Melhorando as regras de negociação média móvel

Melhorando as Regras de Negociação da Moeda em Mudança com Boosting e Métodos de Aprendizagem Estatística. 2 Embora a nossa pesquisa se centre em combinar as regras clássicas de negociação técnica por métodos de aprendizagem estatística, é necessário enfatizar que houve inúmeras tentativas para melhorar as regras técnicas de negociação e criar novas. Nesse sentido, entre outros, destacam-se 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 ótimo de unidades escondidas em uma rede feedforward e o tamanho ótimo do conjunto de treinamento são determinados pelo método de validação cruzada, que minimiza o erro quadrático médio. Outro documento bem conhecido dedicado a encontrar novas regras técnicas de negociação é Allen e Karjalainen (1999), que usou um algoritmo genético para aprender as melhores regras técnicas de negociação. Finalmente, os problemas de seleção de regras de negociação óptimas na amostra foram apontados em um artigo recente de Sullivan et al. (1999), argumentando que os perigos do snooping dos dados são imensos quando selecionamos a melhor regra comercial. 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 comerciais comerciais, porque buscamos como combinar as existentes através de técnicas de impulsionar e modelar a média. Como revisão, nosso artigo é de dupla finalidade. Por um lado, uma vez que existem inúmeras regras comerciais comerciais com diferentes graus de sucesso, tentamos evitar o desajuste que existe entre diferentes regras de negociação, fornecendo uma nova regra capaz de usar todas as informações fornecidas por cada regra, tanto o altamente Informações bem sucedidas como a informação mal sucedida, usando métodos de aprendizagem estatística. Por outro lado, ao combinar a informação preditiva de um amplo conjunto de regras, também reduzimos o viés de divulgação 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, tendem a apresentar melhor desempenho do que um modelo único. Os métodos de aprendizagem estatística são algoritmos que constroem um conjunto de classificadores e, em seguida, classificam novos pontos de dados tomando um voto (ponderado) de suas previsões (ver Hastie et al., 2001). O método estatístico original é a média Bayesiana, mas algoritmos mais recentes foram desenvolvidos. Nesta seção, descreveremos os métodos de aprendizagem estatística mais populares, como Boosting, a média do modelo bayesiano e o método do Comitê, que serão utilizados para combinar as previsões técnicas, melhorando assim o desempenho das regras de negociação individuais. O método de impulsão O impulso é um método geral que tenta aumentar a precisão de qualquer conjunto de sistemas de classificação categórica (ou previsões em geral) que se torna uma das idéias mais poderosas sobre os algoritmos de aprendizagem. Foi introduzido por Freund e Schapire (1997). Boosting lida com o problema geral de produzir uma regra de predição muito precisa, combinando previsões ásperas e moderadamente imprecisas. Uma das versões mais populares do aumento é o algoritmo AdaBoost. M1, conhecido como Discrete AdaBoost, devido a Freund e Schapire (1997). A fim de fornecer um esboço deste algoritmo de aumento, considere um problema de duas classes onde a variável de saída é codificada como. Um classifi er h (x) é uma função que produz uma previsão tomando um dos dois valores, onde x é um conjunto de variáveis ​​preditoras. Melhorando as regras de negociação média móvel com métodos de aprendizagem aprimorados e estatísticos Publicado on-line 10 de maio de 2008 em Wiley InterScience ( Interscience. wiley) DOI. 10.1002 para.1068 Melhorando as regras de negociação média em movimento com Boosting e Métodos de Aprendizagem Estatística 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 (aumento e vários métodos de média de modelos, 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 única no índice composto da NYSE de janeiro de 1993 a dezembro de 2002. Além disso, usando um filtro para reduzir a freqüência de negociação, o modelo de impulsionamento produzido produz uma técnica 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, os modelos teóricos foram propostos por Hellwig (1982), Treynor e Ferguson (1985), Brown e Jennings (1989) e Blume et al. (1994). Além disso, muitos documentos empíricos evidenciam a rentabilidade das regras técnicas de negociação, 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, Facultad de Ciências Económicas e Empresariales, 35017 Las Palmas de Gran Canaria, Espanha. E-mail: ffernandezdmc. ulpgc. es O objetivo do nosso trabalho é fornecer um sistema para combinar os diferentes tipos de previsões fornecidos por uma ampla categoria de regras de negociação mecânica. Através de métodos de aprendizado estatístico (como impulsionar e vários métodos de média do modelo como Bayesian ou comissão), novas previsões serão construídas com base em um dado conjunto de previsões técnicas. O restante deste artigo foi estruturado da seguinte forma. Na próxima seção é apresentada uma breve revisão das regras de negociação técnica usadas neste artigo. A terceira se centra em descrever os métodos de aprendizagem estatística mais populares, como Boosting, e a média do modelo bayesiano. A quarta seção apresenta as medidas de remuneração empregadas para avaliar e comparar as regras técnicas de negociação criadas. A seção final 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). As regras da VMA envolvem a comparação de uma média móvel de curto prazo de preços com uma média móvel de longo prazo. Portanto, os sinais de compra (venda) são emitidos quando a média de curto prazo excede (é menor que) a média de longo prazo em pelo menos uma faixa de porcentagem 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 período estão próximas. Essa banda, normalmente 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 pelas classes VMA 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 usada na análise técnica é 1200, onde o curto período é de 1 dia eo longo período é de 200 dias. No entanto, outras regras comerciais 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 excepcionalmente altos, uma vez que um prémio de risco foi descontado. Assim, Fama (1970, 1976) defi nes um mercado como sendo de forma fraca eficiente se os preços atuais reflitam completamente a informação contida em preços passados. A eficiência da forma fraca implica que a análise técnica dos preços das ações passadas não tem valor.