Effektiviteten av den kombinerade användningen av VIX och Support Vector Machines på prediktionen av SampP 500 Citera denna artikel som: Rosillo, R. Giner, J. de la Fuente, D. Neural Comput Application (2014) 25: 321. doi: 10.1007 s00521-013-1487-7 Syftet med denna forskning är att analysera effektiviteten i Chicago Board Options Exchange Market Volatility Index (VIX) när den används tillsammans med Support Vector Machines (SVM) för att kunna förutse den veckovisa förändringen i SampP 500 indexet . Uppgifterna omfattar perioden mellan 3 januari 2000 och 30 december 2011. En handelsimulering genomförs så att statistisk effektivitet kompletteras med åtgärder av ekonomisk prestation. De insatser som behålls är traditionella tekniska handelsregler som vanligtvis används vid analys av aktiemarknader som Relative Strength Index, Moving Average Convergence Divergence, VIX och SampP 500s dagliga avkastning. SVM identifierar de bästa situationerna för att köpa eller sälja i marknaden. SVM: s två utgångar är marknadens rörelse och graden av uppsättning medlemskap. De erhållna resultaten visar att SVM som använder VIX ger bättre resultat än Buy and Hold-strategin eller SVM utan VIX. Inverkan av VIX i handelssystemet är särskilt viktigt när bearish perioder förekommer. Dessutom möjliggör SVM minskningen av Maximal Drawdown och den årliga standardavvikelsen. Support Vector Machines Kvantitativa handelsstrategier VIX RSI MACD Maskininlärning Referenser Allen HL, Taylor MP (1990) Diagram, buller och fundament på Londons valutamarknad. Econ J 100: 4959 CrossRef Google Scholar Andersen TG, Bollerslev T (1998) Svara på skeptikerna: Ja standard volatilitetsmodeller ger noggranna prognoser. Int Econ Rev 39: 885905 CrossRef Google Scholar Blair BJ, Poon SH, Taylor SJ (2001) Prognoser SampP 100 volatilitet: det inkrementella informationsinnehållet av implicita volatiliteter och högfrekvensindexavkastning. J Econom 105: 526 CrossRef MATH MathSciNet Google Scholar Bollerslev T (1986) Allmänt autoregressiv villkorlig heteroskedasticitet. J Econom 31: 307327 CrossRef MATH MathSciNet Google Scholar Brock W, Lakonishok J, LeBaron B (1992) Enkla tekniska handelsregler och de stokastiska egenskaperna hos aktieavkastningen. J Finance 47: 17311764 CrossRef Google Scholar Burges C (1998) En handledning om stödvektorer för mönsterigenkänning. Data Min Knowl Disc 2: 121167 CrossRef Google Scholar Canu S, Grandvalet Y, Guigue V, Rakotomamonjy A (2005) SVM och Kärnan metoder Matlab verktygslåda, upplysningssystem och information. INSA de Rouen, Rouen Google Scholar Cao L, Tay F (2003) Stödvektormaskin med adaptiva parametrar i prognostisering av finansiella tidsserier. IEEE Trans Neural Networks 14: 15061518 CrossRef Google Scholar Chapelle O, Haner P, Vapnik VN (1999) Stöd vektormaskiner för histogrambaserad bildklassificering. IEEE Trans Neural Networks 10 (5): 10551064 CrossRef Google Scholar Chong TT-L, Ng W-K (2008) Teknisk analys och Londonbörsen: Testa MACD - och RSI-reglerna med FT30. Appl Econ Lett 15: 11111114 CrossRef Google Scholar Cristianini N, Taylor JS (2000) En introduktion till stöd för vektormaskiner och andra kärnbaserade inlärningsmetoder. Cambridge University Press, New York CrossRef Google Scholar Dunis CL, Rosillo R, De la Fuente D, Pino R (2013) Prognoser för IBEX-35 rör sig med hjälp av vektorgrafikmaskiner. 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) En hybrid genetisk algoritm-stöd vektor maskininriktning i uppgiften att prognostisera och handla ASE 20. J Asset Manag 120. doi: 10.1057jam.2013.2 Evgeniou T, Pontil M, Poggio T (2000) Regulariseringsnätverk och stödvektorer. Adv Comput Math 13: 150 CrossRef MATH MathSciNet Google Scholar Hajizadeh E, Seifi A, Zarandi MNF, Turksen IB (2012) En hybridmodelliseringsmetod för prognos om volatiliteten i SampP 500 indexavkastning. Expert Syst Appl 39 (1): 431436. doi: 10.1016j. eswa.2011.07.033 CrossRef Google Scholar Huang S, Sun Z (2001) Stöd vektor maskininriktning för protein subcellulär lokalisering förutsägelse. Bioinformatics 17: 721728 CrossRef Google Scholar Huang W, Nakamori Y, Wang SY (2005) Prognos aktiemarknadsrörelse riktning med stöd vektor maskin. Comput Oper Res 32: 25132522 CrossRef MATH Google Scholar Kim K (2003) Finansiell prognos för tidsserier med hjälp av vektorvektorer. Neurocomputing 55: 307319 CrossRef Google Scholar Kwon KY, Kish RJ (2002) Tekniska handelsstrategier och returförutsägbarhet: NYSE. Appl Financial Econ 12: 639653 CrossRef Google Scholar Lee M-C (2009) Använda stödvektorn med en hybridfunktionsvalmetod till aktieutvecklingsprognosen. Expert Syst Appl 36 (8): 1089610904 CrossRef Google Scholar Menkhoff L, Taylor MP (2007) Den hårda passionen hos utländska valutafolk: teknisk analys. J Econ Lite 45: 936972 CrossRef Google Scholar Mills TC (1997) Teknisk analys och Londonbörsen: Testa handelsregler med FT30. Int J Finance Econ 2: 319331 CrossRef Google Scholar Murphy JJ (1999) Teknisk analys av finansmarknaderna. Institutet för finans, New York Google Scholar Perez-Cruz F, Alfonso-Rodiguez JA, Giner J (2003) Uppskattning av GARCH-modeller med hjälp av vektorvektorer. Quant Finance 3 (3): 163172 CrossRef MathSciNet Google Scholar Rodriguez-Gonzalez A, Garcia-Crespo A, Colomo-Palacios et al (2011) CAST: Använda neurala nätverk för att förbättra handelssystem baserade på teknisk analys med hjälp av RSI indikator. Expert Syst Appl 38 (9): 1148911500 CrossRef Google Scholar Rosillo R, De la Fuente D, Brugos JAL (2013) Teknisk analys och den spanska börsen: Testa RSI, MACD, momentum och stokastiska regler med spanska marknadsbolag. Appl Econ 45: 15411550 CrossRef Google Scholar Szado E (2009) VIX-futures och optioner: en fallstudie om diversifiering av portföljer under finanskrisen 2008. J Altern Invest 12 (2): 6885, 18p Google Scholar Taylor MP, Allen HL (1992) Användningen av teknisk analys på valutamarknaden. J Int Money Finance 11: 304314 CrossRef Google Scholar Vapnik VN (1998) Statistisk inlärningsteori. Wiley, New York MATH Google Scholar Vapnik VN (1999) En översikt över statistisk inlärningsteori. IEEE Trans Neural Netw 10: 988999 CrossRef Google Scholar Welles Wilder J Jr (1978) Nya koncept i tekniska handelssystem. Hunter Publishing Company, Greensboro, NC Google Scholar Whaley R (2009) Förstå VIX. J Portf Manag 35: 98105 CrossRef Google Scholar Upphovsrätt information Springer-Verlag London 2013 Författare och anslutningar Rafael Rosillo 1 E-post författare Javier Giner 2 David de la Fuente 1 1. Företagsekonomiska institutionen University of Oviedo Oviedo Spanien 2. Ekonomi - och ekonomiavdelningen University of La Laguna La Laguna Spain Om den här artikeln Effektiviteten av den kombinerade användningen av VIX och Support Vector Machines på förutsägelsen av SampP 500 Citera denna artikel som: Rosillo, R. Giner, J. de la Fuente, D. Neural Comput Application (2014) 25: 321. doi: 10.1007s00521-013-1487-7 Syftet med denna forskning är att analysera effektiviteten hos Chicago Board Options Exchange Market Volatility Index (VIX) när den används tillsammans med Support Vector Machines (SVMs) för att prognostisera veckovis förändring i SampP 500 indexet. Uppgifterna omfattar perioden mellan 3 januari 2000 och 30 december 2011. En handelsimulering genomförs så att statistisk effektivitet kompletteras med åtgärder av ekonomisk prestation. De insatser som behålls är traditionella tekniska handelsregler som vanligtvis används vid analys av aktiemarknader som Relative Strength Index, Moving Average Convergence Divergence, VIX och SampP 500s dagliga avkastning. SVM identifierar de bästa situationerna för att köpa eller sälja i marknaden. SVM: s två utgångar är marknadens rörelse och graden av uppsättning medlemskap. De erhållna resultaten visar att SVM som använder VIX ger bättre resultat än Buy and Hold-strategin eller SVM utan VIX. Inverkan av VIX i handelssystemet är särskilt viktigt när bearish perioder förekommer. Dessutom möjliggör SVM minskningen av Maximal Drawdown och den årliga standardavvikelsen. Support Vector Machines Kvantitativa handelsstrategier VIX RSI MACD Maskininlärning Referenser Allen HL, Taylor MP (1990) Diagram, buller och fundament på Londons valutamarknad. Econ J 100: 4959 CrossRef Google Scholar Andersen TG, Bollerslev T (1998) Svara på skeptikerna: Ja standard volatilitetsmodeller ger noggranna prognoser. Int Econ Rev 39: 885905 CrossRef Google Scholar Blair BJ, Poon SH, Taylor SJ (2001) Prognoser SampP 100 volatilitet: det inkrementella informationsinnehållet av implicita volatiliteter och högfrekvensindexavkastning. J Econom 105: 526 CrossRef MATH MathSciNet Google Scholar Bollerslev T (1986) Allmänt autoregressiv villkorlig heteroskedasticitet. J Econom 31: 307327 CrossRef MATH MathSciNet Google Scholar Brock W, Lakonishok J, LeBaron B (1992) Enkla tekniska handelsregler och de stokastiska egenskaperna hos aktieavkastningen. J Finance 47: 17311764 CrossRef Google Scholar Burges C (1998) En handledning om stödvektorer för mönsterigenkänning. Data Min Knowl Disc 2: 121167 CrossRef Google Scholar Canu S, Grandvalet Y, Guigue V, Rakotomamonjy A (2005) SVM och Kärnan metoder Matlab verktygslåda, upplysningssystem och information. INSA de Rouen, Rouen Google Scholar Cao L, Tay F (2003) Stödvektormaskin med adaptiva parametrar i prognostisering av finansiella tidsserier. IEEE Trans Neural Networks 14: 15061518 CrossRef Google Scholar Chapelle O, Haner P, Vapnik VN (1999) Stöd vektormaskiner för histogrambaserad bildklassificering. IEEE Trans Neural Networks 10 (5): 10551064 CrossRef Google Scholar Chong TT-L, Ng W-K (2008) Teknisk analys och Londonbörsen: Testa MACD - och RSI-reglerna med FT30. Appl Econ Lett 15: 11111114 CrossRef Google Scholar Cristianini N, Taylor JS (2000) En introduktion till stöd för vektormaskiner och andra kärnbaserade inlärningsmetoder. Cambridge University Press, New York CrossRef Google Scholar Dunis CL, Rosillo R, De la Fuente D, Pino R (2013) Prognoser för IBEX-35 rör sig med hjälp av vektorgrafikmaskiner. 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) En hybrid genetisk algoritm-stöd vektor maskininriktning i uppgiften att prognostisera och handla ASE 20. J Asset Manag 120. doi: 10.1057jam.2013.2 Evgeniou T, Pontil M, Poggio T (2000) Regulariseringsnätverk och stödvektorer. Adv Comput Math 13: 150 CrossRef MATH MathSciNet Google Scholar Hajizadeh E, Seifi A, Zarandi MNF, Turksen IB (2012) En hybridmodelliseringsmetod för prognos om volatiliteten i SampP 500 indexavkastning. Expert Syst Appl 39 (1): 431436. doi: 10.1016j. eswa.2011.07.033 CrossRef Google Scholar Huang S, Sun Z (2001) Stöd vektor maskininriktning för protein subcellulär lokalisering förutsägelse. Bioinformatics 17: 721728 CrossRef Google Scholar Huang W, Nakamori Y, Wang SY (2005) Prognos aktiemarknadsrörelse riktning med stöd vektor maskin. Comput Oper Res 32: 25132522 CrossRef MATH Google Scholar Kim K (2003) Finansiell prognos för tidsserier med hjälp av vektorvektorer. Neurocomputing 55: 307319 CrossRef Google Scholar Kwon KY, Kish RJ (2002) Tekniska handelsstrategier och returförutsägbarhet: NYSE. Appl Financial Econ 12: 639653 CrossRef Google Scholar Lee M-C (2009) Använda stödvektorn med en hybridfunktionsvalmetod till aktieutvecklingsprognosen. Expert Syst Appl 36 (8): 1089610904 CrossRef Google Scholar Menkhoff L, Taylor MP (2007) Den hårda passionen hos utländska valutafolk: teknisk analys. J Econ Lite 45: 936972 CrossRef Google Scholar Mills TC (1997) Teknisk analys och Londonbörsen: Testa handelsregler med FT30. Int J Finance Econ 2: 319331 CrossRef Google Scholar Murphy JJ (1999) Teknisk analys av finansmarknaderna. Institutet för finans, New York Google Scholar Perez-Cruz F, Alfonso-Rodiguez JA, Giner J (2003) Uppskattning av GARCH-modeller med hjälp av vektorvektorer. Quant Finance 3 (3): 163172 CrossRef MathSciNet Google Scholar Rodriguez-Gonzalez A, Garcia-Crespo A, Colomo-Palacios et al (2011) CAST: Använda neurala nätverk för att förbättra handelssystem baserade på teknisk analys med hjälp av RSI indikator. Expert Syst Appl 38 (9): 1148911500 CrossRef Google Scholar Rosillo R, De la Fuente D, Brugos JAL (2013) Teknisk analys och den spanska börsen: Testa RSI, MACD, momentum och stokastiska regler med spanska marknadsbolag. Appl Econ 45: 15411550 CrossRef Google Scholar Szado E (2009) VIX-futures och optioner: en fallstudie om diversifiering av portföljer under finanskrisen 2008. J Altern Invest 12 (2): 6885, 18p Google Scholar Taylor MP, Allen HL (1992) Användningen av teknisk analys på valutamarknaden. J Int Money Finance 11: 304314 CrossRef Google Scholar Vapnik VN (1998) Statistisk inlärningsteori. Wiley, New York MATH Google Scholar Vapnik VN (1999) En översikt över statistisk inlärningsteori. IEEE Trans Neural Netw 10: 988999 CrossRef Google Scholar Welles Wilder J Jr (1978) Nya koncept i tekniska handelssystem. Hunter Publishing Company, Greensboro, NC Google Scholar Whaley R (2009) Förstå VIX. J Portf Manag 35: 98105 CrossRef Google Scholar Upphovsrätt information Springer-Verlag London 2013 Författare och anslutningar Rafael Rosillo 1 E-post författare Javier Giner 2 David de la Fuente 1 1. Företagsekonomiska institutionen University of Oviedo Oviedo Spanien 2. Ekonomi - och ekonomiavdelningen University of La Laguna La Laguna Spain Om denna artikelResearch på enkelt glidande genomsnittligt handelssystem baserat på SVM Visa abstrakt Dölj abstrakt ABSTRAKT: I detta dokument föreslår jag ett genetiskt inlärningsmetod för att skapa tekniska handelssystem för stock timing. De mest informativa tekniska indikatorerna väljs från en uppsättning nästan 5000 signaler med en mångriktig genetisk algoritm med variabel stränglängd. Dessa signaler kombineras successivt till en unik handelssignal genom en inlärningsmetod. Jag testar den expertviktlösning som erhållits av flervalsvalskommittén, den genomsnittliga medelvärdet för Bayesian modell och Boosting med data från SampP 500 Composite Index, i tre marknadsfaser, uppåtgående, nedåtgående och sidlediga rörelser som täcker perioden 20002006 . Beräkningsresultatet indikerar att den nästan optimala uppsättningen regler varierar mellan marknadsfaser men ger stabila resultat och kan minska eller eliminera förluster i nedtidsperioder. Artikel dec 2010 Massimiliano Kaucic Visa abstrakt Dölj abstrakt ABSTRAKT: Vi föreslår ett automatiserat handelssystem med flera lager som bygger på en skiktad struktur bestående av en maskininlärningsalgoritm, ett online-lärandeverktyg och en riskhanteringsöverlagring. Alternativt beslutsträd (ADT), som implementeras med Logitboost, valdes som den underliggande algoritmen. En av styrkorna i vårt tillvägagångssätt är att algoritmen kan välja den bästa kombinationen av regler som härrör från välkända tekniska analysindikatorer och även kan välja de bästa parametrarna för de tekniska indikatorerna. Dessutom kombinerar online-inlärningsskiktet utdata från flera ADT och föreslår en kort eller lång position. Slutligen kan riskhanteringsskiktet validera handelssignalen när den överstiger ett angivet tröskelvärde på noll och begränsar tillämpningen av vår handelsstrategi när den inte är lönsam. Vi testar expertvägningsalgoritmen med data från 100 slumpmässigt utvalda företag i SampP 500-indexet under perioden 2003-2005. Vi finner att denna algoritm genererar onormala avkastningar under testperioden. Våra experiment visar att stimuleringsförmågan kan förbättra förutsägelsekapaciteten när indikatorer kombineras och aggregeras som en enda prediktor. Ännu mer visade sig kombinationen av indikatorer för olika lager vara tillräckliga för att minska användningen av beräkningsresurser och fortfarande behålla en tillräcklig förutsägbar kapacitet. Artikel april 2010 Tysk Creamer Yoav Freund Visa abstrakt Dölj abstrakt ABSTRAKT: I det här dokumentet undersöks lönsamheten för applikationerna av rörliga och fasta rörliga medelvärden samt handelsintervallbrytning (TRB) på nio populära dagliga asiatiska marknadsindex från 1 januari 1988 till 31 december 2003. Testresultaten gav starkt stöd för rörliga medeltal (VMA), i synnerhet och fasta rörliga medelvärden (FMA) i Kina, Thailand, Taiwan, Malaysien, Singapore, Hongkong, Koreanska och Indonesiska aktiemarknaderna. Längden på 20 dagar och 60 dagar tycktes vara den mest lönsamma för respektive rörliga och fasta rörliga medelvärden. Handelsreglernas tekniska attraktivitet erbjuder många vinstmöjligheter för marknadsaktörer. Artikel februari 2006 Lai Ming-Ming Lau Siok-Hwa
No comments:
Post a Comment