Verbesserung Moving Average Trading Regeln Boosting

Verbesserung der Moving Average Trading Regeln mit Boosting und Statistical Learning Methoden. 2 Obwohl es sich hierbei um die Kombination der klassischen technischen Handelsregeln durch statistische Lernmethoden handelt, ist zu betonen, dass es zahlreiche Versuche gab, die technischen Handelsregeln zu verbessern und neue zu schaffen. In diesem Sinne sind ua Genay (1999) und Allen und Karjalainen (1999) herausragend. So betrachtet Genay (1999) neue Handelsregeln auf der Grundlage nichtparametrischer Modelle, die die Gesamtrendite einer Anlagestrategie maximieren. Die optimale Auswahl der nächsten Nachbarn, die optimale Anzahl von verborgenen Einheiten in einem Feedforward-Netzwerk und die optimale Größe des Trainingssets werden durch das Cross-Validierungsverfahren bestimmt, das den mittleren quadratischen Fehler minimiert. Ein weiteres bekanntes Papier für neue technische Handelsregeln ist Allen und Karjalainen (1999), die mit Hilfe eines genetischen Algorithmus optimale technische Handelsregeln erlernten. Schließlich wurde in einer kürzlich erschienenen Arbeit von Sullivan et al. Die Probleme der Auswahl von optimalen Handelsregeln in der Probe hervorgehoben. (1999), dass die Gefahren des Daten-Snooping immens sind, wenn wir die beste Handelsregel auswählen. Nach Sullivan et al. (1999) werden, wenn genügend Handelsregeln über die Zeit betrachtet werden, einige Regeln durch reines Glück sogar in einer sehr großen Stichprobe gebunden, um eine überlegene Leistung zu erzeugen, selbst wenn sie nicht wirklich eine prädiktive Kraft über die Vermögensrückkehr besitzen. Somit können die Effekte solcher Daten-Snooping nur quantifiziert werden, wenn man die Leistung der besten Handelsregel im Kontext des vollen Universums der Handelsregeln berücksichtigt, aus denen die beste Regel denkbar gewählt wurde. Unsere Forschung geht in die entgegengesetzte Richtung, um technische Handelsregeln zu optimieren, denn wir suchen, wie wir die bestehenden durch die Förderung und Modell-Mittelung Techniken zu kombinieren. Als Überprüfung ist unser Papier doppelter Zweck. Auf der einen Seite, da es zahlreiche technische Handelsregeln mit unterschiedlichen Erfolgsgraden gibt, versuchen wir, die Mismatching zu vermeiden, die zwischen den verschiedenen Handelsregeln bestehen und eine neue Regel vorsehen, die in der Lage ist, alle von jeder Regel bereitgestellten Informationen zu nutzen Erfolgreiche Informationen als erfolglose Informationen unter Verwendung statistischer Lernmethoden. Andererseits reduzieren wir durch Kombinieren der prädiktiven Informationen eines breiten Regelwerks auch die durch die willkürliche Auswahl der Parameter in technischen Handelsregeln eingeführte Daten-Snooping-Bias, wodurch das Element der Subjektivität vermieden wird, das dieses Verfahren einschließt. STATISTISCHE LERNMETHODEN Genau wie ein Komitee vieler Menschen tendenziell bessere Entscheidungen trifft als jedes einzelne Individuum, tendiert ein Ensemble aus verschiedenen, aber leistungsstarken Modellen dazu, besser als ein einziges Modell zu sein. Statistische Lernmethoden sind Algorithmen, die einen Satz von Klassifikatoren konstruieren und dann neue Datenpunkte klassifizieren, indem sie eine (gewichtete) Stimme ihrer Prognosen einnehmen (siehe Hastie et al., 2001). Die ursprüngliche statistische Methode ist die Bayessche Mittelung, aber es wurden neuere Algorithmen entwickelt. In diesem Abschnitt werden die populärsten statistischen Lernmethoden wie Boosting, Bayes-Modell-Mittelwertbildung und Komitee-Methode beschrieben, die verwendet werden, um die technischen Voraussagen zu kombinieren und so die Leistungsfähigkeit der einzelnen Handelsregeln zu verbessern. Das Boosting-Verfahren Boosting ist ein allgemeines Verfahren, das versucht, die Genauigkeit eines Satzes von kategorischen Klassifizierungssystemen (oder Prognosen allgemein) zu erhöhen, die zu einer der mächtigsten Ideen über Lernalgorithmen werden. Es wurde von Freund und Schapire (1997) eingeführt. Boosting befasst sich mit dem allgemeinen Problem, eine sehr genaue Vorhersageregel zu erzeugen, indem grobe und mäßig ungenaue Prognosen kombiniert werden. Eine der populärsten Versionen des 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 unter einem der beiden Werte erzeugt, wobei x ein Satz von Prädiktorvariablen ist. Verbessern der Verschiebung von durchschnittlichen Handelsregeln mit Boosting und statistischen Lernmethoden. 7 a Parameter der gleitenden mittleren Regel n 1. N 2. B. B Anzahl der gleitenden Mittelwerte (min. Das klassische Kombinieren-Vorhersageverfahren war nutzlos wegen der Singularität der beteiligten Matrizen. In Tabelle I zeigen wir mehrere statistische und ökonomische Merkmale der Prognosen, die dem prozentualen Anteil erfolgreicher Vorhersagen, der Netto-Rendite, dem idealen Profitverhältnis und dem Sharpe-Verhältnis entsprechen, das dem Zeitraum von 10 Jahren von 1993 bis 2002 entspricht Ökonomische Merkmale werden für die besten und schlechtesten gleitenden Mittelwerte (unten, in eckigen Klammern, die Längen der kurzen und langen gleitenden Mittelwerte und des Bandes dargestellt) und für alle gefilterten und nicht-gefilterten Lernmethoden, d. h. Booster-Modell (gefiltert und nicht gefiltert), das durchschnittliche Modell des Komitees (gefiltert und nicht gefiltert) und das Bayessche Modell (gefiltert und nicht filtriert). Im Folgenden wird in Klammern die Anzahl der gleitenden Durchschnittsregeln mit kleineren, gleichen oder größeren Renditen dargestellt. 2 In der letzten Zeile der Tabelle I haben wir auch die Buy-and-Hold-Strategie (BampH) gezeigt, um Vergleiche anzustellen. Die erste Spalte in Tabelle I zeigt für jede der oben genannten Prognoseverfahren die Pro - zentsätze der korrekten täglichen Prognoserichtung. Spalte 2 zeigt die Netto-Rendite, die durch eine technische Strategie auf der Grundlage der durch die Prognose gewonnenen Signale erzielt wird. Wir zeigen auch in der Klammer die Anzahl der gleitenden Durchschnittsregeln mit kleineren, gleichen oder großen Renditen. Um die Leistungsfähigkeit unserer technischen Handelsregeln auswerten zu können, haben wir in den Spalten 3 und 4 auch das optimale Profi - Verhältnis und das Sharpe - Verhältnis berücksichtigt, das allen zuvor erwähnten Prognoseverfahren (unten, in Klammern, Gleitende Durchschnittsregeln mit kleinem, gleichem oder großem idealen Profi-Verhältnis bzw. Sharpe-Verhältnis dargestellt). Betrachtet man Tabelle I, so ergeben sich folgende Ergebnisse. Das einzige Modell, das die BampH-Strategie überwindet, ist das Boosting-gefilterte Modell. Die Netto-Rendite, das ideale Profi-Verhältnis und die Sharpe-Ratio der technischen Handelsregel, die durch das Boosting-gefilterte Modell geführt werden, betragen 74.00, 0.0508 bzw. 0.0508, was jede gleitende Durchschnittsregel und jede andere Lernmethode überwindet. Es überwindet sogar die Netto-Rendite, das ideale Profi-Verhältnis und das Sharpe-Verhältnis der BampH-Strategie, die 67,33, 0,0462 bzw. 0,0279 sind. Außerdem ist zu beachten, dass die Einführung des Filters die Netto-Rendite und die Gewinnquoten in den Boosting - und Bayes'schen Modellen verbessert. Trotzdem verschlechtern sich die Ergebnisse im Ausschussmodell, wenn ein Filter eingesetzt wird. Schließlich wird beobachtet, dass der maximale Prozentsatz des Vorhersage-Richtungserfolgs durch die beste gleitende Durchschnittsregel 10, 140, 3 erhalten wird, die 52.02 erfolgreich ist. Obwohl die Erfolgsraten der Vorhersage der Richtung der in Tabelle 1 angegebenen Modelle alle leicht über 50 liegen, erleben einige eine höhere Sharpe-Ratio als die BampH-Strategie, was bedeutet, dass diese Handelsregeln im Durchschnitt korrekt sind, wenn es mehr zählt . Nach der Tabelle I überwindet die durch das gefilterte Boosting-Modell erhaltene Handelsregel den besten gleitenden Durchschnitt 5, 160, 6 in bezug auf jedes wirtschaftliche Maßnahmemaß. Beachten Sie auch, dass die Modelle Boosting, Bayesian und Committee ex ante. Unterdessen wurde der beste gleitende Durchschnitt ex post erhalten, und so ist es möglich, dass seine prädiktive Macht sogar unterlegen sein könnte, wenn wir ihn in einer zukünftigen Periode ex ante verwenden. Nun wird die Ex-ante-Kapazität von gleitenden Durchschnittswerten untersucht. An dieser Stelle geht es vor allem darum, wie sich die Profitabilität und die Vorhersagekraft der gleitenden Durchschnittsregeln im Laufe der Zeit ändern. Diese Sorge steht in direktem Zusammenhang, wie Sullivan et al. (1999) weisen auf die Gefahren des Daten-Snoopings hin, die immens sind, wenn wir die beste Handelsregel auswählen, weil, wenn suffiziente Handelsregeln über die Zeit betrachtet werden, einige Regeln durch reines Glück auch in einer sehr großen Stichprobe gebunden sind, Um eine überlegene Leistung zu erzielen, selbst wenn sie nicht wirklich eine prädiktive Macht über die Vermögensrückkehr haben. Improving moving average trading rules with boosting und statistische Lernmethoden Julian Andrada-Felix () und Fernando Fernndez-Rodrguez Zusätzliche Kontaktinformationen Fernando Fernndez-Rodrguez: Department of Quantitative Methoden in Wirtschaft und Management, Universität von Las Palmas, Spanien, Postal: 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 Bayessche oder einfache Mittelungsmethoden) gegeben werden. Statistische Lernmethoden liefern bessere Ergebnisse außerhalb der Stichprobe als die meisten einzelnen gleitenden Durchschnittsregeln im NYSE Composite Index von Januar 1993 bis Dezember 2002. Darüber hinaus erzeugt das gefilterte Verstärkungsmodell unter Verwendung eines Filters, um die Handelsfrequenz zu reduzieren, eine technische Strategie, die , Obwohl sie nicht in der Lage ist, die Renditen der Buy-and-Hold-Strategie während der steigenden Perioden zu überwinden, überwindet sie die BH während der fallenden Perioden und kann einen beträchtlichen Teil der Stürze auf dem Markt absorbieren. Copyright 2008 John Wiley Sons, Ltd. Downloads: (externer Link) hdl. handle. net10.1002for.1068 Link zum Volltext-Abo erforderlich (texthtml) Ähnliche Werke: Dieser Artikel ist an anderer Stelle in EconPapers verfügbar: Suche nach Artikeln mit demselben Titel. Auszugsreferenz: BibTeX RIS (EndNote, ProCite, RefMan) HTMLText Journal of Forecasting wird derzeit von Derek W. Bunn Weitere Artikel in Journal of Forecasting von John Wiley Sons, Ltd. Serie Daten verwaltet von Wiley-Blackwell Digital Licensing (). 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 Sie beitragen. Fragen oder Probleme Überprüfen Sie die EconPapers FAQ oder senden Sie eine E-Mail an.