmo o retorno líquido, a proporção ideal de lucro ea relação de Sharpe da estratégia BampH, que são 67,33, 0,0462 e 0,0279, respectivamente. Além disso, observe que a introdução do filtro melhora o retorno líquido e os rácios de benefício nos modelos Boosting e Bayesian. No entanto, os resultados no modelo do Comitê pioram quando um filtro é empregado. Finalmente, observe que a porcentagem máxima de sucesso de direção de previsão é obtida pela melhor regra de média móvel 10, 140, 3, que é 52,02 bem-sucedida. Portanto, embora as taxas de sucesso de previsão da direção dos modelos relatados na Tabela I estejam todos ligeiramente acima de 50, alguns experimentam uma relação Sharpe maior do que a estratégia BampH, o que significa que essas regras comerciais são, em média, corretas quando importa mais . Seguindo a Tabela I, a regra de negociação obtida pelo modelo de Boosting filtrada supera a melhor média móvel 5, 160, 6 em relação a qualquer medida de aptidão econômica. Observe também que os modelos Boosting, Bayesian e Committee foram obtidos ex ante. Enquanto isso, a melhor média móvel foi obtida ex post e, portanto, é possível que seu poder preditivo possa até ser inferior quando o usamos ex ante em um período futuro. Agora é estudada a capacidade ex ante de médias móveis para obter benefícios. Nesse ponto, nossa principal preocupação é como a lucratividade e o poder preditivo das regras da média móvel variam ao longo do tempo. Essa preocupação está diretamente relacionada, como Sullivan et al. (1999) apontam para os perigos da exploração de dados, que são imensos quando selecionamos a melhor regra comercial, porque, se forem consideradas regras de negociação suficientes ao longo do tempo, algumas regras são vinculadas pela pura sorte, mesmo em uma amostra muito grande, Para produzir um desempenho superior, mesmo que eles realmente não possuem poder preditivo sobre os retornos de ativos. Melhorar as regras de negociação média móvel com impulsionar e métodos de aprendizagem estatística Ao solicitar uma correção, mencione por favor estes itens identificador: RePEc: jof: jforec: v: Y: 2008: i: 5: p: 433-449. Veja informações gerais sobre como corrigir material no RePEc. Para questões técnicas sobre este item, ou para corrigir seus autores, título, resumo, informações bibliográficas ou download, entre em contato: (Wiley-Blackwell Digital Licensing) ou (Christopher F. Baum) Se você tiver criado este item e ainda não está registrado RePEc, nós o encorajamos a fazê-lo aqui. Isso permite vincular seu perfil a esse item. Ele também permite que você aceite citações em potencial para este item que estamos incertos sobre. Se as referências estiverem totalmente ausentes, você pode adicioná-las usando este formulário. Se as referências completas listarem um item que está presente no RePEc, mas o sistema não tiver vinculado a ele, você pode ajudar com este formulário. Se você souber de itens ausentes citando este, você pode nos ajudar a criar esses links adicionando as referências relevantes da mesma maneira como acima, para cada item referente. Se você é um autor registrado deste item, você também pode querer verificar a guia de citações no seu perfil, pois pode haver algumas citações esperando confirmação. Tenha em atenção que as correcções podem demorar algumas semanas para filtrar os vários serviços RePEc. Mais serviços MyIDEAS Seguir séries, jornais, autores e mais Novos artigos por e-mail Inscrever-se para novas adições ao RePEc Registro de autor Perfis públicos para pesquisadores de economia Rankings Vários rankings de pesquisa em economia e campos relacionados Genealogia Quem foi um estudante de quem, usando RePEc BiblE Artigos curados artigos de amp papéis vários temas de economia MPRA Carregar seu artigo para ser listado em RePEc e IDEAS EconAcademics Blog agregador para pesquisa de economia Plagiarismo Casos de plágio em Economia Papéis do mercado de trabalho RePEc série de papel de trabalho dedicado ao mercado de trabalho Fantasy League Pretend você está no leme De um departamento de economia Serviços do StL Fed Dados, pesquisa, apps amp mais do St. Louis FedImproving média móvel regras de negociação com boosting e métodos de aprendizagem estatística Citações Citações 19 Referências Referências 32 quotThus diferentes comprimento média móvel é necessária para atender às diferentes Condições de mercado. Esta descoberta é consistente com os estudos conduzidos por Brock et al. 11, Lukac et ai. 12, Andrada-Felix et ai. 13, Kwon e Kish 21, e Sullivan et al. 38. Embora as regras de média móvel simples como OptSMA19 e Opt SMAc superassem os outros modelos técnicos ex-post, ex-ante, é extremamente difícil estimar com precisão os comprimentos ideais a serem implementados 33. Sumário O objetivo de A presente investigação tem por objectivo analisar as tendências dos mercados cambiais dos países da ASEAN-5 (Indonésia, Malásia, Filipinas, Singapura, Tailândia) Dinâmico em média móvel sistemas de negociação. Esta pesquisa oferece evidência da utilidade do variável de tempo volatilidade indicador de análise técnica, média móvel ajustável (AMAx27) na decifração tendências nesses ASEAN-5 mercados de câmbio. Este fator de volatilidade variando no tempo, referido como o Índice de Eficácia neste artigo, está incorporado em AMAx27. O Efficacy Ratio ajusta o AMAx27 às condições de mercado prevalecentes, evitando os whipsaws (perdas devidas, em parte, à actuação de sinais de negociação errados, que geralmente ocorrem quando não existe uma orientação geral no mercado) Tendências na negociação de tendências. A eficácia de AMAx27 é avaliada de acordo com outras regras populares de média móvel. Com base no conjunto de dados de janeiro de 2005 a dezembro de 2014, nossas descobertas mostram que as médias móveis e AMAx27 são superiores à estratégia passiva de compra e retenção. Especificamente, AMAx27 supera os outros modelos para o dólar dos Estados Unidos contra PHP (USD / PHP) e USD / THB pares de moedas. Os resultados mostram que médias móveis de comprimento diferente apresentam melhor desempenho em diferentes períodos para as cinco moedas. Isto é consistente com a nossa hipótese de que um indicador técnico ajustável dinâmico é necessário para atender períodos diferentes em diferentes mercados. Os falsos sinais de venda no meio de um período de alta explicam as dificuldades das regras do DMAC para superar em tais condições, uma vez que está fora do mercado em condições de alta otimização, mesmo para um Curto período de tempo é difícil de compensar com outras decisões de tempo, especialmente quando as regras de negociação MA estão sempre atrasados ​​em identificar os pontos de viragem dos mercados de ações. Em conjunto, nossos resultados são, nesse sentido, compatíveis com Fong e Yong (2005), Andrada-Flix e Rodrguez (2008), Yen e Hsu (2010), Ptri e Vilska (2014) e Luukka et al. Entretanto, nossos resultados contrastam com os de Fong e Ho (2001) e Chang, Lima e Tabak (2004), que relatam retornos anormais particularmente significativos acima e acima da Bampa Durante períodos de alta. Este artigo examina a lucratividade das estratégias de negociação de índices que são baseadas em regras de cruzamento de média móvel dupla (DMAC) no mercado de ações russo durante o período 20032012. Contribui para a literatura de análise técnica existente (TA) comparando, pela primeira vez em mercados emergentes, o desempenho relativo de carteiras de negociação de ações individuais com o de estratégias de negociação para o índice que consiste nas mesmas ações (ou seja, as ações mais líquidas do mercado) Moscovo Troca). Os resultados mostram que as melhores estratégias de negociação do período da amostra podem superar a estratégia de compra e retenção durante o período subseqüente fora da amostra, embora com baixa significância estatística. Além disso, documentamos os benefícios de usar combinações de DMAC que são muito mais longas do que aquelas empregadas na literatura de TA anterior. Além disso, a decomposição do desempenho do período completo da amostra em desempenhos separados do período do touro e do urso mostra que o melhor desempenho das melhores estratégias de negociação de índices passados ​​é atribuído principalmente ao fato de que eles conseguiram ficar principalmente fora do mercado de ações durante Um acidente dramático causado pela crise financeira global. Artigo Jun 2016 Eero Ptri Pasi Luukka Elena Fedorova Tatiana Garanina elaborou um modelo de previsão baseado na média móvel. Existem três tipos de média móvel: a média móvel simples (SMA), a média móvel ponderada (WMA) e a média móvel exponencial (EMA). Neste estudo, utilizou-se uma média móvel exponencial. Esta forma de média utiliza uma ponderação ou um factor de suavização que diminui exponencialmente (Andrada-Felix et al., 2008). A ponderação para cada ponto de dados mais antigo diminui exponencialmente, dá muito mais importância a observações recentes, ao mesmo tempo em que não descarta as observações mais antigas inteiramente. O modelo de previsão é dividido em duas fases: fase de detecção e fase de previsão. A fase de detecção centra-se numa análise dos dados recolhidos. Vários esquemas de previsão foram propostos para gerenciar dados de tráfego, que é coletado por câmeras de vídeos, sensores e serviços de telefonia móvel. No entanto, estes não são suficientes para a recolha de dados devido à sua cobertura limitada e elevados custos de instalação e manutenção. Para superar as limitações dessas ferramentas, introduzimos um esquema híbrido baseado em sistema de transporte inteligente (ITS) e sistema global de navegação por satélite (GNSS). A aplicação do GNSS para calcular o tempo de viagem se mostrou eficiente em termos de precisão. Nesse caso, os dados GNSS são gerenciados para reduzir o congestionamento do tráfego e os acidentes rodoviários. Este artigo apresenta um modelo de previsão de curto prazo baseado em tempo de viagem em tempo real para redes rodoviárias heterogêneas urbanas. A previsão do tempo de viagem foi obtida pela previsão de velocidades de viagem usando um modelo de média móvel exponencial optimizada (EMA). Além disso, para a adaptação da velocidade em redes rodoviárias heterogéneas, é necessário introduzir uma estratégia de controlo adequada para a longitude, com base no GNSS. Os produtos GNSS fornecem serviços mundiais e em tempo real usando informações precisas de tempo e tecnologias de posicionamento. Resumo Apresentamos um sistema para combinar os diferentes tipos de previsões dadas por uma ampla categoria de regras de negociação mecânica através de métodos de aprendizagem estatística (impulsionando, estimulando, E vários modelos de métodos de média como Bayesian ou métodos de média simples). Os métodos de aprendizagem estatística fornecem melhores resultados fora da amostra do que a maioria das regras de média móvel simples no índice NYSE Composite de janeiro de 1993 a dezembro de 2002. Além disso, usando um filtro para reduzir a freqüência de negociação, o modelo de impulsão filtrada produz uma estratégia técnica que , Embora não seja capaz de superar os retornos da estratégia buy-and-hold (BampH) durante os períodos crescentes, ele supera a BampH durante períodos de queda e é capaz de absorver uma parte considerável de quedas no mercado. Copyright 2008 John Wiley ampères Sons, Ltd. Artigo Aug 2008 Julin AndradaFlix Fernando Fernndez-Rodríguez Artigo em texto completo Jan 2004 ZQ John Lu Artigo Jan 2009 Jornal da Sociedade Real de Estatística Série A (Estatísticas na Sociedade) T. Hastie R. Tibshirani J Friedman As pessoas que leram esta publicação também ler Artigo em texto completo Jan 2008 Diário de Previsão Alexandros E. Milionis Evangelia Papanagiotou Artigo em texto completo Maio de 2014 Artigo Aug 2008 Julin AndradaFlix Fernando Fernndez-Rodrguez Os dados fornecidos destinam apenas a fins informativos. Embora cuidadosamente coletadas, a precisão não pode ser garantida. As condições do editor são fornecidas pelo RoMEO. Podem ser aplicáveis ​​disposições diferentes da política real do editor ou do contrato de licença. Esta publicação é de um diário que pode suportar auto arquivamento. Última atualização: 30 Ago 16 Ocorreu um erro ao processar o modelo.