Pesquisa sobre simples movendo média trading system based on svm

A eficácia do uso combinado de VIX e Máquinas Vector de Suporte sobre a previsão de SP 500.Citar este artigo como Rosillo, R Giner, JP 500 índice Os dados fornecidos cobrem o período entre 3 de Janeiro de 2000 e 30 de dezembro de 2017 Uma simulação de negociação é implementada De modo que a eficiência estatística é complementada por medidas de desempenho econômico. Os insumos retidos são regras técnicas tradicionais de negociação comumente usadas na análise de mercados de ações, tais como Índice de Força Relativa, Divergência de Convergência de Média Móvel, VIX eo retorno diário do SP 500. As melhores situações em que comprar ou vender no mercado As duas saídas do SVM são o movimento do mercado eo grau de conjunto de membros Os resultados obtidos mostram que SVM usando VIX produzir melhores resultados do que a Buy and Hold estratégia ou SVM sem VIX A influência do VIX no sistema de negociação é particularmente significativa quando aparecem períodos de baixa. Além disso, o SVM permite a redução de O Maximum Drawdown e o desvio padrão anualizado. Máquinas de Vector Quantitativas Estratégias de negociação quantitativa VIX RSI MACD Aprendizagem de máquina. Allen HL, Taylor MP 1990 Gráficos, ruído e fundamentos no mercado de câmbio de Londres Econ J 100 49 59 CrossRef Google Scholar. Andersen TG, Bollerslev T 1998 Respondendo aos céticos sim os modelos de volatilidade padrão fornecem previsões precisas Previsão SP 100 volatilidade o conteúdo de informação incremental de volatilidades implícitas e retornos de índice de alta freqüência J Econom 105 5 26 CrossRef MATH MathSciNet Google Scholar. Bollerslev T 1986 Heteroscedasticidade condicional auto-regressiva generalizada J Econom 31 307 327 CrossRef MATH MathSciNet Google Scholar. Brook W, Lakonishok J, LeBaron B 1992 Regras técnicas de negociação simples e as propriedades estocásticas dos retornos de ações J Finanças 47 1731 1764 CrossRef Google Scholar. Burges C 1998 Um tutorial sobre o vetor de apoio Máquinas para reconhecimento de padrões Dados Min Knowl Disc 2 121 167 CrossRef Google Scholar. Canu S, Grandvalet Y, Guigüe V, Rakotomamonjy A 2005 SVM e Kernel métodos Matlab toolbox, percepção de sistemas e informações INSA de Rouen, Rouen Google Scholar. Cao L, Tay F 2003 Máquina de vetor de suporte com parâmetros adaptativos em séries de tempo financeiras previsão IEEE Trans Redes Neurais 14 1506 1518 CrossRef Google Scholar. Chapelle O, Haner P, Vapnik VN 1999 Suporte máquinas de vetor para a classificação de imagem baseada em histograma IEEE Trans Neural Networks 10 5 1055 1064 CrossRef Google Scholar. Chong TT-L, Ng WK 2008 Análise técnica ea bolsa de valores de Londres testar as regras MACD e RSI usando o FT30 AppL Econ Lett 15 1111 1114 CrossRef Google Scholar. Cristianini N, Taylor JS 2000 Uma introdução para apoiar máquinas de vetores E outros métodos de aprendizagem baseados em kernel Cambridge University Press, Nova Iorque CrossRef Google Scholar. Dunis CL, Rosillo R, De la Fuente D, Pino R 2017 Previsão IBEX-35 mo Ves usando máquinas de vetores de suporte 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 2017b Na tarefa de previsão e negociação do ASE 20 J Asset Manag 1 20 doi 10 1057 jam 2017 2.Evgeniou T, Pontil M, Poggio T 2000 redes de regularização e máquinas de vetores de suporte Adv Comput Math 13 1 50 CrossRef MATH MathSciNet Google Scholar. Hajizadeh E, Seifi A, Zarandi MNF, Turksen IB 2017 Uma abordagem de modelagem híbrida para previsão da volatilidade do retorno do índice SP 500 Expert Syst Appl 39 1 431 436 doi CrossRef Google Scholar. Huang S, Previsão Bioinformática 17 721 728 CrossRef Google Scholar. Huang W, Nakamori Y, Wang SY 2005 previsão direção de movimento do mercado de ações com a máquina de vetores de apoio Comput Oper Res 32 2513 2522 CrossRef MATH Google Scholar. Kim K 2003 Previsão financeira de séries temporais usando máquinas de vetores de suporte Neurocomputing 55 307 319 CrossRef Google Scholar. Kwon KY, Kish RJ 2002 Estratégias técnicas de negociação e previsibilidade de retorno NYSE Appl Financ Econ 12 639 653 CrossRef Google Scholar. Lee MC 2009 Usando o vetor de suporte Máquina com um método de seleção de recurso híbrido para a previsão de tendência de estoque Expert Syst Appl 8 10896 10904 CrossRef Google Scholar. Menkhoff L, Taylor MP 2007 A paixão obstinada de profissionais de câmbio análise técnica J Econ Lit 45 936 972 CrossRef Google Scholar. Mills TC 1997 Análise técnica e as regras de negociação de Londres bolsa de teste usando o FT30 Int J Finanças Econ 2 319 331 CrossRef Google Scholar. Murphy JJ 1999 Análise técnica dos mercados financeiros Instituto de Finanças, em Nova York Google Scholar. Perez-Cruz F, Alfonso - Rodiguez JA, Giner J 2003 Estimativa de modelos GARCH usando máquinas de vetores de suporte Quant Finance 3 3 163 172 CrossRef MathSciNet Google Sch RODRIGUEZ-GONZALEZ A, COLOMO-PALACIOS R e outros 2017 CAST utilizando redes neurais para melhorar os sistemas de negociação com base na análise técnica por meio do indicador financeiro RSI Expert Syst Appl 38 9 11489 11500 CrossRef Google Scholar. Rosillo R, De la Fuente D, Brugos JAL 2017 Análise Técnica e Bolsa de Valores Espanhola testando o RSI, MACD, dinâmica e regras estocásticas com empresas de mercado espanhol Appl Econ 45 1541 1550 CrossRef Google Scholar. Szado E 2009 VIX futuros e opções um estudo de caso Da diversificação da carteira durante a crise financeira de 2008 J Altern Invest 12 2 68 85, 18p Google Scholar. Taylor MP, Allen HL 1992 O uso da análise técnica no mercado de câmbio J Int Money Finance 11 304 314 CrossRef Google Scholar. Vapnik VN 1998 Teoria da aprendizagem estatística Wiley, New York MATH Google Scholar. Vapnik VN 1999 Uma visão geral da teoria da aprendizagem estatística IEEE Trans Neural Netw 10 988 999 CrossRef Google Scholar. Welles Wilder J Jr 1978 Novo Conceitos em sistemas de negociação técnica Hunter Publishing Company, Greensboro, NC Google Scholar. Whaley R 2009 Compreendendo o VIX J Portf Gestão 35 98 105 CrossRef Google Scholar. Copyright informações. Springer-Verlag Londres 2017.Autros e Afiliações. Rafael Rosillo. Email author. Javier Giner. David de la Fuente.1 Departamento de Gestão Empresarial Universidade de Oviedo Oviedo Espanha.2 Departamento de Finanças e Economia Universidade de La Laguna La Laguna Espanha. Sobre este artigo . Uma estrutura de negociação de estoque híbrido integrando análise técnica com técnicas de aprendizagem de máquina. Rajashree Dash um 1.Pradipta Kishore Dash b 2.a Ciência da Computação Departamento de Engenharia, ITER, Siksha O Anusandhan Universidade, Bhubaneswar, Odisha, 751030, India. b Siksha O Anusandhan Universidade de Bhubaneswar, Odisha, 751030, India. Received 30 de dezembro de 2017, Revisado 3 de março de 2017, Aceito 8 de março de 2017, disponível on-line 22 de março de 2017.No presente artigo, um novo sistema de apoio à decisão usando um computacional eficiente funcional rede neural artificial CEFLANN E um conjunto de regras é proposto para gerar as decisões de negociação mais eficazmente Aqui o problema da previsão de negociação de ações de decisão é articulado como um classifica A rede CEFLANN usada no sistema de suporte à decisão produz um conjunto de sinais de negociação contínua dentro do intervalo 0 1, analisando a relação não-linear existente entre alguns indicadores técnicos populares. Além disso, o comércio de saída Os sinais são usados ​​para rastrear a tendência e produzir a decisão de negociação com base nessa tendência usando algumas regras de negociação A novidade da abordagem é gerar os pontos de decisão de negociação de ações rentável através da integração da capacidade de aprendizagem da rede CEFLANN neural com as regras de análise técnica Para avaliar o uso potencial do método proposto, o desempenho do modelo também é comparado com algumas outras técnicas de aprendizado de máquina, como SVM Support Vector Machine, modelo Bayesian Naive, modelo de vizinho K KNN mais próximo e árvore de decisão modelo DT. Indicadores técnicos.1 Introdução. Com a era da globalização econômica e da f Acilidade da tecnologia digital, geração e acumulação de dados financeiros atingiu uma taxa sem precedentes O volume de dados em rápido crescimento ultrapassou em muito a capacidade de um ser humano para analisá-los manualmente Novamente os dados da série de tempo financeiro são mais complicados do que outros dados estatísticos devido a As tendências a longo prazo, variações cíclicas, variações sazonais e movimentos irregulares Estes são altamente afetados por muitos fatores externos, tais como muitos altamente interrelacionados econômico, político, social e mesmo se o comportamento psicológico do investidor O crescimento contínuo de tais altamente flutuante e irregular Dados tem posto adiante a necessidade crítica de desenvolver abordagens mais automatizadas para a análise eficiente de tais dados financeiros maciços para extrair estatísticas significativas de que Ser um processo de explorar o conhecimento oculto útil, mineração de dados tem esculpido seu próprio nicho em análise de séries de tempo financeiro Ele fornece caminhos Para que os investidores tomem medidas pró-ativas e Decisões para alcançar ganho bem sucedido com menos risco de investimento. Obter lucro elevado é o objetivo final de um investidor que participa no mercado financeiro Há tantas oportunidades de investimento como negociação, ou seja, compra e venda de títulos, ações, câmbio e metais preciosos, etc. Um mercado financeiro A negociação no mercado de ações é um dos canais populares de investimento financeiro Os investidores no mercado de ações podem maximizar seu lucro através da compra ou venda de seu investimento no momento adequado A chave para perceber lucros elevados na negociação de ações é descobrir o comércio adequado Tempo com o risco mínimo de negociação Mas é sempre difícil decidir o melhor momento para comprar ou vender devido ao comportamento altamente flutuante e dinâmico do mercado de ações Indicadores técnicos são o principal interesse para a maioria dos pesquisadores para monitorar os preços das ações e para Auxiliar os investidores na definição de regras de negociação para as decisões de compra e venda. Os indicadores técnicos são produzidos Assim, a decisão comercial tomada com base em indicadores técnicos específicos pode nem sempre ser mais lucrativa Na literatura, várias ferramentas de mineração de dados e de inteligência artificial foram aplicadas para analisar indicadores técnicos na tentativa de encontrar os melhores sinais comerciais 1 2 3 e 4 Ganhando lucro Ou perda de negociação de ações, em última análise, depende da análise do movimento futuro de valores de preços de ações altamente flutuantes e irregulares classificação bem sucedida de movimentos para cima e para baixo nos índices de preços de ações pode não só útil para os investidores a fazer estratégias de negociação eficaz, Para monitorar o mercado conservado em estoque Mantendo a trilha de upswings e de downswings sobre a história dos estoques individuais reduzirá a incerteza associada à tomada de decisão do investimento Os investors podem escolher os mais melhores tempos comprar e vender o estoque com a análise apropriada das tendências do estoque Na literatura um número de modelos Combinando análise técnica com computação inteligente techniqu Neste estudo, o problema da previsão de decisão de negociação de ações é articulado como um problema de classificação com três valores de classe que representam a compra, a retenção e a venda O principal objectivo deste estudo é desenvolver um novo sistema de apoio à decisão utilizando um eficiente computacional ligação funcional rede neural artificial CEFLANN e um conjunto de regras baseadas em análise técnica, para gerar as decisões comerciais de forma mais eficaz Em vez de treinar a rede CEFLANN usando tradicional O algoritmo de ELM é proposto para a rede Seis indicadores técnicos populares calculados a partir dos valores históricos dos índices de ações são usados ​​como os recursos de entrada para o modelo proposto A rede CEFLANN é aplicada para capturar a relação não linear entre os indicadores técnicos e Em vez de usar valores de classe discretos durante o treinamento de A rede, um sinal de negociação contínua dentro da gama 0 1 são alimentados para a rede Os novos sinais de negociação na faixa de 0 1 podem fornecer informações mais detalhadas sobre o comércio de ações relacionadas com as variações de preço originais As produções do modelo CEFLANN são transformadas em Uma estratégia de negociação simples com sinais de compra, retenção e venda usando regras adequadas O desempenho do modelo é avaliado com base na porcentagem de lucro obtida durante o período de teste O modelo CEFLANN também é comparado com algumas outras técnicas de aprendizado conhecidas como SVM, 9 O modelo Bayesiano ingênuo, o modelo KNN 2 e 9 do vizinho mais próximo e o modelo DT 10 da árvore de decisão. O restante do artigo está organizado nas seções seguintes. Seção 2 destaca revisões relevantes em diferentes técnicas de aprendizado de máquina usadas na negociação de ações Seção 3 especifica os detalhes Da rede CEFLANN seguida pelos detalhes do ELM Learning na Secção 4 A Secção 5 descreve as etapas detalhadas da decisão Sobre o sistema de apoio para gerar pontos de decisão de negociação de ações A Seção 6 mostra os resultados experimentais obtidos a partir da análise comparativa Finalmente a Seção 7 contém as observações finais.2 Levantamento de literatura Embora a maior parte da análise de séries financeiras envolva previsão do preço das ações ou flutuação, O mercado de ações é outra área de pesquisa popular Ganho de lucro ou perda de negociação de ações, em última análise, depende da análise do movimento futuro de alta variação e preços de ações irregulares valores Na literatura um número de modelos combinando análise técnica com técnicas inteligentes computacionais estão disponíveis para previsão de preço das ações Movimentos de índice e para negociação de ações Na Ref 11 é proposto um novo quadro de negociação que melhora o desempenho de sistemas de negociação baseados em aprendizado de reforço para fazer sugestões de compra e venda para investidores em suas negociações diárias de ações para maximizar seus lucros no mercado de ações dinâmico In Ref 12 um novo modelo usando Piecewise Representações Lineares PLR e Redes Neurais Artificiais ANNs é proposta para analisar as relações não-lineares entre o preço fechado de ações e vários índices técnicos e capturar o conhecimento de sinais de negociação que estão ocultos em dados históricos O modelo aprendido ANN é usado para prever o futuro comércio Sinais em uma base diária Em segundo lugar, uma decisão negociando é provocada desenvolvendo um sistema de decisão dinâmico do ponto Um outro modelo de previsão que integra a janela dinâmica baseada em caso CBDW ea rede neural é aplicado por 13 para predizer os pontos de giro direitos em negociar conservado em estoque, Maximizar a receita de investimento Na Ref. 2 é proposto um método que utiliza conjuntamente o conhecido classificador k-NN e algumas ferramentas comuns de análise técnica, como indicadores técnicos, stop loss, stop gain e RSI filters com o objectivo de investigar a viabilidade de utilizar um Sistema de negociação inteligente em condições reais de mercado, considerando as empresas reais da Bolsa de Nd custos de transação Um sistema eficaz de detecção de sinal de negociação usando Piecewise Linear Representações PLR e redes neuronais artificiais ANNs é proposto em 14 para capturar o conhecimento de sinais comerciais escondidos em preços históricos, analisando as relações não-lineares entre o preço fechado e vários índices técnicos O comércio Decisão no modelo é ainda desencadeada por um limiar de limiar dinâmico que ajuda a ganhar montante de lucro significativo durante a negociação Na Ref 3 um sistema de comércio baseado em análise fundamental ou cartista é projetado para melhorar as técnicas de investimento A idéia principal do sistema é gerar negociação Um sistema de negociação inteligente que utiliza análise técnica, o Algoritmo de Colônia de Abelhas Artificiais ABC, uma seleção de valores passados, a classificação de vizinhos mais próxima k-NN e sua Variação, a Classificação Adaptativa e Um modelo de série de tempo fuzzy de alta ordem baseado em particionamento baseado em entropia e modelo de expectativa adaptativa mostrou sua superioridade em comparação com outros modelos convencionais de séries temporais fuzzy na geração de regras de decisão como referências de investimento para investidores em ações. Um clustering em tempo real e previsão de volatilidade de preços baseada em SVM para a estratégia de negociação ideal. Copyright 2017 Elsevier BV Todos os direitos reservados. Subhabrata Choudhury está atualmente cursando Bacharelado em Tecnologia em Engenharia Metalúrgica e de Materiais no Instituto Indiano de Tecnologia de Kharagpur, Último ano Seu interesse de pesquisa atual inclui Mineração de Dados, Pesquisa de Operações, Aprendizagem de Máquina e suas aplicações em Finanças e Indústria de Aço. Subhajyoti Ghosh é um estudante de terceiro ano de graduação em Instituto indiano de Tecnologia Kharagpur, Índia inscrito no programa de grau dual de cinco anos B Tech E M Tech em Engenharia Oceânica e Arquitetura Naval Hi Atualmente, é um candidato a doutorado em Pesquisa de Operações na Universidade de Pittsburgh, EUA Ele completou o programa de dois anos de grau duplo B Tech e M Tech em Engenharia e Gestão Industrial em Indian Instituto de Tecnologia Kharagpur, Índia em 2017 Suas áreas de pesquisa incluem Pesquisa de Operações e Mineração de Dados. Kiran Jude Fernandes é o Diretor de Pesquisa e Chefe do Grupo de Gerenciamento de Operações na York Management School, Reino Unido. Ele também é um dos Investigadores Principais na interdisciplinaridade York Centro de Análise de Sistemas Complexos YCCSA Ele tem um PhD em Gestão de Operações e Sistemas da Universidade de Warwick um Masters MS da James Worth Bagley Faculdade de Engenharia da Universidade Estadual do Mississippi MSU e um Bacharelado de Engenharia Hons grau em Produção de Waltech Sua pesquisa Centra-se na modelagem de domínios sociais e empresariais complexos utilizando Ystem perspective. Manoj Kumar Tiwari é um professor no Departamento de Engenharia e Gestão Industrial no Instituto Indiano de Tecnologia Kharagpur, Índia Ele é um editor associado de revistas que incluem IEEE Transactions em SMC Parte A Sistemas e Humanos, International Journal of System Science Journal Do Sistema de Apoio à Decisão Ele tem mais de 200 publicações em várias revistas e conferências internacionais Seus interesses de pesquisa são Modelos de Apoio à Decisão, Planejamento, Programação e Controle de Problemas do Sistema de Manufatura, Rede de Cadeia de Fornecimento.