Verbesserung der Moving Average Trading Regeln mit Boosting und Statistical Learning Methoden. 2 Obwohl es sich hierbei um die Kombination der klassischen technischen Handelsregeln durch statistische Lernmethoden handelt, ist zu betonen, dass es zahlreiche Versuche gab, die technischen Handelsregeln zu verbessern und neue zu schaffen. In diesem Sinne sind ua Genay (1999) und Allen und Karjalainen (1999) herausragend. So betrachtet Genay (1999) neue Handelsregeln auf der Grundlage nichtparametrischer Modelle, die die Gesamtrendite einer Anlagestrategie maximieren. Die optimale Auswahl der nächsten Nachbarn, die optimale Anzahl von verborgenen Einheiten in einem Feedforward-Netzwerk und die optimale Größe des Trainingssets werden durch das Cross-Validierungsverfahren bestimmt, das den mittleren quadratischen Fehler minimiert. Ein weiteres bekanntes Papier für neue technische Handelsregeln ist Allen und Karjalainen (1999), die mit Hilfe eines genetischen Algorithmus optimale technische Handelsregeln erlernten. Schließlich wurde in einer kürzlich erschienenen Arbeit von Sullivan et al. Die Probleme der Auswahl von optimalen Handelsregeln in der Probe hervorgehoben. (1999), dass die Gefahren des Daten-Snooping immens sind, wenn wir die beste Handelsregel auswählen. Nach Sullivan et al. (1999) werden, wenn genügend Handelsregeln über die Zeit betrachtet werden, einige Regeln durch reines Glück sogar in einer sehr großen Stichprobe gebunden, um eine überlegene Leistung zu erzeugen, selbst wenn sie nicht wirklich eine prädiktive Kraft über die Vermögensrückkehr besitzen. Somit können die Effekte solcher Daten-Snooping nur quantifiziert werden, wenn man die Leistung der besten Handelsregel im Kontext des vollen Universums der Handelsregeln berücksichtigt, aus denen die beste Regel denkbar gewählt wurde. Unsere Forschung geht in die entgegengesetzte Richtung, um technische Handelsregeln zu optimieren, denn wir suchen, wie man die bestehenden durch die Förderung und Modell-Mittelung Techniken zu kombinieren. Als Überprüfung ist unser Papier doppelter Zweck. Auf der einen Seite, da es zahlreiche technische Handelsregeln mit unterschiedlichen Erfolgsgraden gibt, versuchen wir, die Mismatching zu vermeiden, die zwischen den verschiedenen Handelsregeln bestehen, wodurch eine neue Regel geschaffen wird, die in der Lage ist, alle von jeder Regel bereitgestellten Informationen zu nutzen Erfolgreiche Informationen als erfolglose Informationen unter Verwendung statistischer Lernmethoden. Andererseits reduzieren wir durch Kombinieren der prädiktiven Informationen eines breiten Regelwerks auch die durch die willkürliche Auswahl der Parameter in technischen Handelsregeln eingeführte Daten-Snooping-Bias, wodurch das Element der Subjektivität vermieden wird, das dieses Verfahren einschließt. STATISTISCHE LERNMETHODEN Genau wie ein Komitee vielfältiger Menschen tendenziell bessere Entscheidungen trifft als jedes einzelne Individuum, tendiert ein Ensemble aus verschiedenen, aber leistungsstarken Modellen dazu, besser zu sein als ein einziges Modell. Statistische Lernmethoden sind Algorithmen, die einen Satz von Klassifikatoren konstruieren und dann neue Datenpunkte klassifizieren, indem sie eine (gewichtete) Stimme ihrer Prognosen einnehmen (siehe Hastie et al., 2001). Die ursprüngliche statistische Methode ist die Bayessche Mittelung, aber es wurden neuere Algorithmen entwickelt. In diesem Abschnitt werden die populärsten statistischen Lernmethoden wie Boosting, Bayes-Modell-Mittelwertbildung und Komitee-Methode beschrieben, die verwendet werden, um die technischen Voraussagen zu kombinieren und so die Leistungsfähigkeit der einzelnen Handelsregeln zu verbessern. Das Boosting-Verfahren Boosting ist ein allgemeines Verfahren, das versucht, die Genauigkeit eines Satzes von kategorischen Klassifizierungssystemen (oder Prognosen allgemein) zu erhöhen, die zu einer der mächtigsten Ideen über Lernalgorithmen werden. Es wurde von Freund und Schapire (1997) eingeführt. Boosting befasst sich mit dem allgemeinen Problem, eine sehr genaue Vorhersageregel zu erzeugen, indem grobe und mäßig ungenaue Prognosen kombiniert werden. Eine der populärsten Versionen des Boosting ist der AdaBoost. M1-Algorithmus, bekannt als Discrete AdaBoost, aufgrund von Freund und Schapire (1997). Um einen Überblick über diesen Verstärkungsalgorithmus zu geben, betrachten wir ein Zweiklassenproblem, bei dem die Ausgangsvariable als codiert wird. Ein Klassifikator h (x) ist eine Funktion, die eine Vorhersage unter einem der beiden Werte erzeugt, wobei x ein Satz von Prädiktorvariablen ist. Verbessern der Verschiebung von durchschnittlichen Handelsregeln mit Boosting und statistischen Lernmethoden. 7 a Parameter der gleitenden mittleren Regel n 1. N 2. B. B Anzahl der gleitenden Mittelwerte (min. Das klassische Kombinieren-Vorhersageverfahren war nutzlos wegen der Singularität der beteiligten Matrizen. In Tabelle I zeigen wir mehrere statistische und ökonomische Merkmale der Prognosen, die dem prozentualen Anteil erfolgreicher Vorhersagen, der Netto-Rendite, dem idealen Profitverhältnis und dem Sharpe-Verhältnis entsprechen, das dem Zeitraum von 10 Jahren von 1993 bis 2002 entspricht Ökonomische Merkmale werden für die besten und schlechtesten gleitenden Mittelwerte (unten, in eckigen Klammern, die Längen der kurzen und langen gleitenden Mittelwerte und des Bandes dargestellt) und für alle gefilterten und nicht-gefilterten Lernmethoden, d. h. Booster-Modell (gefiltert und nicht gefiltert), das durchschnittliche Modell des Komitees (gefiltert und nicht gefiltert) und das Bayessche Modell (gefiltert und nicht filtriert). Im Folgenden wird in Klammern die Anzahl der gleitenden Durchschnittsregeln mit kleineren, gleichen oder größeren Renditen dargestellt. 2 In der letzten Zeile der Tabelle I haben wir auch die Buy-and-Hold-Strategie (BampH) gezeigt, um Vergleiche anzustellen. Die erste Spalte in Tabelle I zeigt für jede der oben genannten Prognoseverfahren die Pro - zentsätze der korrekten täglichen Prognoserichtung. Spalte 2 zeigt die Netto-Rendite, die durch eine technische Strategie auf der Grundlage der durch die Prognose gewonnenen Signale erzielt wird. Wir zeigen auch in der Klammer die Zahlen der gleitenden Durchschnittsregeln mit kleineren, gleichen oder großen Renditen. Um die Leistungsfähigkeit unserer technischen Handelsregeln auswerten zu können, haben wir in den Spalten 3 und 4 auch das optimale Profi - Verhältnis und das Sharpe - Verhältnis berücksichtigt, das allen zuvor erwähnten Prognoseverfahren (unten, in Klammern, Gleitende Durchschnittsregeln mit kleinem, gleichem oder großem idealen Profi-Verhältnis bzw. Sharpe-Verhältnis dargestellt). Betrachtet man Tabelle I, so ergeben sich folgende Ergebnisse. Das einzige Modell, das die BampH-Strategie überwindet, ist das Boosting-gefilterte Modell. Die Netto-Rendite, das ideale Profi-Verhältnis und die Sharpe-Ratio der technischen Handelsregel, die durch das Boosting-gefilterte Modell geführt werden, betragen 74.00, 0.0508 bzw. 0.0508, was jede gleitende Durchschnittsregel und jede andere Lernmethode überwindet. Es überwindet sogar die Netto-Rendite, das ideale Profi-Verhältnis und das Sharpe-Verhältnis der BampH-Strategie, die 67,33, 0,0462 bzw. 0,0279 sind. Außerdem ist zu beachten, dass die Einführung des Filters die Netto-Rendite und die Gewinnquoten in den Boosting - und Bayes'schen Modellen verbessert. Trotzdem verschlechtern sich die Ergebnisse im Ausschussmodell, wenn ein Filter eingesetzt wird. Schließlich wird beobachtet, dass der maximale Prozentsatz des Vorhersage-Richtungserfolgs durch die beste gleitende Durchschnittsregel 10, 140, 3 erhalten wird, die 52.02 erfolgreich ist. Obwohl die Erfolgsraten der Vorhersage der Richtung der in Tabelle 1 angegebenen Modelle alle leicht über 50 liegen, erleben einige eine höhere Sharpe-Ratio als die BampH-Strategie, was bedeutet, dass diese Handelsregeln im Durchschnitt korrekt sind, wenn es mehr zählt . Nach der Tabelle I überwindet die durch das gefilterte Boosting-Modell erhaltene Handelsregel den besten gleitenden Durchschnitt 5, 160, 6 in bezug auf jedes wirtschaftliche Maßnahmemaß. Beachten Sie auch, dass die Modelle Boosting, Bayesian und Committee ex ante. Unterdessen wurde der beste gleitende Durchschnitt ex post erhalten, und so ist es möglich, dass seine prädiktive Macht sogar unterlegen sein könnte, wenn wir ihn in einer zukünftigen Periode ex ante verwenden. Nun wird die Ex-ante-Kapazität von gleitenden Durchschnittswerten untersucht. An dieser Stelle geht es vor allem darum, wie sich die Profitabilität und die Vorhersagekraft der gleitenden Durchschnittsregeln über die Zeit ändern. Diese Sorge steht in direktem Zusammenhang, wie Sullivan et al. (1999) weisen auf die Gefahren des Daten-Snoopings hin, die immens sind, wenn wir die beste Handelsregel auswählen, weil, wenn suffiziente Handelsregeln über die Zeit betrachtet werden, einige Regeln durch reines Glück auch in einer sehr großen Stichprobe gebunden sind, Um eine überlegene Leistung zu erzielen, selbst wenn sie nicht wirklich eine prädiktive Macht über Vermögensrückkehr besitzen. Improving moving average trading rules with boosting und statistische Lernmethoden Wenn Sie eine Korrektur anfordern, erwähnen Sie bitte diese Elemente behandeln: RePEc: jof: jforec: v: 27: Y: 2008: i: 5: p: 433-449. Siehe allgemeine Informationen zur Korrektur von Material in RePEc. Bei technischen Fragen zu diesem Artikel in Bezug auf, oder ihre Autoren zu korrigieren, Titel, Abstract, bibliographische oder Download-Informationen, Kontakt: (Wiley-Blackwell Digital-Licensing) oder (Christopher F. Baum) Wenn Sie diesen Artikel verfasst haben und noch nicht registriert RePEc, wir ermutigen Sie, es hier zu tun. Dadurch können Sie Ihr Profil mit diesem Element verknüpfen. Es erlaubt Ihnen auch, potenzielle Zitate zu diesem Punkt zu akzeptieren, dass wir uns unsicher sind. Wenn Referenzen vollständig fehlen, können Sie sie über dieses Formular hinzufügen. Wenn die vollständigen Referenzen ein Element auflisten, das in RePEc vorhanden ist, aber das System nicht mit ihm verknüpft ist, können Sie mit diesem Formular helfen. Wenn Sie über fehlende Elemente wissen, können Sie uns helfen, diese Links zu erstellen, indem Sie die entsprechenden Referenzen in der gleichen Weise wie oben hinzufügen. Wenn Sie ein registrierter Autor dieses Artikels sind, können Sie auch die Registerkarte Zitate in Ihrem Profil überprüfen, da es einige Zitate gibt, die auf die Bestätigung warten. Bitte beachten Sie, dass Korrekturen einige Wochen dauern können, um die verschiedenen RePEc-Dienste zu filtern. Weitere Dienste MyIDEAS Folgen Serie, Zeitschriften, Autoren amp mehr Neue Papiere per E-Mail an Neuzugänge abonnieren RePEc Autor Registrierung Öffentliche Profile für Wirtschaft Forscher verschiedene Rankings der Forschung in der Wirtschaft amp verwandten Bereichen Genealogie Rankings Wer ein Schüler von ihnen war, mit RePEc RePEc Biblio Kuratiert Artikel amp Papiere verschiedene Wirtschaft Themen MPRA Laden Sie Ihr Papier auf RePEc und IDEAS EconAcademics Blog Aggregator für Wirtschaft Forschung Plagiat Fälle von Plagiaten in Economics Job Market Papers RePEc Arbeitspapier Serie zum Arbeitsmarkt Fantasie-Liga Pretend Sie am Ruder sind gewidmet aufgeführt werden eines volkswirtschaftlichen Abteilung Dienstleistungen aus der StL Fed Daten, Forschung, apps mehr Amp aus dem St. Louis FedImproving mit Verstärkung und statistischen Lernmethoden Citations Citations 19 Referenzen durchschnittliche Handelsregeln bewegen 32 quotThus unterschiedlicher Länge gleitenden Durchschnitt Referenzen ist erforderlich, um die verschiedenen gerecht zu werden Markt-Zustand. Dieser Befund steht im Einklang mit den Studien von Brock et al. 11, Lukac et al. 12, Andrada-Felix et al. 13, Kwon und Kish 21, und Sullivan et al. 38. Während einfache gleitendem Durchschnitt Regeln wie OptSMA19 und Opt SMAC die anderen technischen Modelle ex-post, die Ex-ante übertroffen ist es extrem schwierig, genau die optimalen Längen abzuschätzen 33. quot anzeigen abstrakt ausblenden Zusammenfassung Zusammenfassung bereitgestellt werden: Das Ziel diese Forschung ist es, die Entwicklung der Devisenmärkte der ASEAN-5-Staaten (Indonesien (IDR), Malaysia (MYR), die Philippinen (PHP), Singapur (SGD) und Thailand (THB)) durch die Anwendung zu prüfen, Dynamisch gleitenden durchschnittlichen Handelssysteme. Diese Forschung bietet Beweis für die Nützlichkeit der zeitlich veränderliche Volatilität technische Analyse Indikator, Einstellbare Moving Average (AMAx27) in Trends in diesen ASEAN-5 Wechselkursmärkte zu entziffern. Diese zeitlich veränderliche Volatilität Faktor, bezeichnet als die Wirksamkeit Verhältnis in diesem Papier wird in AMAx27 eingebettet. Die Wirksamkeit Verhältnis passt die AMAx27 zu den vorherrschenden Marktbedingungen durch whipsaws Vermeidung (Verluste durch, teilweise auf falsche Handelssignale zu wirken, die in der Regel auftreten, wenn es keine allgemeine Richtung auf dem Markt ist) im Bereich Handel und von früh in neue Eingabe Trends im Trendhandel. Die Wirksamkeit von AMAx27 wird anhand anderer populärer gleitender Durchschnittswerte bewertet. Basierend auf dem Datensatz von Januar 2005 bis Dezember 2014 zeigen unsere Ergebnisse, dass die bewegten Durchschnitte und AMAx27 der passiven Buy-and-Hold-Strategie überlegen sind. Insbesondere AMAx27 übertrifft die anderen Modelle für den Vereinigten Staaten Dollar gegen PHP (USD / PHP) und USD / THB Währungspaare. Die Ergebnisse zeigen, dass unterschiedliche Längenverschiebungsdurchschnitte in verschiedenen Perioden für die fünf Währungen besser sind. Dies steht im Einklang mit unserer Hypothese, dass ein dynamisch einstellbarer technischer Indikator für unterschiedliche Perioden in verschiedenen Märkten erforderlich ist. Die falschen Verkaufssignale in der Mitte einer bullishen Periode erklären die Schwierigkeiten der DMAC-Regeln, um unter solchen Bedingungen zu übertreffen, da sie außerhalb der Märkte in stark zinsbulligen Bedingungen auch für eine Kurze Zeitspanne ist schwierig, mit anderen Timing-Entscheidungen zu kompensieren, vor allem, wenn die MA-Handelsregeln sind immer zu spät bei der Identifizierung der Wendepunkte der Aktienmärkte. Insgesamt sind unsere Ergebnisse in Übereinstimmung mit Fong und Yong (2005), Andrada-Flix und Rodrguez (2008), Yen und Hsu (2010), Ptri und Vilska (2014) und Luukka et al. (2001) und Chang, Lima und Tabak (2004), die besonders signifikante abnormale Renditen über die BampH berichten, im Vergleich zu den von Fong und Ho (2001) dokumentierten Ergebnissen Portfolio während bullischer Perioden. ZUSAMMENFASSUNG: Dieses Papier untersucht die Rentabilität von Indexhandelstrategien, die auf den doppelten durchschnittlichen Crossover - (DMAC) - Regeln in der russischen Börse im Zeitraum 2003-2002 basieren. Sie leistet einen Beitrag zur bestehenden technischen Analyse (TA), indem sie erstmals in den Schwellenländern die relative Performance einzelner Aktienhandelsportfolios mit derjenigen der Handelsstrategien für den Index, der aus den gleichen Beständen besteht (dh den liquidesten Aktien der Moskauer Austausch). Die Ergebnisse zeigen, dass die besten Handelsstrategien der Stichprobenperiode die Buy-and-Hold-Strategie während des anschließenden Out-of-Sample-Zeitraums übertreffen können, wenn auch mit geringer statistischer Signifikanz. Darüber hinaus dokumentieren wir die Vorteile der Verwendung von DMAC-Kombinationen, die wesentlich länger sind als die in früheren TA-Literatur verwendeten. Darüber hinaus zeigt die Zerlegung der Periodenperformance-Performance in separate Bull - und Bärenperioden-Performances, dass die Outperformance der besten Vergangenheitsindex-Handelsstrategien größtenteils auf die Tatsache zurückzuführen ist, dass sie während des gesamten Zeitraums, Ein dramatischer Crash, verursacht durch die globale Finanzkrise. Artikel Juni 2016 Eero Ptri Pasi Luukka Elena Fedorowa Tatiana Garanina ein Prognosemodell auf der Grundlage der gleitenden Durchschnitt. Es gibt drei Arten von gleitendem Durchschnitt: den einfachen gleitenden Durchschnitt (SMA), den gewichteten gleitenden Durchschnitt (WMA) und den exponentiellen gleitenden Durchschnitt (EMA). In dieser Studie wurde ein exponentieller gleitender Durchschnitt verwendet. Diese Form des Mittels verwendet eine Gewichtung oder einen Glättungsfaktor, der exponentiell abnimmt (Andrada-Felix et al., 2008). Die Gewichtung für jeden älteren Datenpunkt, der exponentiell abnimmt, gibt den neueren Beobachtungen viel mehr Bedeutung, ohne die älteren Beobachtungen vollständig zu verwerfen. Das Prognosemodell gliedert sich in zwei Phasen: Erkennungsphase und Prognosephase. Die Erkennungsphase konzentriert sich auf eine Analyse der gesammelten Daten. Um zu erhöhen accuquot Zusammenfassung anzeigen Zusammenfassung verstecken ABSTRAKT: Es wurden verschiedene Prognoseschemata vorgeschlagen, um Verkehrsdaten zu verwalten, die von Videokameras, Sensoren und Mobilfunkdiensten gesammelt werden. Diese reichen jedoch nicht aus, um Daten aufgrund ihrer begrenzten Abdeckung und der hohen Kosten für Installation und Wartung zu sammeln. Um die Einschränkungen dieser Werkzeuge zu überwinden, stellen wir ein Hybridschema auf der Basis des intelligenten Verkehrssystems (ITS) und des globalen Satellitennavigationssystems (GNSS) vor. Die Anwendung der GNSS, um die Reisezeit zu berechnen, hat sich hinsichtlich der Genauigkeit als effizient erwiesen. In diesem Fall werden GNSS-Daten verwaltet, um Verkehrsstaus und Verkehrsunfälle zu reduzieren. Dieses Papier führt ein Kurzzeit-Prognosemodell ein, das auf Echtzeit-Reisezeit für städtische heterogene Straßennetze basiert. Die Reisezeitvorhersage wurde durch Vorhersage von Fahrgeschwindigkeiten unter Verwendung eines optimierten exponentiellen gleitenden Durchschnittsmodells (EMA) erreicht. Darüber hinaus ist es für die Geschwindigkeitsanpassung in heterogenen Straßennetzen notwendig, auf der Grundlage des GNSS eine geeignete Lenkungsstrategie einzuführen. GNSS-Produkte bieten weltweite und Echtzeit-Dienste mit präzisen Timing-Informationen und Positionierungstechnologien. Volltext-Artikel Mai 2016 Jamal RaiynMachine Lernmethoden Anwendung In Variable Moving Durchschnittliche Handelsregeln Zeigen Zusammenfassung Verstecken Zusammenfassung ABSTRACT: Wir präsentieren ein System für die Kombination der verschiedenen Arten von Vorhersagen, die durch eine breite Kategorie von mechanischen Handelsregeln durch statistische Lernmethoden (Boosting, Und mehrere Modell-Mittelwertbildung Methoden wie Bayesian oder einfache Mittelung Methoden). Statistische Lernmethoden liefern bessere Ergebnisse außerhalb der Stichprobe als die meisten einzelnen gleitenden Durchschnittsregeln im NYSE Composite Index von Januar 1993 bis Dezember 2002. Darüber hinaus erzeugt das gefilterte Verstärkungsmodell unter Verwendung eines Filters, um die Handelsfrequenz zu reduzieren, eine technische Strategie, die , Obwohl es nicht in der Lage ist, die Rendite der Buy-and-Hold-Strategie in steigenden Perioden zu überwinden, überwindet sie die BampH während der fallenden Perioden und kann einen erheblichen Teil der Stürze auf dem Markt absorbieren. Copyright 2008 John Wiley amp Sons, Ltd. Artikel Jul 2008 Julin AndradaFlix Fernando Fernndez-Rodrguez Volltext Artikel Jan 2004 ZQ John Lu Artikel Jänner 2009 Zeitschrift der Königlichen Statistischen Gesellschaft Serie A (Statistik in der Gesellschaft) T. Hastie R. Tibshirani J Friedman Menschen, die diese Publikation lesen lesen auch Volltext Artikel Jan 2008 Journal der Prognose Alexandros E. Milionis Evangelia Papanagiotou Volltext Artikel Mai 2014 Julin AndradaFlix Fernando Fernndez-Rodrguez Die Daten dienen nur zu Informationszwecken. Obgleich sorgfältig gesammelt, kann Genauigkeit nicht garantiert werden. Herausgeberbedingungen werden von RoMEO zur Verfügung gestellt. Abweichende Bestimmungen der aktuellen Richtlinie oder des Lizenzvertrages des Herausgebersx27 können anwendbar sein. Diese Publikation stammt aus einer Zeitschrift, die die Selbstarchivierung unterstützen kann. Aktualisiert: 30 Aug. 16 Beim Rendern der Vorlage ist ein Fehler aufgetreten.
No comments:
Post a Comment