Improving Moving Average Trading Rules Boosting

Verbesserung der Moving Average Trading Regeln mit Boosting und Statistical Learning Methoden. 7 a Parameter der gleitenden mittleren Regel n 1. N 2. B. B Anzahl der gleitenden Mittelwerte (min. Das klassische Kombinieren-Vorhersageverfahren war nutzlos wegen der Singularität der beteiligten Matrizen. In Tabelle I zeigen wir mehrere statistische und ökonomische Merkmale der Prognosen, die dem prozentualen Anteil erfolgreicher Vorhersagen, der Netto-Rendite, dem idealen Profitverhältnis und dem Sharpe-Verhältnis entsprechen, das dem Zeitraum von 10 Jahren von 1993 bis 2002 entspricht Ökonomische Merkmale werden für die besten und schlechtesten gleitenden Mittelwerte (unten, in eckigen Klammern, die Längen der kurzen und langen gleitenden Mittelwerte und des Bandes dargestellt) und für alle gefilterten und nicht-gefilterten Lernmethoden, d. h. Booster-Modell (gefiltert und nicht gefiltert), das durchschnittliche Modell des Komitees (gefiltert und nicht gefiltert) und das Bayessche Modell (gefiltert und nicht filtriert). Im Folgenden wird in Klammern die Anzahl der gleitenden Durchschnittsregeln mit kleineren, gleichen oder größeren Renditen dargestellt. 2 In der letzten Zeile der Tabelle I haben wir auch die Buy-and-Hold-Strategie (BampH) gezeigt, um Vergleiche anzustellen. Die erste Spalte in Tabelle I zeigt für jede der oben genannten Prognoseverfahren die Pro - zentsätze der korrekten täglichen Prognoserichtung. Spalte 2 zeigt die Netto-Rendite, die durch eine technische Strategie auf der Grundlage der durch die Prognose gewonnenen Signale erzielt wird. Wir zeigen auch in der Klammer die Zahlen der gleitenden Durchschnittsregeln mit kleineren, gleichen oder großen Renditen. Um die Leistungsfähigkeit unserer technischen Handelsregeln auswerten zu können, haben wir in den Kolonnen 3 und 4 auch das optimale Profi - Verhältnis und die Sharpe - Ratio entsprechend den zuvor erwähnten Prognoseverfahren (unten, in Klammern, Gleitende Durchschnittsregeln mit kleinem, gleichem oder großem idealen Profi-Verhältnis bzw. Sharpe-Verhältnis dargestellt). Betrachtet man Tabelle I, so ergeben sich folgende Ergebnisse. Das einzige Modell, das die BampH-Strategie überwindet, ist das Boosting-gefilterte Modell. Die Netto-Rendite, das ideale Profi-Verhältnis und die Sharpe-Ratio der technischen Handelsregel, die durch das Boosting-gefilterte Modell geführt werden, betragen 74.00, 0.0508 bzw. 0.0508, was jede gleitende Durchschnittsregel und jede andere Lernmethode überwindet. Es überwindet sogar die Netto-Rendite, das ideale Profi-Verhältnis und das Sharpe-Verhältnis der BampH-Strategie, die 67,33, 0,0462 bzw. 0,0279 sind. Außerdem ist zu beachten, dass die Einführung des Filters die Netto-Rendite und die Gewinnquoten in den Boosting - und Bayes'schen Modellen verbessert. Trotzdem verschlechtern sich die Ergebnisse im Ausschussmodell, wenn ein Filter eingesetzt wird. Schließlich wird beobachtet, dass der maximale Prozentsatz des Vorhersage-Richtungserfolgs durch die beste gleitende Durchschnittsregel 10, 140, 3 erhalten wird, die 52.02 erfolgreich ist. Obwohl die Erfolgsraten der Vorhersage der Richtung der in Tabelle 1 angegebenen Modelle alle leicht über 50 liegen, erleben einige eine höhere Sharpe-Ratio als die BampH-Strategie, was bedeutet, dass diese Handelsregeln im Durchschnitt korrekt sind, wenn es mehr zählt . Nach der Tabelle I überwindet die durch das gefilterte Boosting-Modell erhaltene Handelsregel den besten gleitenden Durchschnitt 5, 160, 6 in bezug auf jedes wirtschaftliche Maßnahmemaß. Beachten Sie auch, dass die Modelle Boosting, Bayesian und Committee ex ante. Unterdessen wurde der beste gleitende Durchschnitt ex post erhalten, und so ist es möglich, dass seine prädiktive Macht sogar unterlegen sein könnte, wenn wir ihn in einer zukünftigen Periode ex ante verwenden. Nun wird die Ex-ante-Kapazität von gleitenden Durchschnittswerten untersucht. An dieser Stelle geht es vor allem darum, wie sich die Profitabilität und die Vorhersagekraft der gleitenden Durchschnittsregeln über die Zeit ändern. Diese Sorge steht in direktem Zusammenhang, wie Sullivan et al. (1999) weisen auf die Gefahren des Daten-Snoopings hin, die immens sind, wenn wir die beste Handelsregel auswählen, weil, wenn suffiziente Handelsregeln über die Zeit betrachtet werden, einige Regeln durch reines Glück auch in einer sehr großen Stichprobe gebunden sind, Um eine überlegene Leistung zu produzieren, auch wenn sie nicht wirklich besitzen prädiktive Macht über Asset returns. Improving Moving Average Trading Regeln mit Boosting und Statistical Learning Methoden. 2 Obwohl es sich hierbei um die Kombination der klassischen technischen Handelsregeln durch statistische Lernmethoden handelt, ist zu betonen, dass es zahlreiche Versuche gab, die technischen Handelsregeln zu verbessern und neue zu schaffen. In diesem Sinne sind ua Genay (1999) und Allen und Karjalainen (1999) herausragend. So betrachtet Genay (1999) neue Handelsregeln auf der Grundlage nichtparametrischer Modelle, die die Gesamtrendite einer Anlagestrategie maximieren. Die optimale Auswahl der nächsten Nachbarn, die optimale Anzahl von verborgenen Einheiten in einem Feedforward-Netzwerk und die optimale Größe des Trainingssets werden durch das Cross-Validierungsverfahren bestimmt, das den mittleren quadratischen Fehler minimiert. Ein weiteres bekanntes Papier für neue technische Handelsregeln ist Allen und Karjalainen (1999), die mit Hilfe eines genetischen Algorithmus optimale technische Handelsregeln erlernten. Schließlich wurde in einer kürzlich erschienenen Arbeit von Sullivan et al. Die Probleme der Auswahl von optimalen Handelsregeln in der Probe hervorgehoben. (1999), dass die Gefahren des Daten-Snooping immens sind, wenn wir die beste Handelsregel auswählen. Nach Sullivan et al. (1999) werden, wenn genügend Handelsregeln über die Zeit betrachtet werden, einige Regeln durch reines Glück sogar in einer sehr großen Stichprobe gebunden, um eine überlegene Leistung zu erzeugen, selbst wenn sie nicht wirklich eine prädiktive Macht über die Vermögensrückkehr besitzen. Somit können die Effekte solcher Daten-Snooping nur quantifiziert werden, wenn man die Leistung der besten Handelsregel im Kontext des vollen Universums der Handelsregeln berücksichtigt, aus denen die beste Regel denkbar gewählt wurde. Unsere Forschung geht in die entgegengesetzte Richtung, um technische Handelsregeln zu optimieren, denn wir suchen, wie man die bestehenden durch die Förderung und Modell-Mittelung Techniken zu kombinieren. Als Überprüfung ist unser Papier doppelter Zweck. Auf der einen Seite, da es zahlreiche technische Handelsregeln mit unterschiedlichen Erfolgsgraden gibt, versuchen wir, die Mismatching zu vermeiden, die zwischen den verschiedenen Handelsregeln bestehen und eine neue Regel vorsehen, die in der Lage ist, alle von jeder Regel bereitgestellten Informationen zu nutzen Erfolgreiche Informationen als erfolglose Informationen unter Verwendung statistischer Lernmethoden. Andererseits reduzieren wir durch Kombinieren der prädiktiven Informationen eines breiten Regelwerks auch die durch die willkürliche Auswahl der Parameter in technischen Handelsregeln eingeführte Daten-Snooping-Bias, wodurch das Element der Subjektivität vermieden wird, das dieses Verfahren einschließt. STATISTISCHE LERNMETHODEN Genau wie ein Komitee vielfältiger Menschen tendenziell bessere Entscheidungen trifft als jedes einzelne Individuum, tendiert ein Ensemble aus verschiedenen, aber leistungsstarken Modellen dazu, besser zu sein als ein einziges Modell. Statistische Lernmethoden sind Algorithmen, die einen Satz von Klassifikatoren konstruieren und dann neue Datenpunkte klassifizieren, indem sie eine (gewichtete) Stimme ihrer Prognosen nehmen (vgl. Hastie et al., 2001). Die ursprüngliche statistische Methode ist die Bayessche Mittelung, aber es wurden neuere Algorithmen entwickelt. In diesem Abschnitt werden die populärsten statistischen Lernmethoden wie Boosting, Bayes-Modell-Mittelwertbildung und Komitee-Methode beschrieben, die verwendet werden, um die technischen Voraussagen zu kombinieren und so die Leistungsfähigkeit der einzelnen Handelsregeln zu verbessern. Das Boosting-Verfahren Boosting ist ein allgemeines Verfahren, das versucht, die Genauigkeit eines Satzes von kategorischen Klassifizierungssystemen (oder Prognosen allgemein) zu erhöhen, die zu einer der mächtigsten Ideen über Lernalgorithmen werden. Es wurde von Freund und Schapire (1997) eingeführt. Boosting befasst sich mit dem allgemeinen Problem, eine sehr genaue Vorhersageregel zu erzeugen, indem grobe und mäßig ungenaue Prognosen kombiniert werden. Eine der populärsten Versionen des Boosting ist der AdaBoost. M1-Algorithmus, bekannt als Discrete AdaBoost, aufgrund von Freund und Schapire (1997). Um einen Überblick über diesen Verstärkungsalgorithmus zu geben, betrachten wir ein Zweiklassenproblem, bei dem die Ausgangsvariable als codiert wird. Ein Klassifikator h (x) ist eine Funktion, die eine Vorhersage unter einem der beiden Werte erzeugt, wobei x ein Satz von Prädiktorvariablen ist. Verbessern der gleitenden durchschnittlichen Handelsregeln mit steigenden und statistischen Lernmethoden Wenn Sie eine Korrektur anfordern, erwähnen Sie bitte diese Punkte Griff: RePEc: jof: jforec: v: 27: y: 2008: i: 5: p: 433-449. Siehe allgemeine Informationen zur Korrektur von Material in RePEc. Für technische Fragen zu diesem Artikel oder zur Korrektur der Autoren, Titel, Zusammenfassung, Bibliographie oder Download-Informationen wenden Sie sich an: (Wiley-Blackwell Digital Licensing) oder (Christopher F. Baum) Wenn Sie diesen Artikel verfasst haben und noch nicht registriert sind RePEc, wir ermutigen Sie, es hier zu tun. Dadurch können Sie Ihr Profil mit diesem Element verknüpfen. Es erlaubt Ihnen auch, potenzielle Zitate zu diesem Punkt zu akzeptieren, dass wir uns unsicher sind. Wenn Referenzen vollständig fehlen, können Sie sie über dieses Formular hinzufügen. Wenn die vollständigen Referenzen ein Element auflisten, das in RePEc vorhanden ist, aber das System nicht mit ihm verknüpft ist, können Sie mit diesem Formular helfen. Wenn Sie über fehlende Elemente wissen, können Sie uns helfen, diese Links zu erstellen, indem Sie die entsprechenden Referenzen in der gleichen Weise wie oben hinzufügen. Wenn Sie ein registrierter Autor dieses Artikels sind, können Sie auch die Registerkarte Zitate in Ihrem Profil überprüfen, da es einige Zitate gibt, die auf die Bestätigung warten. Bitte beachten Sie, dass Korrekturen einige Wochen dauern können, um die verschiedenen RePEc-Dienste zu filtern. Mehr Leistungen Folgen Serien, Zeitschriften, Autoren amp mehr Neue Papiere per E-Mail Neuzugänge zu RePEc abonnieren Autor-Registrierung Öffentliche Profile für Wirtschaftswissenschaftler Verschiedene Rankings der Forschung in Wirtschaftswissenschaften amp verwandte Bereiche Wer war ein Student von wem, mit RePEc RePEc Biblio Kuratierte Artikel amp Papiere verschiedene Ökonomie-Themen Hochladen Sie Ihr Papier auf RePEc und IDEAS EconAcademics Blog-Aggregator für die Ökonomie Forschung Plagiat Fall Plagiat in Ökonomie Job-Marktpapiere RePEc Arbeitspapier-Serie auf dem Arbeitsmarkt Fantasy League Vorgeben Sie sind an der Spitze einer Volkswirtschaft Abteilung Services von den StL-Fed-Daten, Forschung, apps amp mehr von der St. Louis Fed