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 man 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 vielfältiger Menschen tendenziell bessere Entscheidungen trifft als jedes einzelne Individuum, tendiert ein Ensemble aus verschiedenen, aber leistungsstarken Modellen dazu, besser zu sein als ein einziges Modell. 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. 12 SCHLUSSFOLGERUNGEN In dieser Studie haben wir ein System zur Kombination der verschiedenen Arten von Vorhersagen, die durch eine breite Kategorie von mechanischen Handelsregeln durch statistische Lernmethoden wie Boosting und mehrere Modell-Mittelungsmethoden wie Bayesian oder Committee (einfache Mittelung Methoden). Das klassische Kombinieren-Vorhersageverfahren war nutzlos wegen der Singularität der beteiligten Matrizen. Darüber hinaus haben wir, um kostspielige überaktive technische Handelsregeln aus der Förderung und den anderen Lernmethoden zu vermeiden, einen Filter eingeführt, der niedrig abgestimmte Kauf - oder Verkaufssignale verwertet. Die Idee, einen Filter zu verwenden, um die Handelsfrequenz zu reduzieren und höhere Erträge zu erzielen, ist in Finanzen sehr alt, und der Erfolg der Filter würde die Existenz einiger systematischer Trends in den Preisen rechtfertigen, die nicht durch das Zufallsmodell erklärt werden. Wir haben eine Stichprobe aus 10 Jahresperioden von 1993 bis 2002 im NYSE Composite Index betrachtet. Um unsere Arbeit einer tieferen ökonomischen Motivation zu verleihen, die ihre Transzendenz und Anwendungen nahelegen könnte, haben wir unser Experiment in zwei speziellen aufsteigenden und fallenden Teilproben wiederholt. Der erste war der aufsteigende Teilzeitraum bis zum 1. September 2000. Der zweite war der fallende Teilzeitraum nach dem 1. September 2000. Unsere erste Schlussfolgerung ist, dass im Allgemeinen Verbesserungen mit einem Filter nicht für alle statistischen Lernmethoden und - Mit Ausnahme des gefilterten Boosting-Modells, das immer die nicht-gefilterte Boostung überwindet. Das gefilterte Boosting-Modell überwindet auch den Rest der gefilterten und nicht gefilterten Lernmethoden in allen untersuchten Zeiträumen, mit Ausnahme der Aufstiegszeit von 1993 bis zum 1. September 2000. In kurzen Zeiträumen sind einige einzelne gleitende Durchschnittsregeln zu beobachten Könnte mehr profi Tabelle als das gefilterte Boosting Modell sein, aber dieses Ergebnis invertiert für längere Zeiträume. Unsere Ergebnisse deuten daher darauf hin, dass das gefilterte Boosting-Modell bessere statistische und ökonomische Out-of-Sample-Ergebnisse liefert als die meisten einzelnen gleitenden Durchschnittsregeln in 10 Jahren, von 1993 bis 2002 im NYSE Composite Index. Wenn wir die gesamte 10-Jahres-Periode betrachten, überwindet das gefilterte Boosting-Modell den besten gleitenden Durchschnitt in Bezug auf mehrere betrachtete statistische und ökonomische Maßnahmen. Darüber hinaus verbessert das gefilterte Boosting-Modell die Netto-Rendite der BampH-Strategie und ihrer Sharpe-Ratio erheblich. Durch die Kombination der prädiktiven Informationen eines breiten Satzes von Regeln reduzieren wir auch die Daten-Snooping-Bias, die durch die willkürliche Auswahl von Parametern in den technischen Handelsregeln eingeführt werden, wodurch das Element der Subjektivität, das dieses Verfahren beinhaltet, vermieden wird. Außerdem haben die gleitenden Durchschnitte eine bedingte Vorhersagekraft, und ihre Fähigkeit, positive Renditen zu erhalten, könnte zeitlich variieren. Somit könnte die beste gleitende Durchschnittsregel des jetzigen Jahres im folgenden Jahr schlecht sein, da es unmöglich ist, a priori festzustellen, welche die besten Regeln sind. Daher sind die Boosting - und andere Lernmethoden in der Lage, die Vorhersagefehlanpassung zu verhindern, die zwischen den verschiedenen technischen Handelsregeln besteht und neue Regeln bietet, die alle für eine breite Kategorie von Regeln angebotenen Informationen nutzen können. Während des gesamten analysierten Zeitraums (19932002) zeigte der gefilterte Boosting-Algorithmus eine hohe Fähigkeit, die prädiktiven Informationen so gut wie möglich von guten Regeln zu erhalten, wie von schlecht bewegten Durchschnittsregeln, die robuster und profiotisch als jede gleitende Durchschnittsregel für lange Zeitspannen sind . Während der Periode allgemeiner Aufstiege (bis zum 1. September 2000) konnte weder die statistische Lernmethode noch die gleitende durchschnittliche Handelsregel eine höhere Rendite erzielen als die Rendite der BampH-Strategie. In diesem Teilzeitraum wurde das beste Ideal-Profi-Verhältnis auch durch die BampH-Strategie erhalten, und das beste Sharpe-Verhältnis wurde durch den gleitenden Durchschnitt 10, 90, 2, gefolgt von der BampH-Strategie, erzielt. Durchgehende durchschnittliche Handelsregeln mit steigendem und statistischem Lernen Fernand Fernndez-Rodrguez Fernando Fernndez-Rodrguez: Institut für Quantitative Methoden der Wirtschaftswissenschaften, Universität Las Palmas, Spanien, Post: Abteilung für Quantitative Methoden der Wirtschaftswissenschaften, Universität von Las Palmas, 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-Mittelwertbildung Methoden wie Bayesian oder einfache Mittelung Methoden) . 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. Seriendaten 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.
No comments:
Post a Comment