Mejora de las reglas de negociación de media móvil con el refuerzo y los métodos de aprendizaje estadístico. 2 Aunque nuestra investigación se centra en combinar las reglas técnicas clásicas de comercio con los métodos de aprendizaje estadístico, es necesario enfatizar que se han realizado numerosos intentos de mejorar las reglas técnicas de comercio y crear otras nuevas. En este sentido, destacan entre otros Genay (1999) y Allen y Karjalainen (1999). Así, Genay (1999) consideró nuevas reglas comerciales basadas en modelos no paramétricos que maximizan el retorno total de una estrategia de inversión. La elección óptima de los vecinos más cercanos, el número óptimo de unidades ocultas en una red de feedforward y el tamaño óptimo del conjunto de entrenamiento se determinan mediante el método de validación cruzada, que minimiza el error cuadrático medio. Allen y Karjalainen (1999), que utilizaron un algoritmo genético para aprender las reglas técnicas de negociación óptimas, son otro documento bien conocido dedicado a encontrar nuevas reglas técnicas de comercio. Finalmente, los problemas de selección de las reglas óptimas de comercio en la muestra se han señalado en un reciente artículo de Sullivan et al. (1999) argumentando que los peligros de la snooping de datos son inmensos cuando seleccionamos la mejor regla comercial. Siguiendo a Sullivan et al. (1999), si se consideran suficientes reglas comerciales a lo largo del tiempo, algunas reglas están obligadas, por suerte pura, incluso en una muestra muy grande, a producir un rendimiento superior incluso si no poseen realmente poder predictivo sobre los rendimientos de los activos. Por lo tanto, los efectos de estos datos snooping sólo puede ser cuantificado siempre que se considere el desempeño de la mejor regla comercial en el contexto de todo el universo de las normas comerciales de la que la mejor regla fue concebible elegido. Nuestra investigación se orienta en una dirección opuesta a la optimización de las reglas técnicas de trading, ya que buscamos cómo combinar las existentes a través de técnicas de impulso y modelado de promedios. Como revisión, nuestro trabajo tiene un doble propósito. Por un lado, dado que existen numerosas reglas técnicas de negociación con diferentes grados de éxito, intentamos evitar el desajuste que existe entre diferentes reglas comerciales, proporcionando una nueva regla capaz de utilizar toda la información proporcionada por cada regla, tanto la altamente La información exitosa como la información infructuosa, utilizando métodos de aprendizaje estadístico. Por otro lado, al combinar la información predictiva de un amplio conjunto de reglas también se reduce el sesgo de snooping de datos introducido por la selección arbitraria de los parámetros en las reglas técnicas de comercio, evitando el elemento de subjetividad que implica este procedimiento. MÉTODOS DE APRENDIZAJE ESTADÍSTICO Del mismo modo que un comité de personas diversas tiende a tomar mejores decisiones que cada individuo solo, un conjunto de modelos diversos pero de alto rendimiento tiende a desempeñarse mejor que un solo modelo. Los métodos de aprendizaje estadístico son algoritmos que construyen un conjunto de clasificadores y luego clasifican nuevos puntos de datos tomando un voto (ponderado) de sus predicciones (ver Hastie et al., 2001). El método estadístico original es el promediado bayesiano, pero se han desarrollado algoritmos más recientes. En esta sección describiremos los métodos de aprendizaje estadístico más populares, como Boosting, Bayesian model averaging y el método Committee, que serán utilizados para combinar las predicciones técnicas, mejorando así el desempeño de las reglas comerciales individuales. El método Boosting Boosting es un método general que intenta aumentar la precisión de cualquier conjunto de sistemas categóricos de clasificación (o predicciones en general) que se convierten en una de las ideas más poderosas sobre los algoritmos de aprendizaje. Fue introducido por Freund y Schapire (1997). El impulso se ocupa del problema general de producir una regla de predicción muy precisa combinando predicciones ásperas y moderadamente inexactas. Una de las versiones más populares de boosting es el algoritmo AdaBoost. M1, conocido como Discrete AdaBoost, debido a Freund y Schapire (1997). Con el fin de proporcionar un esquema de este algoritmo de refuerzo, vamos a considerar un problema de dos clases donde la variable de salida se codifica como. Una clasificadora h (x) es una función que produce una predicción tomando uno de los dos valores, donde x es un conjunto de variables predictoras. Mejora de las Reglas de Negocio Promedio Móvil con el Impulso y los Métodos de Aprendizaje Estadístico. 7 a Parámetros de la regla del promedio móvil n 1. N 2. B. B Número de promedios móviles (menor, igual, mayor). El procedimiento clásico de predicción combinada fue inútil debido a la singularidad de las matrices implicadas. En la Tabla I se muestran varias características estadísticas y económicas de los pronósticos correspondientes al porcentaje de predicciones de signos exitosos, el rendimiento neto, la relación de profe tidad ideal y la relación de Sharpe correspondiente al período de 10 años de 1993 a 2002. Todos estos datos estadísticos y Se consideran las características económicas de los mejores y peores promedios móviles (por debajo, entre corchetes, las longitudes de promedios móviles cortos y largos y la banda) y para todos los métodos de aprendizaje filtrados y no filtrados, es decir, Modelo de bombeo (fi ltrado y no fi ltrado), el modelo de media móvil del comité (fi ltrado y no fi ltrado) y el modelo de media móvil bayesiana (fi ltrado y no fi ltrado). Abajo, entre paréntesis, se presenta el número de reglas de media móvil con retornos menores, iguales o mayores, respectivamente. 2 En la última fila de la Tabla I, también hemos mostrado la estrategia buy-and-hold (BampH), para hacer comparaciones. La primera columna de la Tabla I muestra, para cada uno de los procedimientos de pronóstico indicados anteriormente, los porcentajes de la dirección de predicción diaria correcta. La columna 2 muestra el rendimiento neto obtenido por una estrategia técnica basada en las señales obtenidas por el pronóstico. También mostramos en la parte inferior, entre paréntesis, el número de reglas de media móvil con retornos menores, iguales o mayores, respectivamente. Por último, para evaluar el desempeño de nuestras reglas técnicas de negociación también hemos considerado en las columnas 3 y 4 la relación de beneficio ideal y la relación de Sharpe correspondiente a todos los procedimientos de pronóstico mencionados anteriormente (al final, entre paréntesis, el número de Se presentan las reglas de media móvil con proporción de capital ideal menor, igual o mayor y relación de Sharpe, respectivamente). En la Tabla I se destacan los siguientes resultados. El único modelo que supera la estrategia BampH es el modelo de Boosting fi ltered. Así, la rentabilidad neta, la relación de beneficio ideal y la relación de Sharpe de la regla técnica de negociación guiada por el modelo de Boosting fi ltrado son 74.00, 0.0508 y 0.0508, respectivamente, superando cualquier regla de media móvil y cualquier otro método de aprendizaje. Incluso supera el rendimiento neto, la relación de beneficio ideal y la relación de Sharpe de la estrategia BampH, que son 67,33, 0,0462 y 0,0279, respectivamente. Además, observe que la introducción del filtro mejora el rendimiento neto y las relaciones de beneficio en los modelos Boosting y Bayesian. Sin embargo, los resultados del modelo del Comité empeoran cuando se emplea un filtro. Finalmente, observe que el porcentaje máximo de éxito de la dirección de predicción se obtiene por la mejor regla de media móvil 10, 140, 3, que es 52.02 exitosa. Por lo tanto, aunque las tasas de éxito de la predicción de la dirección de los modelos presentados en la Tabla I son todos ligeramente por encima de 50, algunos experimentan una mayor proporción Sharpe que la estrategia BampH, lo que significa que estas reglas comerciales son, en promedio, correctas cuando importa más . Siguiendo la Tabla I, la regla comercial obtenida por el modelo de Boosting filtrada supera la mejor media móvil 5, 160, 6 con respecto a cualquier medida de estabilidad económica. Obsérvese también que los modelos Boosting, Bayesian y Committee han sido obtenidos ex ante. Mientras tanto, el mejor promedio móvil se obtuvo ex post, por lo que es posible que su poder predictivo pudiera incluso ser inferior cuando lo usamos ex ante en un período futuro. Ahora se estudia la capacidad ex ante de las medias móviles para obtener beneficios. En este punto, nuestra principal preocupación es cómo la rentabilidad y el poder predictivo de las reglas del promedio móvil varían con el tiempo. Esta preocupación está directamente relacionada, como Sullivan et al. (1999) apuntan a los peligros de la vigilancia de datos, que son inmensos cuando seleccionamos la mejor regla comercial, ya que si se consideran las reglas comerciales suficientes en el tiempo, algunas reglas están unidas por pura suerte, incluso en una muestra muy grande, Para producir un rendimiento superior, incluso si no poseen realmente poder predictivo sobre los activos returns. Improving las reglas de negociación de media móvil con boosting y los métodos de aprendizaje estadístico Cuando se solicita una corrección, por favor mencione esto manejar: RePEc: jof: jforec: v: Y: 2008: i: 5: p: 433-449. Consulte la información general sobre cómo corregir el material en RePEc. Para preguntas técnicas sobre este tema, o para corregir sus autores, título, resumen, información bibliográfica o de descarga, póngase en contacto con: (Wiley-Blackwell Digital Licensing) o (Christopher F. Baum) Si ha creado este artículo y aún no está registrado en RePEc, le recomendamos que lo haga aquí. Esto permite vincular tu perfil a este elemento. También le permite aceptar citas potenciales a este tema de las que no estamos seguros. Si faltan referencias, puede agregarlas usando este formulario. Si las referencias completas enumeran un elemento que está presente en RePEc, pero el sistema no enlazó con él, puede ayudar con este formulario. Si sabe de los elementos que faltan citando éste, puede ayudarnos a crear esos vínculos agregando las referencias pertinentes de la misma manera que se ha indicado anteriormente, para cada elemento referente. Si usted es un autor registrado de este artículo, también puede revisar la pestaña de citas en su perfil, ya que puede haber algunas citas esperando confirmación. Tenga en cuenta que las correcciones pueden tardar un par de semanas en filtrarse a través de los distintos servicios de RePEc. Más servicios MyIDEAS Seguir series, revistas, autores amp más Nuevos artículos por correo electrónico Suscribirse a nuevas adiciones a RePEc Registro de autor Perfiles públicos para investigadores de economía Rankings Varios rankings de investigación en economía y campos relacionados Genealogía ¿Quién fue un estudiante de quién, con RePEc RePEc Biblio Artículos curados artículos de amp y varios temas de economía MPRA Sube tu artículo para ser incluido en RePEc e IDEAS EconAcademics Agregador de blogs para la investigación de la economía Plagio Casos de plagio en la economía Documentos del mercado de trabajo RePEc serie de trabajo de trabajo dedicada al mercado de trabajo Fantasy League Pretendas estar al timón De un departamento de economía Servicios de los datos de la Fed STL, la investigación, las aplicaciones más amp de la St. Louis FedImproving las reglas de negociación de media móvil con boosting y métodos de aprendizaje estadístico Citas Citas 19 Referencias Referencias 32 quotThus diferente longitud media móvil se requiere para atender a los diferentes Mercado. Este hallazgo es consistente con los estudios realizados por Brock et al. 11, Lukac et al. 12, Andrada-Felix et al. 13, Kwon y Kish 21, y Sullivan et al. 38. Si bien las reglas sencillas de media móvil como OptSMA19 y Opt SMAc superaron a los otros modelos técnicos ex-post, ex-ante es extremadamente difícil estimar con precisión las longitudes óptimas que se desplegarán 33. quot Mostrar el resumen Ocultar el resumen RESUMEN: El objetivo de (Indonesia), Malasia (MYR), Filipinas (PHP), Singapur (SGD) y Tailandia (THB), mediante la aplicación de las normas de la OCDE Dinámico de media móvil de los sistemas de comercio. Esta investigación ofrece evidencia de la utilidad del indicador de análisis técnico de volatilidad variable en el tiempo, el promedio móvil variable (AMAx27) para descifrar las tendencias en estos mercados de tipo de cambio ASEAN-5. Este factor de volatilidad variable en el tiempo, denominado Ratio de Eficacia en este documento, está incluido en AMAx27. El Efficacy Ratio ajusta el AMAx27 a las condiciones de mercado prevalecientes, evitando los whipsaws (pérdidas debidas, en parte, a actuar sobre señales comerciales incorrectas, que generalmente ocurren cuando no existe una dirección general en el mercado) Tendencias en el comercio de tendencia. La eficacia de AMAx27 se evalúa en comparación con otras reglas populares de media móvil. Basado en el conjunto de datos de enero de 2005 a diciembre de 2014, nuestros hallazgos muestran que los promedios móviles y AMAx27 son superiores a la estrategia pasiva de compra y retención. Específicamente, AMAx27 supera a los otros modelos para el dólar de los Estados Unidos contra PHP (USD / PHP) y USD / THB pares de divisas. Los resultados muestran que las diferentes medias móviles de longitud tienen mejores resultados en diferentes períodos para las cinco monedas. Esto es consistente con nuestra hipótesis de que un indicador técnico ajustable dinámico es necesario para atender períodos diferentes en diferentes mercados. Las señales falsas de venta en medio de un período alcista explican las dificultades de las reglas DMAC para superar en tales condiciones, ya que estar fuera del mercado en condiciones muy alcista incluso para un Un corto período de tiempo es difícil de compensar con otras decisiones de tiempo, sobre todo cuando las reglas de comercio MA siempre son tarde en la identificación de los puntos de inflexión de los mercados de valores. En conjunto, nuestros resultados son en este sentido coherentes con Fong y Yong (2005), Andrada-Flix y Rodrguez (2008), Yen y Hsu (2010), Ptri y Vilska (2014) y Luukka et al. (En adelante), que han documentado el mejor desempeño de las estrategias técnicas de negociación durante los períodos bajistas, sin embargo, nuestros resultados contrastan con los de Fong y Ho (2001) y Chang, Lima y Tabak (2004), quienes reportan rendimientos anormales particularmente significativos por encima de la Bampa Durante períodos alcistas. Este artículo examina la rentabilidad de las estrategias de negociación de índices que se basan en reglas de cruce de media móvil dual (DMAC) en el mercado de valores ruso durante el período 20032012. Contribuye a la literatura de análisis técnico (TA) existente comparando por primera vez en mercados emergentes el desempeño relativo de las carteras de negociación de acciones individuales con el de estrategias de negociación para el índice que consiste en las mismas acciones (es decir, las existencias más líquidas de la Moscú Intercambio). Los resultados muestran que las mejores estrategias de negociación del período de la muestra pueden superar la estrategia de compra y retención durante el período posterior a la muestra, aunque con una baja significación estadística. Además, documentamos los beneficios de usar combinaciones de DMAC que son mucho más largas que las empleadas en literatura de TA anterior. Por otra parte, la descomposición del desempeño del período completo de la muestra en desempeños separados del toro y del período de oso muestra que el mejor desempeño de las mejores estrategias de comercio de índices pasados se debe principalmente al hecho de que lograron mantenerse fuera del mercado de valores durante Un dramático accidente causado por la crisis financiera mundial. Artículo Jun 2016 Eero Ptri Pasi Luukka Elena Fedorova Tatiana Garanina elaboró un modelo de predicción basado en la media móvil. Hay tres tipos de media móvil: el promedio móvil simple (SMA), el promedio móvil ponderado (WMA) y el promedio móvil exponencial (EMA). En este estudio se utilizó una media móvil exponencial. Esta forma de promedio utiliza una ponderación o un factor de suavizado que disminuye exponencialmente (Andrada-Felix et al., 2008). La ponderación de cada punto de datos antiguos que disminuye exponencialmente, da mucha más importancia a las observaciones recientes, sin descartar las observaciones más antiguas por completo. El modelo de pronóstico se divide en dos fases: fase de detección y fase de pronóstico. La fase de detección se centra en un análisis de los datos recogidos. Se han propuesto varios esquemas de previsión para la gestión de datos de tráfico, que son recogidos por cámaras de videos, sensores y servicios de telefonía móvil. Sin embargo, éstos no son suficientes para la recolección de datos debido a su limitada cobertura y altos costos de instalación y mantenimiento. Para superar las limitaciones de estas herramientas, introducimos un esquema híbrido basado en el sistema de transporte inteligente (ITS) y el sistema global de navegación por satélite (GNSS). La aplicación del GNSS para calcular el tiempo de viaje ha demostrado ser eficiente en términos de precisión. En este caso, los datos GNSS se gestionan para reducir la congestión del tráfico y los accidentes de tráfico. Este documento presenta un modelo de pronóstico a corto plazo basado en el tiempo de viaje en tiempo real para las redes urbanas heterogéneas de carreteras. La predicción del tiempo de viaje se ha logrado mediante la predicción de velocidades de viaje utilizando un modelo de media móvil exponencial optimizada (EMA). Además, para la adaptación de la velocidad en redes de carreteras heterogéneas, es necesario introducir una estrategia de control adecuada para la longitud, basada en el GNSS. Los productos GNSS proporcionan servicios mundiales y en tiempo real utilizando información precisa de tiempo y tecnologías de posicionamiento. Resumen Se presenta un sistema para combinar los diferentes tipos de predicciones dadas por una amplia categoría de reglas mecánicas de negociación a través de métodos de aprendizaje estadísticos (potenciación, Y varios métodos de promediado de modelos como bayesianos o simples métodos de promediación). Los métodos de aprendizaje estadístico proporcionan mejores resultados fuera de muestra que la mayoría de las reglas de media móvil en el NYSE Composite Index de enero de 1993 a diciembre de 2002. Además, utilizando un filtro para reducir la frecuencia de operaciones, el modelo de impulsión filtrada produce una estrategia técnica que , Aunque no es capaz de superar los rendimientos de la estrategia Buy-and-Hold (BampH) durante períodos crecientes, supera la BampH durante los períodos de caída y es capaz de absorber una parte considerable de las caídas en el mercado. Copyright 2008 John Wiley amp Sons, Ltd. Artículo Aug 2008 Julin AndradaFlix Fernando Fernndez-Rodrguez Artículo completo Enero 2004 ZQ John Lu Artículo Enero 2009 Diario de la Royal Statistical Society Serie A (Estadísticas en sociedad) T. Hastie R. Tibshirani J Friedman Las personas que leen esta publicación también leen Artículo íntegro Enero 2008 Diario de Previsión Alexandros E. Milionis Evangelia Papanagiotou Artículo completo Artículo Mayo de 2014 Artículo Aug 2008 Julin AndradaFlix Fernando Fernández-Rodrguez Los datos facilitados son meramente informativos. Aunque han sido recopilados con cuidado, no se puede garantizar la precisión. Las condiciones del editor son proporcionadas por RoMEO. Pueden aplicarse disposiciones diferentes de la política real o del contrato de licencia del editor. Esta publicación es de un diario que puede apoyar el autoarchivo. Última actualización: 30 Ago 16 Se ha producido un error al procesar la plantilla.
Comments
Post a Comment