Förbättra rörliga genomsnittliga handelsregler med uppmuntrande och statistiska inlärningsmetoder. 13 Uppförandet av de tekniska handelsreglerna baserade på inlärningsmetoderna var emellertid det fullständiga motsatsen under delperiodens fall (2 september 2000 till 31 december 2002). Således överträffade alla out-of-sample inlärningsmetoder återkomsten av BampH-strategin, särskilt den filtrerade Boosting-modellen. Sharpe-förhållandet för den filtrerade Boosting-modellen var också högre än BampHs, och mycket högre än Sharpe-förhållandet i kommittén och Bayesian-modellerna. Samma inträffade med det ideala profi-förhållandet. Det observerades också att, med undantag för perioden med generella stigningar på marknaden, erhållit den filtrerade Boosting-modellen mer nettoförkastning än någon rörlig genomsnittsmodell, vilket stödjer mindre risk för att någon annan. Även om den filtrerade Boosting-modellen inte kan övervinna avkastningen från BampH-strategin under uppgångstiden, tyder på att resultaten överhinner BampH under den fallande perioden och kan absorbera en stor del av fallen på marknaden . Därför kan den filtrerade Boosting-modellen användas som en konservativ strategi som ägnas åt minskande risk vid eventuella marknadskollaps. Det är dock nödvändigt att vara försiktig och studera i framtida forskning hur robust resultaten i detta dokument är i andra finansindex, och det kan vara till hjälp att undersöka andra populära index (eget kapital, obligationer eller utländska börser). Den slutliga slutsatsen i denna forskning är inte att tvivla på den prediktiva kraften i att flytta genomsnittliga regler i serien och perioden analyserad. Tvärtom stöder våra resultat att även om de rörliga genomsnittsvärdena visar beredskap och variabilitet av dess prediktiva kraft, har en stor uppsättning glidande medelvärden mer förutsägbar information än någon individ, från vilken den filtrerade Boosting-algoritmen kan utnyttja. Denna forskning pekar på att användningen av inlärningsmetoder som ökning verkar mer robust och profi-tabell än användningen av individuella glidande medelvärden. Det uppmärksammar tekniska analytiker för att använda Boosting och andra kombinerande förutsägelsesmetoder istället för individuella glidande medelvärden. Slutligen kan denna forskning utökas till en bredare uppsättning tekniska handelsregler som de som används i Sullivan et al. (1999), det vill säga regler, stöd och motstånd, kanalavbrott och obalansvolymmedelvärden. ERKÄNNANDE Denna forskning stöds av det spanska ministeriet för vetenskap och teknik genom projektet SEJ2006-07701 ELON. REFERENSER Alexander S. 1961. Prisförändringar på spekulativa marknader: trender eller slumpmässiga promenader. Industrial Management Review 2. 726. Allen F, Karjalainen R. 1999. Använda genetiska algoritmer för att hitta tekniska handelsregler. Journal of Financial Economics 51. 245271. Blume L, Easley D, OHara M. 1994. Marknadsstatistik och teknisk analys: volymens roll. Journal of Finance 49. 153181. Bodie Z, Kane A, Marcus AJ. 2002. Essentials of Investments. MacGraw-Hill: New York. Brock W, Lakonish J, LeBaron B. 1992. Enkla tekniska regler och de stokastiska egenskaperna hos aktieavkastningen. Journal of Finance 47. 17311764. Brown D, Jennings R. 1989. På teknisk analys. Granskning av finansiella studier 4. 527551. Chang PHK, Osler CL. 1999. Metodisk galenskap: teknisk analys och irrationalitet i växelkursprognoser. Ekonomisk tidskrift 109. 636661. Fama EF. 1970. Effektiv kapitalmarknad: en översyn av teori och empiriskt arbete. Journal of Finance 25. 383 417. Fama EF. 1976. Fundamentals of Finance. Grundläggande böcker: New York. Fama EF, Blume ME. 1966. Filterregler och aktiemarknadshandel. Journalen av företag 1. 226241. Freund Y, Schapire RE. 1997. En beslutsteoretisk generation av onlinelärning och applikation för att öka. Journal of Computer and System Sciences 55 (1): 119139.Improving Moving Average Trading Rules med uppmuntrande och statistiska inlärningsmetoder Publicerad online 10 maj 2008 i Wiley InterScience (interscience. wiley) DOI. 10.1002for.1068 Förbättra rörliga genomsnittliga handelsregler med uppmuntrande och statistiska inlärningsmetoder JULIN ANDRADA-FLIX OCH Institutionen för kvantitativa metoder inom ekonomi och förvaltning, Universitetet i Las Palmas de Gran Canaria, Spanien Vi presenterar ett system för att kombinera de olika typerna av förutsägelser som ges genom en bred kategori av mekaniska handelsregler genom statistiska inlärningsmetoder (ökning, och flera modellmedelvärderingsmetoder som Bayesian eller enkla medelvärdesmetoder). Statistiska inlärningsmetoder ger bättre resultat utom de flesta av de enda rörliga genomsnittliga reglerna i NYSE Composite Index från januari 1993 till december 2002. Dessutom använder den filtrerade boostmodellen en teknisk strategi som, trots att den inte kan övervinna avkastningen från BAMH-strategin under stigande perioder, överhinder den BampH under fallande perioder och kan absorbera en stor del av fallen på marknaden. Copyright 2008 John Wiley amp Sons, Ltd. nyckelord teknisk analys som ökar statistiskt lärande modellval INLEDNING Teknisk analys består av försök att prognostisera priser på en finansmarknad genom studier av tidigare priser och annan relaterad sammanfattande statistik om säkerhetshandel. Trots akademikernas skeptiska inställning till teknisk analys har tekniska analyser under de senaste 20 åren haft en renässans i den akademiska världen och en betydande mängd teoretiskt och empiriskt arbete har utvecklats som stödjer den tekniska analysen. Således har teoretiska modeller föreslagits av Hellwig (1982), Treynor och Ferguson (1985), Brown and Jennings (1989) och Blume et al. (1994). Också många empiriska dokument ger bevis för profittigheten av tekniska handelsregler, enastående bland annat är Brock et al. (1992), Levich och Thomas (1993), Blume et al. (1994), Knez och Ready (1996), Genay (1996), Neely et al. (1997) och Chang and Osler (1999). Korrespondens med: Fernando Fernndez-Rodrguez, Facultad de Ciencias Econmicas och Empresariales, 35017 Las Palmas de Gran Canaria, Spanien. E-post: ffernandezdmc. ulpgc. es Syftet med vårt papper är att tillhandahålla ett system för att kombinera de olika typerna av förutsägelser som tillhandahålls av en bred kategori av mekaniska handelsregler. Genom statistiska inlärningsmetoder (till exempel förstärkning, och flera modellmedelvärderingsmetoder som Bayesian eller utskott) kommer nya förutsägelser att byggas utifrån en given uppsättning tekniska förutsägelser. Resten av detta dokument har strukturerats enligt följande. I nästa avsnitt presenteras en kort översikt över tekniska handelsregler som används i detta dokument. Den tredje delen fokuserar på att beskriva de mest populära statistiska inlärningsmetoderna, såsom Boosting, och Bayesian modellmedelvärde. I det fjärde avsnittet presenteras de fi-nansåtgärder som används för att utvärdera och jämföra de skapade tekniska handelsreglerna. Den femte delen visar de empiriska resultaten. Sjätte avsnittet presenterar de viktigaste slutsatserna. TEKNISKA HANDELSREGLER I det här dokumentet studerar vi den prediktiva kraften om informationskombinationen från en av de mest populära handelsreglernas familjer som är anställda i teknisk analys, de rörliga genomsnittliga reglerna (VMA hädanefter). VMA-reglerna innefattar jämförelse av ett kortsiktigt glidande medelvärde av priser till ett långsiktigt glidande medelvärde. Därför emitteras köpförsäljningssignaler när det kortsiktiga genomsnittet överstiger (är mindre än) det långsiktiga genomsnittet med åtminstone ett förutbestämt procentband. Införandet av ett band runt det glidande medlet minskar antalet köp (sälj) signaler genom att eliminera marknaden whiplash när de korta och långa glidande medeltalet är nära. Detta band, som normalt betraktas som 1, minskar antalet köp - och säljssignaler. Ingen signal genereras när det korta glidande medlet ligger inom bandet. Med ett band på noll klassificeras den tekniska regel som VMA klassificerar alla dagar i antingen köpdagar eller försäljningsdagar. Längden på de rörliga medelvärdena måste väljas av tekniker. Den mest populära regeln som används i teknisk analys är 1200, där den korta perioden är 1 dag och den långa perioden är 200 dagar. Ändå är andra mycket använda handelsregler 150, 1150, 5150, 1200 och 2200 (se Brock et al., 1992). Den akademiska världens skeptiska inställning när det gäller teknisk analys motiveras av den effektiva marknadshypotesen, som hävdar att tillgänglig offentlig information, till exempel tidigare priser, inte borde hjälpa tillhandlare att vinna ovanligt hög avkastning när en riskpremie har diskonterats. Fama (1970, 1976) definierar således en marknad som svag form effektiv om nuvarande priser fullständigt återspeglar informationen i tidigare priser. Svag form effektivitet innebär att teknisk analys av tidigare aktiekurser har inget värde. Förbättra rörliga genomsnittliga handelsregler med ökande och statistiska inlärningsmetoder När du begär en korrigering, var vänlig och nämna dessa saker: Se allmän information om hur du korrigerar material i RePEc. För tekniska frågor angående detta objekt, eller för att rätta till dess upphovsmän, titel, abstrakta, bibliografiska eller nedladdningsinformation, kontakta: (Wiley-Blackwell Digital Licensing) eller (Christopher F. Baum) Om du har skrivit det här föremålet och inte är registrerat med RePEc, vi uppmuntrar dig att göra det här. Detta låter dig länka din profil till det här objektet. Det tillåter dig också att acceptera potentiella citat till det här objektet som vi är osäkra på. Om referenser saknas helt kan du lägga till dem med det här formuläret. Om de fullständiga referenserna listar ett objekt som är närvarande i RePEc, men systemet inte länkade till det, kan du hjälpa till med det här formuläret. Om du känner till saknade objekt som citerar den här kan du hjälpa oss att skapa dessa länkar genom att lägga till relevanta referenser på samma sätt som ovan för varje refererande artikel. Om du är en registrerad författare till det här objektet kan du också kolla citatfliken i din profil, eftersom det kan finnas några citat som väntar på bekräftelse. Observera att korrigeringar kan ta några veckor för att filtrera genom de olika RePEc-tjänsterna. Fler tjänster Följ serier, tidskrifter, författare mer Nya nyhetsbrev via e-post Prenumerera på nya tillägg till RePEc Författarregistrering Offentliga profiler för ekonomiforskare Olika forskningsbetyg inom ekonomi och närliggande områden Vem var en elev av som använder RePEc RePEc Biblio Curated articles amp papper på olika ekonomi ämnen Ladda upp ditt papper för att vara listat på RePEc och IDEAS EconAcademics Bloggaggregat för ekonomisk forskning Plagiat Fall av plagiering i ekonomi Arbetsmarknadspapper RePEc arbetspapperserie dedikerad till arbetsmarknaden Fantasy League Låt dig vara i riken för en ekonomi avdelningen Tjänster från StL Fed Data, forskning, applikationer mer från St. Louis FedJournal of Forecasting Volume 27, utgåva 5. Version av posten online: 10 maj 2008 Alternativ för åtkomst till innehållet: Om du är ett samhälle eller medlem av en föreningsorganisation och Behöver hjälp med att få tillgång till instruktioner för online-åtkomst, kontakta vår tidskrifter för kundservice. wiley. forceInterfaceContactJournalCustomerServicesV2. Om din institution inte prenumererar på det här innehållet, vänligen rekommendera titeln till din bibliotekarie. Logga in via andra institutionella inloggningsalternativ onlinelibrary. wileylogin-options. Du kan köpa online-tillgång till den här artikeln i en 24-timmarsperiod (priset varierar efter titel) Om du redan har ett Wiley Online Library eller Wiley InterScience användarkonto: logga in ovan och fortsätt för att köpa artikeln. Nya användare: Var god registrera, fortsätt sedan för att köpa artikeln. Sök efter ditt institutions namn nedan för att logga in via Shibboleth. Registrerade användare loggar in: Få tillgång till dina sparade publikationer, artiklar och sökningar Hantera dina e-postmeddelanden, order och prenumerationer Ändra din kontaktinformation, inklusive ditt lösenord Registrera dig till: Spara publikationer, artiklar och sökningar Få e-postmeddelanden Få alla fördelar som nämns nedan
No comments:
Post a Comment