Förbättra rörliga genomsnittliga handelsregler med uppmuntrande och statistiska inlärningsmetoder. 2 Även om vår forskning är inriktad på att kombinera de klassiska tekniska handelsreglerna med statistiska inlärningsmetoder, är det nödvändigt att betona att det har förekommit många försök att förbättra de tekniska handelsreglerna och att skapa nya. I denna bemärkelse är utestående bland annat Genay (1999) och Allen och Karjalainen (1999). Genay (1999) ansåg således nya handelsregler baserade på icke parametriska modeller som maximerar den totala avkastningen på en investeringsstrategi. Det optimala valet av närmaste grannar, det optimala antalet dolda enheter i ett frammatningsnät och den optimala storleken på träningsuppsättningen bestäms av kryssvalideringsmetoden, vilket minimerar medelkvadratfelet. Ett annat välkänt papper som ägnas åt att hitta nya tekniska handelsregler är Allen och Karjalainen (1999), som använde en genetisk algoritm för att lära sig optimala tekniska handelsregler. Slutligen har problemen med att välja optimala handelsregler i exemplet påpekats i en nyligen publicerad tidning av Sullivan et al. (1999) som hävdar att farorna med data snooping är enorma när vi väljer den bästa handelsregeln. Efter Sullivan et al. (1999), om tillräckligt med handelsregler övervägs över tiden, är vissa regler bundna av lycka till, även i ett mycket stort prov, för att ge överlägsen prestanda även om de inte verkligen har förutsägande kraft över tillgångsavkastningen. Således kan effekterna av sådan datasnutning endast kvantifieras förutsatt att man ser prestationen av den bästa handelsregeln i sammanhanget med hela handelsregels universum, av vilket den bästa regeln var tänkbart vald. Vår forskning går i motsatt riktning för att optimera tekniska handelsregler, eftersom vi letar efter hur man kombinerar de befintliga genom att öka och modellera medelvärden. Som en granskning är vårt papper dubbelt syfte. Å ena sidan, eftersom det finns många tekniska handelsregler med olika framgångsgrader försöker vi undvika det missförstånd som finns mellan olika handelsregler, vilket ger en ny regel som kan använda all information som tillhandahålls av varje regel, lika mycket den höga framgångsrik information som misslyckad information, med hjälp av statistiska inlärningsmetoder. Å andra sidan, genom att kombinera den prediktiva informationen av en bred uppsättning regler reducerar vi också den data-snooping bias introducerad genom det godtyckliga urvalet av parametrarna i tekniska handelsregler och undviker det subjektiva subjektet som denna procedur innebär. STATISTISKA LÄRSMETODER Precis som en kommitté med olika människor tenderar att fatta bättre beslut än varje enskild individ tenderar ett ensemble av olika men högpresterande modeller att fungera bättre än en enda modell. Statistiska inlärningsmetoder är algoritmer som bygger en uppsättning klassificerare och sedan klassificerar nya datapunkter genom att ta en (viktad) röst av sina förutsägelser (se Hastie et al., 2001). Den ursprungliga statistiska metoden är bayesisk medelvärde, men senare algoritmer har utvecklats. I det här avsnittet kommer vi att beskriva de mest populära statistiska inlärningsmetoderna, till exempel Boosting, Bayesian modellmedelvärde och kommittémetoden, som kommer att användas för att kombinera de tekniska förutsägelserna och därigenom förbättra de enskilda handelsreglernas prestanda. Förstärkningsmetoden Förstärkning är en allmän metod som försöker öka noggrannheten hos en uppsättning kategoriska klassificeringssystem (eller förutsägelser i allmänhet) som blir en av de mest kraftfulla idéerna om inlärningsalgoritmer. Det introducerades av Freund och Schapire (1997). Förstärkning handlar om det allmänna problemet med att producera en mycket exakt prediktionsregel genom att kombinera grova och måttligt oriktiga förutsägelser. En av de mest populära versionerna av boosting är AdaBoost. M1-algoritmen, känd som Discrete AdaBoost, på grund av Freund och Schapire (1997). För att ge en översikt över denna förstärkningsalgoritm, låt oss överväga ett tvåstegsproblem där produktionsvariabeln är kodad som. En klassifiera h (x) är en funktion som ger en förutsägelse som tar ett av de två värdena, där x är en uppsättning av prediktorvariabler. Förflyttande rörliga genomsnittliga handelsregler med förbättrade och statistiska inlärningsmetoder Publicerad online den 10 maj 2008 i Wiley InterScience ( interscience. wiley) DOI. 10.1002for.1068 Förbättra rörliga genomsnittliga handelsregler med uppmuntrande och statistiska inlärningsmetoder JULIN ANDRADA-FLIX OCH Institutionen för kvantitativa metoder inom ekonomi och förvaltning, Universitetet i Las Palmas de Gran Canaria, Spanien Vi presenterar ett system för att kombinera de olika typerna av förutsägelser som ges genom en bred kategori av mekaniska handelsregler genom statistiska inlärningsmetoder (ökning, och flera modellmedelvärderingsmetoder som Bayesian eller enkla medelvärdesmetoder). Statistiska inlärningsmetoder ger bättre resultat utom de flesta av de enda rörliga genomsnittliga reglerna i NYSE Composite Index från januari 1993 till december 2002. Dessutom använder den filtrerade boostmodellen en teknisk strategi som, trots att den inte kan övervinna avkastningen från BAMH-strategin under stigande perioder, överhinder den BampH under fallande perioder och kan absorbera en stor del av fallen på marknaden. Copyright 2008 John Wiley amp Sons, Ltd. nyckelord teknisk analys som ökar statistiskt lärande modellval INLEDNING Teknisk analys består av försök att prognostisera priser på en finansmarknad genom studier av tidigare priser och annan relaterad sammanfattande statistik om säkerhetshandel. Trots akademikernas skeptiska inställning till teknisk analys har tekniska analyser under de senaste 20 åren haft en renässans i den akademiska världen och en betydande mängd teoretiskt och empiriskt arbete har utvecklats som stödjer den tekniska analysen. Således har teoretiska modeller föreslagits av Hellwig (1982), Treynor och Ferguson (1985), Brown and Jennings (1989) och Blume et al. (1994). Också många empiriska dokument ger bevis för profittigheten av tekniska handelsregler, enastående bland annat är Brock et al. (1992), Levich och Thomas (1993), Blume et al. (1994), Knez och Ready (1996), Genay (1996), Neely et al. (1997) och Chang and Osler (1999). Korrespondens med: Fernando Fernndez-Rodrguez, Facultad de Ciencias Econmicas och Empresariales, 35017 Las Palmas de Gran Canaria, Spanien. E-post: ffernandezdmc. ulpgc. es Syftet med vårt papper är att tillhandahålla ett system för att kombinera de olika typerna av förutsägelser som tillhandahålls av en bred kategori av mekaniska handelsregler. Genom statistiska inlärningsmetoder (till exempel förstärkning och flera modellmedelvärderingsmetoder som Bayesian eller utskott) kommer nya förutsägelser att byggas utifrån en given uppsättning tekniska förutsägelser. Resten av detta dokument har strukturerats enligt följande. I nästa avsnitt presenteras en kort översikt över tekniska handelsregler som används i detta dokument. Den tredje delen fokuserar på att beskriva de mest populära statistiska inlärningsmetoderna, såsom Boosting, och Bayesian modellmedelvärde. I det fjärde avsnittet presenteras de fi-nansåtgärder som används för att utvärdera och jämföra de skapade tekniska handelsreglerna. Den femte delen visar de empiriska resultaten. Sjätte avsnittet presenterar de viktigaste slutsatserna. TEKNISKA HANDELSREGLER I det här dokumentet studerar vi den prediktiva kraften om informationskombinationen från en av de mest populära handelsreglernas familjer som är anställda i teknisk analys, de rörliga genomsnittliga reglerna (VMA hädanefter). VMA-reglerna innefattar jämförelse av ett kortsiktigt glidande medelvärde av priser till ett långsiktigt glidande medelvärde. Därför emitteras köpförsäljningssignaler när det kortsiktiga genomsnittet överstiger (är mindre än) det långsiktiga genomsnittet med åtminstone ett förutbestämt procentband. Införandet av ett band runt det glidande medlet minskar antalet köp (sälj) signaler genom att eliminera marknaden whiplash när de korta och långa glidande medeltalet är nära. Detta band, som normalt betraktas som 1, minskar antalet köp - och säljssignaler. Ingen signal genereras när det korta glidande medlet ligger inom bandet. Med ett band på noll klassificeras den tekniska regel som VMA klassificerar alla dagar i antingen köpdagar eller försäljningsdagar. Längden på de rörliga medelvärdena måste väljas av tekniker. Den mest populära regeln som används i teknisk analys är 1200, där den korta perioden är 1 dag och den långa perioden är 200 dagar. Ändå är andra mycket använda handelsregler 150, 1150, 5150, 1200 och 2200 (se Brock et al., 1992). Den akademiska världens skeptiska inställning när det gäller teknisk analys motiveras av den effektiva marknadshypotesen, som hävdar att tillgänglig offentlig information, till exempel tidigare priser, inte borde hjälpa tillhandlare att vinna ovanligt hög avkastning när en riskpremie har diskonterats. Fama (1970, 1976) definierar således en marknad som svag form effektiv om nuvarande priser fullständigt återspeglar informationen i tidigare priser. Svag form effektivitet innebär att teknisk analys av tidigare aktiekurser har inget värde. Förbättra rörliga genomsnittliga handelsregler med ökande och statistiska inlärningsmetoder Julian Andrada-Felix () och Fernando Fernndez-Rodrguez Ytterligare kontaktuppgifter Fernando Fernndez-Rodrguez: Institutionen för kvantitativa metoder inom ekonomi och management, Universitetet i Las Palmas de Gran Canaria, Spanien, Post : Institutionen för kvantitativa metoder inom ekonomi och management, Universitetet i Las Palmas de Gran Canaria, Spanien Sammanfattning: Vi presenterar ett system för att kombinera de olika typerna av förutsägelser som ges av en bred kategori av mekaniska handelsregler genom statistiska inlärningsmetoder (ökning och flera modellmedelvärderingsmetoder som Bayesian eller enkla medelvärdesmetoder). Statistiska inlärningsmetoder ger bättre resultat utom de flesta av de enkla rörliga genomsnittliga reglerna i NYSE Composite Index från januari 1993 till december 2002. Dessutom använder den filtrerade förstärkningsmodellen en teknisk strategi som använder ett filter för att minska handelsfrekvensen. , trots att den inte lyckas övervinna avkastningen av buy-and-hold-strategin (BH) under stigande perioder, överbryggar den BH under fallande perioder och kan absorbera en betydande del av fallen på marknaden. Copyright 2008 John Wiley Sons, Ltd. Nedladdningar: (extern länk) hdl. handle10.1002for.1068 Länk till fullständig textabonnemang krävs (texthtml) Relaterade verk: Det här objektet kan vara tillgängligt någon annanstans i EconPapers: Sök efter föremål med samma titel. Exportera referens: BibTeX RIS (EndNote, ProCite, RefMan) HTMLText Journal of Forecasting är för närvarande redigerad av Derek W. Bunn Fler artiklar i Journal of Forecasting från John Wiley Sons, Ltd. Seriedata som underhålls av Wiley-Blackwell Digital Licensing (). Den här sidan är en del av RePEc och all data som visas här är en del av RePEc-datamängden. Är ditt arbete saknat från RePEc Så här bidrar du till. Frågor eller problem Kontrollera EconPapers FAQ eller skicka mail till.
No comments:
Post a Comment