Die Wirksamkeit der kombinierten Nutzung von VIX und Support Vector Machines auf die Vorhersage von SP 500.Bei diesem Artikel als Rosillo, R Giner, JP 500 Index Die Daten liefern den Zeitraum zwischen 3. Januar 2000 und 30. Dezember 2011 Eine Handels-Simulation wird implementiert So dass die statistische Effizienz durch Maßnahmen der ökonomischen Leistung ergänzt wird. Die eingehaltenen Inputs sind traditionelle technische Handelsregeln, die üblicherweise bei der Analyse von Aktienmärkten wie Relative Strength Index, Moving Average Convergence Divergence, VIX und der täglichen Rendite des SP 500 verwendet werden. Das SVM identifiziert sich Die besten Situationen, in denen zu kaufen oder zu verkaufen auf dem Markt Die beiden Ausgänge des SVM sind die Bewegung des Marktes und der Grad der Satzmitgliedschaft Die erzielten Ergebnisse zeigen, dass SVM mit VIX bessere Ergebnisse als die Buy-and-Hold-Strategie oder SVM ohne VIX Der Einfluss von VIX im Handelssystem ist besonders wichtig, wenn bärische Perioden erscheinen. Darüber hinaus ermöglicht das SVM die Reduzierung Der maximale Drawdown und die annualisierte Standardabweichung. Support Vector Machines Quantitative Handelsstrategien VIX RSI MACD Machine Learning. Allen HL, Taylor MP 1990 Charts, Lärm und Fundamentaldaten im Londoner Devisenmarkt Econ J 100 49 59 CrossRef Google Scholar. Andersen TG, Bollerslev T 1998 Beantwortung der Skeptiker ja Standard-Volatilitätsmodelle liefern genaue Prognosen Int Econ Rev 39 885 905 CrossRef Google Scholar. Blair BJ, Poon SH, Taylor SJ 2001 Prognose SP 100 Volatilität der inkrementelle Informationsinhalt von impliziten Volatilitäten und hochfrequenten Indexrenditen J Econom 105 5 26 CrossRef MATH MathSciNet Google Scholar. Bollerslev T 1986 Generalisierte autoregressive bedingte Heteroskedastizität J Wirtschaft 31 307 327 CrossRef MATH MathSciNet Google Scholar. Brock W, Lakonishok J, LeBaron B 1992 Einfache technische Handelsregeln und die stochastischen Eigenschaften der Aktienrenditen J Finanzen 47 1731 1764 CrossRef Google Scholar. Burges C 1998 Ein Tutorial zum Support-Vektor Maschinen für die Mustererkennung Data Min Knowl Disc 2 121 167 CrossRef Google Scholar. Canu S, Grandvalet Y, Guigue V, Rakotomamonjy A 2005 SVM und Kernel Methoden Matlab Toolbox, Wahrnehmung Systmes und Informationen INSA de Rouen, Rouen Google Scholar. Cao L, Tay F 2003 Unterstützung Vektor-Maschine mit adaptiven Parametern in der finanziellen Zeitreihe Prognose IEEE Trans Neuronale Netze 14 1506 1518 CrossRef Google Scholar. Chapelle O, Haner P, Vapnik VN 1999 Unterstützung Vektor-Maschinen für Histogramm-basierte Bildklassifizierung IEEE Trans Neural Networks 10 5 1055 1064 CrossRef Google Scholar. Chong TT-L, Ng WK 2008 Technische Analyse und die Londoner Börse testen die MACD - und RSI-Regeln mit dem FT30 Appl Econ Lett 15 1111 1114 CrossRef Google Scholar. Cristianini N, Taylor JS 2000 Eine Einführung in die Unterstützung von Vektor-Maschinen Und andere Kernel-basierte Lernmethoden Cambridge University Press, New York CrossRef Google Scholar. Dunis CL, Rosillo R, De la Fuente D, Pino R 2013 Prognose IBEX-35 mo Ves mit Unterstützung Vektor-Maschinen Neural Comput Appl 23 1 229 236 doi 10 1007 s00521-012-0821-9 CrossRef Google Scholar. Dunis C, Likothanassis S, Karathanasopoulos A, Sermpinis G, Theofilatos K 2013b Ein hybrider genetischer Algorithmus-Unterstützung Vektor Maschine Ansatz In der Aufgabe der Prognose und Handel der ASE 20 J Asset Manag 1 20 doi 10 1057 jam 2013 2.Evgeniou T, Pontil M, Poggio T 2000 Regularisierung Netzwerke und Unterstützung Vektor-Maschinen Adv Comput Math 13 1 50 CrossRef MATH MathSciNet Google Scholar. Hajizadeh E, Seifi A, Zarandi MNF, Turksen IB 2012 Ein hybrider Modellierungsansatz zur Prognose der Volatilität der SP 500 Indexrendite Expert Syst Appl 39 1 431 436 doi CrossRef Google Scholar. Huang S, Sun Z 2001 Unterstützungsvektor-Maschinen-Ansatz für Protein-subzelluläre Lokalisierung Vorhersage Bioinformatik 17 721 728 CrossRef Google Scholar. Huang W, Nakamori Y, Wang SY 2005 Vorhersage Börsengang Richtung mit Unterstützung Vektor Maschine Comput Oper Res 32 2513 2522 CrossRef MATH Google Scholar. Kim K 2003 Finanzielle Zeitreihe Vorhersage mit Hilfe Vektor-Maschinen Neurocomputing 55 307 319 CrossRef Google Scholar. Kwon KY, Kish RJ 2002 Technische Handelsstrategien und Rückkehr Vorhersehbarkeit NYSE Appl Financ Econ 12 639 653 CrossRef Google Scholar. Lee MC 2009 Mit Unterstützung Vektor Maschine mit einer Hybrid-Feature-Auswahl-Methode auf die Aktie Trendvorhersage Experte Syst Appl 36 8 10896 10904 CrossRef Google Scholar. Menkhoff L, Taylor MP 2007 Die hartnäckige Leidenschaft der Devisen-Profis Technische Analyse J Econ Lit 45 936 972 CrossRef Google Scholar. Mills TC 1997 Technische Analyse und die Londoner Börsenprüfung Handelsregeln mit dem FT30 Int J Finance Econ 2 319 331 CrossRef Google Scholar. Murphy JJ 1999 Technische Analyse der Finanzmärkte Institut für Finanzen, New York Google Scholar. Perez-Cruz F, Alfonso - Rodiguez JA, Giner J 2003 Schätzung von GARCH-Modellen mit Hilfe von Vektor-Maschinen Quant Finanzen 3 3 163 172 CrossRef MathSciNet Google Sch Olar. Rodriguez-Gonzalez A, Garcia-Crespo A, Colomo-Palacios R et al 2011 CAST mit neuronalen Netzwerken zur Verbesserung der Handelssysteme auf der Grundlage der technischen Analyse mit dem RSI-Finanzindikator Experte Syst Appl 38 9 11489 11500 CrossRef Google Scholar. Rosillo R, De la Fuente D, Brugos JAL 2013 Technische Analyse und die spanische Börse testen die RSI, MACD, Impuls und stochastische Regeln mit spanischen Marktgesellschaften Appl Econ 45 1541 1550 CrossRef Google Scholar. Szado E 2009 VIX Futures und Optionen eine Fallstudie Der Portfolio-Diversifizierung während der Finanzkrise 2008 J Altern Invest 12 2 68 85, 18p Google Scholar. Taylor MP, Allen HL 1992 Die Verwendung von technischen Analysen im Devisenmarkt J Int Geld Finanzen 11 304 314 CrossRef Google Scholar. Vapnik VN 1998 Statistische Lerntheorie Wiley, New York MATH Google Scholar. Vapnik VN 1999 Ein Überblick über die statistische Lerntheorie IEEE Trans Neural Netw 10 988 999 CrossRef Google Scholar. Welles Wilder J Jr 1978 Neu Konzepte in technischen Handelssystemen Hunter Publishing Company, Greensboro, NC Google Scholar. Whaley R 2009 Verstehen der VIX J Portf Manag 35 98 105 CrossRef Google Scholar. Copyright Informationen. Springer-Verlag London 2013.Autoren und Affiliations. Rafael Rosillo. Email author. Javier Giner. David de la Fuente.1 Business Management Abteilung Universität Oviedo Oviedo Spanien.2 Finanzen und Wirtschaft Abteilung Universität von La Laguna La Laguna Spanien. About diesen Artikel. A Hybrid-Aktienhandel Rahmen integriert technische Analyse mit maschinellen Lerntechniken. Rajashree Dash ein 1.Pradipta Kishore Dash b 2.a Informatik Engineering Department, ITER, Siksha O Anusandhan Universität, Bhubaneswar, Odisha, 751030, Indien. b Siksha O Anusandhan Universität, Bhubaneswar, Odisha, 751030, Indien. Received 30. Dezember 2015, überarbeitet am 3. März 2016, angenommen 8. März 2016, verfügbar online 22. März 2016.In diesem Papier, ein neuartiges Entscheidungsunterstützungssystem mit einem rechnerisch effizienten funktionalen Link künstlichen neuronalen Netzwerk CEFLANN Und eine Reihe von Regeln wird vorgeschlagen, um die Handelsentscheidungen effektiver zu generieren Hier ist das Problem der Aktienhandel Entscheidung Vorhersage als Klassifikation artikuliert Problem mit drei Klassenwerten, die den Kauf repräsentieren, halten und verkaufen Signale Das im Entscheidungsunterstützungssystem verwendete CEFLANN-Netzwerk erzeugt eine Reihe von kontinuierlichen Handelssignalen im Bereich 0 1 durch die Analyse der nichtlinearen Beziehung zwischen wenigen populären technischen Indikatoren Signale werden verwendet, um den Trend zu verfolgen und die Handelsentscheidung auf der Grundlage dieser Tendenz mit einigen Handelsregeln zu produzieren Die Neuheit des Ansatzes ist es, die rentablen Aktienhandel Entscheidungspunkte durch die Integration der Lernfähigkeit der CEFLANN neuronalen Netzwerk mit den technischen Analyse Regeln zu erzeugen Für die Beurteilung der potenziellen Nutzung der vorgeschlagenen Methode, wird die Modell-Performance auch mit einigen anderen maschinellen Lerntechniken wie Support Vector Machine SVM, Naive Bayesian Modell, K nächsten Nachbar Modell KNN und Decision Tree DT Modell. Stock Handel. Stock Trend Analyse verglichen. Technische Indikatoren.1 Einleitung. Mit der Ära der ökonomischen Globalisierung und der f Die Fähigkeit der digitalen Technologie, die Erzeugung und die Akkumulation von Finanzdaten hat in einer noch nie dagewesenen Rate erreicht. Das schnell wachsende Datenvolumen hat die Fähigkeit eines Menschen, sie manuell zu analysieren, weit übertroffen. Auch die Zeitreihen für die Zeitreihe sind komplizierter als andere statistische Daten Die langfristigen Trends, zyklische Variationen, saisonale Variationen und unregelmäßige Bewegungen Diese sind stark von vielen externen Faktoren betroffen, wie viele hoch zusammenhängende wirtschaftliche, politische, soziale und auch wenn das psychologische Verhalten des Investors Das kontinuierliche Wachstum von so stark schwankenden und unregelmäßigen Daten haben die kritische Notwendigkeit für die Entwicklung von mehr automatisierte Ansätze für die effiziente Analyse von solch massiven Finanzdaten, um aussagekräftige Statistiken aus diesem zu entwerfen Ein Prozess der Erforschung von nützlichen versteckten Wissen, Data Mining hat seine eigene Nische in der finanziellen Zeitreihenanalyse geschnitzt Es bietet Wege Für Investoren, um proaktive und wissensorientierte zu nehmen Entscheidungen, um einen erfolgreichen Gewinn mit weniger Investitionsrisiken zu erzielen. Gebender hoher Gewinn ist das ultimative Ziel eines Investors, der am Finanzmarkt teilnimmt. Es gibt so viele Investitionsmöglichkeiten wie den Handel, dh Kauf und Verkauf von Anleihen, Aktien, Devisen und Edelmetallen usw. Ein Finanzmarkt Handel an der Börse ist einer der beliebten Kanäle der Finanzinvestitionen Anleger in der Börse können ihren Gewinn durch den Kauf oder Verkauf ihrer Investition zur richtigen Zeit zu maximieren Der Schlüssel zur Realisierung hoher Gewinne im Aktienhandel ist, um herauszufinden, die geeignete Handel Zeit mit dem minimalen Risiko des Handels Aber es ist immer schwer zu entscheiden, die beste Zeit zu kaufen oder zu verkaufen aufgrund der stark fluktuierenden und dynamischen Verhalten der Börse Technische Indikatoren sind das primäre Interesse für die meisten Forscher, um die Aktienkurse zu überwachen und zu Unterstützung von Investoren bei der Erstellung von Handelsregeln für Kaufverkaufsentscheidungen Technische Indikatoren werden auf der Grundlage von Histori erstellt Cal-Aktien-Daten So Trading-Entscheidung auf der Grundlage von bestimmten technischen Indikatoren getroffen werden möglicherweise nicht immer mehr rentabel In der Literatur verschiedene Data Mining und künstliche Intelligenz-Tools wurde angewendet, um technische Indikatoren zu analysieren, um die besten Handelssignale 1 2 3 und 4 Gewinn zu gewinnen Oder Verlust aus Aktienhandel hängt letztlich von der Analyse der künftigen Bewegung von stark schwankenden und unregelmäßigen Aktienkurswerten ab. Erfolgreiche Klassifizierung von Auf - und Abwärtsbewegungen der Aktienkursindexwerte kann nicht nur für die Anleger hilfreich sein, um effektive Handelsstrategien zu machen, sondern auch für den Entscheidungsträger Um die Börse zu überwachen Die Verfolgung von Aufschwüngen und Abschwüngen über die Geschichte der einzelnen Aktien wird die Unsicherheit im Zusammenhang mit Investitionsentscheidungen zu reduzieren Investoren können wählen, die besten Zeiten zu kaufen und verkaufen die Aktie durch eine ordnungsgemäße Analyse der Aktien-Trends In der Literatur eine Reihe von Modellen Kombinierte technische analyse mit rechnerisch intelligenter technik Es gibt zur Vorhersage der Aktienkursindexbewegungen 5 6 und 7 Patra, Thanh, Meher, 2009. In dieser Studie wird das Problem der Aktienhandelsentscheidungsvorhersage als Klassifizierungsproblem mit drei Klassenwerten, die den Kauf repräsentieren, halten und verkaufen, artikuliert Signale Das wichtigste Ziel dieser Studie ist es, ein neuartiges Entscheidungsunterstützungssystem zu entwickeln, das mit einem rechnerisch effizienten funktionalen Link künstlichen neuronalen Netzwerk CEFLANN und einem Satz von Regeln auf der Grundlage der technischen Analyse, um die Handelsentscheidungen effektiver zu generieren anstatt die Ausbildung der CEFLANN Netzwerk mit traditionellen Back-Propagation-Algorithmus wird das ELM-Lernen für das Netzwerk vorgeschlagen. Sechs populäre technische Indikatoren, die aus den historischen Aktienindex-Preiswerten berechnet werden, werden als Eingabemerkmale für das vorgeschlagene Modell verwendet. Das CEFLANN-Netzwerk wird angewendet, um die nichtlineare Beziehung zwischen den technischen Indikatoren und dem zu erfassen Handelssignale Anstatt diskrete Klassenwerte während des Trainings zu verwenden Das Netzwerk, ein kontinuierliches Handelssignal im Bereich 0 1 werden dem Netz zugeführt Die neuen Handelssignale im Bereich 0 1 können detailliertere Informationen über den Aktienhandel im Zusammenhang mit den ursprünglichen Preisvariationen liefern. Weiterhin werden die Ausgänge aus dem CEFLANN-Modell in umgewandelt Eine einfache Handelsstrategie mit Kauf, Halten und Verkaufen von Signalen mit geeigneten Regeln Die Modellleistung wird anhand des Gewinnprotokolls ausgewertet, der während der Testperiode erhalten wurde. Das CEFLANN-Modell wird auch mit einigen anderen bekannten Maschinenlerntechniken wie der Unterstützungsvektormaschine SVM, 5 6 8 und verglichen 9 Naive Bayes'sche Modell, K nächstes Nachbarmodell KNN 2 und 9 und Entscheidungsbaum DT 10 Modell. Der Rest des Papiers ist in den folgenden Abschnitten organisiert. Abschnitt 2 hebt relevante Bewertungen zu verschiedenen maschinellen Lerntechniken auf, die im Aktienhandel verwendet werden. Abschnitt 3 legt die Details fest Des CEFLANN-Netzwerks, gefolgt von den Details von ELM Learning in Abschnitt 4, Abschnitt 5, beschreibt die detaillierten Schritte der Entscheidungen Auf Unterstützungssystem für die Erstellung von Aktienhandel Entscheidungspunkten Abschnitt 6 zeigt experimentelle Ergebnisse aus der Vergleichsanalyse Endlich Abschnitt 7 enthält die abschließenden Bemerkungen.2 Literatur-Umfrage. Though die meisten der finanziellen Zeitreihen-Analyse beinhalten Vorhersage der Aktienkurs oder es Fluktuation, aber Handel Die Börse ist ein weiterer populärer Forschungsbereich Die Gewinnung von Gewinn oder Verlust aus dem Aktienhandel hängt letztlich von der Analyse der zukünftigen Bewegung von stark schwankenden und unregelmäßigen Aktienkurswerten ab. In der Literatur gibt es eine Reihe von Modellen, die technische Analyse mit rechnerischen intelligenten Techniken kombinieren, zur Vorhersage des Aktienkurses Indexbewegungen und für den Aktienhandel In Ref 11 wird ein neues Trading-Framework zur Verbesserung der Performance von Verstärkungs-Learning-basierten Handelssystemen vorgeschlagen, um Kauf - und Verkaufsvorschläge für Investoren in ihrem täglichen Aktienhandel zu tätigen, um ihren Gewinn in der dynamischen Börse zu maximieren 12 ein neues Modell mit Piecewise Lineare Darstellungen PLR und künstliche Neuronale Netze ANNs wird vorgeschlagen, um die nichtlinearen Beziehungen zwischen dem geplanten geschlossenen Preis und verschiedenen technischen Indizes zu analysieren und das Wissen über Handelssignale zu erfassen, die in historischen Daten verborgen sind. Das gelernte ANN-Modell wird verwendet, um den zukünftigen Handel vorherzusagen Signale auf einer täglichen Basis Zweitens wird eine Handelsentscheidung durch die Entwicklung eines dynamischen Schwellenentscheidungssystems ausgelöst. Ein weiteres Prognosemodell, das das fallbasierte dynamische Fenster CBDW integriert, und das neuronale Netzwerk wird mit 13 angewendet, um die richtigen Wendepunkte im Aktienhandel vorherzusagen Maximierung der Investitionseinnahmen In Ref 2 wird eine Methode, die zusammen den bekannten k-NN-Klassifikator und einige gängige Werkzeuge der technischen Analyse verwendet, wie technische Indikatoren, Stop-Loss, Stop-Gain und RSI-Filter mit dem Ziel der Untersuchung der Machbarkeit der Verwendung eines Intelligentes Handelssystem in realen Marktbedingungen, unter Berücksichtigung der echten Unternehmen der S o Paulo Börse a Nd Transaktionskosten Ein effektiver Handelssignal-Erkennungssystem mit Piecewise Linear Representations PLR und künstliche Neuronale Netze ANNs wird in 14 vorgeschlagen, um das Wissen über Handelssignale, die in historischen Preisen versteckt sind, zu erfassen, indem sie die nichtlinearen Beziehungen zwischen dem Aktienkurs und verschiedenen technischen Indizes analysiert Die Entscheidung im Modell wird durch eine dynamische Schwellengrenze weiter ausgelöst, die dazu beiträgt, einen signifikanten Gewinnbetrag während des Handels zu erzielen. In Ref 3 ist ein Handelssystem, das auf fundamentalen oder chartistischen Analysen basiert, um die Anlagetechniken zu verbessern. Die Hauptidee des Systems ist es, den Handel zu generieren Punkte, die auf einem finanziellen Indikator basieren, nämlich relativer Stärkeindex, der weiter durch ein Vorwärts-Neuronales Netzwerk berechnet wird. Ein weiteres intelligentes Handelssystem, das die technische Analyse verwendet, der Künstliche Bee Colony Algorithmus ABC, eine Auswahl von vergangenen Werten, die nächste Nachbarklassifikation k-NN und seine Variation, die Adaptive Klassifikation und Der nächstgelegene Nachbar wird in 4 erörtert In Ref 15 hat ein hochauflösendes Fuzzy-Zeitreihenmodell auf der Basis eines Entropie-basierten Partitionierungs - und adaptiven Erwartungsmodells seine Überlegenheit gegenüber anderen herkömmlichen Fuzzy-Zeitreihenmodellen bei der Erstellung von Entscheidungsregeln als Investitionsreferenzen für Aktieninvestoren gezeigt. Eine Echtzeit-Clustering und SVM-basierte Preis-Volatilität Vorhersage für eine optimale Trading-Strategie. Copyright 2013 Elsevier BV Alle Rechte vorbehalten. Subhabrata Choudhury ist derzeit verfolgt seine Bachelor of Technology Abschluss in Metallurgie und Material Engineering am indischen Institut für Technologie Kharagpur, Indien und ist in Endjahr Sein aktuelles Forschungsinteresse umfasst Data Mining, Operations Research, Machine Learning und ihre Anwendungen in Finanzen und Stahlindustrie. Subhajyoti Ghosh ist ein viertes Jahr Studenten im indischen Institut für Technologie Kharagpur, Indien eingeschrieben in der fünf Jahre dualen Studiengang B Tech Und M Tech in Ocean Engineering und Naval Architecture Hallo S aktuelle Forschung konzentriert sich auf Operations Research, Financial Markets und Scheduling. Arnab Bhattacharya ist derzeit ein PhD Kandidat in Operations Research an der University of Pittsburgh, USA Er beendete die fünf Jahre Dual-Grad-Programm B Tech und M Tech in Industrial Engineering und Management bei Indianer Institut für Technologie Kharagpur, Indien im Jahr 2011 Seine Forschungsgebiete sind Operations Research und Data Mining. Kiran Jude Fernandes ist der Research Director und Leiter der Operations Management Group an der York Management School, Großbritannien Er ist auch einer der Principal Investigators an der interdisziplinären York Center für komplexe Systemanalyse YCCSA Er ist Doktorand in Operations Management und Systems von der University of Warwick ein Masters MS von der James Worth Bagley College of Engineering an der Mississippi State University MSU und ein Bachelor of Engineering Hons Abschluss in Produktion von Waltech Seine Forschung Konzentriert sich auf die Modellierung komplexer sozialer und geschäftlicher Domänen mit einem komplexen s Ystem perspektive. Manoj Kumar Tiwari ist ein Professor in der Abteilung für Industrial Engineering und Management im indischen Institut für Technologie Kharagpur, Indien Er ist ein Associate Editor von Zeitschriften, die IEEE Transaktionen auf SMC Teil A Systems und Menschen, International Journal of System Science Journal gehören Des Entscheidungsunterstützungssystems Er hat mehr als 200 Publikationen in verschiedenen internationalen Zeitschriften und Konferenzen Seine Forschungsinteressen sind Entscheidungsunterstützungsmodelle, Planungs-, Scheduling - und Kontrollprobleme des Manufacturing Systems, Supply Chain Network.
No comments:
Post a Comment