Verbesserung der Moving Average Trading Regeln mit Boosting und Statistical Learning Methoden. 12 SCHLUSSFOLGERUNGEN In dieser Studie haben wir ein System zur Kombination der verschiedenen Arten von Vorhersagen, die durch eine breite Kategorie von mechanischen Handelsregeln durch statistische Lernmethoden wie Boosting und mehrere Modell-Mittelungsmethoden wie Bayesian oder Committee (einfache Mittelung Methoden). Das klassische Kombinieren-Vorhersageverfahren war nutzlos wegen der Singularität der beteiligten Matrizen. Darüber hinaus haben wir, um kostspielige überaktive technische Handelsregeln aus der Förderung und den anderen Lernmethoden zu vermeiden, einen Filter eingeführt, der niedrig abgestimmte Kauf - oder Verkaufssignale verwertet. Die Idee, einen Filter zu verwenden, um die Handelsfrequenz zu reduzieren und höhere Erträge zu erzielen, ist in Finanzen sehr alt, und der Erfolg der Filter würde die Existenz einiger systematischer Trends in den Preisen rechtfertigen, die nicht durch das Zufallsmodell erklärt werden. Wir haben eine Stichprobe aus 10 Jahresperioden von 1993 bis 2002 im NYSE Composite Index betrachtet. Um unsere Arbeit einer tieferen ökonomischen Motivation zu verleihen, die ihre Transzendenz und Anwendungen nahelegen könnte, haben wir unser Experiment in zwei speziellen aufsteigenden und fallenden Teilproben wiederholt. Der erste war der aufsteigende Teilzeitraum bis zum 1. September 2000. Der zweite war der fallende Teilzeitraum nach dem 1. September 2000. Unsere erste Schlussfolgerung ist, dass im Allgemeinen Verbesserungen mit einem Filter nicht für alle statistischen Lernmethoden und - Mit Ausnahme des gefilterten Boosting-Modells, das immer die nicht-gefilterte Boostung überwindet. Das gefilterte Boosting-Modell überwindet auch den Rest der gefilterten und nicht-gefilterten Lernmethoden in allen untersuchten Zeiträumen mit Ausnahme der Aufstiegszeit von 1993 bis zum 1. September 2000. In kurzen Zeitabschnitten sind einige individuelle gleitende Durchschnittsregeln enthalten Könnte mehr profi Tabelle als das gefilterte Boosting Modell sein, aber dieses Ergebnis invertiert für längere Zeiträume. Unsere Ergebnisse deuten daher darauf hin, dass das gefilterte Boosting-Modell bessere statistische und ökonomische Out-of-Sample-Ergebnisse liefert als die meisten einzelnen gleitenden Durchschnittsregeln in 10 Jahren, von 1993 bis 2002 im NYSE Composite Index. Wenn wir die gesamte 10-Jahres-Periode betrachten, überwindet das gefilterte Boosting-Modell den besten gleitenden Durchschnitt in Bezug auf mehrere betrachtete statistische und ökonomische Maßnahmen. Darüber hinaus verbessert das gefilterte Boosting-Modell die Netto-Rendite der BampH-Strategie und ihrer Sharpe-Ratio erheblich. Durch die Kombination der prädiktiven Informationen eines breiten Satzes von Regeln reduzieren wir auch die Daten-Snooping-Bias, die durch die willkürliche Auswahl von Parametern in den technischen Handelsregeln eingeführt werden, wodurch das Element der Subjektivität, das dieses Verfahren beinhaltet, vermieden wird. Außerdem haben die gleitenden Durchschnitte eine bedingte Vorhersagekraft, und ihre Fähigkeit, positive Renditen zu erhalten, könnte zeitlich variieren. Somit könnte die beste gleitende Durchschnittsregel des jetzigen Jahres im folgenden Jahr schlecht sein, da es unmöglich ist, a priori festzustellen, welche die besten Regeln sind. Daher sind die Boosting - und andere Lernmethoden in der Lage, die Vorhersagefehlanpassung zu verhindern, die zwischen den verschiedenen technischen Handelsregeln besteht und neue Regeln bietet, die alle für eine breite Kategorie von Regeln angebotenen Informationen nutzen können. Während des gesamten analysierten Zeitraums (19932002) zeigte der gefilterte Boosting-Algorithmus eine hohe Fähigkeit, die prädiktiven Informationen so gut wie möglich von guten Regeln zu erhalten, wie von schlecht bewegten Durchschnittsregeln, die robuster und profiotisch als jede gleitende Durchschnittsregel für lange Zeitspannen sind . Während der Periode allgemeiner Aufstiege (bis zum 1. September 2000) konnte weder die statistische Lernmethode noch die gleitende durchschnittliche Handelsregel eine höhere Rendite erzielen als die Rendite der BampH-Strategie. In diesem Teilzeitraum wurde das beste Ideal-Profi-Verhältnis auch durch die BampH-Strategie erhalten, und das beste Sharpe-Verhältnis wurde durch den gleitenden Durchschnitt 10, 90, 2, gefolgt von der BampH-Strategie, erhalten. Die Verbesserung der durchschnittlichen Handelsregeln mit Boosting und Statistical Learning Verfahren. 11 Anzahl der gleitenden Mittelwerte (mind. War 74,58 und die Netto-Rendite, die dem gefilterten Boosting-Modell entsprach, betrug 69,80. Beachten Sie auch, dass die Strategien, die durch das Filtrieren der statistischen Lernmethoden in der aufsteigenden Teilperiode erhalten werden, schlechter werden als die nicht-gefilterten Strategien, mit Ausnahme des Verstärkungsmodells. In dieser aufsteigenden Teilperiode wird das Sharpe-Verhältnis der BampH-Strategie (0,0631) nur durch den besten gleitenden Durchschnitt, dessen Sharpe-Verhältnis (0,0657) ist, überwunden. Außerdem wurde durch die BampH-Strategie das beste ideale Profi-Verhältnis (0,1075) erhalten. Diese Ergebnisse, die die Vorherrschaft der BampH-Strategie über alle Lernmethoden während einer steigenden Marktperiode signalisieren, sind nicht merkwürdig. Dennoch, wie wir in Tabelle IV sehen können, war das Verhalten der technischen Handelsregeln, die auf den Lernmethoden beruhten, das ganze Gegenteil während der Fallunterseite. Somit überwanden alle Lernmethoden die Rückkehr der BampH-Strategie, insbesondere das gefilterte Boosting-Modell. In der Zeit vom 2. September 2000 bis zum 31. Dezember 2002 betrug die Rückkehr der BampH-Strategie 35,92; die Netto-Rendite des gefilterten Booster-Modells betrug 12,47, was die anderen statistischen Lernmethoden überwindet (21,85 für das gefilterte Komitee und 14,59 für das fi Ltered Bayesian Modell) soviel wie das beste gleitende Durchschnittmodell (13.19). Andererseits ist das Sharpe-Verhältnis des gefilterten Boosting-Modells (0,0224) höher als das von BampH (0,0485) und viel höher als das Sharpe-Verhältnis des gefilterten Komitees (0,0919) und des gefilterten Bayesschen Modells (0,0618) . Dasselbe geschieht mit dem idealen Profi-Verhältnis, was 0,0249 für das gefilterte Boosting-Modell ist, während es 0,0718 für die BampH-Strategie ist. Obwohl das gefilterte Boosting-Modell nicht in der Lage ist, die BampH-Strategie während steigender Perioden zu überwinden (Tabelle III), zeigen die erhaltenen Ergebnisse (Tabellen I und IV), dass das gefilterte Boosting-Modell einen beträchtlichen Teil der Stürze absorbieren kann auf dem Markt. 169, 2017. , (Wort). Aufrechtzuerhalten.
No comments:
Post a Comment