Verbesserung Der Gleit Durchschnitt Handels Regeln Steigerung

Verbesserung der sich bewegenden durchschnittlichen Handelsregeln mit Boosting und Statistical Learning Methoden. 2 Obwohl unsere Forschung auf die Kombination der klassischen technischen Handelsregeln durch statistische Lernmethoden ausgerichtet ist, muss man betonen, dass es zahlreiche Versuche gab, die technischen Handelsregeln zu verbessern und neue zu schaffen. In diesem Sinne sind unter anderem Genay (1999) und Allen und Karjalainen (1999). So gilt Genay (1999) als neue Handelsregeln auf der Grundlage nichtparametrischer Modelle, die die Gesamtrendite einer Anlagestrategie maximieren. Die optimale Wahl der nächstgelegenen Nachbarn, die optimale Anzahl versteckter Einheiten in einem Feedforward-Netzwerk und die optimale Größe des Trainings-Sets werden durch die Cross-Validierungsmethode bestimmt, die den mittleren quadratischen Fehler minimiert. Eine weitere bekannte Arbeit, die sich mit neuen technischen Handelsregeln beschäftigt, ist Allen und Karjalainen (1999), die einen genetischen Algorithmus verwendet haben, um optimale technische Handelsregeln zu erlernen. Schließlich wurden die Probleme der Auswahl der optimalen Handelsregeln in der Stichprobe in einem kürzlich erschienenen Papier von Sullivan et al. (1999) argumentieren, dass die Gefahren der Daten Snooping sind immens, wenn wir die beste Handelsregel wählen. Nach Sullivan et al. (1999), wenn genügend Handelsregeln im Laufe der Zeit betrachtet werden, sind einige Regeln durch reines Glück gebunden, auch in einer sehr großen Stichprobe, um überlegene Leistung zu produzieren, auch wenn sie nicht wirklich prädiktive Macht über Vermögensrückkehr besitzen. So können die Wirkungen solcher Daten-Snooping nur quantifiziert werden, vorausgesetzt, dass man die Performance der besten Handelsregel im Kontext des vollen Universums der Handelsregeln berücksichtigt, aus denen die beste Regel vorstellbar gewählt wurde. Unsere Forschung geht in eine entgegengesetzte Richtung, um technische Handelsregeln zu optimieren, denn wir suchen, wie man die vorhandenen durch Verstärkung und Modell-Mittelungstechniken kombiniert. Als eine Überprüfung ist unser Papier doppelter Zweck. Auf der einen Seite, da es zahlreiche technische Handelsregeln mit unterschiedlichen Erfolgsgraden gibt, versuchen wir, die Fehlanpassung zu vermeiden, die zwischen verschiedenen Handelsregeln besteht und eine neue Regel bietet, die in der Lage ist, alle von jeder Regel gelieferten Informationen zu nutzen Erfolgreiche Informationen als erfolglose Informationen mit statistischen Lernmethoden. Auf der anderen Seite reduzieren wir durch die Kombination der prädiktiven Informationen eines breiten Regelwerks auch die durch die willkürliche Auswahl der Parameter in den technischen Handelsregeln eingeführte Daten-Snooping-Bias, wodurch das Subjektivitätselement, das dieses Verfahren beinhaltet, vermieden wird. STATISTISCHE LERNMETHODEN So wie ein Komitee von diversen Menschen tendenziell bessere Entscheidungen trifft als jeder einzelne allein, ein Ensemble von diversen und dennoch leistungsstarken Modellen tendiert dazu, besser als ein einziges Modell zu spielen. Statistische Lernmethoden sind Algorithmen, die einen Satz von Klassifikatoren aufbauen und dann neue Datenpunkte klassifizieren, indem sie eine (gewichtete) Abstimmung ihrer Vorhersagen nehmen (siehe Hastie et al., 2001). Die ursprüngliche statistische Methode ist die Bayessche Mittelung, aber neuere Algorithmen wurden entwickelt. In diesem Abschnitt werden wir die populärsten statistischen Lernmethoden wie Boosting, Bayes'sche Modellmittelung und die Komitatsmethode beschreiben, die verwendet werden, um die technischen Vorhersagen zu kombinieren und so die Performance der einzelnen Handelsregeln zu verbessern. Die Boosting-Methode Boosting ist eine allgemeine Methode, die versucht, die Genauigkeit eines beliebigen Satzes von kategorischen Klassifikationssystemen (oder Prognosen im Allgemeinen) zu steigern, die zu einer der mächtigsten Ideen zum Lernen von Algorithmen wird. Es wurde von Freund und Schapire (1997) eingeführt. Boosting befasst sich mit dem allgemeinen Problem, eine sehr genaue Vorhersageregel zu erzeugen, indem man grobe und mäßig ungenaue Vorhersagen kombiniert. Eine der populärsten Versionen der 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 erzeugt, die einen der beiden Werte annimmt, wobei x ein Satz von Prädiktorvariablen ist. Improving Moving Average Trading Regeln mit Boosting und Statistical Learning Methoden Veröffentlicht online 10. Mai 2008 in Wiley InterScience ( Interscience. wiley) DOI. 10.1002for.1068 Verbesserung der sich bewegenden durchschnittlichen Handelsregeln mit Boosting und Statistical Learning Methoden JULIN ANDRADA-FLIX UND Abteilung für quantitative Methoden in Wirtschaft und Management, Universität von Las Palmas de Gran Canaria, Spanien Wir präsentieren ein System für die Kombination der verschiedenen Arten von Vorhersagen gegeben Durch eine breite Kategorie von mechanischen Handelsregeln durch statistische Lernmethoden (Boosting und mehrere Modell-Mittelungsmethoden wie Bayesian oder einfache Mittelungsmethoden). Statistische Lernmethoden liefern eine bessere Out-of-Sample-Ergebnisse als die meisten der einzelnen gleitenden Durchschnittsregeln im NYSE Composite Index von Januar 1993 bis Dezember 2002. Darüber hinaus, mit einem Filter, um die Handelsfrequenz zu reduzieren, produziert das gefilterte Modell eine technische Strategie, die zwar in den steigenden Perioden nicht in der Lage ist, die Rendite der Buy-and-Hold-Strategie (BampH) zu überwinden, so überwältigt sie die BampH in den fallenden Perioden und kann einen beträchtlichen Teil des Marktrückgangs aufnehmen. Copyright 2004 John Wiley amp Sons, Ltd. Schlüsselwörter technische Analyse zur Förderung der statistischen Lernmodellauswahl EINFÜHRUNG Die technische Analyse besteht aus dem Versuch, die Preise eines Finanzmarktes durch die Untersuchung der vergangenen Preise und anderer zusammenhängender Statistiken zum Sicherheitshandel zu prognostizieren. Trotz der skeptischen Haltung der Akademiker zur technischen Analyse hat die technische Analyse in den letzten 20 Jahren eine Renaissance in der akademischen Welt erlebt und eine beträchtliche Menge an theoretischen und empirischen Arbeiten entwickelt, die die technische Analyse unterstützen. So wurden theoretische Modelle von Hellwig (1982), Treynor und Ferguson (1985), Brown und Jennings (1989) und Blume et al. (1994). Auch viele empirische Papiere belegen die Profitabilität der technischen Handelsregeln, unter anderem unter anderem Brock et al. (1992), Levich und Thomas (1993), Blume et al. (1994), Knez and Ready (1996), Genay (1996), Neely et al. (1997) und Chang und Osler (1999). Korrespondenz zu: Fernando Fernndez-Rodrguez, Facultad de Ciencias Econmicas y Empresariales, 35017 Las Palmas de Gran Canaria, Spanien. E-Mail: ffernandezdmc. ulpgc. es Der Zweck unserer Arbeit ist es, ein System zur Kombination der verschiedenen Arten von Vorhersagen zur Verfügung zu stellen, die von einer breiten Kategorie von mechanischen Handelsregeln bereitgestellt werden. Durch statistische Lernmethoden (wie zB Boosting und mehrere Modell-Mittelungsmethoden wie Bayesian oder Komitee) werden neue Vorhersagen auf der Grundlage einer Reihe von technischen Vorhersagen aufgebaut. Der Rest dieses Papiers ist wie folgt aufgebaut. Im nächsten Abschnitt wird eine kurze Übersicht über die in diesem Papier verwendeten technischen Handelsregeln vorgestellt. Der dritte Abschnitt konzentriert sich auf die Beschreibung der beliebtesten statistischen Lernmethoden wie Boosting und Bayesian Modell Mittelung. Im vierten Abschnitt werden die Maßnahmen zur Bewertung und Vergleich der angewandten technischen Handelsregeln vorgestellt. Der fünfte Abschnitt zeigt die empirischen Ergebnisse. Der sechste Abschnitt stellt die wichtigsten Schlussfolgerungen dar. TECHNISCHE HANDELSREGELN In dieser Arbeit untersuchen wir die Vorhersagekraft über die Kombination von Informationen aus einer der beliebtesten Handelsregelfamilien, die in der technischen Analyse eingesetzt werden, die variablen gleitenden Durchschnittsregeln (VMA künftig). VMA-Regeln beinhalten den Vergleich eines kurzfristigen gleitenden Durchschnitts der Preise mit einem langfristig gleitenden Durchschnitt. Daher werden Kauf - (Verkaufs-) Signale ausgegeben, wenn der kurzfristige Durchschnitt den langfristigen Durchschnitt um mindestens ein vorgegebenes Prozentband übersteigt (ist kleiner als) Die Einführung einer Band um den gleitenden Durchschnitt verringert die Anzahl der Kauf - (Verkaufs-) Signale durch die Beseitigung der Markt-Schleudertrauma, wenn die kurz - und langfristigen Bewegungsdurchschnitte nahe sind. Diese Band, die normalerweise als 1 betrachtet wird, reduziert die Anzahl der Kauf - und Verkaufssignale. Es wird kein Signal erzeugt, wenn der kurze gleitende Durchschnitt innerhalb des Bandes liegt. Mit einer Bande von Null, die technische Regel, die von der VMA klassifiziert wird alle Tage in entweder kaufen Tage oder verkaufen Tage. Die Länge der gleitenden Durchschnitte muss vom Techniker gewählt werden. Die populärste Regel, die in der technischen Analyse verwendet wird, ist 1200, wo die kurze Periode 1 Tag ist und die lange Zeitspanne 200 Tage ist. Dennoch sind andere vielfach genutzte Handelsregeln 150, 1150, 5150, 1200 und 2200 (vgl. Brock et al., 1992). Die skeptische Haltung der akademischen Welt in Bezug auf die technische Analyse wird durch die effiziente Markthypothese motiviert, die besagt, dass verfügbare öffentliche Informationen, wie die vergangenen Preise, den Händlern nicht helfen sollten, ungewöhnlich hohe Renditen zu erzielen, sobald eine Risikoprämie abgezinst worden ist. So verlässt Fama (1970, 1976) einen Markt als schwach form - effizient, wenn die aktuellen Preise die in den vergangenen Preisen enthaltenen Informationen vollständig widerspiegeln. Die Schwachform-Effizienz impliziert, dass die technische Analyse der vergangenen Aktienkurse keinen Wert hat. Verbesserung der bewegten durchschnittlichen Handelsregeln mit steigernden und statistischen Lernmethoden Julian Andrada-Felix () und Fernando Fernndez-Rodrguez Weitere Kontaktinformationen Fernando Fernndez-Rodrguez: Abteilung für quantitative Methoden in Wirtschaftswissenschaften und Management, Universität Las Palmas de Gran Canaria, Spanien, Post : Abteilung für quantitative Methoden in Wirtschaftswissenschaften und Management, Universität von Las Palmas de Gran Canaria, Spanien Zusammenfassung: 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-Mittelungsmethoden wie Bayes'sche oder einfache Mittelungsmethoden). Statistische Lernmethoden liefern eine bessere Out-of-Sample-Ergebnisse als die meisten der einzelnen gleitenden durchschnittlichen Regeln im NYSE Composite Index von Januar 1993 bis Dezember 2002. Darüber hinaus, mit einem Filter zur Verringerung der Handelsfrequenz, produziert das gefilterte Boosting-Modell eine technische Strategie, die , Obwohl es nicht in der Lage ist, die Rendite der Buy-and-Hold-Strategie (BH) während der Aufstiegszeit zu überwinden, überwältigt sie die BH während der fallenden Perioden und kann einen beträchtlichen Teil des Marktrückgangs aufnehmen. Copyright 2008 John Wiley Sons, Ltd. Downloads: (externer Link) hdl. handle10.1002for.1068 Link zum vollständigen Textabonnement erforderlich (texthtml) Verwandte Werke: Dieser Artikel kann an anderer Stelle in EconPapers verfügbar sein: Suche nach Artikeln mit demselben Titel. Export-Referenz: BibTeX RIS (EndNote, ProCite, RefMan) HTMLText Journal of Forecasting wird derzeit von Derek W. Bunn bearbeitet Weitere Artikel in Journal of Forecasting von John Wiley Sons, Ltd Serie Daten von Wiley-Blackwell Digital Licensing () gepflegt. Diese Seite ist Teil von RePEc und alle hier angezeigten Daten sind Bestandteil des RePEc-Datensatzes. Ist Ihre Arbeit fehlt bei RePEc Hier ist, wie man beitragen kann. Fragen oder Probleme Überprüfen Sie die EconPapers FAQ oder senden Sie eine E-Mail an.