Melhorando Mover Média Negociação Regras Impulsionando

Melhorando as Regras de Negociação da Moeda em Mudança com Boosting e Métodos de Aprendizagem Estatística. 8 Com o poder de previsão contingente ex ante de uma única média móvel, veremos a estabilidade dos retornos obtidos, ano após ano, pelas diferentes regras da média móvel. A Figura 1 mostra os retornos líquidos anuais de todas as 704 médias móveis consideradas de 1993 a 2002. Como mostramos na Figura 1, a variabilidade obtida por todas as médias móveis é alta, produzindo um considerável desajuste preditivo entre elas. Na Figura 2, onde o x - axis representa cada uma das 704 regras de média móvel, mostramos o retorno líquido anual médio (a linha oscilante no centro da imagem) das regras da média móvel durante o período de 10 anos considerado. As três linhas retas na Figura 2 correspondem ao retorno líquido anual médio obtido pela estratégia de Impulso filtrado, o Comitê filtrado e o modelo Bayesiano filtrado. As linhas oscilantes superior e inferior correspondem aos intervalos de confiança (m i 2s i. M i 2s i), onde m i e s i são, respectivamente, o retorno líquido anual médio e o desvio padrão do retorno líquido anual da regra i. A Figura 2 enfatiza vários fatos. O retorno anual anual médio de cada regra da média móvel é positivo, o que mostra que as regras possuem algum poder preditivo, a estratégia de Impulso filtrado supera todas as regras de negociação e o Comitê (filtrado) e o Bayesiano (filtrado). Além disso, a rentabilidade das regras da média móvel varia todos os anos e é volátil e é possível um desajuste preditivo. Figura 1. Rendimentos líquidos anuais de todas as 704 médias móveis consideradas de 1993 a 2002 Por outro lado, o intervalo de confiança correspondente à estratégia de Impulso filtrado (que foi obtido como retorno anual anual médio dois desvios-padrão da rede líquida anual Retorno da regra obtida com aumento) é (0,0530, 0,2059) (mi 2s i. Mi 2s i), o que significa que é mais útil, menos volátil e mais robusto que qualquer regra de média móvel. Uma terceira maneira de observar a variabilidade do poder preditivo das regras da média móvel é considerar o percentil dos retornos obtidos pela melhor regra para cada período anual entre 1993 e 2002, como mostrado na Tabela II. Na primeira coluna da Tabela II é apresentada a média móvel com retorno líquido elevado durante o ano correspondente. As próximas 10 colunas da tabela são o percentil dos retornos líquidos anuais desta melhor regra na distribuição dos retornos líquidos anuais do universo de 704 médias móveis consideradas. Assim: percentil da regra R (número de regras com regra de retorno líquido R) número total de regras. Por exemplo, a regra média móvel mais importante em 1993 foi de 1, 140, 0, mas foi no percentil 47,22 em 1994 e no percentil 72,73 em 1995, etc. A regra da maioria das profissões durante 1994 foi de 10, 80, 10 , Mas foi no percentil 88,99 durante 1993 e no percentil 68,18 em 1995, e assim por diante. Observe que, em várias das colunas da Tabela II, existem várias médias móveis no percentil 100. Isso significa que existem várias médias móveis com o mesmo retorno líquido máximo durante este ano. Conseqüentemente, as Figuras 1 e 2 e Tabelas I e II sugerem que um poder de previsão contingente para médias móveis, ou seja, sua capacidade para obter retornos positivos líquidos é o tempo variando. Portanto, Figura 2. Retorno líquido anual médio (linha ondulada no centro da imagem) de cada uma das 704 regras da média móvel durante o período de 10 anos considerado. As linhas retas correspondem ao retorno líquido anual médio que pertence à estratégia de Impulso filtrado (linha negrito), à estratégia de Comitê filtrado (linha pontilhada) e à estratégia Bayesiana filtrada (linha fina). As linhas ondinhas superior e inferior correspondem aos intervalos de confiança (mi 2s i. Mi 2s i) onde mi e si são, respectivamente, o retorno líquido anual médio eo desvio padrão do retorno líquido anual da regra iImproving Regras de negociação média móvel Com Boosting e métodos de aprendizagem estatística. 2 Embora a nossa pesquisa se centre em combinar as regras clássicas de negociação técnica por métodos de aprendizagem estatística, é necessário enfatizar que houve inúmeras tentativas para melhorar as regras técnicas de negociação e criar novas. Nesse sentido, entre outros, destacam-se Genay (1999) e Allen e Karjalainen (1999). Assim, Genay (1999) considerou novas regras comerciais baseadas em modelos não paramétricos que maximizam o retorno total de uma estratégia de investimento. A escolha ideal dos vizinhos mais próximos, o número ótimo de unidades escondidas em uma rede feedforward e o tamanho ótimo do conjunto de treinamento são determinados pelo método de validação cruzada, que minimiza o erro quadrático médio. Outro documento bem conhecido dedicado a encontrar novas regras técnicas de negociação é Allen e Karjalainen (1999), que usou um algoritmo genético para aprender as melhores regras técnicas de negociação. Finalmente, os problemas de seleção de regras de negociação óptimas na amostra foram apontados em um artigo recente de Sullivan et al. (1999), argumentando que os perigos do snooping dos dados são imensos quando selecionamos a melhor regra comercial. Seguindo Sullivan et al. (1999), se as regras de negociação forem consideradas ao longo do tempo, algumas regras são vinculadas, por pura sorte, mesmo em uma amostra muito grande, para produzir desempenho superior, mesmo que eles realmente não possuem poder preditivo sobre os retornos dos ativos. Assim, os efeitos dessa análise de dados só podem ser quantificados desde que se considere o desempenho da melhor regra de negociação no contexto do universo completo de regras de negociação a partir da qual a melhor regra foi concebivelmente escolhida. Nossa pesquisa está indo em uma direção oposta para otimizar as regras comerciais comerciais, porque buscamos como combinar as existentes através de técnicas de impulsionar e modelar a média. Como revisão, nosso artigo é de dupla finalidade. Por um lado, uma vez que existem inúmeras regras comerciais comerciais com diferentes graus de sucesso, tentamos evitar o desajuste que existe entre diferentes regras de negociação, fornecendo uma nova regra capaz de usar todas as informações fornecidas por cada regra, tanto o altamente Informações bem sucedidas como a informação mal sucedida, usando métodos de aprendizagem estatística. Por outro lado, ao combinar a informação preditiva de um amplo conjunto de regras, também reduzimos o viés de divulgação de dados introduzido pela seleção arbitrária dos parâmetros nas regras técnicas de negociação, evitando o elemento de subjetividade que este procedimento envolve. MÉTODOS DE APRENDIZAGEM ESTATÍSTICA Assim como um comitê de pessoas diversas tende a tomar melhores decisões do que cada indivíduo sozinho, um conjunto de modelos diversos, porém de alto desempenho, tendem a apresentar melhor desempenho do que um modelo único. Os métodos de aprendizagem estatística são algoritmos que constroem um conjunto de classificadores e, em seguida, classificam novos pontos de dados tomando um voto (ponderado) de suas previsões (ver Hastie et al., 2001). O método estatístico original é a média Bayesiana, mas algoritmos mais recentes foram desenvolvidos. Nesta seção, descreveremos os métodos de aprendizagem estatística mais populares, como Boosting, a média do modelo bayesiano e o método do Comitê, que serão utilizados para combinar as previsões técnicas, melhorando assim o desempenho das regras de negociação individuais. O método de impulsão O impulso é um método geral que tenta aumentar a precisão de qualquer conjunto de sistemas de classificação categórica (ou previsões em geral) que se torna uma das idéias mais poderosas sobre os algoritmos de aprendizagem. Foi introduzido por Freund e Schapire (1997). Boosting lida com o problema geral de produzir uma regra de predição muito precisa, combinando previsões ásperas e moderadamente imprecisas. Uma das versões mais populares do aumento é o algoritmo AdaBoost. M1, conhecido como Discrete AdaBoost, devido a Freund e Schapire (1997). A fim de fornecer um esboço deste algoritmo de aumento, considere um problema de duas classes onde a variável de saída é codificada como. Um classifi er h (x) é uma função que produz uma predição tomando um dos dois valores, onde x é um conjunto de variáveis ​​preditoras.