Implementierung Trading Strategien Für Prognosemodelle

Kontrolle der Nichtstationarität im statistischen Arbitrage mit einem Portfolio von Kointegrationsmodellen Zusammenfassung anzeigen Zusammenfassung verstecken ABSTRAKT:. Im Rahmen einer dynamischen Handelsstrategie ist es das Ziel eines Prognosemodells, Maßnahmen zu wählen, die zur Optimierung des Handelsziels führen. In diesem Beitrag wird eine Methodik zur Optimierung einer Zielfunktion mit einer parametrisierten Entscheidungsregel für ein gegebenes Prognosemodell entwickelt. Wir simulieren die erwartete Handelsperformance für unterschiedliche Entscheidungsparameter und Ebenen der Prädiktionsgenauigkeit. Anschließend wenden wir die Technik auf ein Prognosemodell von Fehlentscheidungen innerhalb einer Gruppe von Aktienindizes an. Wir zeigen, dass die Optimierung der vorgeschlagenen Entscheidungsregel die annualisierte Sharpe Ratio um einen Faktor von 1,7 über eine naive Entscheidungsregel erhöhen kann. 1 Einleitung In den letzten Jahren wurden erhebliche Forschungsanstrengungen zur Entwicklung von Finanzprognosemodellen durchgeführt, die versuchen, die Dynamik der Finanzmärkte zu nutzen. Die Forschung in der Finanzprognose hat angewandt und oft erweitert Techniken entwickelt, die in den Bereichen des maschinellen Lernens, non-p entwickelt. Artikel Feb 1970 N. Towers A. N. Burgess Zusammenfassung anzeigen Zusammenfassung verstecken ABSTRAKT:. In diesem Beitrag werden unter Einsatz parametrisierter Entscheidungsregeln Trading-Strategien für Asset-Price-Prognosemodelle implementiert. Wir entwickeln ein synthetisches Handelsumfeld, um die relativen Auswirkungen der Modifikation des Prognosemodells und der Entscheidungsregel auf die Rentabilität zu untersuchen. Wir zeigen, dass die Umsetzung der Handelsregel für die Trading-Performance ebenso wichtig sein kann wie die prädiktive Fähigkeit des Prognosemodells. Wir wenden diese Techniken auf ein Beispiel eines Prognosemodells an, das aus einem intra-tägigen, quasi-statistisch falschen Preis einer Kombination von Aktienindizes generiert wird. Die Ergebnisse deuten darauf hin, dass die Optimierung der Entscheidungsregeln die Handelsleistung erheblich verbessern kann, wobei sich die jährliche Sharpe Ratio bis zu einem Faktor zwei gegenüber einer Nave-Handelsregel erhöht. Um dieses Leistungsniveau durch das Prognosemodell alleine zu erreichen, wäre eine Verbesserung der Vorhersagegenauigkeit erforderlich. 1 Einleitung In den letzten Jahren wurde ein erheblicher Forschungsaufwand gewidmet. Artikel Mar 1999 N. Türme AN ​​Burgess Sussex PlaceImplementierung von Handelsstrategien für Prognosemodelle quotIt wurde seitdem in vielen Studien verwendet, um die täglichen Aktienkursbewegungen vorherzusagen und hat gezeigt, dass sie die neuronalen Netze übertreffen (Tay und Cao, 2001 Kim, 2003 Huang et al 2005 Chen und Shih, 2006). Für die Prognose der Finanzmärkte wurde eine Vielzahl anderer maschineller Lernansätze eingesetzt, darunter das Verstärkungslernen (O et al. 2006), das evolutionäre Bootstrapping (Lebaron, 1998) und die prinzipielle Komponentenanalyse (Towers und Burgess, 1999). Obwohl viele dieser Studien zeigen, dass sie ihre Benchmarks übertreffen, haben wir festgestellt, dass die meisten Ansätze große Drawdowns 2 in Gewinnen zeigen und ein großes und übermäßiges Schaltverhalten, das zu sehr hohen Transaktionskosten führt. Zusammenfassung Zusammenfassung Abstrakte Zusammenfassung ABSTRAKT: Saisonale Effekte und empirische Regelmäßigkeiten in finanziellen Daten wurden in der finanzwirtschaftlichen Literatur seit über sieben Jahrzehnten gut dokumentiert. Dieses Papier schlägt ein Expertensystem vor, das neuartige maschinelle Lerntechniken einsetzt, um die Preisrückkehr über diesen Saisonereignissen vorherzusagen, und verwendet dann diese Vorhersagen, um eine rentable Handelstrategie zu entwickeln. Während einfache Ansätze für den Handel mit diesen Regelmässigkeiten sich als rentabel erweisen können, führen solche Geschäfte zu potenziellen großen Verlusten (Spitzen - bis Tiefstand einer Investition, gemessen als Prozentsatz zwischen dem Spitzenwert und dem Tiefstand) im Ergebnis. In dieser Arbeit stellen wir ein automatisiertes Handelssystem vor, das auf leistungsgewichteten Ensembles von zufälligen Wäldern basiert, die die Rentabilität und Stabilität der jahreszeitlichen Ereignisse der Saison verbessern. Eine Analyse der verschiedenen Regressionstechniken wird durchgeführt, sowie eine Erforschung der Verdienste der verschiedenen Techniken für Experten Gewichtung. Die Performance der Modelle wird mit einer großen Stichprobe des DAX analysiert. Die Ergebnisse zeigen, dass recency-gewichtet Ensembles von zufälligen Wäldern überlegene Ergebnisse in Bezug auf die Rentabilität und Vorhersage Genauigkeit im Vergleich zu anderen Ensemble-Techniken. Es wird auch festgestellt, dass die Verwendung von Saisonalitätseffekten überlegene Ergebnisse liefert, als sie nicht explizit modelliert zu haben. Volltext-Artikel Juni 2014 Ash Booth Enrico Gerding Frank McGroarty quotLeBaron 47 angewendet bootstrapping auf Arbitrage-Chancen auf dem Devisenmarkt zu erfassen, und dann ein neuronales Netzwerk, wo seine Netzwerk-Architektur wurde durch einen evolutionären Prozess bestimmt. Schließlich nutzten Towers und Burgess 62 hauptsächlich Komponenten, um Arbitragemöglichkeiten zu erfassen. ZUSAMMENFASSUNG: Wir schlagen ein automatisches Handelssystem mit mehreren Beständen vor, das auf einer mehrschichtigen Struktur beruht, die aus einem maschinellen Lernalgorithmus, einem Online-Lernprogramm und einem Risikomanagement-Overlay besteht. Alternativer Entscheidungsbaum (ADT), der mit Logitboost implementiert wird, wurde als der zugrunde liegende Algorithmus gewählt. Eine der Stärken unseres Ansatzes ist, dass der Algorithmus in der Lage ist, die beste Kombination von Regeln auszuwählen, die aus den bekannten technischen Analyseindikatoren abgeleitet werden, und ist auch in der Lage, die besten Parameter der technischen Indikatoren auszuwählen. Zusätzlich 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 vorgegebenen Schwellenwert ungleich Null überschreitet und die Anwendung unserer Handelsstrategie begrenzt, wenn sie nicht rentabel ist. Wir testen den Expertengewichtungsalgorithmus mit Daten von 100 zufällig ausgewählten Unternehmen des SampP 500 Index im Zeitraum 2003-2005. Wir finden, dass dieser Algorithmus abnormale Renditen während der Testperiode erzeugt. Unsere Experimente zeigen, dass der Boosting-Ansatz in der Lage ist, die prädiktive Kapazität zu verbessern, wenn Indikatoren kombiniert und als ein einzelner Prädiktor zusammengefasst werden. Darüber hinaus zeigte die Kombination von Indikatoren verschiedener Bestände als ausreichend, um die Verwendung von Rechenressourcen zu reduzieren und dennoch eine angemessene Vorhersagekapazität beizubehalten. Artikel Apr 2010 Deutsche Creamer Yoav Freund