Mejora De Las Normas De Comercio Móvil

Mejora de las reglas de negociación de media móvil con el refuerzo y los métodos de aprendizaje estadístico. 2 Aunque nuestra investigación se centra en combinar las reglas técnicas clásicas de comercio con los métodos de aprendizaje estadístico, es necesario enfatizar que se han realizado numerosos intentos de mejorar las reglas técnicas de comercio y crear otras nuevas. En este sentido, destacan entre otros Genay (1999) y Allen y Karjalainen (1999). Así, Genay (1999) consideró nuevas reglas comerciales basadas en modelos no paramétricos que maximizan el retorno total de una estrategia de inversión. La elección óptima de los vecinos más cercanos, el número óptimo de unidades ocultas en una red de feedforward y el tamaño óptimo del conjunto de entrenamiento se determinan mediante el método de validación cruzada, que minimiza el error cuadrático medio. Allen y Karjalainen (1999), que utilizaron un algoritmo genético para aprender las reglas técnicas de negociación óptimas, son otro documento bien conocido dedicado a encontrar nuevas reglas técnicas de comercio. Finalmente, los problemas de selección de las reglas óptimas de comercio en la muestra se han señalado en un reciente artículo de Sullivan et al. (1999) argumentando que los peligros de la snooping de datos son inmensos cuando seleccionamos la mejor regla comercial. Siguiendo a Sullivan et al. (1999), si se consideran suficientes reglas comerciales a lo largo del tiempo, algunas reglas están obligadas, por suerte pura, incluso en una muestra muy grande, a producir un rendimiento superior incluso si no poseen realmente poder predictivo sobre los rendimientos de los activos. Por lo tanto, los efectos de estos datos snooping sólo puede ser cuantificado siempre que se considere el desempeño de la mejor regla comercial en el contexto de todo el universo de las normas comerciales de la que la mejor regla fue concebible elegido. Nuestra investigación se orienta en una dirección opuesta a la optimización de las reglas técnicas de trading, ya que buscamos cómo combinar las existentes a través de técnicas de impulso y modelado de promedios. Como revisión, nuestro trabajo tiene un doble propósito. Por un lado, dado que existen numerosas reglas técnicas de negociación con diferentes grados de éxito, intentamos evitar el desajuste que existe entre diferentes reglas comerciales, proporcionando una nueva regla capaz de utilizar toda la información proporcionada por cada regla, tanto la altamente La información exitosa como la información infructuosa, utilizando métodos de aprendizaje estadístico. Por otro lado, al combinar la información predictiva de un amplio conjunto de reglas también se reduce el sesgo de snooping de datos introducido por la selección arbitraria de los parámetros en las reglas técnicas de comercio, evitando el elemento de subjetividad que implica este procedimiento. MÉTODOS DE APRENDIZAJE ESTADÍSTICO Del mismo modo que un comité de personas diversas tiende a tomar mejores decisiones que cada individuo solo, un conjunto de modelos diversos pero de alto rendimiento tiende a desempeñarse mejor que un solo modelo. Los métodos de aprendizaje estadístico son algoritmos que construyen un conjunto de clasificadores y luego clasifican nuevos puntos de datos tomando un voto (ponderado) de sus predicciones (ver Hastie et al., 2001). El método estadístico original es el promediado bayesiano, pero se han desarrollado algoritmos más recientes. En esta sección describiremos los métodos de aprendizaje estadístico más populares, como Boosting, Bayesian model averaging y el método Committee, que serán utilizados para combinar las predicciones técnicas, mejorando así el desempeño de las reglas comerciales individuales. El método Boosting Boosting es un método general que intenta aumentar la precisión de cualquier conjunto de sistemas categóricos de clasificación (o predicciones en general) que se convierten en una de las ideas más poderosas sobre los algoritmos de aprendizaje. Fue introducido por Freund y Schapire (1997). El impulso se ocupa del problema general de producir una regla de predicción muy precisa combinando predicciones ásperas y moderadamente inexactas. Una de las versiones más populares de boosting es el algoritmo AdaBoost. M1, conocido como Discrete AdaBoost, debido a Freund y Schapire (1997). Con el fin de proporcionar un esquema de este algoritmo de refuerzo, vamos a considerar un problema de dos clases donde la variable de salida se codifica como. Una clasificadora h (x) es una función que produce una predicción tomando uno de los dos valores, donde x es un conjunto de variables predictoras. Mejora de las Reglas de Negocio Promedio Móvil con el Impulso y los Métodos de Aprendizaje Estadístico. 8 Con el poder predictivo contingente ex ante de un solo promedio móvil, se estudiará la estabilidad de los retornos obtenidos, año tras año, por las diferentes reglas del promedio móvil. La Figura 1 muestra los rendimientos netos anuales de todas las 704 medias móviles consideradas de 1993 a 2002. Como se muestra en la Figura 1, la variabilidad obtenida por cada una de las medias móviles es alta, produciendo un considerable desajuste predictivo entre ellos. En la Figura 2, donde el eje x representa cada una de las 704 reglas del promedio móvil, mostramos el rendimiento neto medio anual (la línea oscilante en el centro de la imagen) de las reglas del promedio móvil durante el período de 10 años considerado. Las tres rectas de la Figura 2 corresponden al rendimiento neto anual medio obtenido por la estrategia de Boosting filtrada, al Comité filtrado y al modelo Bayesiano filtrado. Las líneas oscilantes superior e inferior corresponden a los intervalos de confianza (m i 2s i. M i 2s i), donde m i y s i son respectivamente el rendimiento neto anual medio y la desviación estándar del rendimiento neto anual de la regla i. La figura 2 destaca varios hechos. El rendimiento neto medio anual de cada regla de media móvil es positivo, lo que demuestra que las reglas tienen algún poder predictivo, la estrategia de Boosting filtrada supera todas las reglas comerciales y el Comité (fi ltrado) y Bayesiano (fi ltrado). Además, la rentabilidad de las reglas del promedio móvil varía cada año y es volátil y es posible un desajuste predictivo. Figura 1. Rendimientos netos anuales de todas las 704 medias móviles consideradas de 1993 a 2002 Por otro lado, el intervalo de confianza correspondiente a la estrategia de Boosting filtrada (que se obtuvo como el rendimiento medio anual neto dos desviaciones estándar de la tasa neta anual Regreso de la regla obtenida con el impulso) es (0.0530, 0.2059) (mi 2s i. Mi 2s i), lo que significa que es más profi table, menos volátil y más robusto que cualquier regla de media móvil. Una tercera manera de observar la variabilidad del poder predictivo de las reglas de media móvil es considerar el percentil de los rendimientos obtenidos por la mejor regla para cada período anual entre 1993 y 2002, como se muestra en la Tabla II. En la primera columna de la Tabla II se presenta el promedio móvil con alto rendimiento neto durante el año correspondiente. Las siguientes 10 columnas de la tabla son el percentil de los rendimientos netos anuales de esta mejor regla en la distribución de los rendimientos netos anuales del universo de 704 promedios móviles considerados. Así: Percentil de la regla R (Número de reglas con regla de retorno neta R) / Número total de reglas. Por ejemplo, la regla del promedio móvil más rentable durante 1993 fue de 1, 140, 0, pero fue en el percentil 47,22 en 1994 y en el percentil 72,73 en 1995. La regla más favorable en 1994 fue de 10, 80, 10 , Pero fue en el percentil 88,99 en 1993 y en el percentil 68,18 en 1995, y así sucesivamente. Obsérvese que en varias de las columnas de la Tabla II hay varias medias móviles en el percentil 100. Esto significa que hay varias medias móviles con los mismos rendimientos netos máximos durante este año. En consecuencia, las figuras 1 y 2 y las tablas I y II sugieren un poder predictivo contingente para los promedios móviles, es decir, su capacidad para obtener retornos positivos netos varía en el tiempo. Por lo tanto, la Figura 2. Rendimiento neto promedio anual (línea ondulada en el centro de la imagen) de cada una de las 704 reglas de media móvil durante el período de 10 años considerado. Las líneas rectas corresponden a la rentabilidad neta media anual que pertenece a la estrategia de Boosting filtrada (línea en negrita), a la estrategia del Comité filtrada (línea punteada) ya la estrategia Bayesiana filtrada (línea delgada). Las líneas onduladas superior e inferior corresponden a los intervalos de confianza (mi 2s i. Mi 2s i) donde mi y si son, respectivamente, el rendimiento neto medio anual y la desviación estándar del rendimiento neto anual de la regla Con el impulso y los métodos de aprendizaje estadístico Cuando se solicita una corrección, por favor, mencione estos elementos de manejar: RePEc: jof: jforec: v: 27: y: 2008: i: 5: p: 433-449. Consulte la información general sobre cómo corregir el material en RePEc. Para preguntas técnicas sobre este tema, o para corregir sus autores, título, resumen, información bibliográfica o de descarga, póngase en contacto con: (Wiley-Blackwell Digital Licensing) o (Christopher F. Baum) Si ha creado este artículo y aún no está registrado en RePEc, le recomendamos que lo haga aquí. Esto permite vincular tu perfil a este elemento. También le permite aceptar citas potenciales a este tema de las que no estamos seguros. Si faltan referencias, puede agregarlas usando este formulario. Si las referencias completas enumeran un elemento que está presente en RePEc, pero el sistema no enlazó con él, puede ayudar con este formulario. Si sabe de los elementos que faltan citando éste, puede ayudarnos a crear esos vínculos agregando las referencias pertinentes de la misma manera que se ha indicado anteriormente, para cada elemento referente. Si usted es un autor registrado de este artículo, también puede revisar la pestaña de citas en su perfil, ya que puede haber algunas citas esperando confirmación. Tenga en cuenta que las correcciones pueden tardar un par de semanas en filtrarse a través de los distintos servicios de RePEc. Más servicios MyIDEAS Seguir series, revistas, autores amp más Nuevos artículos por correo electrónico Suscribirse a nuevas adiciones a RePEc Registro de autor Perfiles públicos para investigadores de economía Rankings Varios rankings de investigación en economía y campos relacionados Genealogía Quién fue un estudiante de quién, con RePEc RePEc Biblio Artículos curados artículos de amp y varios temas de economía MPRA Sube tu artículo para ser incluido en RePEc e IDEAS EconAcademics Agregador de blogs para la investigación de la economía Plagio Casos de plagio en la economía Documentos del mercado de trabajo RePEc serie de trabajo de trabajo dedicada al mercado de trabajo Fantasy League Pretendas estar al timón De un departamento de economía Servicios de los datos de la Fed STL, la investigación, las aplicaciones más amp de la St. Louis FedImproving las reglas de negociación de media móvil con boosting y métodos de aprendizaje estadístico Citas Citas 19 Referencias Referencias 32 quotThus diferente longitud media móvil se requiere para atender a los diferentes Mercado. Este hallazgo es consistente con los estudios realizados por Brock et al. 11, Lukac et al. 12, Andrada-Felix et al. 13, Kwon y Kish 21, y Sullivan et al. 38. Si bien las reglas sencillas de media móvil como OptSMA19 y Opt SMAc superaron a los otros modelos técnicos ex-post, ex-ante es extremadamente difícil estimar con precisión las longitudes óptimas que se desplegarán 33. quot Mostrar el resumen Ocultar el resumen RESUMEN: El objetivo de (Indonesia), Malasia (MYR), Filipinas (PHP), Singapur (SGD) y Tailandia (THB), mediante la aplicación de las normas de la OCDE Dinámico de media móvil de los sistemas de comercio. Esta investigación ofrece evidencia de la utilidad del indicador de análisis técnico de volatilidad variable en el tiempo, el promedio móvil variable (AMAx27) para descifrar las tendencias en estos mercados de tipo de cambio ASEAN-5. Este factor de volatilidad variable en el tiempo, denominado Ratio de Eficacia en este documento, está incluido en AMAx27. El Efficacy Ratio ajusta el AMAx27 a las condiciones de mercado prevalecientes, evitando los whipsaws (pérdidas debidas, en parte, a actuar sobre señales comerciales incorrectas, que generalmente ocurren cuando no existe una dirección general en el mercado) Tendencias en el comercio de tendencia. La eficacia de AMAx27 se evalúa en comparación con otras reglas populares de media móvil. Basado en el conjunto de datos de enero de 2005 a diciembre de 2014, nuestros hallazgos muestran que los promedios móviles y AMAx27 son superiores a la estrategia pasiva de compra y retención. Específicamente, AMAx27 supera a los otros modelos para el dólar de los Estados Unidos contra PHP (USD / PHP) y USD / THB pares de divisas. Los resultados muestran que las diferentes medias móviles de longitud tienen mejores resultados en diferentes períodos para las cinco monedas. Esto es consistente con nuestra hipótesis de que un indicador técnico ajustable dinámico es necesario para atender períodos diferentes en diferentes mercados. Las señales falsas de venta en medio de un período alcista explican las dificultades de las reglas DMAC para superar en tales condiciones, ya que estar fuera del mercado en condiciones muy alcista incluso para un Un corto período de tiempo es difícil de compensar con otras decisiones de tiempo, sobre todo cuando las reglas de comercio MA siempre son tarde en la identificación de los puntos de inflexión de los mercados de valores. En conjunto, nuestros resultados son en este sentido coherentes con Fong y Yong (2005), Andrada-Flix y Rodrguez (2008), Yen y Hsu (2010), Ptri y Vilska (2014) y Luukka et al. (En adelante), que han documentado el mejor desempeño de las estrategias técnicas de negociación durante los períodos bajistas, sin embargo, nuestros resultados contrastan con los de Fong y Ho (2001) y Chang, Lima y Tabak (2004), quienes reportan rendimientos anormales particularmente significativos por encima de la Bampa Durante períodos alcistas. Este artículo examina la rentabilidad de las estrategias de negociación de índices que se basan en reglas de cruce de media móvil dual (DMAC) en el mercado de valores ruso durante el período 20032012. Contribuye a la literatura de análisis técnico (TA) existente comparando por primera vez en mercados emergentes el desempeño relativo de las carteras de negociación de acciones individuales con el de estrategias de negociación para el índice que consiste en las mismas acciones (es decir, las existencias más líquidas de la Moscú Intercambio). Los resultados muestran que las mejores estrategias de negociación del período de la muestra pueden superar la estrategia de compra y retención durante el período posterior a la muestra, aunque con una baja significación estadística. Además, documentamos los beneficios de usar combinaciones de DMAC que son mucho más largas que las empleadas en literatura de TA anterior. Por otra parte, la descomposición del desempeño del período completo de la muestra en desempeños separados del toro y del período de oso muestra que el mejor desempeño de las mejores estrategias de comercio de índices pasados ​​se debe principalmente al hecho de que lograron mantenerse fuera del mercado de valores durante Un dramático accidente causado por la crisis financiera mundial. Artículo Jun 2016 Eero Ptri Pasi Luukka Elena Fedorova Tatiana Garanina elaboró ​​un modelo de predicción basado en la media móvil. Hay tres tipos de media móvil: el promedio móvil simple (SMA), el promedio móvil ponderado (WMA) y el promedio móvil exponencial (EMA). En este estudio se utilizó una media móvil exponencial. Esta forma de promedio utiliza una ponderación o un factor de suavizado que disminuye exponencialmente (Andrada-Felix et al., 2008). La ponderación de cada punto de datos antiguos que disminuye exponencialmente, da mucha más importancia a las observaciones recientes, sin descartar las observaciones más antiguas por completo. El modelo de pronóstico se divide en dos fases: fase de detección y fase de pronóstico. La fase de detección se centra en un análisis de los datos recogidos. Se han propuesto varios esquemas de previsión para la gestión de datos de tráfico, que son recogidos por cámaras de videos, sensores y servicios de telefonía móvil. Sin embargo, éstos no son suficientes para la recolección de datos debido a su limitada cobertura y altos costos de instalación y mantenimiento. Para superar las limitaciones de estas herramientas, introducimos un esquema híbrido basado en el sistema de transporte inteligente (ITS) y el sistema global de navegación por satélite (GNSS). La aplicación del GNSS para calcular el tiempo de viaje ha demostrado ser eficiente en términos de precisión. En este caso, los datos GNSS se gestionan para reducir la congestión del tráfico y los accidentes de tráfico. Este documento presenta un modelo de pronóstico a corto plazo basado en el tiempo de viaje en tiempo real para las redes urbanas heterogéneas de carreteras. La predicción del tiempo de viaje se ha logrado mediante la predicción de velocidades de viaje utilizando un modelo de media móvil exponencial optimizada (EMA). Además, para la adaptación de la velocidad en redes de carreteras heterogéneas, es necesario introducir una estrategia de control adecuada para la longitud, basada en el GNSS. Los productos GNSS proporcionan servicios mundiales y en tiempo real utilizando información precisa de tiempo y tecnologías de posicionamiento. Artículo en texto completo Mayo de 2016 Jamal Raiyn Mejora de las reglas de negociación de media móvil con métodos de aprendizaje dinámico y estadístico Cómo citar a Andrada-Feacutelix, J. y Fernaacutendez-Rodriacuteguez, F. (2008). J. Pronóstico. 27: 433ndash449. Doi: 10.1002 / for.1068 Departamento de Métodos Cuantitativos en Economía y Gestión, Universidad de Las Palmas de Gran Canaria, España Correo electrónico: Fernando Fernaacutendez-Rodriacuteguez (ffernandezdmc. ulpgc. es) Facultad de Ciencias Económicas y Empresariales, 35017 Las Palmas 10 de mayo de 2008 ARTÍCULO HERRAMIENTAS Opciones para acceder a este contenido: Si es miembro de una sociedad o de una asociación y necesita asistencia para obtener instrucciones de acceso en línea, póngase en contacto con nuestro cliente del Diario Equipo de servicios. Wiley. force / Interface / ContactJournalCustomerServicesV2. Si su institución no se suscribe actualmente a este contenido, sírvase recomendar el título a su bibliotecario. Inicie sesión a través de otras opciones de inicio de sesión institucional onlinelibrary. wiley / login-options. Usted puede comprar el acceso en línea a este artículo por un período de 24 horas (el precio varía según el título) Si ya tiene una cuenta de Wiley Online Library o Wiley InterScience: inicie sesión arriba y proceda a comprar el artículo. Nuevos usuarios: Por favor regístrese y luego proceda a comprar el artículo. Busque el nombre de su institución para iniciar sesión a través de Shibboleth. Usuarios Registrados, por favor ingrese: Acceda a sus publicaciones, artículos y búsquedas guardados Administre sus alertas, pedidos y suscripciones Cambie su información de contacto, incluyendo su contraseña Por favor regístrese en: Guardar publicaciones, artículos y búsquedas Reciba alertas por correo electrónico Obtenga todas las ventajas mencionadas a continuación