Migliorare Moving Regole medio di scambi con il rafforzamento e metodi di apprendimento statistico. 2 Anche se la nostra ricerca è incentrata sulla combinazione delle regole classiche tecniche di negoziazione con metodi di apprendimento statistico, è necessario sottolineare che ci sono stati numerosi tentativi di migliorare le regole di negoziazione e tecniche per la creazione di nuovi. In questo senso, sospeso tra gli altri sono Genay (1999) e Allen e Karjalainen (1999). Così Genay (1999) considerato nuove regole commerciali basate su modelli non parametrici che massimizzano il rendimento complessivo di una strategia di investimento. La scelta ottimale dei vicini più prossimi, numero ottimale di unità nascoste in una rete feedforward e la dimensione ottimale del training set sono determinati con il metodo di convalida incrociata, che minimizza l'errore quadratico medio. Un altro giornale noto dedicato al reperto nuove regole commerciali tecnico è Allen e Karjalainen (1999), che ha utilizzato un algoritmo genetico per imparare le regole ottimali commerciali tecnici. Infine, i problemi di selezione in-campione regole di negoziazione ottimali sono state sottolineato in un recente articolo di Sullivan et al. (1999) sostenendo che i pericoli di snooping dei dati sono immense quando si seleziona la regola migliore trading. A seguito di Sullivan et al. (1999), se le regole commerciali sono considerate sufficienti nel corso del tempo, alcune regole sono vincolati, per pura fortuna, anche in un campione molto ampio, per la produzione di prestazioni superiori, anche se non lo fanno realmente possiedono potere predittivo su rendimenti delle attività. Così gli effetti di tale snooping dati possono essere solo quantificazione ed a condizione che si considera le prestazioni della regola migliore negoziazione nel contesto della piena universo di regole commerciali da cui la regola migliore è stato plausibilmente scelto. La nostra ricerca si sta muovendo in una direzione opposta per ottimizzare regole di negoziazione tecniche, perché cerchiamo come combinare quelle esistenti attraverso aumentando e le tecniche del modello-media. Come una recensione, il nostro lavoro è duplice scopo. Da un lato, poiché esistono numerose regole commerciali tecnici con diversi gradi di successo, si cerca di evitare il mismatching esistente tra differenti regole di negoziazione, fornendo una nuova regola in grado di utilizzare tutte le informazioni fornite da ogni regola, tanto altamente informazioni di successo come le informazioni senza successo, utilizzando metodi di apprendimento statistico. D'altra parte, combinando l'informazione predittiva di una vasta serie di regole che anche ridurre il bias dati snooping introdotto dalla selezione arbitraria dei parametri di regole commerciali tecnici, evitando l'elemento di soggettività che questa procedura comporta. STATISTICHE metodi di apprendimento Proprio come un comitato di persone diverse tende a prendere decisioni migliori di ogni individuo da solo, un insieme di modelli ancora ad alte prestazioni diverse tendono a comportarsi meglio di un unico modello. metodi di apprendimento statistici sono algoritmi che costruiscono un insieme di ERS classifi e quindi classificare nuovi punti di dati ad una votazione (ponderato) delle loro previsioni (vedi Hastie et al.. 2001). Il metodo statistico originale è media Bayesiano, ma sono stati sviluppati algoritmi più recenti. In questo paragrafo descriveremo i più popolari metodi di apprendimento statistico, come amplificazione, bayesiano modello di media e il metodo di comitato, che sarà utilizzato al fine di combinare le previsioni tecniche, migliorando così le prestazioni delle singole regole di negoziazione. Il metodo di amplificazione Boosting è un metodo generale che cerca di aumentare la precisione di qualsiasi insieme di sistemi di classifi cazione categoriali (o previsioni in generale), che diventa uno dei più potenti idee su algoritmi di apprendimento. E 'stato introdotto da Freund e Schapire (1997). Aumentare affronta il problema generale di produrre una molto precisa regola di previsione combinando previsioni approssimative e moderatamente imprecisi. Una delle versioni più popolari di incrementare è l'algoritmo AdaBoost. M1, noto come Discrete AdaBoost, a causa di Freund e Schapire (1997). Al fine di fornire una descrizione di questo algoritmo amplificazione, consideriamo un problema a due classi in cui la variabile di uscita è codificato. Una classificazione er h (x) è una funzione che produce una previsione di prendere uno dei due valori, dove x è un insieme di predittore variables. Improving Moving Regole medio di scambi con il rafforzamento e statistici Metodi di Apprendimento Pubblicato online il 10 maggio 2008 a Wiley InterScience ( interscience. wiley) DOI. 10.1002for.1068 Migliorare Moving Regole medio di scambi con il rafforzamento e statistica Metodi di Apprendimento JULIN ANDRADA-FLIX E Dipartimento di Metodi Quantitativi in Economia e Management, Università di Las Palmas de Gran Canaria, Spagna Noi presentare un sistema per combinare i diversi tipi di previsioni date da una vasta categoria di regole di trading meccanici attraverso metodi statistici di apprendimento (amplificazione, e diversi metodi modello di calcolo della media come metodi di calcolo della media bayesiani o semplici). metodi di apprendimento statistici fornire migliori risultati out-of-campione rispetto alla maggior parte dei singolo movimento regole medi del NYSE Composite Index dal gennaio 1993 al dicembre 2002. Inoltre, utilizzando un fi ltro per ridurre la frequenza di negoziazione, la fi filtrato aumentando modello produce una tecnica strategia che, anche se non è in grado di superare i rendimenti del (BampH) strategia buy-and-hold durante i periodi in aumento, non superare la BampH durante i periodi di caduta ed è in grado di assorbire una parte considerevole di cadute sul mercato. Copyright 2008 John Wiley Sons amp, Ltd. parole chiave analisi tecnica aumentando modello di apprendimento selezione INTRODUZIONE L'analisi tecnica statistica consiste nel tentativo di prevedere i prezzi di un mercato finanziario fi dallo studio dei prezzi passati e altre statistiche riassuntive correlate sulle negoziazioni di sicurezza. Nonostante l'atteggiamento scettico di accademici verso l'analisi tecnica, nel corso degli ultimi 20 anni, l'analisi tecnica ha goduto di una rinascita nel mondo accademico, e una notevole quantità di lavoro teorico ed empirico è stato sviluppato sostenere l'analisi tecnica. Così modelli teorici sono stati proposti da Hellwig (1982), Treynor e Ferguson (1985), Brown e Jennings (1989) e Blume et al. (1994). Inoltre, molte carte empiriche forniscono la prova della redditività profi delle regole di negoziazione tecniche, sospeso tra gli altri sono Brock et al. (1992), Levich e Thomas (1993), Blume et al. (1994), Knez e Ready (1996), Genay (1996), Neely et al. (1997) e Chang e Osler (1999). Corrispondenza a: Fernando Fernndez-Rodrguez, Facultad De Ciencias y Econmicas Empresariales, 35017 Las Palmas de Gran Canaria, Spagna. E-mail: ffernandezdmc. ulpgc. es Lo scopo del nostro lavoro è quello di fornire un sistema per combinare i diversi tipi di predizioni fornite da un'ampia categoria di regole commerciali meccanici. Attraverso metodi statistici di apprendimento (ad esempio aumentando, e diversi metodi di calcolo della media come modello bayesiano o comitato), le nuove previsioni saranno costruiti sulla base di un dato un insieme di previsioni tecniche. Il resto di questo documento è stato strutturato come segue. Nella sezione successiva viene presentata una breve rassegna delle regole di negoziazione tecniche utilizzate in questo documento. La terza sezione si concentra sulla descrizione dei più popolari metodi di apprendimento statistici come amplificazione, e Bayesiano modello di calcolo della media. La quarta sezione presenta le misure all'appropriatezza utilizzati per valutare e confrontare le regole di negoziazione tecnici creati. La sezione quinta mostra i risultati empirici. La sesta sezione presenta le principali conclusioni. DISCIPLINA COMMERCIALE TECNICO In questo lavoro si studiano le capacità di previsione per quanto riguarda la combinazione di informazioni provenienti da una delle più famose famiglie di regole di trading utilizzate in analisi tecnica, le regole di media mobile variabile (VMA) d'ora in poi. regole VMA implicano il confronto di un breve termine media mobile dei prezzi di una media mobile di lungo periodo. Pertanto, acquistare (vendere) i segnali vengono emessi quando la media a breve termine superiore (è inferiore) alla media a lungo termine di almeno una banda percentuale Ed pre-specifi. L'introduzione di una fascia intorno alla media mobile riduce il numero di segnali di acquisto (vendita), eliminando il colpo di frusta del mercato quando il breve e lungo periodo medie mobili sono vicini. Questa banda, che è normalmente considerata come 1, riduce il numero di acquisto e vendita segnali. Nessun segnale viene generato quando la media mobile di breve è all'interno della banda. Con una banda di zero, la norma tecnica fornita dal VMA classifi es tutti i giorni in entrambi i giorni comprare o vendere giorni. La lunghezza delle medie mobili devono essere scelti dal tecnico. La regola più popolare usato in analisi tecnica è di 1200, dove il breve periodo è di 1 giorno e il periodo di tempo è di 200 giorni. Tuttavia, le altre regole di negoziazione tanto utilizzati sono 150, 1150, 5150, 1200 e 2200 (vedi Brock et al.. 1992). L'atteggiamento scettico del mondo accademico per quanto riguarda l'analisi tecnica è motivata dalla ipotesi di mercato effi ciente, che sostiene che a disposizione le informazioni pubbliche, come i prezzi del passato, non dovrebbe aiutare gli operatori guadagnano rendimenti insolitamente alti una volta un premio al rischio è stato scontato. Così Fama (1970, 1976) defi nisce un mercato come debole di forma effi ciente se i prezzi attuali rifl completamente ect le informazioni contenute nei prezzi passati. Debole-forma effi cienza implica che l'analisi tecnica dei prezzi delle azioni del passato non ha alcun valore. Migliorare lo spostamento regole medio di scambi con il rafforzamento e metodi di apprendimento statistico Julian Andrada-Felix () e Fernando Fernndez-Rodrguez informazioni di contatto aggiuntive Fernando Fernndez-Rodrguez: Dipartimento di Metodi Quantitativi in Economia e Management, Università di Las Palmas de Gran Canaria, Spagna, postale : Dipartimento di metodi quantitativi in Economia e Management, Università di Las Palmas de Gran Canaria, Spagna Astratto: Vi presentiamo un sistema per combinare i diversi tipi di previsioni date da un'ampia categoria di regole di trading meccanici attraverso metodi di apprendimento statistici (amplificazione, e diversi metodi modello di calcolo della media come bayesiano o metodi di calcolo della media semplice). metodi di apprendimento statistici fornire migliori risultati out-of-campione rispetto alla maggior parte dei singolo movimento regole medi del NYSE Composite Index dal gennaio 1993 al dicembre 2002. Inoltre, utilizzando un filtro per ridurre la frequenza di negoziazione, il modello aumentando filtrato produce una strategia tecnica che , anche se non è in grado di superare i rendimenti della strategia buy-and-hold (BH) durante i periodi in aumento, non superare la BH durante i periodi caduta ed è in grado di assorbire una parte considerevole di cadute sul mercato. Copyright 2008 John Wiley Sons, Ltd. Download: (link esterno) hdl. handle10.1002for.1068 link di abbonamento testo completo richiesto (texthtml) opere correlate: Questo articolo può essere disponibile altrove in EconPapers: Ricerca di oggetti con lo stesso titolo. Export di riferimento: BibTeX RIS (nota, ProCite, RefMan) HTMLText ufficiale previsione è attualmente curato da Derek W. Bunn Altri articoli in Journal of Forecasting da John Wiley Sons, dati Ltd. Serie gestiti da Licensing Wiley-Blackwell digitale (). Questo sito è parte di RePEc e tutti i dati visualizzati qui fa parte del set di dati RePEc. È il vostro lavoro manca da RePEc Ecco come contribuire. Per domande o problemi Controllare la EconPapers FAQ o inviare una mail a.
No comments:
Post a Comment