Implementierungs Trading Strategien Für Prognose Modelle

Es gibt eine große Anzahl von Literatur über den Erfolg der Anwendung von evolutionären Algorithmen im Allgemeinen und den genetischen Algorithmus insbesondere auf die Finanzmärkte. Jedoch fühle ich mich unwohl, wenn ich diese Literatur lese. Genetische Algorithmen können die vorhandenen Daten mit überbinden So viele Kombinationen, es ist leicht zu kommen mit ein paar Regeln, die Arbeit Es kann nicht robust sein und es doesn t eine konsequente Erklärung, warum diese Regel funktioniert und diese Regeln don t jenseits der bloßen kreisförmigen Argument, dass es funktioniert, weil die Prüfung Zeigt es funktioniert. Was ist der aktuelle Konsens über die Anwendung der genetischen Algorithmus in Finance. asked Feb 18 11 um 9 00.I ve arbeitete an einem Hedge-Fonds, der GA-abgeleiteten Strategien erlaubt Für die Sicherheit, es erfordert, dass alle Modelle eingereicht werden Lange vor der Produktion, um sicherzustellen, dass sie noch in den Backtests gearbeitet So konnte es eine Verzögerung von bis zu mehreren Monaten, bevor ein Modell erlaubt werden zu laufen. Es ist auch hilfreich, um die Probe Universum zu trennen, verwenden Sie eine zufällige Hälfte der möglichen Aktien Für die GA-Analyse und die andere Hälfte für die Bestätigung Backtests. Ich, die ein anderer Prozess als Sie verwenden würde, bevor Sie vertrauen auf eine andere Trading-Strategie Wenn ja, ist es nicht klar, was Sie von der Herstellung eines GA-Modell mit Daten zur Zeit t, dann Testen bis t N vor dem Vertrauen, versus mit Daten auf Zeit tN, Testen von tN auf t, und verwenden Sie es sofort Darren Cook 23 November 11 um 2 08. DarrenCook ein Problem, das ich sehe, ist, dass, wenn Sie von tN zu t testen und finden Es funktioniert nicht gut, dann wirst du ein anderes Modell erstellen, das auf dem gleichen Zeitpaket getestet wird tN to t ad infinitum Das führt die Wahrscheinlichkeit von Meta-Überlagerung während des Modellerstellungsprozesses ein Chan-Ho Suh Jul 22 15 um 5 24.Regarding Data-Snooping, wenn ein GA korrekt implementiert ist, sollte das nicht ein Anliegen sein. Mutationsfunktionen sind spezifisch eingeschlossen, um zufällig durch den Problemraum zu suchen und Daten zu vermeiden, die Snooping sind. Das heißt, das Finden der richtigen Mutationsstufen kann etwas von einem sein Kunst und wenn die Mutationsstufen zu niedrig sind, dann ist es so, als ob die Funktion nicht in erster Linie implementiert wurde. BioinformatikGal Apr 6 11 bei 16 28. BoinformaticsGal Ich verstehe nicht, wie die Einbeziehung von Mutationsfunktionen es uns ermöglicht, Daten zu vermeiden, die Snooping nach Die Suche, da sa Fitness-Funktion, die jede Generation passt die Daten immer mehr Oder bin ich nicht verstehen Sie richtig Vishal Belsare Sep 15 11 um 18 05.Es gibt viele Leute hier darüber, wie GAs sind empirisch, don t haben theoretische Grundlagen , Sind Black-Boxen, und dergleichen, die ich anfange zu unterscheiden Es gibt einen ganzen Zweig der Ökonomie gewidmet, um die Märkte in Bezug auf evolutionäre Metaphern Evolutionäre Ökonomie zu betrachten. Ich empfehle das Dopfer Buch, Die Evolutionären Grundlagen der Ökonomie als Intro. If Ihre philosophische Ansicht ist, dass der Markt im Grunde ein riesiges Casino oder Spiel ist, dann ist ein GA einfach eine Black-Box und hat keine theoretische Grundlage Doch wenn Ihre Philosophie ist, dass der Markt ein Überleben-of-the-fittest ist Ökologie, dann haben GA s viele theoretische Grundlagen, und es ist vollkommen vernünftig, Dinge wie Corporate Speziation, Markt Ökologie, Portfolio Genome, Handelsklima und die like. answered Apr 5 11 bei 15 42 zu diskutieren. Kurzfristige Skalen ist es Mehr ein Kasino Wie die Natur, in der Tat quantdev Apr 5 11 bei 20 46. quantdev, das Problem mit diesem ist, dass GA - wie alle anderen quantitativen Methoden - nur mit kurzen Zeitskalen funktioniert, wenn ich mich nicht irren Also, wenn Börse Ist eher wie ein Aktienmarkt, dann wäre GA völlig unbrauchbar Graviton Apr 6 11 bei 8 56. Graviton Es gibt keinen inhärenten Grund, warum man nicht ein GA programmieren kann, um die Analyse zu längeren Zeitspannen zu tun. Der Zeitbereich eines GA wird gemessen Generationen, nicht Jahre oder Tage So müsste man einfach eine Population definieren, die Personen enthält, deren Generationen Jahre oder Jahrzehnte lang sind, dh Konzerne Es gibt definitiv eine Arbeit, die sich an die Definition von Unternehmensgenomen durch ihre Produktionsprozesse nähert. In einem solchen Modell würde man optimieren Für ein effizientes Unternehmens-Geschäftsmodell, angesichts eines bestimmten Marktklimas Es ist kein Aktienkurs-Portfolio-Modell, aber BioinformaticsGal Apr 6 11 bei 15 12.Assuming Sie vermeiden Daten-Snooping Bias und alle potenziellen Fallstricke der Verwendung der Vergangenheit, um die Zukunft vorauszusagen , Vertrauenswürdige genetische Algorithmen, um die richtige Lösung zu finden, rasch auf die gleiche Wette, die Sie machen, wenn Sie aktiv ein Portfolio verwalten, ob quantitativ oder diskretionär Wenn Sie an die Effizienz des Marktes glauben, dann steigern Sie Ihre Transaktionskosten von aktivem Management ist unlogisch Wenn, aber Sie Glaube, es gibt strukturelle psychologische Muster oder Mängel, die ausgenutzt werden sollen und die Auszahlung ist die Zeit und das Geld für die Erforschung und Umsetzung einer Strategie die logische Wahl ist aktives Management. Running eine GA abgeleitet Strategie ist eine implizite Wette gegen Markt-Effizienz Sie im Grunde sagen, ich Denke, es gibt falsche Bewertungen, die aus irgendeinem Grund Massen von irrationalen Menschen, Investmentfonds Hüten wegen der falsch ausgerichteten Anreize, etc. und laufen diese GA können diese Masse von Daten aus Weg schneller als ich kann. answered Feb 18 11 um 15 49. Manuelles Management eines aktiven Portfolios beinhaltet die Nutzung aller Informationen, die wir haben und eine logische Schlussfolgerung über den Markt ableiten und dann Strategien auf sie ausführen Dies ist eine rationale Aktivität OTOH, mit GA ist mit einem Black-Box-Tool können wir das Ergebnis erklären Abgeleitet von ihm aus irgendwelchen akzeptierten Prinzipien Ich bin nicht allzu sicher, ob diese beiden wirklich das gleiche Graviton sind. Feb 11, 11 at 15 57. Graviton Ja, aber betrachten die Ähnlichkeiten zwischen GAs und wie wir Menschen über Märkte lernen, Strategien entwickeln, aus Fehlern lernen , Und an die sich wandelnden Marktbedingungen anzupassen Wenn Sie untersuchen, welche Gewinne und Verluste Aktien gemeinsam haben oder welche Volumen - und Preismuster gute Trades schaffen oder welches Modell für die Bewertung von Derivaten am genauesten ist, was Sie tun, ist das Data-Mining der Vergangenheit Ein Weg Wenn Marktbedingungen ändern Sie entweder handeln neue Strategien oder schließlich aus dem Geschäft Wenn es ausnutzbare Kanten auf dem Markt dann der einzige Unterschied zwischen Ihnen und einem GA ist Joshua Chance 18. Februar 11 um 16 46. Graviton in einem sehr breiten Sinn Ist, dass Sie eine Erzählung haben, eine Geschichte, um mit Ihrer Strategie zu gehen Us Menschen riskieren, ein scheinbar wiederkehrendes Muster zu finden und dann zu rationalisieren und eine Erzählung GAs Risiko die gleiche Sache, nur ihr potenziell falsches Modell doesn t verwenden Wörter, sie verwenden Mathe Und Logik Joshua Chance Feb 18 11 bei 16 54. Die späte Thomas Cover wahrscheinlich die führende Information Theoretiker seiner Generation, als universelle Ansätze für Dinge wie Datenkomprimierung und Portfolio-Zuweisungen als echte genetische Algorithmen. Evolution hat keine Parameter zu passen oder zu trainieren Warum sollte Echte genetische Algorithmen. Universale Ansätze machen keine Annahmen über die zugrunde liegende Verteilung von Daten Sie machen keinen Versuch, die Zukunft von Mustern oder etwas anderes vorherzusagen. Die theoretische Effektivität der universellen Ansätze, die sie bedeutende Implementierungsherausforderungen sehen, sehen meine aktuelle Frage Geometrie für Universal Portfolios folgen aus Sie tun, was Evolution verlangt Die schnellste, klügste oder stärkste don t zwangsläufig in der nächsten Generation überleben Evolution begünstigt, dass Gen, Organismus, Meme, Portfolio oder Datenkompression Algorithmus positioniert, um am leichtesten anzupassen, was auch immer passiert. Auch, weil diese Ansätze Machen Sie keine Annahmen und operieren nicht parametrisch, man kann alle Tests auch bei allen historischen Daten als Out-of-Probe betrachten. Sicherlich haben sie Einschränkungen, Sicherlich können sie für jede Art ein Problem arbeiten, das wir in unserem Bereich haben, Aber gee, was für eine interessante Art, über die Dinge nachzudenken. derwerted 14. Juli 13 um 15 42. Nun, das Ziel eines genetischen Algo ist es, die beste Lösung zu finden, ohne alle möglichen Szenarien durchzugehen, weil es zu lange so sein würde Kurs ist es Kurvenanpassung, das ist das Ziel. answered Mar 6 11 bei 20 40. Aber es ist ein signifikanter Unterschied zwischen der Überfüllung der Probe schlecht und passt die Bevölkerung gut Das ist der Grund, warum viele schlagen Sie Cross-Validierung Ihrer Algorithmus mit out-of - sample testen Joshua Jul 17 13 at 2 34.Ihr Antwort.2017 Stack Exchange, Inc. ARIMA GARCH Trading-Strategie auf dem S P500 Stock Market Index Mit R. In diesem Artikel möchte ich Ihnen zeigen, wie Sie alle gewonnenen Erkenntnisse anwenden In der vorherigen Zeitreihe Analyse Beiträge zu einer Handelsstrategie auf dem S P500 US Börsenindex. Wir werden sehen, dass durch die Kombination der ARIMA und GARCH Modelle können wir deutlich übertreffen ein Buy-and-Hold-Ansatz über die langfristige. Strategie Übersicht. Die Idee der Strategie ist relativ einfach, aber wenn Sie mit ihm experimentieren möchten, schlage ich vor, die vorherigen Beiträge auf Zeitreihenanalyse zu lesen, um zu verstehen, was Sie ändern würden. Die Strategie wird auf einer rollenden Basis durchgeführt. Für jeden Tag , N, die vorherigen k Tage der differenzierten logarithmischen Renditen eines Börsenindexes werden als Fenster für die Anpassung eines optimalen ARIMA - und GARCH-Modells verwendet. Das kombinierte Modell wird verwendet, um eine Vorhersage für den nächsten Tag zurückzugeben. Wenn die Vorhersage ist Negativ ist die Aktie bei der vorherigen Schließung kurzgeschlossen, während, wenn es positiv ist, ist es sehnsüchtig. Wenn die Vorhersage die gleiche Richtung wie der vorherige Tag ist, dann ist nichts geändert. Für diese Strategie habe ich die maximal verfügbaren Daten von Yahoo Finance für die verwendet S P500 habe ich k 500 genommen, aber das ist ein Parameter, der optimiert werden kann, um die Leistung zu verbessern oder den Drawdown zu reduzieren. Der Backtest wird in einer geradlinig vektorisierten Weise mit R ausgeführt. Es wurde nicht im Python Event-driven Backtester implementiert Dennoch ist die Leistung, die in einem echten Handelssystem erreicht wird, wahrscheinlich etwas weniger, als Sie hier erreichen könnten, aufgrund von Provision und Schlupf. Strategie Implementierung. Um die Strategie zu implementieren, werden wir einige der Code verwenden, die wir zuvor in der Zeitreihenanalyse Artikelreihe sowie einige neue Bibliotheken einschließlich Rugarch, die mir von Ilya Kipnis bei QuantStrat Trader vorgeschlagen worden ist. Ich werde die Syntax in einer Schritt-für-Schritt-Mode durchlaufen und dann die volle Implementierung am Ende präsentieren , Sowie eine Verknüpfung zu meinem Datensatz für den ARIMA GARCH Indikator Ich habe das letztere eingeschlossen, weil es mich ein paar Tage auf meinem dekstop PC genommen hat, um die Signale zu erzeugen. Du solltest in der Lage sein, meine Ergebnisse in vollem Umfang als Code zu replizieren Selbst ist nicht zu komplex, obwohl es einige Zeit dauert, um zu simulieren, wenn man es in vollem Umfang durchführt. Die erste Aufgabe besteht darin, die notwendigen Bibliotheken in R. zu installieren und zu importieren. Wenn du bereits die Bibliotheken installiert hast, kannst du sie einfach importieren Dass getan werden die Strategie auf die S P500 anwenden Wir können quantmod verwenden, um Daten zu erhalten, die zurück zu 1950 für den Index Yahoo Finance verwendet das Symbol GPSC. We können dann die differenzierten logarithmischen Rückkehr des Schlusskurses des S P500 und Streifen Sie den anfänglichen NA-Wert aus. Wir müssen einen Vektor erstellen, prognostiziert, um unsere Prognosewerte auf bestimmte Termine zu speichern. Wir legen die Länge voraus, um gleich der Länge der Handelsdaten zu sein, die wir minus k haben, die Fensterlänge. In diesem Stadium sind wir Müssen jeden Tag in den Handelsdaten durchlaufen und ein passendes ARIMA - und GARCH-Modell an das Rollfenster der Länge k anpassen. Da wir 24 separate ARIMA-Passungen ausprobieren und ein GARCH-Modell passen, kann der Indikator für jeden Tag lange dauern Zu generieren. Wir verwenden den Index d als Looping Variable und Loop von k auf die Länge der Trading Daten. Wir erstellen dann das Rolling-Fenster, indem Sie die S P500 Rückkehr und die Auswahl der Werte zwischen 1 d und kd, wobei k 500 für Diese Strategie. Wir verwenden das gleiche Verfahren wie im ARIMA-Artikel, um alle ARMA-Modelle mit p in und q zu durchsuchen, mit Ausnahme von p, q 0.Wir wickeln den arimaFit-Aufruf in einem R tryCatch-Ausnahmebehandlungsblock ein, um sicherzustellen, dass Wenn wir nicht für einen bestimmten Wert von p und q passen, ignorieren wir ihn und gehen auf die nächste Kombination von p und q. Hinweis, dass wir den integrierten Wert von d 0 setzen, das ist ein anderer d zu unserem Indexparameter Und als solche sind wir wirklich passend ein ARMA-Modell anstatt ein ARIMA. Die Schleife Verfahren wird uns mit dem passenden ARMA-Modell, in Bezug auf die Akaike Information Criterion, die wir dann verwenden können, um in unserem GARCH-Modell zu versorgen Der nächste Codeblock wir die Rugarch-Bibliothek mit dem GARCH 1,1-Modell verwenden Die Syntax dafür erfordert, dass wir ein ugarchspec-Spezifikationsobjekt aufbauen, das ein Modell für die Varianz und den Mittelwert enthält. Die Varianz erhält die GARCH 1, 1 Modell, während der Mittelwert ein ARMA p, q Modell, wo p und q gewählt werden, wählen wir auch die sged Verteilung für die Fehler. Wenn wir die Spezifikation gewählt haben, führen wir die tatsächliche Anpassung von ARMA GARCH mit dem Befehl ugarchfit, Die das Spezifikationsobjekt übernimmt, die k Rückkehr des S P500 und einen numerischen Optimierungslöser Wir haben gewählt, Hybrid zu verwenden, der verschiedene Löser versucht, um die Wahrscheinlichkeit der Konvergenz zu erhöhen. Wenn das GARCH-Modell nicht konvergiert, dann setzen wir einfach den Tag Um eine lange Vorhersage zu erzeugen, die eindeutig eine Vermutung ist. Wenn jedoch das Modell konvergiert, dann geben wir das Datum und die morgige Vorhersagerichtung 1 oder -1 als String aus, an welcher Stelle die Schleife geschlossen ist. Um die Ausgabe vorzubereiten Für die CSV-Datei habe ich einen String erstellt, der die Daten enthält, die durch ein Komma mit der Prognoserichtung für den darauffolgenden Tag getrennt sind. Der vorletzte Schritt besteht darin, die CSV-Datei auf die Festplatte auszugeben. Dies ermöglicht es uns, das Kennzeichen zu nehmen und es in einem alternativen Backtesting zu verwenden Software für weitere Analyse, wenn dies gewünscht wird. Jedoch gibt es ein kleines Problem mit der CSV-Datei, wie es jetzt steht Die Datei enthält eine Liste der Daten und eine Vorhersage für die morgige Richtung Wenn wir diese in den Backtest-Code unten laden würde Wie es steht, würden wir tatsächlich eine Vor-Ort-Vorspannung einführen, weil der Vorhersagewert Daten darstellen würde, die zum Zeitpunkt der Vorhersage nicht bekannt sind. Um dies zu erklären, müssen wir einfach den vorhergesagten Wert um einen Tag vorwärts bewegen, den ich gefunden habe Dies ist einfacher mit Python Da ich nicht annehmen möchte, dass du irgendwelche speziellen Bibliotheken wie Pandas installiert hast, habe ich es auf reine Python gehalten. Hier ist das kurze Skript, das dieses Verfahren ausführt. Vergewissern Sie sich, es in der Das gleiche Verzeichnis wie die Datei. Zu diesem Punkt haben wir jetzt die korrigierte Indikatordatei gespeichert in Da dies eine erhebliche Zeitspanne benötigt, um zu berechnen, habe ich die volle Datei hier für Sie heruntergeladen, um sich selbst herunterzuladen. Strategie Ergebnisse. Jetzt haben wir generiert Unsere Indikator-CSV-Datei müssen wir ihre Leistung mit Buy Hold vergleichen. Wir lesen zunächst den Indikator aus der CSV-Datei und speichern ihn als spArimaGarch. Wir erstellen dann einen Schnittpunkt der Daten für die ARIMA GARCH Prognosen und den ursprünglichen Satz von Renditen aus Die S P500 Wir können dann die Renditen für die ARIMA GARCH Strategie berechnen, indem wir das Prognosezeichen multiplizieren oder - mit der Rückgabe selbst. Wenn wir die Rendite aus der ARIMA GARCH Strategie haben, können wir Eigenkapitalkurven sowohl für das ARIMA GARCH Modell als auch für die Buy Hold erstellen Schließlich kombinieren wir sie zu einer einzigen Datenstruktur. Schließlich können wir den xyplot-Befehl verwenden, um beide Eigenkapitalkurven auf demselben Grundstück zu zeichnen. Die Aktienkurve bis zum 6. Oktober 2015 ist wie folgt. Equity-Kurve der ARIMA GARCH-Strategie vs Buy Hold Für die S P500 von 1952. Sie können sehen, über einen Zeitraum von 65 Jahren, die ARIMA GARCH Strategie hat deutlich übertroffen Buy Hold Allerdings können Sie auch sehen, dass die Mehrheit der Gewinn zwischen 1970 und 1980 aufgetreten ist Beachten Sie, dass die Volatilität der Kurve ist bis Anfang der 80er Jahre sehr gering, an welchem ​​Punkt die Volatilität deutlich ansteigt und die durchschnittlichen Renditen weniger beeindruckend sind. Die Eigenkapitalkurve verspricht eine große Performance über den gesamten Zeitraum. Allerdings wäre diese Strategie wirklich handelbar S betrachte die Tatsache, dass das ARMA-Modell erst 1951 veröffentlicht wurde. Es war nicht so weit verbreitet bis in die 1970er Jahre, als Box Jenkins es in ihrem Buch besprach. Zweitens wurde das ARCH-Modell erst in den frühen 80er Jahren von Engle entdeckt GARCH selbst wurde von Bollerslev im Jahr 1986 veröffentlicht. Drittens wurde dieser Backtest tatsächlich auf einem Börsenindex und kein physisch handelsfähiges Instrument durchgeführt. Um Zugang zu einem solchen Index zu erhalten, wäre es notwendig gewesen, S P500 Futures zu handeln Oder eine Replik Exchange Traded Fund ETF wie SPDR. Hence ist es wirklich so angemessen, solche Modelle auf eine historische Serie vor ihrer Erfindung anzuwenden Eine Alternative ist es, die Anwendung der Modelle auf neuere Daten In der Tat können wir die Leistung in betrachten Die letzten zehn Jahre, vom 1. Januar 2005 bis heute. Equity Kurve der ARIMA GARCH Strategie vs Buy Hold für die S P500 von 2005 bis heute. Sie können sehen, die Eigenkapitalkurve bleibt unterhalb einer Buy Hold-Strategie für fast 3 Jahre, aber während Der Börsencrash von 2008 2009 macht es außerordentlich gut Das macht Sinn, denn es wird wahrscheinlich eine signifikante serielle Korrelation in diesem Zeitraum und wird es von den ARIMA - und GARCH-Modellen gut erfasst werden. Sobald sich der Markt nach 2009 erholt hat und in was kommt Schaut, um mehr ein stochastischer Trend zu sein, die Modellleistung beginnt wieder zu leiden. Hinweis, dass diese Strategie leicht auf verschiedene Börsenindizes, Aktien oder andere Assetklassen angewendet werden kann Ich ermutige Sie dringend, zu versuchen, andere Instrumente zu erforschen, wie Sie erhalten können Wesentliche Verbesserungen an den hier vorgestellten Ergebnissen. Wenn wir uns mit der Besprechung der ARIMA - und GARCH-Modellfamilie beschäftigt haben, möchte ich die Zeitreihenanalyse unter Berücksichtigung von Langzeit-Prozesse, Zustandsraummodellen und kointegrierten Zeitreihen fortsetzen. Diese Folgebereiche Von Zeitreihen werden uns vorstellen, Modelle, die unsere Prognosen über die I ve hier vorstellen können, die deutlich erhöhen unsere Handels-Rentabilität und oder reduzieren Risiko. Hier ist die vollständige Auflistung für die Indikator-Generation, Backtesting und Plotten. Und die Python-Code Um sich zu bewerben, bevor reimporting. Just Getting Started mit quantitativen Trading. Implementing Trading-Strategien für Prognose Modelle. Zitate Zitate 7.Referenzen Referenzen 7.It wurde seitdem in vielen Studien verwendet, um die täglichen Aktienkursbewegungen vorherzusagen und wurde gezeigt, um neuronale übertreffen Netzwerke Tay und Cao, 2001 Kim, 2003 Huang et al 2005 Chen und Shih, 2006 Eine Vielzahl von anderen maschinellen Lernansätzen einschließlich Verstärkung Lernen O et al 2006, evolutionäre bootstrapping Lebaron, 1998 und prinzipielle Komponentenanalyse Towers und Burgess, 1999 wurden verwendet Um die Finanzmärkte zu prognostizieren Obwohl viele dieser Studien darauf hindeuten, dass sie ihre Benchmarks übertreffen, haben wir festgestellt, dass die meisten Ansätze große Drawdowns 2 in Gewinnen und ein großes und übermäßiges Schaltverhalten ergeben, was zu sehr hohen Transaktionskosten führt. Abstrakt anzeigen Zusammenfassung ausblenden ABSTRAKT Saisonale Effekte und empirische Regelmäßigkeiten in den Finanzdaten wurden in der Finanzwissenschaftlichen Literatur seit über sieben Jahrzehnten gut dokumentiert Dieses Papier schlägt ein Expertensystem vor, das neuartige maschinelle Lerntechniken verwendet, um die Preisrendite über diese saisonalen Ereignisse vorherzusagen und dann Nutzt diese Vorhersagen, um eine profitable Handelsstrategie zu entwickeln Während einfache Annäherungen zum Handel diese Regelmäßigkeiten sich als rentabel erweisen können, führt der Handel zu potenziellen großen Drawdowns zu einem Rückgang einer Investition, die als Prozentsatz zwischen dem Peak und dem Trog im Profit gemessen wird Papier, stellen wir ein automatisiertes Handelssystem auf der Grundlage von Performance-gewichteten Ensembles von zufälligen Wäldern, die die Rentabilität und Stabilität der Trading-Saisonalität Ereignisse verbessert Eine Analyse der verschiedenen Regression Techniken durchgeführt wird, sowie eine Erforschung der Vorzüge der verschiedenen Techniken für Experten Gewichtung Die Leistung Der Modelle wird mit einer großen Stichprobe von Aktien aus dem DAX analysiert. Die Ergebnisse zeigen, dass recency-gewichtete Ensembles von zufälligen Wäldern im Vergleich zu anderen Ensemble-Techniken überlegene Ergebnisse sowohl hinsichtlich der Profitabilität als auch der Vorhersagegenauigkeit ergeben. Es wird auch festgestellt, dass saisonale Effekte entstehen Überlegene Ergebnisse als nicht mit ihnen modelliert explizit. Full-Text Artikel Jun 2014.Ash Booth Enrico Gerding Frank McGroarty. LeBaron 47 angewendet bootstrapping, um Arbitrage-Möglichkeiten auf dem Devisenmarkt zu erfassen, und dann ein neuronales Netzwerk, wo seine Netzwerk-Architektur wurde durch bestimmt Ein evolutionärer Prozess Schließlich verwendeten Towers und Burgess 62 Hauptkomponenten, um Arbitrage-Möglichkeiten zu erfassen. Zeigen Sie abstrakt Ausblenden ABSTRAKT Wir schlagen ein automatisiertes Multi-Stock-Handelssystem vor, das auf einer Schichtstruktur basiert, die aus einem maschinellen Lernalgorithmus, einem Online-Lernprogramm und einem Risikomanagement-Overlay besteht. Alternativer Entscheidungsbaum ADT, der mit Logitboost implementiert wurde, wurde gewählt Als der zugrunde liegende Algorithmus 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 werden, und ist auch in der Lage, die besten Parameter der technischen Indikatoren auszuwählen Zusätzlich das Online-Lernen Layer kombiniert die Ausgabe von mehreren ADTs und schlägt eine kurze oder lange Position vor. Schließlich kann die Risikomanagement-Ebene das Handelssignal validieren, wenn sie eine festgelegte Nicht-Null-Schwelle überschreitet und die Anwendung unserer Handelsstrategie begrenzt, wenn sie nicht rentabel ist Experten-Gewichtungsalgorithmus mit Daten von 100 zufällig ausgewählten Unternehmen des SP 500-Index im Zeitraum 2003-2005 Wir finden, dass dieser Algorithmus während des Testzeitraums abnorme Renditen erzeugt. Unsere Experimente zeigen, dass der Verstärkungsansatz in der Lage ist, die prädiktive Kapazität bei Indikatoren zu verbessern Kombiniert und aggregiert als ein einziger Prädiktor Noch mehr, die Kombination von Indikatoren der verschiedenen Aktien zeigte sich als ausreichend, um den Einsatz von rechnerischen Ressourcen zu reduzieren und immer noch eine adäquate prädiktive Kapazität beizubehalten. Artikel Apr 2010.German Creamer Yoav Freund.