Améliorer les règles de négociation moyenne mobile avec le renforcement et les méthodes d'apprentissage statistique. 12 CONCLUSIONS Dans cette recherche, nous avons présenté un système permettant de combiner les différents types de prédictions données par une large catégorie de règles de négociation mécanique par des méthodes d'apprentissage statistique telles que Boosting et plusieurs méthodes de calcul de moyenne de modèle telles que Bayesian ou Committee. La procédure classique des prédictions de combinaison était inutile en raison de la singularité des matrices impliquées. De plus, afin d'éviter des règles de négociation techniques trop coûteuses et excédentaires dérivées de la stimulation et des autres méthodes d'apprentissage, nous avons introduit un filtre qui élimine les signaux d'achat ou de vente peu audacieux. L'idée d'utiliser un fi ltre pour réduire la fréquence des transactions et obtenir des rendements plus élevés est très ancienne dans Finances et le succès des fi lteurs justifierait l'existence de certaines tendances systématiques des prix qui ne sont pas expliquées par le modèle de marche aléatoire. Nous avons examiné un échantillon composé de 10 périodes annuelles, de 1993 à 2002, dans l'indice composé NYSE. De plus, afin de donner à notre travail une motivation économique plus profonde qui pourrait suggérer leur transcendance et leurs applications, nous avons répété notre expérience dans deux sous-échantillons spéciaux ascendants et descendants. La première est la sous-période montante jusqu'au 1 er septembre 2000. La seconde est la sous-période en baisse après le 1er septembre 2000. Notre première conclusion est que, en général, les améliorations utilisant un filtre ne sont pas produites pour toutes les méthodes statistiques d'apprentissage et Périodes analysées, à l'exception du modèle Boosting filtré, qui surmonte toujours le boost non filtré. Le modèle de Boosting filtré surmonte également le reste des méthodes d'apprentissage filtrées et non filtrées, à toutes les périodes analysées, à l'exception de la période montante allant de 1993 au 1er septembre 2000. Durant de courtes périodes, certaines règles relatives à la moyenne mobile Pourrait être plus profitable que le modèle Boosting filtré, mais ce résultat inverse pour des périodes plus longues. Nos résultats suggèrent donc que le modèle Boosting filtré fournit de meilleurs résultats statistiques et économiques hors de l'échantillon que la plupart des règles de la moyenne mobile unique pendant 10 périodes annuelles, de 1993 à 2002, dans l'indice composite NYSE. Si l'on considère l'ensemble de la période de 10 ans, le modèle de Boosting filtré surmonte la meilleure moyenne mobile par rapport à plusieurs mesures statistiques et économiques prises en considération. De plus, le modèle Boosting filtré améliore considérablement les rendements nets de la stratégie BampH et son ratio Sharpe. En combinant l'information prédictive d'un large ensemble de règles, nous réduisons également le biais de snooping introduit par la sélection arbitraire de paramètres dans les règles techniques de trading, en évitant l'élément de subjectivité que cette procédure implique. En outre, les moyennes mobiles ont un pouvoir prédictif contingent, et sa capacité à obtenir des rendements positifs pourrait être temps variant. Ainsi, la meilleure règle de la moyenne mobile de l'année en cours pourrait être mauvaise l'année suivante, étant impossible d'établir a priori quelles sont les meilleures règles. Par conséquent, le Boosting et d'autres méthodes d'apprentissage sont capables d'empêcher le décalage prédictif qui existe entre les différentes règles commerciales techniques, fournissant de nouvelles règles capables d'utiliser toutes les informations offertes pour une large catégorie de règles. Pendant l'ensemble de la période analysée (1993-2002), l'algorithme de Boosting filtré a montré une grande capacité à obtenir l'information prédictive aussi bien à partir de bonnes règles qu'à partir de mauvaises règles de moyenne mobile, étant plus robuste et profi que n'importe quelle règle de moyenne mobile pour de longues périodes . Durant la période de hausses généralisées (jusqu'au 1er septembre 2000), ni la méthode statistique d'apprentissage ni la règle de la moyenne mobile n'ont été en mesure d'obtenir un rendement net supérieur au rendement de la stratégie BampH. Dans cette sous-période, le meilleur ratio de profit idéal a également été obtenu par la stratégie de BampH, et le meilleur ratio de Sharpe a été obtenu par la moyenne mobile 10, 90, 2, suivie par la stratégie Bamp. Improving Moyenne mobile Trading Rules with Boosting and Statistical Learning Méthodes. 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. Julian Andrada-Felix () et Fernando Fernndez-Rodrguez Autres informations sur les contacts Fernando Fernndez-Rodrguez: Département des Méthodes Quantitatives en Economie et Enseignement Supérieur Résumé: Nous présentons un système permettant de combiner les différents types de prédictions donnés par une catégorie étendue Des règles de négociation mécanique à travers des méthodes d'apprentissage statistique (boosting, et plusieurs méthodes de calcul de moyenne de modèle comme Bayesian ou simple moyenne). Les méthodes d'apprentissage statistique fournissent de meilleurs résultats hors échantillon que la plupart des règles relatives à la moyenne mobile simple dans l'indice NYSE Composite de janvier 1993 à décembre 2002. De plus, en utilisant un filtre pour réduire la fréquence des transactions, , Bien qu'elle ne soit pas en mesure de surmonter les rendements de la stratégie buy-and-hold (BH) pendant les périodes de hausse, elle surmonte la BH pendant les périodes de chute et est capable d'absorber une part considérable des chutes sur le marché. Copyright 2008 John Wiley Sons, Ltd. Téléchargements: (lien externe) hdl. handle. net10.1002for.1068 Lien vers le texte intégral requis (texthtml) Œuvres connexes: Cet article peut être disponible ailleurs dans EconPapers: Recherche d'articles avec les mêmes Titre. La référence de l'exportation: BibTeX RIS (EndNote, ProCite, RefMan) HTMLText Journal of Forecasting est actuellement édité par Derek W. Bunn Plus d'articles dans Journal of Forecasting de John Wiley Sons, Ltd. Données de série conservées par Wiley-Blackwell Digital Licensing (). Ce site fait partie de RePEc et toutes les données affichées ici font partie de l'ensemble de données RePEc. Votre travail manque-t-il à RePEc Voici comment contribuer. Questions ou problèmes Consultez la FAQ d'EconPapers ou envoyez un courrier à.
No comments:
Post a Comment