Améliorer les règles de négociation moyenne mobile avec le renforcement et les méthodes d'apprentissage statistique. 7 a Paramètres de la règle de la moyenne mobile n 1. N 2. B. B Nombre de moyennes mobiles (mineures, égales, majeures). La procédure classique des prédictions de combinaison était inutile en raison de la singularité des matrices impliquées. Le tableau I présente plusieurs caractéristiques statistiques et économiques des prévisions correspondant au pourcentage de prédictions réussies de signes, au rendement net, au ratio de profite idéal et au rapport de Sharpe correspondant à la période de 10 ans de 1993 à 2002. Les caractéristiques économiques sont prises en considération pour les moyennes mobiles les meilleures et les pires (ci-dessous, entre crochets, les longueurs des moyennes mobiles courtes et longues et la bande sont présentées) et pour toutes les méthodes d'apprentissage filtrées et non filtrées, c'est-à - (Modèle filtré et non-fi ltré), le modèle de moyenne mobile (fi ltré et non fi ltré) et le modèle de moyenne mobile Bayésien (filtré et non fi ltré). Ci-dessous, entre parenthèses, le nombre de règles de moyenne mobile avec des rendements mineurs, égaux ou majeurs, respectivement, est présenté. 2 Dans la dernière ligne du tableau I, nous avons également montré la stratégie buy-and-hold (BampH), afin de faire des comparaisons. La première colonne du tableau I montre, pour chacune des procédures de prévision signalées ci-dessus, les pourcentages de direction de prévision journalière correcte. La colonne 2 montre le rendement net obtenu par une stratégie technique basée sur les signaux obtenus par la prévision. Nous montrons également en bas, entre parenthèses, le nombre de règles de moyenne mobile avec des rendements mineurs, égaux ou majeurs, respectivement. Enfin, afin d'évaluer la performance de nos règles techniques de négociation, nous avons également considéré dans les colonnes 3 et 4 le ratio de profite idéal et le rapport de Sharpe correspondant à toutes les procédures de prévision précédemment mentionnées (en bas, entre parenthèses, le nombre de Des règles de moyenne mobile avec un ratio de profit idéal mineur, égal ou majeur et un ratio de Sharpe sont respectivement présentés). En regardant le tableau I, les résultats suivants se démarquent. Le seul modèle qui surmonte la stratégie de BampH est le modèle Boosting fi ltered. Ainsi, le rendement net, le ratio de profit idéal et le ratio de Sharpe de la règle technique de négociation guidée par le modèle filtrant Boosting sont respectivement de 74,00, 0,0508 et 0,0508, ce qui surmonte toute règle de moyenne mobile et toute autre méthode d'apprentissage. Il surmonte même le rendement net, le ratio de profit idéal et le ratio de Sharpe de la stratégie de BampH, qui sont respectivement de 67,33, 0,0462 et 0,0279. En outre, il faut noter que l'introduction du fi ltre améliore le rendement net et les ratios de bienfaisance dans les modèles Boosting et Bayesian. Néanmoins, les résultats obtenus dans le modèle du Comité se détériorent lorsqu'on utilise un fi ltre. Enfin, remarquez que le pourcentage maximal de succès de direction de prévision est obtenu par la meilleure règle de moyenne mobile 10, 140, 3, qui est 52,02 réussie. Par conséquent, bien que les taux de réussite de la prévision de la direction des modèles présentés dans le tableau I soient tous légèrement supérieurs à 50, certains ont un ratio Sharpe supérieur à celui de la stratégie BampH, ce qui signifie que ces règles commerciales sont correctes en moyenne quand il importe plus . Suivant le tableau I, la règle de négociation obtenue par le modèle de Boosting filtré surmonte la meilleure moyenne mobile 5, 160, 6 par rapport à toute mesure d'aptitude économique. Notez également que les modèles Boosting, Bayesian et Committee ont été obtenus ex ante. En attendant, la meilleure moyenne mobile a été obtenue ex post et il est donc possible que son pouvoir prédictif pourrait même être inférieur lorsque nous l'utilisons ex ante dans une période future. Maintenant, la capacité ex ante des moyennes mobiles pour obtenir des bénéfices est étudiée. À ce stade, notre principale préoccupation est de savoir comment la profi lité et le pouvoir prédictif des règles de la moyenne mobile varient avec le temps. Cette préoccupation est directement liée, comme Sullivan et al. (1999) soulignent les dangers de la fouille des données, qui sont immenses lorsque nous choisissons la meilleure règle commerciale, car si les règles commerciales suffisantes sont prises en compte au fil du temps, certaines règles sont liées au pur hasard, Pour produire une performance supérieure, même si elles ne possèdent pas réellement de pouvoir prédictif sur les rendements de l'actif. Améliorer les règles de négociation en moyenne mobile avec le renforcement et les méthodes d'apprentissage statistique. 13 Néanmoins, le comportement des règles techniques de négociation basées sur les méthodes d'apprentissage a été tout à fait opposé pendant la sous-période des chutes (du 2 septembre 2000 au 31 décembre 2002). Ainsi, toutes les méthodes d'apprentissage hors de l'échantillon ont surmonté le retour de la stratégie BampH, en particulier le modèle Boosting filtré. De plus, le rapport de Sharpe du modèle de Boosting filtré était plus élevé que celui de BampH, et beaucoup plus élevé que le ratio de Sharpe des modèles de Bayes et du Comité. Il en est de même avec le ratio de prof. Idéal. De plus, il a été observé que, sauf pendant la période de hausses généralisées du marché, le modèle Boosting filtré a obtenu un rendement net plus élevé que tout modèle de moyenne mobile, ce qui supporte moins de risques que les autres. Par conséquent, bien que le modèle de Boosting filtré ne soit pas en mesure de surmonter les rendements de la stratégie BampH pendant la période de hausse, les résultats obtenus laissent supposer qu'elle dépasse la BampH pendant la période de chute et est capable d'absorber une grande partie des chutes sur le marché . Par conséquent, le modèle de Boosting filtré pourrait être utilisé comme une stratégie conservatrice consacrée à la diminution du risque lors d'éventuels effondrements du marché. Néanmoins, il est nécessaire d'être prudent et d'étudier, dans les recherches futures, la solidité des résultats de cet article pour d'autres indices fi nanciers, et il pourrait être utile d'étudier d'autres indices populaires (actions, obligations ou devises étrangères). La conclusion finale de cette recherche n'est pas de jeter le doute sur le pouvoir prédictif des règles moyennes mobiles dans la série et la période analysées. Au contraire, nos résultats soutiennent que bien que les moyennes mobiles indiquent la contingence et la variabilité de sa puissance prédictive, un large ensemble de moyennes mobiles a plus d'informations prédictives que n'importe quel individu, à partir duquel l'algorithme filtré de Boosting peut tirer profit. Cette recherche souligne que l'utilisation de méthodes d'apprentissage comme la stimulation semble plus robuste et profitable que l'utilisation de moyennes mobiles individuelles. Il appelle l'attention sur les analystes techniques pour l'utilisation de Boosting et d'autres combinant des méthodes de prédiction au lieu de moyennes mobiles individuelles. Enfin, cette recherche pourrait être étendue à un ensemble plus large de règles commerciales techniques, comme celles utilisées dans Sullivan et al. (1999), c'est-à-dire les règles de filtrage, le support et la résistance, les ruptures de canaux et les moyennes de volume de balance. REMERCIEMENTS Cette recherche est soutenue par le Ministère espagnol de la Science et de la Technologie à travers le projet SEJ2006-07701 ELON. REFERENCES Alexander S. 1961. Évolution des prix sur les marchés spéculatifs: tendances ou randonnées aléatoires. Revue de la gestion industrielle 2. 726. Allen F, Karjalainen R. 1999. Utilisation d'algorithmes génétiques pour trouver des règles commerciales techniques. Journal of Financial Economics 51. 245271. Blume L, Easley D, OHara M. 1994. Statistiques du marché et analyse technique: le rôle du volume. Journal des Finances 49. 153181. Bodie Z, Kane A, Marcus AJ. 2002. Essentiels des investissements. MacGraw-Hill: New York. Brock W, Lakonish J, LeBaron B. 1992. Des règles techniques simples et les propriétés stochastiques des rendements des stocks. Journal des Finances 47. 17311764. Brown D, Jennings R. 1989. Sur l'analyse technique. Examen des études financières 4. 527551. Chang PHK, Osler CL. 1999. Folie méthodique: analyse technique et irrationalité des prévisions de taux de change. Revue économique 109. 636661. Fama EF. 1970. Marché des capitaux efficace: revue de la théorie et du travail empirique. Journal des Finances 25. 383 417. Fama EF. 1976. Fondements des Finances. Livres de base: New York. Fama EF, Blume ME. 1966. Filtrer les règles et le marché boursier. Journal des affaires 1. 226241. Freund Y, Schapire RE. 1997. Une théorie de la décision génération d'apprentissage en ligne et l'application à la relance. Journal de l'informatique et des systèmes de sciences 55 (1): 119139.Improving les règles de négociation de moyenne mobile avec boosting et méthodes d'apprentissage statistique Lorsque vous demandez une correction, s'il vous plaît mentionner ces éléments de gérer: RePEc: jof: jforec: v: 27: y: 2008: i 5: p: 433-449. Reportez-vous aux informations générales sur la façon de corriger les données dans RePEc. Pour des questions techniques concernant cet article ou pour corriger ses auteurs, titre, résumé, information bibliographique ou de téléchargement, contactez: (Wiley-Blackwell Digital Licensing) ou (Christopher F. Baum) Si vous avez créé cet article et ne sont pas encore enregistrés RePEc, nous vous encourageons à le faire ici. Cela permet de lier votre profil à cet élément. Il vous permet également d'accepter les citations potentielles à cet article que nous sommes incertains. Si les références sont totalement absentes, vous pouvez les ajouter à l'aide de ce formulaire. Si les références complètes énumèrent un élément qui est présent dans RePEc, mais que le système n'a pas lié à celui-ci, vous pouvez aider avec ce formulaire. Si vous connaissez des éléments manquants en citant celui-ci, vous pouvez nous aider à créer ces liens en ajoutant les références pertinentes de la même manière que ci-dessus, pour chaque élément référant. Si vous êtes un auteur enregistré de cet article, vous pouvez également vérifier l'onglet de citations dans votre profil, car il peut y avoir des citations en attente de confirmation. Veuillez noter que les corrections peuvent prendre quelques semaines pour filtrer les différents services de RePEc. Plus de services Suivre la série, les revues, les auteurs et plus Nouveaux articles par courriel Abonnez-vous aux nouveautés de RePEc Enregistrement de l'auteur Profils publics pour les chercheurs en économie Divers classements de la recherche en économie et domaines connexes Qui était un étudiant dont RePEc RePEc Biblio Curated articles amp Des articles sur divers sujets économiques Téléchargez votre article pour être listé sur RePEc et IDEAS EconAcademics Blog agrégateur pour la recherche en économie Plagiat Cas de plagiat en économie Documents sur le marché du travail RePEc série de documents de travail dédiés au marché du travail Fantasy League Prétendez vous êtes à la tête d'une économie Services du StL Fed Données, recherche, apps amp plus de la Fed de St Louis
No comments:
Post a Comment