Métodos de melhoria mudança média negociação regras com aumento e estatística métodos de aprendizagem

Melhorando as Regras de Negociação da Moeda em Mudança com Boosting e Métodos de Aprendizagem Estatística. 12 CONCLUSÕES Nesta pesquisa, apresentamos um sistema para combinar os diferentes tipos de previsões dadas por uma ampla categoria de regras de negociação mecânica através de métodos de aprendizado estatístico, como Boosting, e vários métodos de média de modelos, como Bayesian ou Committee (métodos de média simples). O procedimento de predição combinada clássica foi inútil por causa da singularidade das matrizes envolvidas. Além disso, para evitar costosas regras de negociação técnica excessiva derivadas do impulso e dos outros métodos de aprendizagem, introduzimos um filtro que descarta os sinais de compra ou venda baixos. A idéia de usar um filtro para reduzir a freqüência comercial e obter retornos mais elevados é muito antiga em Finanças, e o sucesso dos filtros justificaria a existência de algumas tendências sistemáticas nos preços que não são explicados pelo modelo de caminhada aleatória. Consideramos uma amostra composta por 10 períodos anuais, de 1993 a 2002, no índice composto NYSE. Além disso, para dar ao nosso trabalho uma motivação econômica mais profunda que poderia sugerir sua transcendência e aplicações, repetimos nosso experimento em duas subamostra especiais subindo e caindo. O primeiro foi o subperíodo ascendente até 1 de setembro de 2000. O segundo foi o subperíodo em queda após 1 de setembro de 2000. Nossa primeira conclusão é que, em geral, as melhorias usando um filtro não são produzidas para todos os métodos de aprendizagem estatística e Períodos analisados, com exceção do modelo de Boosting filtrado, que sempre supera o aumento não-filtrado. O modelo de Boosting filtrado também supera o resto dos métodos de aprendizado filtrado e não-filtrado, em todos os períodos analisados, com exceção do período de crescimento de 1993 a 1 de setembro de 2000. Durante períodos de tempo curtos, algumas normas de média móvel individual Poderia ser mais útil do que o modelo de Boosting filtrado, mas este resultado investe por períodos de tempo mais longos. Nossos resultados, portanto, sugerem que o modelo de Boosting filtrado fornece melhores resultados estatísticos e econômicos fora da amostra do que a maioria das regras da média móvel única durante 10 períodos anuais, de 1993 a 2002 no Índice de Composição da NYSE. Quando consideramos o período completo de 10 anos, o modelo de Boosting filtrado supera a melhor média móvel em relação a várias medidas estatísticas e econômicas consideradas. Além disso, o modelo de Boosting filtrado melhora consideravelmente os retornos líquidos da estratégia BampH e sua relação Sharpe. Ao combinar a informação preditiva de um amplo conjunto de regras, também reduzimos o viés de bisbilhotagem introduzido pela seleção arbitrária de parâmetros nas regras técnicas de negociação, evitando o elemento de subjetividade que este procedimento envolve. Além disso, as médias móveis têm um poder preditivo contingente, e sua capacidade para obter retornos positivos pode variar de tempo. Assim, a melhor regra média móvel do presente ano poderia ser ruim no ano seguinte, sendo impossível estabelecer, a priori, quais são as melhores regras. Portanto, o Boosting e outros métodos de aprendizagem são capazes de evitar o desajuste preditivo que existe entre diferentes regras de negociação técnica, fornecendo novas regras capazes de usar todas as informações oferecidas para uma ampla categoria de regras. Durante o período completo analisado (1993-2002), o algoritmo de Boosting filtrado mostrou uma alta capacidade para obter a informação preditiva tanto de regras boas como de regras de média móvel ruim, sendo mais robusto e útil do que qualquer regra de média móvel por longos períodos de tempo . Durante o período de levantamentos generalizados (até 1 de setembro de 2000), nem o método de aprendizagem estatístico nem a regra de negociação média móvel conseguiram obter um retorno líquido superior ao retorno da estratégia BampH. Neste subperíodo, a melhor estratégia ideal foi obtida pela estratégia BampH, e a melhor proporção de Sharpe foi obtida pela média móvel 10, 90, 2, seguida da estratégia BampH. Melhorando as regras de negociação média em movimento com Boosting e Aprendizagem Estatística Métodos. 11 Número de médias móveis (menor, igual a maior). Foi de 74,58 e o retorno líquido correspondente ao modelo de Boosting filtrado foi de 69,80. Observe também que as estratégias obtidas a partir da filtragem dos métodos de aprendizagem estatística no subperíodo ascendente tornam-se pior do que as estratégias não-filtradas, com exceção do modelo impulsionador. Neste subperíodo ascendente, a relação Sharpe da estratégia BampH (0.0631) é superada pela melhor média móvel, cuja relação Sharpe é (0.0657). Além disso, a melhor relação ideal ideal (0,1075) foi obtida pela estratégia BampH. Esses resultados, que sinalizam a supremacia da estratégia BampH sobre todos os métodos de aprendizagem durante um período de crescimento do mercado, não são estranhos. No entanto, como podemos ver na Tabela IV, o comportamento das regras técnicas de negociação com base nos métodos de aprendizagem foi o oposto completo durante o subperíodo das quedas. Assim, todos os métodos de aprendizagem superaram o retorno da estratégia BampH, especialmente o modelo de Boosting filtrado. De 2 de setembro de 2000 a 31 de dezembro de 2002, enquanto o retorno da estratégia BampH foi de 35,92, o retorno líquido do modelo de impulsionamento filtrado foi de 12,47, o que supera os outros métodos de aprendizagem estatística (21,85 para o Comitê filtrado e 14,59 para o fi Modelo bayesiano esterilizado) tanto quanto o melhor modelo de média móvel (13,19). Por outro lado, a relação de Sharpe do modelo de Boosting filtrado (0.0224) é maior do que a de BampH (0.0485) e muito maior do que a relação de Sharpe do Comitê filtrado (0.0919) e do modelo Bayesiano filtrado (0.0618) . O mesmo acontece com a proporção de lucro ideal, que é de 0,0249 para o modelo de Boosting filtrado, enquanto é de 0,0718 para a estratégia BampH. Portanto, embora o modelo de Boosting filtrado não seja capaz de superar a estratégia de BampH durante os períodos de crescimento (Tabela III), os resultados obtidos (Tabelas I e IV) sugerem que o modelo de Impulso filtrado é capaz de absorver uma parte considerável das quedas no mercado. 169 2016. , (Word). -.