Tuesday, 17 October 2017

La Ricerca On Semplice Mobile Media Trading Sistema Basato Su Svm


L'efficacia dell'uso combinato di VIX e Support Vector Machines sulla previsione di SampP 500 Cita questo articolo come: Rosillo, R. Giner, J. de la Fuente, D. Neural Comput Applic (2014) 25: 321. doi: 10.1007 s00521-013-1487-7 lo scopo di questa ricerca è quello di analizzare l'efficacia della volatilità Chicago Board Options Exchange mercato Index (VIX) se utilizzato con Support Vector Machines (SVM) al fine di prevedere il cambio settimanale dell'indice SampP 500 . I dati forniti si riferiscono al periodo tra il 3 gennaio 2000 e il 30 dicembre 2011. Una simulazione di trading è implementata in modo che l'efficienza statistica è completato da misure di performance economica. Gli ingressi sono portati a regole di trading tecnico tradizionali comunemente utilizzati nell'analisi dei mercati azionari, come Relative Strength Index, Moving Average Convergence Divergence, VIX e il ritorno quotidiano della SampP 500. Il SVM individua le migliori situazioni in cui acquistare o vendere in il mercato. Le due uscite del SVM sono il movimento del mercato e il grado di appartenenza set. I risultati ottenuti mostrano che SVM utilizzando VIX produce risultati migliori rispetto alla strategia buy and hold o SVM senza VIX. L'influenza del VIX nel sistema commerciale è particolarmente significativo quando appaiono periodi ribassista. Inoltre, l'SVM permette la riduzione del drawdown massimo e la deviazione standard annualizzata. Support Vector Machines strategie di trading quantitativo VIX RSI MACD macchina apprendimento Riferimenti Allen HL, Taylor MP (1990) Grafici, rumore e fondamentali nel mercato dei cambi di Londra. Econ J 100: 4959 CrossRef Google Scholar Andersen TG, Bollerslev T (1998) Rispondere gli scettici: sì modelli di volatilità standard non forniscono previsioni accurate. Int Econ Rev 39: 885.905 CrossRef Google Scholar Blair BJ, Poon SH, SJ Taylor (2001) Previsione SampP 100 volatilità: il contenuto informativo incrementale di volatilità implicite e rendimenti dell'indice ad alta frequenza. J Econom 105: 526 CrossRef MATEMATICA MathSciNet Google Scholar Bollerslev T (1986) Generalized autoregressivo eteroschedasticità condizionale. J Econom 31: 307.327 CrossRef MATEMATICA MathSciNet Google Scholar Brock W, Lakonishok J, LeBaron B (1992) semplici regole commerciali tecnici e le proprietà stocastiche dei rendimenti azionari. J Finanza 47: 17.311.764 CrossRef Google Scholar Burges C (1998) Un tutorial su Support Vector Machines per pattern recognition. Disco dati Min Knowl 2: 121167 CrossRef Google Scholar Canu S, Grandvalet Y, Guigue V, Rakotomamonjy A (2005) SVM e metodi kernel Matlab toolbox, percezione systmes et informazioni. INSA de Rouen, Rouen Google Scholar Cao L, Tay F Vector Machine (2003) di sostegno con i parametri adattivi in ​​previsione di serie storiche finanziarie. IEEE Trans Reti Neurali 14: 15.061.518 CrossRef Google Scholar Chapelle O, P Haner, Vapnik VN (1999) support vector machines per la classificazione di immagini istogramma-based. IEEE Trans Reti Neurali 10 (5): 10.551.064 CrossRef Google Scholar Chong TT-L, W Ng-K (2008) Analisi tecnica e il London borsa: testare il MACD e RSI regole utilizzando l'FT30. Appl Econ Lett 15: 11.111.114 CrossRef Google Scholar Cristianini N, Taylor JS (2000) Introduzione alla Support Vector Machines e altri metodi di apprendimento kernel-based. Cambridge University Press, New York CrossRef Google Scholar Dunis CL, Rosillo R, De la Fuente D, Pino R (2013) Previsione IBEX-35 si sposta utilizzando support vector machines. Neural Comput Appl 23 (1): 229236. doi: 10.1007s00521-012-0821-9 CrossRef Google Scholar Dunis C, Likothanassis S, Karathanasopoulos A, Sermpinis G, Theofilatos K (2013b) Un algoritmo supporto approccio Vector Machine genetica ibrida nel compito di previsione e negoziazione del ASE 20. J Asset Manag 120. doi: 10.1057jam.2013.2 Evgeniou T, Pontil M, Poggio T (2000) reti di regolarizzazione e support vector machines. Adv Comput Math 13: 150 CrossRef MATEMATICA MathSciNet Google Scholar Hajizadeh E, Seifi A, Zarandi MNF, Turksen IB (2012) Un approccio di modellazione ibrida per la previsione della volatilità dei SampP 500 rendimento dell'indice. Expert Syst Appl 39 (1): 431436. doi: 10.1016j. eswa.2011.07.033 CrossRef Google Scholar Huang S, Sun Z (2001) Support Vector approccio macchina per la proteina subcellulare previsione di localizzazione. Bioinformatica 17: 721.728 CrossRef Google Scholar Huang W, Y Nakamori, Wang SY (2005) Previsione direzione del movimento del mercato azionario con la macchina supporto vettoriale. Comput Oper Res 32: 25.132.522 CrossRef MATEMATICA Google Scholar Kim K (2003) previsione di serie storiche finanziarie utilizzando support vector machines. Neurocomputing 55: 307319 CrossRef Google Scholar Kwon KY, Kish RJ (2002) strategie di trading tecnico e di ritorno prevedibilità: NYSE. Appl Bilancio Econ 12: 639.653 CrossRef Google Scholar Lee M-C (2009) Utilizzando il supporto Vector Machine con un metodo di selezione funzione ibrida alla previsione magazzino tendenza. Expert Syst Appl 36 (8): 1.089.610,904 mila CrossRef Google Scholar Menkhoff L, Taylor MP (2007) La passione ostinata di professionisti dei cambi: analisi tecnica. J Econ Lit 45: 936.972 CrossRef Google Scholar Mills TC (1997) Analisi tecnica e alla Borsa di Londra: testare le regole di negoziazione utilizzando il FT30. Int J Finanza Econ 2: 319331 CrossRef Google Scholar Murphy JJ (1999) Analisi tecnica dei mercati finanziari. Istituto di Finanza, New York Google Scholar Perez-Cruz F, Alfonso-Rodiguez JA, Giner J (2003) stima dei modelli GARCH utilizzando support vector machines. Quant Finance 3 (3): 163.172 CrossRef MathSciNet Google Scholar Rodriguez-Gonzalez A, Garcia-Crespo A, Colomo-Palacios R et al (2011) CAST: utilizzando le reti neurali per migliorare i sistemi di trading sulla base di analisi tecnica per mezzo della RSI finanziaria indicatore. Expert Syst Appl 38 (9): 1148,9115 milioni CrossRef Google Scholar Rosillo R, De la Fuente D, Brugos JAL (2013) Analisi tecnica e alla Borsa spagnola: testare la RSI, MACD, quantità di moto e le regole stocastici utilizzando società mercato spagnolo. Appl Econ 45: 15.411.550 CrossRef Google Scholar Szado E (2009) i futures VIX e opzioni: un caso di studio di diversificazione del portafoglio durante la crisi finanziaria del 2008. J Altern Invest 12 (2): 6885, 18p Google Scholar Taylor MP, Allen HL (1992) L'uso di analisi tecnica nel mercato dei cambi. J Int denaro Finanza 11: 304314 CrossRef Google Scholar Vapnik VN (1998) teoria dell'apprendimento statistico. Wiley, New York MATEMATICA Google Scholar Vapnik VN (1999) Una panoramica della teoria dell'apprendimento statistico. IEEE Trans Neural Netw 10: 988.999 CrossRef Google Scholar Welles Wilder J Jr (1978) Nuovi concetti nei sistemi commerciali tecnici. Hunter Publishing Company, Greensboro, NC Google Scholar Whaley R (2009) Capire il VIX. J Portf Manag 35: 98105 CrossRef Google Scholar informazioni Copyright Springer-Verlag Londra 2013 Autori e affiliazioni Rafael Rosillo 1 Autore e-mail Javier Giner 2 David de la Fuente 1 1. Business Management Department dell'Università di Oviedo Oviedo Spagna 2. Finanze e Dipartimento di Economia Università di la Laguna la Laguna Spagna a proposito di questo articoloIl efficacia dell'uso combinato di VIX e Support Vector Machines sulla previsione di SampP 500 Cita questo articolo come: Rosillo, R. Giner, J. de la Fuente, D. Neural Comput Applic (2014) 25: 321. doi: 10.1007s00521-013-1487-7 lo scopo di questa ricerca è quello di analizzare l'efficacia della volatilità Chicago Board Options Exchange mercato Index (VIX) se utilizzato con Support Vector Machines (SVM) al fine di prevedere la cambio settimanale dell'indice SampP 500. I dati forniti si riferiscono al periodo tra il 3 gennaio 2000 e il 30 dicembre 2011. Una simulazione di trading è implementata in modo che l'efficienza statistica è completato da misure di performance economica. Gli ingressi sono portati a regole di trading tecnico tradizionali comunemente utilizzati nell'analisi dei mercati azionari, come Relative Strength Index, Moving Average Convergence Divergence, VIX e il ritorno quotidiano della SampP 500. Il SVM individua le migliori situazioni in cui acquistare o vendere in il mercato. Le due uscite del SVM sono il movimento del mercato e il grado di appartenenza set. I risultati ottenuti mostrano che SVM utilizzando VIX produce risultati migliori rispetto alla strategia buy and hold o SVM senza VIX. L'influenza del VIX nel sistema commerciale è particolarmente significativo quando appaiono periodi ribassista. Inoltre, l'SVM permette la riduzione del drawdown massimo e la deviazione standard annualizzata. Support Vector Machines strategie di trading quantitativo VIX RSI MACD macchina apprendimento Riferimenti Allen HL, Taylor MP (1990) Grafici, rumore e fondamentali nel mercato dei cambi di Londra. Econ J 100: 4959 CrossRef Google Scholar Andersen TG, Bollerslev T (1998) Rispondere gli scettici: sì modelli di volatilità standard non forniscono previsioni accurate. Int Econ Rev 39: 885.905 CrossRef Google Scholar Blair BJ, Poon SH, SJ Taylor (2001) Previsione SampP 100 volatilità: il contenuto informativo incrementale di volatilità implicite e rendimenti dell'indice ad alta frequenza. J Econom 105: 526 CrossRef MATEMATICA MathSciNet Google Scholar Bollerslev T (1986) Generalized autoregressivo eteroschedasticità condizionale. J Econom 31: 307.327 CrossRef MATEMATICA MathSciNet Google Scholar Brock W, Lakonishok J, LeBaron B (1992) semplici regole commerciali tecnici e le proprietà stocastiche dei rendimenti azionari. J Finanza 47: 17.311.764 CrossRef Google Scholar Burges C (1998) Un tutorial su Support Vector Machines per pattern recognition. Disco dati Min Knowl 2: 121167 CrossRef Google Scholar Canu S, Grandvalet Y, Guigue V, Rakotomamonjy A (2005) SVM e metodi kernel Matlab toolbox, percezione systmes et informazioni. INSA de Rouen, Rouen Google Scholar Cao L, Tay F Vector Machine (2003) di sostegno con i parametri adattivi in ​​previsione di serie storiche finanziarie. IEEE Trans Reti Neurali 14: 15.061.518 CrossRef Google Scholar Chapelle O, P Haner, Vapnik VN (1999) support vector machines per la classificazione di immagini istogramma-based. IEEE Trans Reti Neurali 10 (5): 10.551.064 CrossRef Google Scholar Chong TT-L, W Ng-K (2008) Analisi tecnica e il London borsa: testare il MACD e RSI regole utilizzando l'FT30. Appl Econ Lett 15: 11.111.114 CrossRef Google Scholar Cristianini N, Taylor JS (2000) Introduzione alla Support Vector Machines e altri metodi di apprendimento kernel-based. Cambridge University Press, New York CrossRef Google Scholar Dunis CL, Rosillo R, De la Fuente D, Pino R (2013) Previsione IBEX-35 si sposta utilizzando support vector machines. Neural Comput Appl 23 (1): 229236. doi: 10.1007s00521-012-0821-9 CrossRef Google Scholar Dunis C, Likothanassis S, Karathanasopoulos A, Sermpinis G, Theofilatos K (2013b) Un algoritmo supporto approccio Vector Machine genetica ibrida nel compito di previsione e negoziazione del ASE 20. J Asset Manag 120. doi: 10.1057jam.2013.2 Evgeniou T, Pontil M, Poggio T (2000) reti di regolarizzazione e support vector machines. Adv Comput Math 13: 150 CrossRef MATEMATICA MathSciNet Google Scholar Hajizadeh E, Seifi A, Zarandi MNF, Turksen IB (2012) Un approccio di modellazione ibrida per la previsione della volatilità dei SampP 500 rendimento dell'indice. Expert Syst Appl 39 (1): 431436. doi: 10.1016j. eswa.2011.07.033 CrossRef Google Scholar Huang S, Sun Z (2001) Support Vector approccio macchina per la proteina subcellulare previsione di localizzazione. Bioinformatica 17: 721.728 CrossRef Google Scholar Huang W, Y Nakamori, Wang SY (2005) Previsione direzione del movimento del mercato azionario con la macchina supporto vettoriale. Comput Oper Res 32: 25.132.522 CrossRef MATEMATICA Google Scholar Kim K (2003) previsione di serie storiche finanziarie utilizzando support vector machines. Neurocomputing 55: 307319 CrossRef Google Scholar Kwon KY, Kish RJ (2002) strategie di trading tecnico e di ritorno prevedibilità: NYSE. Appl Bilancio Econ 12: 639.653 CrossRef Google Scholar Lee M-C (2009) Utilizzando il supporto Vector Machine con un metodo di selezione funzione ibrida alla previsione magazzino tendenza. Expert Syst Appl 36 (8): 1.089.610,904 mila CrossRef Google Scholar Menkhoff L, Taylor MP (2007) La passione ostinata di professionisti dei cambi: analisi tecnica. J Econ Lit 45: 936.972 CrossRef Google Scholar Mills TC (1997) Analisi tecnica e alla Borsa di Londra: testare le regole di negoziazione utilizzando il FT30. Int J Finanza Econ 2: 319331 CrossRef Google Scholar Murphy JJ (1999) Analisi tecnica dei mercati finanziari. Istituto di Finanza, New York Google Scholar Perez-Cruz F, Alfonso-Rodiguez JA, Giner J (2003) stima dei modelli GARCH utilizzando support vector machines. Quant Finance 3 (3): 163.172 CrossRef MathSciNet Google Scholar Rodriguez-Gonzalez A, Garcia-Crespo A, Colomo-Palacios R et al (2011) CAST: utilizzando le reti neurali per migliorare i sistemi di trading sulla base di analisi tecnica per mezzo della RSI finanziaria indicatore. Expert Syst Appl 38 (9): 1148,9115 milioni CrossRef Google Scholar Rosillo R, De la Fuente D, Brugos JAL (2013) Analisi tecnica e alla Borsa spagnola: testare la RSI, MACD, quantità di moto e le regole stocastici utilizzando società mercato spagnolo. Appl Econ 45: 15.411.550 CrossRef Google Scholar Szado E (2009) i futures VIX e opzioni: un caso di studio di diversificazione del portafoglio durante la crisi finanziaria del 2008. J Altern Invest 12 (2): 6885, 18p Google Scholar Taylor MP, Allen HL (1992) L'uso di analisi tecnica nel mercato dei cambi. J Int denaro Finanza 11: 304314 CrossRef Google Scholar Vapnik VN (1998) teoria dell'apprendimento statistico. Wiley, New York MATEMATICA Google Scholar Vapnik VN (1999) Una panoramica della teoria dell'apprendimento statistico. IEEE Trans Neural Netw 10: 988.999 CrossRef Google Scholar Welles Wilder J Jr (1978) Nuovi concetti nei sistemi commerciali tecnici. Hunter Publishing Company, Greensboro, NC Google Scholar Whaley R (2009) Capire il VIX. J Portf Manag 35: 98105 CrossRef Google Scholar informazioni Copyright Springer-Verlag Londra 2013 Autori e affiliazioni Rafael Rosillo 1 Autore e-mail Javier Giner 2 David de la Fuente 1 1. Business Management Department dell'Università di Oviedo Oviedo Spagna 2. Finanze e Dipartimento di Economia Università di la Laguna la Laguna Spagna a proposito di questo articleResearch sul mobile semplice sistema di trading media basata su SVM Mostra astratto Nascondi abstract abstract: In questo lavoro, propongo un approccio di apprendimento genetica per generare sistemi di trading tecnici per magazzino tempistica. Gli indicatori tecnici più informativi sono selezionati da un insieme di quasi 5000 segnali da un algoritmo genetico multi-obiettivo con lunghezza variabile stringa. Successivamente, questi segnali sono combinati in un segnale di trading unico con un metodo di apprendimento. I test la soluzione esperto ponderazione raccolte dalla commissione di voto molteplicità, il modello di media bayesiano e procedure con i dati del SampP 500 Composite Index amplificazione, in tre fasi di mercato, su-tende, down-tendenza e lateralmente movimenti, che copre il periodo 2000-2006 . risultati computazionali indicano che il set quasi ottimale delle regole varia tra fasi di mercato ma presenta risultati stabili ed è in grado di ridurre o eliminare le perdite nei periodi down-trend. Articolo dic 2010 Massimiliano Kaucic Mostra astratto Nascondi Abstract Abstract: Proponiamo un sistema di trading automatico multi-magazzino che si basa su una struttura a strati che consiste di un algoritmo di apprendimento automatico, un programma di utilità di apprendimento on-line, e una sovrapposizione di gestione del rischio. Alternando albero decisionale (ADT), che viene realizzato con Logitboost, è stato scelto come algoritmo sottostante. Uno dei punti di forza del nostro approccio è che l'algoritmo è in grado di selezionare la migliore combinazione di regole derivate da indicatori ben noti di analisi tecnica ed è anche in grado di selezionare i migliori parametri degli indicatori tecnici. Inoltre, il livello di apprendimento online combina l'uscita di diversi ADT e suggerisce una posizione corta o lunga. Infine, lo strato di gestione del rischio può convalidare il segnale di negoziazione quando supera una soglia non-zero specificato e limitare l'applicazione della nostra strategia commerciale quando non è redditizio. Ci prova l'algoritmo ponderazione esperto con i dati di 100 aziende selezionate in modo casuale dell'indice SampP 500 durante il periodo 2003-2005. Troviamo che questo algoritmo genera rendimenti anomali durante il periodo di prova. I nostri esperimenti mostrano che l'approccio amplificazione è in grado di migliorare la capacità predittiva quando gli indicatori sono combinati e aggregati come singolo predittore. Ancor più, la combinazione di indicatori di differenti titoli dimostrato di essere adeguata al fine di ridurre l'uso di risorse di calcolo, e mantenere una capacità predittiva adeguata. Articolo Apr 2010 tedesco Creamer Yoav Freund Mostra astratto Nascondi Abstract Abstract: Questo articolo esamina la redditività delle applicazioni di variabili e fissi medie mobili così come trading range breakout (TRB) su nove indici di mercato asiatico quotidiani popolari dal 1 ° gennaio 1988 al 31 dicembre 2003. i risultati del test fornito un forte sostegno per le medie variabili in movimento (VMA), in particolare, e le medie mobili fissi (FMA) nei Cina, Tailandia, Taiwan, malesiana, Singapore, Hong Kong, Corea, e mercati azionari indonesiani. La lunghezza di 20 giorni e 60 giorni sembrava essere il più vantaggioso per variabile e fissato media mobile, rispettivamente. L'attrattiva tecnica delle regole di negoziazione offre molte opportunità di profitto per gli operatori di mercato. Articolo Feb 2006 Lai Ming-Ming Lau Siok-Hwa

No comments:

Post a Comment