Melhorando Movendo Média Negociação Regras Impulsionando

Melhorando as regras de negociação em média móvel com métodos de aprendizagem econômica e estatística. 2 Embora a nossa investigação se centre 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 ideal de unidades ocultas em uma rede feedforward e o 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 de dados snooping são imensos quando selecionamos a melhor regra de negociação. Seguindo Sullivan et al. (1999), se as regras de negociação forem consideradas ao longo do tempo, algumas regras são vinculadas, por pura sorte, mesmo em uma amostra muito grande, para produzir desempenho superior, mesmo que eles realmente não possuem poder preditivo sobre os retornos dos ativos. Assim, os efeitos dessa análise de dados só podem ser quantificados desde que se considere o desempenho da melhor regra de negociação no contexto do universo completo de regras de negociação a partir da 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 modelagem. 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 infrutíferas, usando métodos de aprendizagem estatística. 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 de aprendizagem estatística são algoritmos que constroem um conjunto de classificadores e, em seguida, classificam novos pontos de dados através de 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 Boosting Boosting é um método geral que tenta aumentar a precisão de qualquer conjunto de sistemas classificatórios categóricos (ou previsões em geral) que se tornam 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 codificado 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 Mínimas com o Impulso e os Métodos de Aprendizagem Estatística Publicado on-line em 10 de maio de 2008 na Wiley InterScience Interscience. wiley) DOI. JULIN ANDRADA-FLIX E Departamento de Métodos Quantitativos em Economia e Gestão, Universidade de Las Palmas de Gran Canaria, Espanha 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, e vários métodos de média de modelo 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, Estratégia que, embora não seja capaz de superar os retornos da estratégia de compra e retenção (BampH) durante períodos crescentes, supera o BampH durante os períodos de queda e é capaz de absorver uma parte considerável das quedas no mercado. Copyright 2008 John Wiley amp. Sons, Ltd. palavras-chave análise técnica impulsionando seleção de modelos de aprendizagem estatística INTRODUÇÃO A análise técnica consiste na tentativa de prever os preços de um mercado financeiro pelo estudo de preços passados ​​e outras estatísticas resumidas relacionadas à negociação de segurança. Apesar da atitude cética dos acadêmicos em relação à análise técnica, durante os últimos 20 anos, a análise técnica tem desfrutado um renascimento no mundo acadêmico, e uma quantidade considerável de trabalho teórico e empírico foi desenvolvido apoiando a análise técnica. Assim, modelos te�icos foram propostos por Hellwig (1982), Treynor e Ferguson (1985), Brown e Jennings (1989) e Blume et al. (1994). Além disso, muitos trabalhos empíricos fornecem evidências da rentabilidade das regras técnicas de negociação, destacando-se, entre outras, 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). Correspondência para: Fernando Fernndez-Rodrguez, Faculdade de Ciências Econmicas e Empresariais, 35017 Las Palmas de Gran Canaria, Espanha. E-mail: ffernandezdmc. ulpgc. es O objetivo do nosso artigo é fornecer um sistema para combinar os diferentes tipos de previsão fornecidos por uma ampla categoria de regras de negociação mecânica. Através de métodos de aprendizagem estatística (como o reforço, e vários modelos de métodos de média como Bayesian ou comitê), novas previsões serão construídas com base em um determinado conjunto de previsões técnicas. O restante deste artigo foi estruturado da seguinte forma. Na próxima seção, é apresentada uma breve revisão das regras técnicas de negociação usadas neste artigo. A terceira seção se concentra em descrever os métodos de aprendizagem estatística mais populares, como Boosting e Bayesian modelo de média. A quarta seção apresenta as medidas de aptidão empregadas para avaliar e comparar as regras técnicas de negociação criadas. A quinta seção mostra os resultados empíricos. A sexta seção apresenta as principais conclusões. REGRAS DE NEGOCIAÇÃO TÉCNICA Neste artigo, estudamos o poder preditivo relativo à combinação de informações de uma das famílias de regras de negociação mais populares empregadas na análise técnica, as regras da média móvel variável (VMA doravante). VMA regras envolvem a comparação de uma média móvel de curto prazo dos preços para uma média móvel de longo prazo. Por conseguinte, os sinais de compra (venda) são emitidos quando a média de curto prazo excede (é inferior) à média de longo prazo pelo menos uma banda percentual pré-especificada. A introdução de uma banda em torno da média móvel reduz o número de sinais de compra (venda) eliminando o whiplash do mercado quando as médias móveis de curto e longo prazo estão próximas. Esta banda, que normalmente é considerada como 1, reduz o número de sinais de compra e venda. Nenhum sinal é gerado quando a média móvel curta está dentro da banda. Com uma faixa de zero, a regra técnica fornecida pela VMA classifica todos os dias em dias de compra ou dias de venda. O comprimento das médias móveis deve ser selecionado pelo técnico. A regra mais popular utilizada na análise técnica é 1200, onde o período curto é de 1 dia eo período longo é de 200 dias. No entanto, outras regras de comércio muito utilizadas são 150, 1150, 5150, 1200 e 2200 (ver Brock et al., 1992). A atitude cética do mundo acadêmico em relação à análise técnica é motivada pela hipótese de mercado eficiente, que sustenta que a informação pública disponível, como os preços passados, não deve ajudar os comerciantes a obter retornos extraordinariamente altos quando um prêmio de risco foi descontado. Assim, Fama (1970, 1976) defi nes um mercado como sendo fraco-forma efi ciente se os preços atuais refletem plenamente a informação contida em preços passados. A eficiência de forma fraca implica que a análise técnica de preços de ações passados ​​não tem valor. Fernando Fernndez-Rodrguez: Departamento de Métodos Quantitativos em Economia e Gestão, Universidade de Las Palmas de Gran Canaria, Espanha, Postal Resumo: Apresentamos um sistema para combinar os diferentes tipos de previsões dadas por uma ampla categoria de regras mecânicas de negociação através de métodos de aprendizagem estatística (impulsionando, e vários Métodos de média de modelo 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 (BH) durante períodos crescentes, supera a BH durante os períodos de queda e é capaz de absorver uma parte considerável das quedas no mercado. Copyright 2008 John Wiley Sons, Ltd. Downloads: (external link) hdl. handle10.1002for.1068 Link para assinatura completa necessária (texthtml) Trabalhos relacionados: Este item pode estar disponível noutro local em EconPapers: Procure itens com o mesmo título. Exportar referência: BibTeX RIS (EndNote, ProCite, RefMan) HTMLText Jornal de Previsão é atualmente editado por Derek W. Bunn Mais artigos em Jornal de Previsão de John Wiley Sons, Ltd. Dados da série mantidos pela Wiley-Blackwell Digital Licensing (). Este site faz parte do RePEc e todos os dados aqui apresentados fazem parte do conjunto de dados RePEc. Seu trabalho está faltando no RePEc Aqui está como contribuir. Perguntas ou problemas Verifique as perguntas frequentes do EconPapers ou envie um e-mail para.