Forskning On Enkelt Moving Average Trading System Basert På Svm

Effektiviteten av den kombinerte bruken av VIX og Support Vector Machines på prognosen for SP 500.Cite denne artikkelen som Rosillo, R Giner, JP 500-indeksen. Dataene som tilbys, dekker perioden mellom 3. januar 2000 og 30. desember 2011 En handelssimulering er implementert slik at statistisk effektivitet suppleres med tiltak av økonomisk ytelse. Innspillene som er beholdt, er tradisjonelle tekniske handelsregler som ofte brukes i analysen av aksjemarkeder som Relative Strength Index, Moving Average Convergence Divergence, VIX og den daglige avkastningen til SP 500. SVM identifiserer De beste situasjonene for å kjøpe eller selge på markedet De to utgangene til SVM er markedets bevegelse og graden av satt medlemskap. De oppnådde resultatene viser at SVM ved hjelp av VIX gir bedre resultater enn Buy and Hold-strategien eller SVM uten VIX Virkningen av VIX i handelssystemet er spesielt viktig når bearish perioder vises. SVM tillater reduksjonen i Maksimal Drawdown og den årlige standardavviket. Support Vector Machines Kvantitative handelsstrategier VIX RSI MACD Machine learning. Allen HL, Taylor MP 1990 Diagrammer, støy og grunnleggende i Londons valutamarked Econ J 100 49 59 CrossRef Google Scholar. Andersen TG, Bollerslev T 1998 Svar på skeptikerne Ja standard volatilitetsmodeller gir nøyaktige prognoser Int Econ Rev 39 885 905 CrossRef Google Scholar. Blair BJ, Poon SH, Taylor SJ 2001 Prognoser SP 100 volatilitet det inkrementelle informasjonsinnholdet av underforståtte volatiliteter og høyfrekvente indeksavkastning J Econom 105 5 26 CrossRef MATH MathSciNet Google Scholar. Bollerslev T 1986 Generell autoregressiv betinget heteroskedastisitet J Econom 31 307 327 CrossRef MATH MathSciNet Google Scholar. Brock W, Lakonishok J, LeBaron B 1992 Enkle tekniske handelsregler og de stokastiske egenskapene til aksjen returnerer J Finans 47 1731 1764 CrossRef Google Scholar. Burges C 1998 En veiledning om støttevektor maskiner for mønstergenkjenning Data Min Knowl Disc 2 121 167 CrossRef Google Scholar. Canu S, Grandvalet Y, Guigue V, Rakotomamonjy En 2005 SVM og Kernel-metoder Matlab verktøykasse, oppfatningssystemer og informasjon INSA de Rouen, Rouen Google Scholar. Cao L, Tay F 2003 Støttevektormaskin med adaptive parametre i økonomiske tidsserier prognose IEEE Trans Neural Networks 14 1506 1518 CrossRef Google Scholar. Chapelle O, Haner P, Vapnik VN 1999 Støttevektormaskiner for histogrambasert bildeklassifisering IEEE Trans Neural Networks 10 5 1055 1064 CrossRef Google Scholar. Chong TT-L, Ng WK 2008 Teknisk analyse og London børs testing av MACD og RSI regler ved hjelp av FT30 Appl Econ Lett 15 1111 1114 CrossRef Google Scholar. Cristianini N, Taylor JS 2000 En introduksjon til vektorgravere og andre kjernebaserte læringsmetoder Cambridge University Press, New York CrossRef Google Scholar. Dunis CL, Rosillo R, De la Fuente D, Pino R 2013 Prognose IBEX-35 mo ves ved hjelp av støttevektormaskiner Neural Comput Appl 23 1 229 236 doi 10 1007 s00521-012-0821-9 CrossRef Google Scholar. Dunis C, Likothanassis S, Karathanasopoulos A, Sermpinis G, Theofilatos K 2013b En hybrid genetisk algoritme-støtte vektor maskin tilnærming i oppgaven med å prognose og handle ASE 20 J Asset Manag 1 20 doi 10 1057 jam 2013 2.Evgeniou T, Pontil M, Poggio T 2000 Reguleringsnettverk og støttevektorer Adv Comput Math 13 1 50 CrossRef MATH MathSciNet Google Scholar. Hajizadeh E, Seifi A, Zarandi MNF, Turksen IB 2012 En hybridmodell tilnærming for å prognostisere volatiliteten til SP 500-indeksen returnere Expert Syst Appl 39 1 431 436 doi CrossRef Google Scholar. Huang S, Sun Z 2001 Støtte vektor maskin tilnærming for protein subcellulær lokalisering Prediksjon Bioinformatikk 17 721 728 CrossRef Google Scholar. Huang W, Nakamori Y, Wang SY 2005 Forutsatt aksjemarkedet bevegelsesretning med støttevektormaskin Comput Oper Res 32 2513 2522 CrossRef MATH Google Scholar. Kim K 2003 Finansielle prognoser for tidsserier ved hjelp av støttetekstormaskiner Neurokomputering 55 307 319 CrossRef Google Scholar. Kwon KY, Kish RJ 2002 Tekniske handelsstrategier og returforutsigbarhet NYSE Appl Finance Econ 12 639 653 CrossRef Google Scholar. Lee MC 2009 Bruke støttevektor maskin med en hybridfunksjonsmetode til aksjekursutspådningen Expert Syst Appl 36 8 10896 10904 CrossRef Google Scholar. Menkhoff L, Taylor MP 2007 Den strenge lidenskapen til fagfolk innen utenlandsk valuta faglig analyse J Econ Lit 45 936 972 CrossRef Google Scholar. Mills TC 1997 Teknisk analyse og London børs testing trading regler ved hjelp av FT30 Int J Finance Econ 2 319 331 CrossRef Google Scholar. Murphy JJ 1999 Teknisk analyse av de finansielle markedene Institute of Finance, New York Google Scholar. Perez-Cruz F, Alfonso - Rodiguez JA, Giner J 2003 Estimering av GARCH-modeller ved hjelp av støttevektormaskiner Quant Finance 3 3 163 172 CrossRef MathSciNet Google Sch olar. Rodriguez-Gonzalez A, Garcia-Crespo A, Colomo-Palacios R et al. 2011 CAST ved hjelp av neurale nettverk for å forbedre handelssystemene basert på teknisk analyse ved hjelp av RSI finansiell indikator Expert Syst Appl 38 9 11489 11500 CrossRef Google Scholar. Rosillo R, De la Fuente D, Brugos JAL 2013 Teknisk analyse og spansk børs testing av RSI, MACD, momentum og stokastiske regler ved hjelp av spanske markedsbedrifter Appl Econ 45 1541 1550 CrossRef Google Scholar. Szado E 2009 VIX-futures og opsjoner en casestudie av porteføljediversifisering i 2008-finanskrisen J Altern Invest 12 2 68 85, 18p Google Scholar. Taylor MP, Allen HL 1992 Bruken av teknisk analyse på valutamarkedet J Int Money Finance 11 304 314 CrossRef Google Scholar. Vapnik VN 1998 Statistisk læringsteori Wiley, New York MATH Google Scholar. Vapnik VN 1999 En oversikt over statistisk læringsteori IEEE Trans Neural Netw 10 988 999 CrossRef Google Scholar. Welles Wilder J Jr 1978 Ny konsepter i tekniske handelssystemer Hunter Publishing Company, Greensboro, NC Google Scholar. Whaley R 2009 Forståelse av VIX J Portf Manag 35 98 105 CrossRef Google Scholar. Copyrightinformasjon. Springer-Verlag London 2013.Authors and Affiliations. Rafael Rosillo. Email author. Javier Giner. David de la Fuente.1 Bedriftsledelse Avdeling University of Oviedo Oviedo Spain.2 Økonomi og økonomi Avdeling Universitetet i La Laguna La Laguna Spain. About this article . En hybrid aksjehandel rammeverk integrere teknisk analyse med maskin læring teknikker. Rajashree Dash en 1.Pradipta Kishore Dash b 2.a Computer Science Engineering Department, ITER, Siksha O Anusandhan University, Bhubaneswar, Odisha, 751030, India. b Siksha O Anusandhan Universitetet, Bhubaneswar, Odisha, 751030, India. Mottatt 30. desember 2015, revidert 3. mars 2016, Godtatt 8. mars 2016, Tilgjengelig på nettet 22. mars 2016. I dette papiret er et nytt beslutningsstøttesystem som bruker et beregnende effektivt funksjonelt link kunstig nevralt nettverk CEFLANN og et sett med regler er foreslått for å generere handelsavgjørelsene mer effektivt Her er problemet med aksjehandelsavgjørelser forutsigelse formulert som en klassifisering Problem med tre klasser som representerer kjøp, hold og salgssignaler CEFLANN-nettverket som brukes i beslutningsstøttesystemet, produserer et sett av kontinuerlige handelssignaler innenfor området 0 1 ved å analysere det ikke-lineære forholdet mellom få populære tekniske indikatorer. signaler brukes til å følge trenden og å produsere handelsbeslutningen basert på denne trenden ved hjelp av noen handelsregler. Nyheten i tilnærmingen er å skape de lønnsomme aksjehandelsbeslutningspunktene gjennom integrering av læringsevnen til CEFLANN nevrale nettverk med de tekniske analysereglene For å vurdere den potensielle bruken av den foreslåtte metoden, sammenlignes modellytelsen også med noen andre maskinlæringsteknikker som Support Vector Machine SVM, Naive Bayesian-modellen, K nærmeste nabomodell KNN og Decision Tree DT-modell. Stock trading. Stock trend analyse . Tekniske indikatorer. 1 Innledning. Med tiden med økonomisk globalisering og f Behandling av digital teknologi, generering og akkumulering av økonomiske data har nådd med enestående frekvens Det raskt voksende datamengden har langt overskredet menneskets evne til å analysere dem manuelt. Igjen er økonomiske tidsseriedata mer kompliserte enn andre statistiske data på grunn av langsiktige trender, sykliske variasjoner, sesongvariasjoner og uregelmessige bevegelser. Disse er sterkt påvirket av mange eksterne faktorer, som for eksempel mange høyt sammenhengende økonomiske, politiske, sosiale og selv om investorens psykologiske oppførsel. Den kontinuerlige veksten av slike svært svingende og uregelmessige data har lagt fram det kritiske behovet for å utvikle mer automatiserte tilnærminger for effektiv analyse av slike massive økonomiske data for å trekke ut meningsfull statistikk fra det. Å være en prosess med å utforske nyttig skjult kunnskap, Data mining har skåret sin egen nisje i økonomisk tidsserieanalyse. Det gir veier for investorer å ta proaktiv og kunnskapsdrevet beslutninger for å oppnå vellykket gevinst med mindre investeringsrisiko. Å oppnå høyt overskudd er det endelige målet for en investor som deltar i finansmarkedet. Det er så mange investeringsmuligheter som handel, dvs. kjøp og salg av obligasjoner, aksjer, utenlandsk valuta og edle metaller osv. et finansmarked Trading i aksjemarkedet er en av de mest populære kanalene for finansielle investeringer Investorer på aksjemarkedet kan maksimere fortjenesten ved å kjøpe eller selge investeringen til riktig tid Nøkkelen til å realisere høy fortjeneste i aksjemarkedet er å finne ut den egnede handel tid med minimumsrisiko for handel Men det er alltid vanskelig å bestemme seg for den beste tiden å kjøpe eller selge på grunn av aksjemarkedets svært varierende og dynamiske oppførsel. Tekniske indikatorer er hovedinteressen for de fleste forskerne for å overvåke aksjekursene og å bistå investorer i å sette opp handelsregler for kjøp selge beslutninger Tekniske indikatorer er produsert basert på histori Kvalitetsregistreringsavgjørelser Således kan handelsbeslutninger basert på spesielle tekniske indikatorer ikke alltid være mer lønnsomme. I litteraturen har ulike data mining og kunstig intelligensverktøy blitt anvendt for å analysere tekniske indikatorer i et forsøk på å finne de beste handelssignalene 1 2 3 og 4 Oppnå profitt eller tap fra aksjemarkedet til slutt, avhenger av analyse av fremtidig bevegelse av høyt svingende og uregelmessige aksjekursverdier. Vellykket klassifisering av opp - og nedbevegelser i aksjekursindeksverdier kan ikke bare være nyttig for investorene å lage effektive handelsstrategier, men også for policy maker å overvåke aksjemarkedet Å holde oversikt over oppvekst og downswings over historien om de enkelte aksjene vil redusere usikkerheten knyttet til investeringsbeslutninger Investorer kan velge de beste tider for å kjøpe og selge aksjene gjennom riktig analyse av aksjetrendene I litteraturen er en rekke modeller kombinere teknisk analyse med beregningsfull intelligent techniqu es er tilgjengelig for prognose av aksjekursindeksbevegelser 5 6 og 7 Patra, Thanh, Meher, 2009. I denne studien er problemet med aksjehandelsbeslutningens prediksjon formulert som et klassifikasjonsproblem med tre klasserverdier som representerer kjøp, hold og selg signaler Det fremste målet med denne studien er å utvikle et nytt beslutningsstøttesystem ved hjelp av et beregnende effektivt funksjonelt link kunstig nevralt nettverk CEFLANN og et sett av regler basert på teknisk analyse, for å effektivisere handelsbeslutningene I stedet for å trene CEFLANN-nettverket ved hjelp av tradisjonelle tilbakeproduseringsalgoritme, foreslås ELM-læring for nettverket Seks populære tekniske indikatorer beregnet fra de historiske aksjekursprisverdiene brukes som inngangsfunksjoner for den foreslåtte modellen. CEFLANN-nettverket er brukt for å fange det ikke-lineære forholdet mellom de tekniske indikatorene og handelssignaler I stedet for å bruke diskrete klasseværdier under trening av Nettverket, et kontinuerlig handelssignal innenfor rekkevidde 0 1, blir tilført nettverket. De nye handelssignalene i området 0 1 kan gi mer detaljert informasjon om aksjemarked knyttet til de opprinnelige prisvariasjonene. Videre transformeres utgangene fra CEFLANN-modellen til en enkel handelsstrategi med kjøp, hold og salg av signaler ved hjelp av egnede regler Modellenes ytelse vurderes basert på fortjenesteprosent oppnådd i testperioden. CEFLANN-modellen sammenlignes også med noen andre kjente maskinlæringsteknikker som støttevektormaskin SVM, 5 6 8 og 9 Naive Bayesian modell, K nærmeste nabomodell KNN 2 og 9 og beslutningstreet DT 10 modell. Resten av papiret er organisert i følgende seksjoner. Seksjon 2 fremhever relevante vurderinger på ulike maskinlæringsteknikker som brukes i børshandel. Del 3 spesifiserer detaljene av CEFLANN-nettverket etterfulgt av detaljene om ELM-læring i seksjon 4, avsnitt 5 beskriver de detaljerte trinnene i decisi på støttesystem for å generere aksjehandelsbeslutningspunkter Seksjon 6 viser eksperimentelle resultater oppnådd fra den komparative analysen Endelig inneholder avsnitt 7 de avsluttende bemerkningene.2 Litteraturundersøkelse. Selv om det meste av den finansielle tidsserieanalysen innebærer prediksjon av aksjekurs eller svingning, men handel aksjemarkedet er et annet populært forskningsområde Å oppnå fortjeneste eller tap fra børshandel, avhenger i siste instans av analyse av fremtidig bevegelse av høyt svingende og uregelmessige aksjekursverdier. I litteraturen er en rekke modeller som kombinerer teknisk analyse med beregningsmessige intelligente teknikker tilgjengelig for beregning av aksjekurs indeksbevegelser og aksjemarked I Ref 11 foreslås en ny handelsramme som forbedrer ytelsen til styringsbaserte handelssystemer for forsterkning, for å gjøre kjøp og salg av forslag til investorer i deres daglige aksjemarked for å maksimere fortjenesten i det dynamiske aksjemarkedet I Ref 12 en ny modell med Piecewise Linjære representasjoner PLR og kunstige nevrale nettverk ANNs er foreslått for å analysere de ikke-lineære forholdene mellom aksjens lukkede pris og ulike tekniske indekser, og å fange kunnskapen om handelssignaler som er skjult i historiske data. Den lerte ANN-modellen er brukt til å forutse fremtidig handel Signaler på daglig basis For det andre utløses en handelsavgjørelse ved å utvikle et dynamisk terskelbeslutningssystem. En annen prognosemodell som integrerer det sakbaserte dynamiske vinduet CBDW og det neurale nettverket blir brukt av 13 for å forutsi de rette vendepunktene i aksjehandel, slik at maksimere investeringsinntektene I ref 2 er en metode som sammen bruker den kjente k-NN-klassifiseringen og noen vanlige verktøy for teknisk analyse, som tekniske indikatorer, stoppet tap, stoppøkning og RSI-filtre foreslått med det formål å undersøke muligheten for å bruke en intelligente handelssystem i reelle markedsforhold, vurderer virkelige selskaper på S o Paulo Børs a nd transaksjonskostnader Et effektivt handelssignalvarslingssystem ved hjelp av Piecewise Linear Representations PLR og Artificial Neural Networks ANNs er foreslått i 14 for å fange kunnskapen om handelssignaler gjemt i historiske priser ved å analysere de ikke-lineære relasjonene mellom aksjens lukkede pris og ulike tekniske indekser. Avgjørelse i modellen utløses ytterligere av en dynamisk terskelbunden som bidrar til å oppnå betydelig overskuddsmengde under handel. I Ref 3 er et handelssystem basert på grunnleggende eller diagramanalyse designet for å forbedre investeringsteknikkene. Hovedtanken i systemet er å generere handel poeng basert på en finansiell indikator nemlig relativ styrkeindeks som videre beregnes av et feed forward neuralt nettverk Et annet intelligent handelssystem ved hjelp av teknisk analyse, Artificial Bee Colony Algorithm ABC, et utvalg av tidligere verdier, nærmeste naboklassifisering k-NN og dens variasjon, den adaptive klassifisering og Nærmeste nabo er diskutert i 4 I Ref 15 er en rekkefølge med høy rekkefølge på tidsserier basert på entropi-basert partisjonering og adaptiv forventningsmodell har vist sin overlegenhet sammenlignet med andre konvensjonelle fuzzy tidsseriemodeller ved generering av beslutningsregler som investeringsreferanser for aksjeinvestorer. En real time clustering og SVM-basert pris-volatilitet prediksjon for optimal trading strategy. Copyright 2013 Elsevier BV Alle rettigheter reservert. Subhabrata Choudhury for tiden forfølge sin Bachelor of Technology grad i metallurgisk og materialteknologi ved Indian Institute of Technology Kharagpur, India og er inne avsluttende år Hans nåværende forskningsinteresse omfatter Data Mining, Operations Research, Machine Learning og deres søknader i finans og stålindustri. Subhajyoti Ghosh er en fjerde år bachelor student i Indian Institute of Technology Kharagpur, India inngått i fem års todelt program B Tech og M Tech i Ocean Engineering og Naval Architecture Hi s nåværende forskning fokuserer på Operations Research, Financial Markets og Scheduling. Arnab Bhattacharya er for tiden doktorand i Operations Research ved University of Pittsburgh, USA. Han fullførte det femårige toårige programmet B Tech og M Tech i Industrial Engineering and Management at Indian Institute of Technology Kharagpur, India i 2011 Hans forskningsområder inkluderer Operations Research og Data Mining. Kiran Jude Fernandes er forskningsdirektør og leder av Operations Management Group på York Management School, Storbritannia. Han er også en av hovedforskerne på tverrfaglig York Center for Complex Systems Analysis YCCSA Han har doktorgrad i Operations Management and Systems fra University of Warwick en mastergradsstudent MS fra James Worth Bagley Engineering College ved Mississippi State University MSU og en Bachelor of Engineering Hons grad i produksjon fra Waltech Hans forskning fokuserer på modellering av komplekse sosiale og forretningsområder domener ved hjelp av en kompleks s ystem perspektiv. Manoj Kumar Tiwari er professor i Institutt for industriell ingeniørfag og ledelse i Indian Institute of Technology Kharagpur, India Han er en assosiert redaktør av tidsskrifter som inkluderer IEEE Transaksjoner på SMC del A systemer og mennesker, International Journal of System Science Journal av Decision Support System Han har mer enn 200 publikasjoner i ulike internasjonale tidsskrifter og konferanser. Hans forskningsinteresser er beslutningsstøttemodeller, planlegging, planlegging og kontrollproblemer i produksjonssystemet, Supply Chain Network.