Poprawienie ruchomych średnich reguł handlowych dzięki metodom zwiększania i statystycznego uczenia się. 2 Chociaż nasze badania koncentrują się na łączeniu klasycznych zasad handlu technicznego metodami statystycznego uczenia się, należy podkreślić, że podejmowano liczne próby ulepszenia zasad handlu technicznego i tworzenia nowych. W tym sensie wyróżnia się między innymi Genay (1999) oraz Allen i Karjalainen (1999). Genay (1999) rozważał nowe zasady handlu oparte na nieparametrycznych modelach, które maksymalizują całkowity zwrot strategii inwestycyjnej. Optymalny wybór najbliższych sąsiadów, optymalna liczba ukrytych jednostek w sieci sprzężenia zwrotnego i optymalna wielkość zestawu treningowego są określane za pomocą metody sprawdzania krzyżowego, która minimalizuje średni błąd kwadratowy. Innym znanym artykułem poświęconym znalezieniu nowych reguł handlu technicznego jest Allen i Karjalainen (1999), którzy wykorzystali algorytm genetyczny do nauki optymalnych zasad handlu technicznego. Na koniec problemy związane z wyborem optymalnych reguł handlu w próbce zostały wskazane w niedawno opublikowanym artykule Sullivana i in. (1999), twierdząc, że niebezpieczeństwa związane ze śledzeniem danych są ogromne, gdy wybieramy najlepszą regułę handlu. Idąc za Sullivanem i wsp. (1999), jeśli z czasem rozpatrywane są wystarczające reguły handlowe, niektóre reguły są wiązane, przy odrobinie szczęścia, nawet w bardzo dużej próbie, w celu uzyskania lepszych wyników, nawet jeśli nie mają rzeczywistej zdolności przewidywania zysków. Skutki takiego szpiegowania danych mogą być mierzone tylko pod warunkiem, że uwzględnimy działanie najlepszej reguły handlowej w kontekście pełnego uniwersum reguł handlowych, z których można wybrać najlepszą regułę. Nasze badania zmierzają w przeciwnym kierunku, aby zoptymalizować zasady handlu technicznego, ponieważ szukamy sposobów łączenia istniejących poprzez techniki zwiększania i uśredniania modelu. Jako przegląd, nasz dokument ma podwójny cel. Z jednej strony, ponieważ istnieje wiele technicznych reguł handlowych o różnym stopniu powodzenia, staramy się unikać niedopasowania, które istnieje pomiędzy różnymi regułami handlu, zapewniając nową regułę, która może wykorzystywać wszystkie informacje dostarczane przez każdą regułę, tak bardzo udane informacje jako nieudane informacje, za pomocą statystycznych metod uczenia się. Z drugiej strony, łącząc informacje predykcyjne z szerokim zestawem reguł, redukujemy również błąd wczytywania danych wprowadzony przez arbitralny dobór parametrów w regułach handlu technicznego, unikając elementu subiektywności, który obejmuje ta procedura. METODY NAUCZANIA STATYSTYCZNEGO Podobnie jak komitet złożony z różnorodnych ludzi podejmuje lepsze decyzje niż każda osoba w pojedynkę, zespół różnorodnych, ale wydajnych modeli ma tendencję do osiągania lepszych rezultatów niż pojedynczy model. Statystyczne metody uczenia się to algorytmy, które konstruują zestaw klasyfikatorów, a następnie klasyfikują nowe punkty danych, biorąc (ważony) głos ich przewidywań (patrz Hastie i wsp. 2001). Oryginalną metodą statystyczną jest uśrednianie bayesowskie, ale opracowano nowsze algorytmy. W tej sekcji opiszemy najpopularniejsze metody uczenia statystycznego, takie jak Zwiększanie, uśrednianie modelu Bayesa i metoda Komitetu, która będzie używana w celu połączenia prognoz technicznych, poprawiając w ten sposób wydajność poszczególnych reguł handlu. Metoda boostingu Boosting jest ogólną metodą, która stara się zwiększyć dokładność dowolnego zestawu kategorycznych systemów klasyfikacji (lub ogólnie prognoz), która staje się jedną z najpotężniejszych koncepcji algorytmów uczenia się. Zostało wprowadzone przez Freunda i Schapire'a (1997). Ulepszanie zajmuje się ogólnym problemem tworzenia bardzo dokładnej reguły prognozowania poprzez łączenie prognoz przybliżonych i średnio niedokładnych. Jedną z najpopularniejszych wersji boostingu jest algorytm AdaBoost. M1, znany jako Discrete AdaBoost, dzięki Freundowi i Schapire (1997). Aby przedstawić zarys tego algorytmu pobudzającego, rozważmy problem z dwiema klasami, w którym zmienna wyjściowa jest kodowana jako. Klasyfikacja h (x) jest funkcją, która tworzy prognozę przyjmującą jedną z dwóch wartości, gdzie x jest zbiorem zmiennych predykcyjnych. Ulepszanie ruchomych średnich reguł handlowych za pomocą metod zwiększania i statystycznej nauki opublikowanych 10 maja 2008 r. W Wiley InterScience ( interscience. wiley) DOI. 10.1002 za.1068 Poprawa ruchomych średnich reguł handlowych dzięki metodom zwiększania i statystycznego uczenia się JULIN ANDRADA-FLIX I Katedra Metod Ilościowych w Ekonomii i Zarządzaniu, University of Las Palmas de Gran Canaria, Hiszpania Prezentujemy system łączenia różnych typów prognoz przez szeroką kategorię reguł handlu mechanicznego za pomocą metod uczenia się statystycznego (pobudzanie i kilka metod uśredniania modelu, takich jak bayesowskie lub proste metody uśredniania). Statystyczne metody uczenia dostarczają lepsze wyniki poza próbą niż większość pojedynczych reguł średniej ruchomej w indeksie NYSE Composite od stycznia 1993 r. Do grudnia 2002 r. Ponadto, stosując filtr w celu zmniejszenia częstotliwości handlu, filtrowany model pobudzający wytwarza techniczny Strategia, która mimo że nie jest w stanie przezwyciężyć zysków ze strategii kupowania i utrzymywania (BampH) w okresie wzrostu, pokonuje BampH w okresach spadków i jest w stanie wchłonąć znaczną część spadków na rynku. Copyright 2008 John Wiley amp Sons, Ltd. słowa kluczowe analiza techniczna wspomagająca wybór modelu statystycznego uczenia się WPROWADZENIE Analiza techniczna polega na próbie prognozowania cen rynku finansowego poprzez analizę cen w przeszłości i innych powiązanych statystyk dotyczących obrotu zabezpieczeniami. Pomimo sceptycznej postawy naukowców wobec analizy technicznej, w ciągu ostatnich 20 lat analiza techniczna przeżywała renesans w świecie akademickim, a znaczna ilość prac teoretycznych i empirycznych została wsparta analizą techniczną. Tak więc modele teoretyczne zostały zaproponowane przez Hellwig (1982), Treynor and Ferguson (1985), Brown and Jennings (1989) i Blume et al. (1994). Wiele prac empirycznych dowodzi także przydatności zasad handlu technicznego, między innymi Brock et al. (1992), Levich i Thomas (1993), Blume i in. (1994), Knez and Ready (1996), Genay (1996), Neely i in. (1997) oraz Chang i Osler (1999). Korespondencja do: Fernando Fernndez-Rodrguez, Facultad de Ciencias Econmicas y Empresariales, 35017 Las Palmas de Gran Canaria, Hiszpania. E-mail: ffernandezdmc. ulpgc. es Celem naszego artykułu jest dostarczenie systemu do łączenia różnych typów przewidywań dostarczanych przez szeroki zakres zasad handlu mechanicznego. Dzięki statystycznym metodom uczenia się (takim jak pobudzanie i kilka metod uśredniania modelu, takich jak Bayesian lub komitet), nowe prognozy będą konstruowane w oparciu o dany zestaw prognoz technicznych. Pozostała część tego artykułu ma następującą strukturę. W następnej części przedstawiono krótki przegląd zasad handlu technicznego stosowanych w niniejszym dokumencie. Trzecia sekcja koncentruje się na opisie najpopularniejszych metod uczenia statystycznego, takich jak Ulepszanie i uśrednianie modelu Bayesa. Czwarta sekcja przedstawia pomiary jakości zastosowane do oceny i porównania stworzonych reguł handlu technicznego. Piąta sekcja pokazuje wyniki empiryczne. W szóstej sekcji przedstawiono główne wnioski. ZASADY TRADINGU TECHNICZNEGO W niniejszym artykule badamy moc predykcyjną dotyczącą kombinacji informacji z jednej z najpopularniejszych rodzin reguł handlowych wykorzystywanych w analizie technicznej, zmiennych zmiennych ruchomych (odtąd VMA). Zasady VMA obejmują porównanie krótkoterminowej średniej ruchomej cen z długoterminową średnią ruchomą. W związku z tym sygnały kupna (sprzedaży) emitowane są, gdy krótkoterminowa średnia przekracza (jest niższa niż) długoterminową średnią o co najmniej wstępnie określone pasmo procentowe. Wprowadzenie pasma wokół średniej ruchomej zmniejsza liczbę sygnałów kupna (sprzedaży), eliminując bicie na rynku, gdy średnie kroczące w krótkim i długim okresie są zbliżone. Ten zespół, który jest zwykle uważany za 1, zmniejsza liczbę sygnałów kupna i sprzedaży. Sygnał nie jest generowany, gdy krótka średnia krocząca znajduje się w paśmie. Z pasmem zerowym, przepis techniczny dostarczony przez VMA klasyfikuje wszystkie dni na dni kupna lub sprzedaj dni. Długość ruchomych średnich musi być wybrana przez technika. Najpopularniejszą zasadą stosowaną w analizie technicznej jest 1200, gdzie krótki okres wynosi 1 dzień, a długi okres 200 dni. Niemniej jednak inne często stosowane zasady handlu to 150, 1150, 5150, 1200 i 2200 (patrz Brock i wsp. 1992). Sceptyczne nastawienie świata akademickiego dotyczące analizy technicznej jest uzasadnione skuteczną hipotezą rynkową, która utrzymuje, że dostępne informacje publiczne, takie jak ceny z przeszłości, nie powinny pomagać inwestorom uzyskiwać niezwykle wysokie zwroty po zdyskontowaniu premii za ryzyko. Tak więc Fama (1970, 1976) definiuje rynek jako słabo skuteczny, jeśli obecne ceny w pełni odzwierciedlają informacje zawarte w cenach z przeszłości. Słaba wydajność oznacza, że analiza techniczna przeszłych cen akcji nie ma żadnej wartości. Poprawa średniej ruchomej z zasadami handlu i metodami uczenia statystycznego Julian Andrada-Felix () i Fernando Fernndez-Rodrguez Dodatkowe informacje kontaktowe Fernando Fernndez-Rodrguez: Katedra Metod Ilościowych w Ekonomii i Zarządzaniu, University of Las Palmas de Gran Canaria, Hiszpania, Postal : Katedra Metod Ilościowych w Ekonomii i Zarządzaniu, Uniwersytet w Las Palmas de Gran Canaria, Hiszpania Streszczenie: Prezentujemy system łączenia różnych typów przewidywań podawanych przez szeroką kategorię reguł handlu mechanicznego za pomocą statystycznych metod uczenia się (zwiększanie i kilka metody uśredniania modelu, takie jak bayesowskie lub proste metody uśredniania). Statystyczne metody uczenia dostarczają lepsze wyniki poza próbą niż większość pojedynczych reguł średniej ruchomej w indeksie NYSE Composite od stycznia 1993 r. Do grudnia 2002 r. Ponadto, stosując filtr w celu zmniejszenia częstotliwości handlu, filtrowany model pobudzający tworzy strategię techniczną, która , chociaż nie jest w stanie przezwyciężyć zwrotów w strategii "kupuj i trzymaj" (BH) w okresie wzrostu, pokonuje BH w okresach spadków i jest w stanie wchłonąć znaczną część spadków na rynku. Copyright 2008 John Wiley Sons, Ltd. Pliki do pobrania: (external link) hdl. handle10.1002for.1068 Wymagany link do pełnej subskrypcji tekstowej (texthtml) Powiązane prace: Ten element może być dostępny w innym miejscu w EconPapers: Wyszukaj elementy o tym samym tytule. Export reference: BibTeX RIS (EndNote, ProCite, RefMan) HTMLText Journal of Forecasting jest obecnie edytowany przez Derek W. Bunn Więcej artykułów w Journal of Forecasting z John Wiley Sons, Ltd. Dane z serii utrzymywane przez Wiley-Blackwell Digital Licensing (). Ta strona jest częścią RePEc i wszystkie wyświetlane tu dane są częścią zestawu danych RePEc. Brakuje twojej pracy z RePEc Oto jak wnieść swój wkład. Pytania lub problemy Sprawdź FAQ EconPapers lub wyślij wiadomość na adres.
No comments:
Post a Comment