Melhorando as regras de negociação média móvel que impulsionam

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 estatísticos, é necessário enfatizar que houve inúmeras tentativas para melhorar as regras técnicas de negociação e criar novas. Nesse sentido, destacam-se, entre outros, Genay (1999) e Allen e Karjalainen (1999). Assim, Genay (1999) considerou novas regras de negociação com base 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 comerciais comerciais é Allen e Karjalainen (1999), que usou um algoritmo genético para aprender as melhores regras de negociação técnica. 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 da busca de 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 um desempenho superior, mesmo que eles realmente não possuem poder preditivo sobre os retornos dos ativos. Assim, os efeitos desse tipo de informação 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 escolhida. Nossa pesquisa está indo em uma direção oposta para otimizar as regras de negociação técnica, 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 de negociação técnica com diferentes graus de sucesso, tentamos evitar o desajuste que existe entre diferentes regras de negociação, fornecendo uma nova regra capaz de usar toda a informação fornecida por cada regra, tanto quanto 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 bisbilhotagem 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 diversas pessoas tende a tomar melhores decisões do que cada indivíduo sozinho, um conjunto de modelos diversos e de alto desempenho tendem a apresentar melhor desempenho do que um modelo único. 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 os 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 impulsionar Boosting é um método geral que tenta aumentar a precisão de qualquer conjunto de sistemas de classificação categórica (ou previsões em geral) que se tornem 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 ao combinar 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). Para fornecer um esboço desse 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 predição tomando um dos dois valores, onde x é um conjunto de variáveis ​​preditoras. Melhorando as regras de negociação média em movimento com Boosting e métodos de aprendizagem estatística. 12 CONCLUSÕES Nesta pesquisa, apresentamos um sistema para combinar os diferentes tipos de previsões dadas por uma ampla categoria de regras de negociação mecânica através de métodos de aprendizado estatístico, como Boosting, e vários métodos de média de modelos, como Bayesian ou Committee (métodos de média simples). O procedimento clássico de predição combinada foi inútil por causa da singularidade das matrizes envolvidas. Além disso, para evitar costosas regras de negociação técnica superativas derivadas do impulso e dos outros métodos de aprendizagem, apresentamos um filtro que descarta sinais de compra ou venda baixos. A idéia de usar um filtro para reduzir a freqüência comercial e obter maiores retornos é muito antiga em Finanças, e o sucesso dos filtros justificaria a existência de algumas tendências sistemáticas nos preços que não são explicados pelo modelo de caminhada aleatória. Consideramos uma amostra composta por 10 períodos anuais, de 1993 a 2002, no Índice Composto da NYSE. Além disso, para dar ao nosso trabalho uma motivação econômica mais profunda que poderia sugerir sua transcendência e aplicações, repetimos nosso experimento em duas subamostra especiais subindo e caindo. O primeiro foi o subperíodo crescente até 1 de setembro de 2000. O segundo foi o subperíodo em queda após 1 de setembro de 2000. Nossa primeira conclusão é que, em geral, as melhorias usando um filtro não são produzidas para todos os métodos de aprendizagem estatística e Períodos analisados, com exceção do modelo de Boosting filtrado, que sempre supera o aumento não-filtrado. O modelo de Boosting filtrado também supera o resto dos métodos de aprendizagem filtrados e não-filtrados, em todos os períodos analisados, com exceção do período de crescimento de 1993 a 1 de setembro de 2000. Durante períodos de tempo curtos, algumas regras de movimentação média média Poderia ser mais útil do que o modelo de Boosting filtrado, mas este resultado investe por períodos de tempo mais longos. Nossos resultados, portanto, sugerem que o modelo de Boosting filtrado fornece melhores resultados estatísticos e econômicos fora da amostra do que a maioria das regras da média móvel única durante 10 períodos anuais, de 1993 a 2002, no Índice de Composição da NYSE. Quando consideramos o período completo de 10 anos, o modelo de Boosting filtrado supera a melhor média móvel em relação a várias medidas estatísticas e econômicas consideradas. Além disso, o modelo de Boosting filtrado melhora consideravelmente os retornos líquidos da estratégia BampH e sua relação Sharpe. Ao combinar a informação preditiva de um amplo conjunto de regras, também reduzimos o viés de espionagem de dados introduzido pela seleção arbitrária de parâmetros nas regras técnicas de negociação, evitando o elemento de subjetividade que este procedimento envolve. Além disso, as médias móveis têm um poder preditivo contingente, e sua capacidade para obter retornos positivos pode variar de tempo. Assim, a melhor regra média móvel do presente ano pode ser ruim no ano seguinte, sendo impossível estabelecer, a priori, quais são as melhores regras. Portanto, o Boosting e outros métodos de aprendizagem são capazes de evitar o desajuste preditivo que existe entre diferentes regras de negociação técnica, fornecendo novas regras capazes de usar todas as informações oferecidas para uma ampla categoria de regras. Durante o período completo analisado (1993-2002), o algoritmo de Boosting filtrado mostrou uma alta capacidade para obter a informação preditiva tanto de boas regras como de regras de média móvel ruim, sendo mais robusto e profi que qualquer regra de média móvel por longos períodos de tempo . Durante o período de subidas generalizadas (até 1 de Setembro de 2000), nem o método de aprendizagem estatístico nem a regra de negociação média móvel conseguiram obter um retorno líquido superior ao retorno da estratégia BampH. Neste subperíodo, a melhor relação de lucro ideal também foi obtida pela estratégia BampH, e a melhor relação Sharpe foi obtida pela média móvel 10, 90, 2, seguida da estratégia BampH. Melhorando as regras de negociação média móvel com o aprendizado estatístico e dinâmico Métodos Julian Andrada-Felix () e Fernando Fernndez-Rodrguez Informações de contato adicionais Fernando Fernndez-Rodrguez: Departamento de Métodos Quantitativos em Economia e Gestão, Universidade de Las Palmas de Gran Canaria, Espanha, Postal: Departamento de Métodos Quantitativos em Economia e Gestão, Universidade de Las Palmas de Gran Canaria, Espanha Resumo: 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 modelos, como métodos Bayesianos ou 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 de Composição 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 filtrado produz uma estratégia técnica que , Embora não seja capaz de superar os retornos da estratégia de compra e retenção (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: (link externo) hdl. handle. net10.1002for.1068 Link para assinatura de texto completo necessária (texthtml) Trabalhos relacionados: Este item pode estar disponível em outros lugares no EconPapers: procure itens com o mesmo título. Referência de exportação: BibTeX RIS (EndNote, ProCite, RefMan) HTMLText Journal of Forecasting é atualmente editado por Derek W. Bunn Mais artigos em Journal of Forecasting de John Wiley Sons, Ltd. Dados da série mantidos por Wiley-Blackwell Digital Licensing (). Este site faz parte do RePEc e todos os dados exibidos aqui fazem parte do conjunto de dados RePEc. O 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.