Die Wirksamkeit der kombinierten Verwendung von VIX und Support Vector Machines auf die Vorhersage von SampP 500 Zitieren Sie diesen Artikel als: Rosillo, R. Giner, J. de la Fuente, D. Neural Comput Applic (2014) 25: 321. doi: 10.1007 S00521-013-1487-7 Ziel dieser Forschung ist es, die Effektivität des Chicago Board Options Exchange Market Volatility Index (VIX) zu analysieren, wenn er mit Support Vector Machines (SVMs) verwendet wird, um die wöchentliche Änderung im SampP 500 Index zu prognostizieren . Die zur Verfügung gestellten Daten decken den Zeitraum zwischen dem 3. Januar 2000 und dem 30. Dezember 2011 ab. Eine Handelssimulation wird durchgeführt, so dass die statistische Effizienz durch Maßnahmen der Wirtschaftsleistung 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 SampP 500 verwendet werden. Die SVM identifiziert die besten Situationen, in denen sie kaufen oder verkaufen können der 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 produziert. Der Einfluss von VIX im Handelssystem ist besonders wichtig, wenn bärische Perioden auftreten. Darüber hinaus ermöglicht das SVM die Verringerung des Maximum Drawdown und die annualisierte Standardabweichung. Support Vector Machines Quantitative Handelsstrategien VIX RSI MACD Maschinen Lernen Referenzen Allen HL, Taylor MP (1990) Charts, Lärm und Fundamentaldaten im Londoner Devisenmarkt. Econ J 100: 4959 CrossRef Google Scholar Andersen TG, Bollerslev T (1998) Beantwortung der Skeptiker: ja Standard-Volatilitätsmodelle liefern genaue Prognosen. Int Econ Rev 39: 885905 CrossRef Google Scholar Blair BJ, Poon SH, Taylor SJ (2001) Prognose SampP 100 Volatilität: der inkrementelle Informationsgehalt der impliziten Volatilitäten und Hochfrequenzindexrenditen. J Econom 105: 526 CrossRef MATH MathSciNet Google Scholar Bollerslev T (1986) Generalisierte autoregressive bedingte Heteroskedastizität. J Econom 31: 307327 CrossRef MATH MathSciNet Google Scholar Brock W, Lakonishok J, LeBaron B (1992) Einfache technische Handelsregeln und die stochastischen Eigenschaften der Aktienrenditen. J Finance 47: 17311764 CrossRef Google Scholar Burges C (1998) Ein Tutorial zur Unterstützung von Vektor-Maschinen zur Mustererkennung. Data Min Knowl Disc 2: 121167 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) Unterstützungsvektormaschine mit adaptiven Parametern in der finanziellen Zeitreihenvorhersage. IEEE Trans Neural Networks 14: 15061518 CrossRef Google Scholar Chapelle O, Haner P, Vapnik VN (1999) Unterstützungsvektormaschinen für histogrammbasierte Bildklassifizierung. IEEE Trans Neuronale Netze 10 (5): 10551064 CrossRef Google Scholar Chong TT-L, Ng W-K (2008) Technische Analyse und die Londoner Börse: Prüfung der MACD - und RSI-Regeln mit dem FT30. Appl Econ Lett 15: 11111114 CrossRef Google Scholar Cristianini N, Taylor JS (2000) Eine Einführung in die Unterstützung von Vektor-Maschinen und anderen Kernel-basierten Lernmethoden. Cambridge University Press, New York CrossRef Google Scholar Dunis CL, Rosillo R, De la Fuente D, Pino R (2013) Vorhersage IBEX-35 bewegt sich mit Unterstützung Vektor-Maschinen. Neural Comput Appl 23 (1): 229236. Doi: 10.1007s00521-012-0821-9 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 120. doi: 10.1057jam.2013.2 Evgeniou T, Pontil M, Poggio T (2000) Regularisierungsnetze und Unterstützungsvektormaschinen. Adv Comput Math 13: 150 CrossRef MATH MathSciNet Google Scholar Hajizadeh E, Seifi A, Zarandi MNF, Turksen IB (2012) Ein Hybrid-Modellierungsansatz zur Prognose der Volatilität der SampP 500 Indexrendite. Experte Syst Appl 39 (1): 431436. Doi: 10.1016j. eswa.2011.07.033 CrossRef Google Scholar Huang S, Sun Z (2001) Unterstützung Vektor Maschine Ansatz für Protein subzelluläre Lokalisierung Vorhersage. Bioinformatik 17: 721728 CrossRef Google Scholar Huang W, Nakamori Y, Wang SY (2005) Vorhersage Börsenbewegungsrichtung mit Unterstützung Vektor Maschine. Comput Oper Res 32: 25132522 CrossRef MATH Google Scholar Kim K (2003) Finanzielle Zeitreihe Vorhersage mit Unterstützung Vektor-Maschinen. Neurocomputing 55: 307319 CrossRef Google Scholar Kwon KY, Kish RJ (2002) Technische Handelsstrategien und Rückgaberechtbarkeit: NYSE. Appl Financ Econ 12: 639653 CrossRef Google Scholar Lee M-C (2009) Mit Unterstützung Vektor-Maschine mit einer Hybrid-Feature-Auswahl-Methode auf die Aktien-Trend-Vorhersage. Experte Syst Appl 36 (8): 1089610904 CrossRef Google Scholar Menkhoff L, Taylor MP (2007) Die hartnäckige Leidenschaft der Devisenfachleute: Technische Analyse. J Econ Lit 45: 936972 CrossRef Google Scholar Mills TC (1997) Technische Analyse und die Londoner Börse: Prüfung der Handelsregeln mit dem FT30. Int J Finanzen Econ 2: 319331 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. Quantität Finanzierung 3 (3): 163172 CrossRef MathSciNet Google Scholar Rodriguez-Gonzalez A, Garcia-Crespo A, Colomo-Palacios R et al (2011) CAST: Nutzung neuronaler Netze zur Verbesserung der Handelssysteme auf der Grundlage der technischen Analyse mittels der RSI finanziellen Indikator. Expert Syst Appl 38 (9): 1148911500 CrossRef Google Scholar Rosillo R, De la Fuente D, Brugos JAL (2013) Technische Analyse und die spanische Börse: Prüfung der RSI, MACD, Impuls und stochastischen Regeln mit spanischen Marktgesellschaften. Appl Econ 45: 15411550 CrossRef Google Scholar Szado E (2009) VIX Futures und Optionen: eine Fallstudie zur Portfolio-Diversifizierung während der Finanzkrise 2008 J Altern Invest 12 (2): 6885, 18p Google Scholar Taylor MP, Allen HL (1992) Die Verwendung von technischen Analysen auf dem Devisenmarkt. J Int Geld Finanzen 11: 304314 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: 988999 CrossRef Google Scholar Welles Wilder J Jr (1978) Neue Konzepte in technischen Handelssystemen. Hunter Verlag, Greensboro, NC Google Scholar Whaley R (2009) Verständnis der VIX. J Portier Manag 35: 98105 CrossRef Google Scholar Copyright Information Springer-Verlag London 2013 Autoren und Mitgliedschaften Rafael Rosillo 1 E-Mail Autor Javier Giner 2 David de la Fuente 1 1. Business Management Abteilung Universität Oviedo Oviedo Spanien 2. Finanzen und Wirtschaft Abteilung Universität La Laguna La Laguna Spanien Über diesen ArtikelDie Wirksamkeit der kombinierten Verwendung von VIX und Support Vector Machines auf die Vorhersage von SampP 500 Zitieren Sie diesen Artikel als: Rosillo, R. Giner, J. de la Fuente, D. Neural Comput Application (2014) 25: 321. doi: 10.1007s00521-013-1487-7 Das Ziel dieser Forschung ist es, die Wirksamkeit des Chicago Board Options Exchange Market Volatility Index (VIX) zu analysieren, wenn er mit Support Vector Machines (SVMs) verwendet wird, um die Prognose zu erklären Wöchentlicher Wechsel im SampP 500 Index. Die zur Verfügung gestellten Daten decken den Zeitraum zwischen dem 3. Januar 2000 und dem 30. Dezember 2011 ab. Eine Handelssimulation wird durchgeführt, so dass die statistische Effizienz durch Maßnahmen der Wirtschaftsleistung 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 SampP 500 verwendet werden. Die SVM identifiziert die besten Situationen, in denen sie kaufen oder verkaufen können der 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 produziert. Der Einfluss von VIX im Handelssystem ist besonders wichtig, wenn bärische Perioden auftreten. Darüber hinaus ermöglicht das SVM die Verringerung des Maximum Drawdown und die annualisierte Standardabweichung. Support Vector Machines Quantitative Handelsstrategien VIX RSI MACD Maschinen Lernen Referenzen Allen HL, Taylor MP (1990) Charts, Lärm und Fundamentaldaten im Londoner Devisenmarkt. Econ J 100: 4959 CrossRef Google Scholar Andersen TG, Bollerslev T (1998) Beantwortung der Skeptiker: ja Standard-Volatilitätsmodelle liefern genaue Prognosen. Int Econ Rev 39: 885905 CrossRef Google Scholar Blair BJ, Poon SH, Taylor SJ (2001) Prognose SampP 100 Volatilität: der inkrementelle Informationsgehalt der impliziten Volatilitäten und Hochfrequenzindexrenditen. J Econom 105: 526 CrossRef MATH MathSciNet Google Scholar Bollerslev T (1986) Generalisierte autoregressive bedingte Heteroskedastizität. J Econom 31: 307327 CrossRef MATH MathSciNet Google Scholar Brock W, Lakonishok J, LeBaron B (1992) Einfache technische Handelsregeln und die stochastischen Eigenschaften der Aktienrenditen. J Finance 47: 17311764 CrossRef Google Scholar Burges C (1998) Ein Tutorial zur Unterstützung von Vektor-Maschinen zur Mustererkennung. Data Min Knowl Disc 2: 121167 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) Unterstützungsvektormaschine mit adaptiven Parametern in der finanziellen Zeitreihenvorhersage. IEEE Trans Neural Networks 14: 15061518 CrossRef Google Scholar Chapelle O, Haner P, Vapnik VN (1999) Unterstützungsvektormaschinen für histogrammbasierte Bildklassifizierung. IEEE Trans Neuronale Netze 10 (5): 10551064 CrossRef Google Scholar Chong TT-L, Ng W-K (2008) Technische Analyse und die Londoner Börse: Prüfung der MACD - und RSI-Regeln mit dem FT30. Appl Econ Lett 15: 11111114 CrossRef Google Scholar Cristianini N, Taylor JS (2000) Eine Einführung in die Unterstützung von Vektor-Maschinen und anderen Kernel-basierten Lernmethoden. Cambridge University Press, New York CrossRef Google Scholar Dunis CL, Rosillo R, De la Fuente D, Pino R (2013) Vorhersage IBEX-35 bewegt sich mit Unterstützung Vektor-Maschinen. Neural Comput Appl 23 (1): 229236. Doi: 10.1007s00521-012-0821-9 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 120. doi: 10.1057jam.2013.2 Evgeniou T, Pontil M, Poggio T (2000) Regularisierungsnetze und Unterstützungsvektormaschinen. Adv Comput Math 13: 150 CrossRef MATH MathSciNet Google Scholar Hajizadeh E, Seifi A, Zarandi MNF, Turksen IB (2012) Ein Hybrid-Modellierungsansatz zur Prognose der Volatilität der SampP 500 Indexrendite. Experte Syst Appl 39 (1): 431436. Doi: 10.1016j. eswa.2011.07.033 CrossRef Google Scholar Huang S, Sun Z (2001) Unterstützung Vektor Maschine Ansatz für Protein subzelluläre Lokalisierung Vorhersage. Bioinformatik 17: 721728 CrossRef Google Scholar Huang W, Nakamori Y, Wang SY (2005) Vorhersage Börsenbewegungsrichtung mit Unterstützung Vektor Maschine. Comput Oper Res 32: 25132522 CrossRef MATH Google Scholar Kim K (2003) Finanzielle Zeitreihe Vorhersage mit Unterstützung Vektor-Maschinen. Neurocomputing 55: 307319 CrossRef Google Scholar Kwon KY, Kish RJ (2002) Technische Handelsstrategien und Rückgaberechtbarkeit: NYSE. Appl Financ Econ 12: 639653 CrossRef Google Scholar Lee M-C (2009) Mit Unterstützung Vektor-Maschine mit einer Hybrid-Feature-Auswahl-Methode auf die Aktien-Trend-Vorhersage. Experte Syst Appl 36 (8): 1089610904 CrossRef Google Scholar Menkhoff L, Taylor MP (2007) Die hartnäckige Leidenschaft der Devisenfachleute: Technische Analyse. J Econ Lit 45: 936972 CrossRef Google Scholar Mills TC (1997) Technische Analyse und die Londoner Börse: Prüfung der Handelsregeln mit dem FT30. Int J Finanzen Econ 2: 319331 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. Quantität Finanzierung 3 (3): 163172 CrossRef MathSciNet Google Scholar Rodriguez-Gonzalez A, Garcia-Crespo A, Colomo-Palacios R et al (2011) CAST: Nutzung neuronaler Netze zur Verbesserung der Handelssysteme auf der Grundlage der technischen Analyse mittels der RSI finanziellen Indikator. Expert Syst Appl 38 (9): 1148911500 CrossRef Google Scholar Rosillo R, De la Fuente D, Brugos JAL (2013) Technische Analyse und die spanische Börse: Prüfung der RSI, MACD, Impuls und stochastischen Regeln mit spanischen Marktgesellschaften. Appl Econ 45: 15411550 CrossRef Google Scholar Szado E (2009) VIX Futures und Optionen: eine Fallstudie zur Portfolio-Diversifizierung während der Finanzkrise 2008 J Altern Invest 12 (2): 6885, 18p Google Scholar Taylor MP, Allen HL (1992) Die Verwendung von technischen Analysen auf dem Devisenmarkt. J Int Geld Finanzen 11: 304314 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: 988999 CrossRef Google Scholar Welles Wilder J Jr (1978) Neue Konzepte in technischen Handelssystemen. Hunter Verlag, Greensboro, NC Google Scholar Whaley R (2009) Verständnis der VIX. J Portier Manag 35: 98105 CrossRef Google Scholar Copyright Information Springer-Verlag London 2013 Autoren und Mitgliedschaften Rafael Rosillo 1 E-Mail Autor Javier Giner 2 David de la Fuente 1 1. Business Management Abteilung Universität Oviedo Oviedo Spanien 2. Finanzen und Wirtschaft Abteilung Universität La Laguna La Laguna Spanien Über diesen ArtikelForschung auf einfaches gleitendes durchschnittliches Handelssystem basierend auf SVM Zeige abstrakt Ausblenden abstrakt ABSTRAKT: In diesem Papier schlage ich einen genetischen Lernansatz vor, um technische Handelssysteme für die Lagerzeit zu generieren. Die informativsten technischen Indikatoren werden aus einem Satz von fast 5000 Signalen durch einen multifunktionalen genetischen Algorithmus mit variabler Stringlänge ausgewählt. Nacheinander werden diese Signale durch ein Lernverfahren zu einem einzigartigen Handelssignal zusammengefasst. Ich teste die von dem Mehrheits-Wahlkomitee erhaltene Experten-Gewichtungslösung, die Bayes-Modell-Mittelwert - und Boosting-Verfahren mit Daten aus dem SampP 500 Composite Index, in drei Marktphasen, Aufwärtstrend-, Down-Trend - und Seitwärtsbewegungen für den Zeitraum 20002006 Berechnungsergebnisse zeigen, dass das nahezu optimale Regelwerk unter den Marktphasen variiert, aber stabile Ergebnisse liefert und in der Lage ist, Verluste in Down-Trend-Perioden zu reduzieren oder zu eliminieren. Artikel Dez 2010 Massimiliano Kaucic Zeige abstrakt Ausblenden abstrakt ABSTRAKT: Wir schlagen ein automatisiertes automatisiertes Handelssystem vor, das auf einer Schichtstruktur beruht, die aus einem maschinellen Lernalgorithmus, einem Online-Lernprogramm und einem Risikomanagement besteht. Ein alternierender Entscheidungsbaum (ADT), der mit Logitboost implementiert ist, wurde als zugrundeliegender Algorithmus gewählt. Eine der Stärken unseres Ansatzes ist, dass der Algorithmus in der Lage ist, die beste Kombination von Regeln auszuwählen, die aus bekannten technischen Analyseindikatoren abgeleitet sind und auch die besten Parameter der technischen Indikatoren auswählen können. Darüber hinaus kombiniert die Online-Lernschicht die Ausgabe von mehreren ADTs und schlägt eine kurze oder lange Position vor. Schließlich kann die Risikomanagement-Schicht das Handelssignal validieren, wenn sie einen festgelegten Schwellenwert ungleich Null überschreitet und die Anwendung unserer Handelsstrategie begrenzt, wenn sie nicht rentabel ist. Wir testen den Experten-Gewichtungsalgorithmus mit Daten von 100 zufällig ausgewählten Firmen des SampP 500 Index im Zeitraum 2003-2005. Wir finden, dass dieser Algorithmus während des Testzeitraums abnormale Renditen erzeugt. Unsere Experimente zeigen, dass der Verstärkungsansatz in der Lage ist, die prädiktive Kapazität zu verbessern, wenn Indikatoren kombiniert und als einziger Prädiktor zusammengefasst werden. Noch mehr, die Kombination von Indikatoren der verschiedenen Bestände zeigte sich als ausreichend, um den Einsatz von Rechenressourcen zu reduzieren und immer noch eine angemessene prädiktive Kapazität zu erhalten. Artikel Apr 2010 Deutscher Creamer Yoav Freund Zeige abstrakt Ausblenden ABSTRAKT: Dieses Papier untersucht die Profitabilität der Anwendungen von variablen und festen bewegten Durchschnitten sowie Trading Breakout (TRB) auf neun beliebten täglichen asiatischen Marktindizes vom 1. Januar 1988 bis 31. Dezember 2003. Die Testergebnisse lieferten eine starke Unterstützung für variable gleitende Durchschnitte (VMAs), insbesondere und feste gleitende Durchschnitte (FMAs) in den Märkten China, Thailand, Taiwan, Malaysia, Singapur, Hongkong, Koreanisch und Indonesien. Die Länge von 20 Tagen und 60 Tagen schien für die variablen und festen bewegten Durchschnitte am rentabelsten zu sein. Die technische Attraktivität der Handelsregeln bietet den Marktteilnehmern viele Gewinnchancen. Artikel Feb 2006 Lai Ming-Ming Lau Siok-Hwa
No comments:
Post a Comment