Research On Einfach Gleitender Durchschnitt Trading System Based On Svm

Die Wirksamkeit der kombinierten Verwendung von VIX und Support Vector Machines auf die Vorhersage von SampP 500 Erste Online: 05 Oktober 2013 Empfangen: 13 Januar 2013 Akzeptiert: 10 September 2013 Zitieren Sie diesen Artikel als: Rosillo, R. Giner, J. de la Fuente , D. Neural Comput Applic (2014) 25: 321. doi: 10.1007 s00521-013-1487-7 1 Zitate 336 Downloads Das Ziel dieser Forschung ist es, die Wirksamkeit des Chicago Board Options Exchange Markt Volatilität Index (VIX) zu analysieren, wenn Verwendet mit Support Vector Machines (SVMs), um die wöchentliche Änderung des SampP 500 Index zu prognostizieren. Die Daten umfassen den Zeitraum zwischen dem 3. Januar 2000 und dem 30. Dezember 2011. Eine Handelssimulation wird durchgeführt, so dass die statistische Effizienz durch Maßnahmen der wirtschaftlichen Leistungsfähigkeit ergänzt wird. Die erhaltenen Inputs sind traditionelle technische Handelsregeln, die bei der Analyse von Aktienmärkten wie Relative Strength Index, Moving Average Convergence Divergence, VIX und der täglichen Rendite des SampP 500 verwendet werden. Der SVM identifiziert die besten Situationen, in denen er kaufen oder verkaufen kann der Markt. Die beiden Ausgänge des SVM sind die Bewegung des Marktes und der Grad der Set-Mitgliedschaft. Die erhaltenen Ergebnisse zeigen, dass SVM mit VIX bessere Ergebnisse erzielt als die Buy and Hold Strategie oder SVM ohne VIX. Der Einfluss von VIX im Handelssystem ist besonders wichtig, wenn bärige Perioden auftreten. Darüber hinaus ermöglicht die SVM die Reduktion des Maximum Drawdown und die annualisierte Standardabweichung. Unterstützung Vektormaschinen Quantitative Handelsstrategien VIX RSI MACD Maschinelles Lernen Referenzen Allen HL, Taylor MP (1990) Charts, Lärm und Fundamentaldaten im Londoner Devisenmarkt. Econ J 100: 4959 CrossRef Google Scholar Andersen TG, Bollerslev T (1998) Beantwortung der Skeptiker: ja Standard-Volatilität Modelle bieten genaue Prognosen. Vorhersage von SampP 100 Volatilität: der inkrementelle Informationsgehalt von impliziten Volatilitäten und hochfrequenten Indexrenditen. J Econom 105: 526 CrossRef MATH MathSciNet Google Scholar Bollerslev T (1986) Generalisierte autoregressive bedingte Heteroskedastizität. J Econom 31: 307327 CrossRef MATH MathSciNet Google Scholar Brock W, Lakonishok J, LeBaron B (1992) Einfache technische Handelsregeln und die stochastischen Eigenschaften von Aktienrenditen. J Finance 47: 17311764 CrossRef Google Scholar Burges C (1998) Ein Tutorial zur Unterstützung von Vektor-Maschinen für die Mustererkennung. (2005) SVM - und Kernel-Methoden Matlab-Toolbox, Wahrnehmungssystme und - Informationen. INSA de Rouen, Rouen Google Scholar Cao L, Tay F (2003) Unterstützungsvektormaschine mit adaptiven Parametern in der finanziellen Zeitreihenvorhersage. IEEE Trans Neural Networks 14: 15061518 CrossRef Google Scholar Chapelle O, Haner P, Vapnik VN (1999) Unterstützung Vektor-Maschinen für Histogramm-basierte Bildklassifizierung. IEEE Trans Neural Networks 10 (5): 10551064 CrossRef Google Scholar Chong TT-L, Ng W-K (2008) Technische Analyse und die Londoner Börse: Testen der MACD - und RSI-Regeln mit dem FT30. Appl Econ Lett 15: 11111114 CrossRef Google Scholar Cristianini N, Taylor JS (2000) Eine Einführung in die Unterstützung von Vektor-Maschinen und anderen kernel-basierten Lernmethoden. Cambridge University Press, New York CrossRef Google Scholar Dunis CL, Rosillo R, De La Fuente D, Pino R (2013) Vorhersage IBEX-35 bewegt sich mit Unterstützung Vektor-Maschinen. Neural Comput Appl 23 (1): 229236. Doi: 10.1007 s00521-012-0821-9 CrossRef Google Scholar Dunis C, Likothanassis S, Karathanasopoulos A, Sermpinis G, Theofilatos K (2013b) Eine hybride genetische Algorithmus-Unterstützung Vektor Maschine Ansatz in der Aufgabe der Prognose und Handel der ASE 20. J Asset Manag 120. doi: 10.1057 jam.2013.2 Evgeniou T, Pontil M, Poggio T (2000) Regularisierung und Unterstützung Vektor-Maschinen. (1999) Ein hybrider Modellierungsansatz zur Prognose der Volatilität der SampP 500-Index-Rendite. Experte Syst Appl 39 (1): 431436. Doi: 10.1016 j. eswa.2011.07.033 CrossRef Google Scholar Huang S, Sun Z (2001) Unterstützung Vektor-Maschine Ansatz für Protein subzelluläre Lokalisierung Vorhersage. Bioinformatik 17: 721728 CrossRef Google Scholar Huang W, Nakamori Y, Wang SY (2005) Vorhersage Börse Bewegung Richtung mit Unterstützung Vektor-Maschine. Comput Oper Res 32: 25132522 CrossRef MATH Google Scholar Kim K (2003) Finanzielle Zeitreihe Prognose mit Hilfe von Vektor-Maschinen. Neurocomputing 55: 307319 CrossRef Google Scholar Kwon KY, Kish RJ (2002) Technische Handelsstrategien und Renditeprognose: NYSE. Appl Financ Econ 12: 639653 CrossRef Google Scholar Lee M-C (2009) Mit Unterstützung Vektor-Maschine mit einer Hybrid-Feature-Auswahl-Methode, um die Aktien-Trend Vorhersage. Expert Syst Appl 36 (8): 1089610904 CrossRef Google Scholar Menkhoff L, Taylor MP (2007) Die hartnäckige Leidenschaft der Devisenfachleute: Technische Analyse. J Econ Lit 45: 936972 CrossRef Google Scholar Mills TC (1997) Technische Analyse und die Londoner Börse: Testen von Handelsregeln mit dem FT30. Int J Finanzen Econ 2: 319331 CrossRef Google Scholar Murphy JJ (1999) Technische Analyse der Finanzmärkte. Institut für Finanzen, New York Google Scholar Perez-Cruz F, Alfonso-Rodiguez JA, Giner J (2003) Schätzung GARCH-Modelle mit Hilfe von Vektor-Maschinen. Quant Finanzen 3 (3): 163172 CrossRef MathSciNet Google Scholar Rodriguez-Gonzalez A, Garcia-Crespo A, Colomo-Palacios R et al (2011) CAST: Nutzung neuronaler Netze zur Verbesserung der Handelssysteme auf der Grundlage der technischen Analyse mit Hilfe des RSI-Finanzsystems Indikator. Expert Syst Appl 38 (9): 1148911500 CrossRef Google Scholar Rosillo R, De la Fuente D, Brügge JAL (2013) Technische Analyse und die spanische Börse: Prüfung der RSI-, MACD-, Impuls - und Stochastikregeln mit spanischen Marktgesellschaften. Appl Econ 45: 15411550 CrossRef Google Scholar Szado E (2009) VIX-Futures und Optionen: eine Fallstudie zur Portfolio-Diversifizierung während der Finanzkrise 2008. J Alternative Invest 12 (2): 6885, 18p Taylor MP, Allen HL (1992) Die Anwendung der technischen Analyse auf dem Devisenmarkt. J Int Money Finance 11: 304314 CrossRef Google Scholar Vapnik VN (1998) Statistische Lerntheorie. Wiley, New York MATH Google Scholar Vapnik VN (1999) Ein Überblick über die statistische Lerntheorie. IEEE Trans Neural Netw 10: 988999 CrossRef Google Scholar Welles Wilder J Jr (1978) Neue Konzepte in technischen Handelssystemen. Hunter Publishing Company, Greensboro, NC Google Scholar Whaley R (2009) Verständnis der VIX. J Portf Manag 35: 98105 CrossRef Google Scholar Copyright-Informationen Springer-Verlag London 2013 Autoren und Mitgliedsverbände Rafael Rosillo 1 E-Mail-Autor Javier Giner 2 David de la Fuente 1 1. Betriebswirtschaftslehre Universität Oviedo Oviedo Spanien 2. Finanz - und Wirtschaftswissenschaften Universität La Laguna La Laguna Spanien Über diesen Artikel Drucken ISSN 0941-0643 Online ISSN 1433-3058 Publisher Name Springer LondonDie Effektivität der kombinierten Nutzung von VIX und Support Vector Maschinen auf die Vorhersage von SampP 500 First Online: 05 Oktober 2013 Received: 13 January 2013 Akzeptiert: 10 September 2013 Zitieren Sie diesen Artikel als: Rosillo, R. Giner, J. de la Fuente, D. Neural Comput Anwendung (2014) 25: 321. doi: 10.1007 s00521-013-1487-7 1 Zitate 336 Downloads Das Ziel Dieser Forschung ist es, die Effektivität des Chicago Board Options Exchange Market Volatility Index (VIX) zu analysieren, wenn er mit Support Vector Machines (SVMs) verwendet wird, um die wöchentliche Änderung des SampP 500 Index zu prognostizieren. Die Daten umfassen den Zeitraum zwischen dem 3. Januar 2000 und dem 30. Dezember 2011. Eine Handelssimulation wird durchgeführt, so dass die statistische Effizienz durch Maßnahmen der wirtschaftlichen Leistungsfähigkeit ergänzt wird. Die erhaltenen Inputs sind traditionelle technische Handelsregeln, die bei der Analyse von Aktienmärkten wie Relative Strength Index, Moving Average Convergence Divergence, VIX und der täglichen Rendite des SampP 500 verwendet werden. Der SVM identifiziert die besten Situationen, in denen er kaufen oder verkaufen kann der Markt. Die beiden Ausgänge des SVM sind die Bewegung des Marktes und der Grad der Set-Mitgliedschaft. Die erhaltenen Ergebnisse zeigen, dass SVM mit VIX bessere Ergebnisse erzielt als die Buy and Hold Strategie oder SVM ohne VIX. Der Einfluss von VIX im Handelssystem ist besonders wichtig, wenn bärige Perioden auftreten. Darüber hinaus ermöglicht die SVM die Reduktion des Maximum Drawdown und die annualisierte Standardabweichung. Unterstützung Vektormaschinen Quantitative Handelsstrategien VIX RSI MACD Maschinelles Lernen Referenzen Allen HL, Taylor MP (1990) Charts, Lärm und Fundamentaldaten im Londoner Devisenmarkt. Econ J 100: 4959 CrossRef Google Scholar Andersen TG, Bollerslev T (1998) Beantwortung der Skeptiker: ja Standard-Volatilität Modelle bieten genaue Prognosen. Vorhersage von SampP 100 Volatilität: der inkrementelle Informationsgehalt von impliziten Volatilitäten und hochfrequenten Indexrenditen. J Econom 105: 526 CrossRef MATH MathSciNet Google Scholar Bollerslev T (1986) Generalisierte autoregressive bedingte Heteroskedastizität. J Econom 31: 307327 CrossRef MATH MathSciNet Google Scholar Brock W, Lakonishok J, LeBaron B (1992) Einfache technische Handelsregeln und die stochastischen Eigenschaften von Aktienrenditen. J Finance 47: 17311764 CrossRef Google Scholar Burges C (1998) Ein Tutorial zur Unterstützung von Vektor-Maschinen für die Mustererkennung. (2005) SVM - und Kernel-Methoden Matlab-Toolbox, Wahrnehmungssystme und - Informationen. INSA de Rouen, Rouen Google Scholar Cao L, Tay F (2003) Unterstützungsvektormaschine mit adaptiven Parametern in der finanziellen Zeitreihenvorhersage. IEEE Trans Neural Networks 14: 15061518 CrossRef Google Scholar Chapelle O, Haner P, Vapnik VN (1999) Unterstützung Vektor-Maschinen für Histogramm-basierte Bildklassifizierung. IEEE Trans Neural Networks 10 (5): 10551064 CrossRef Google Scholar Chong TT-L, Ng W-K (2008) Technische Analyse und die Londoner Börse: Testen der MACD - und RSI-Regeln mit dem FT30. Appl Econ Lett 15: 11111114 CrossRef Google Scholar Cristianini N, Taylor JS (2000) Eine Einführung in die Unterstützung von Vektor-Maschinen und anderen kernel-basierten Lernmethoden. Cambridge University Press, New York CrossRef Google Scholar Dunis CL, Rosillo R, De La Fuente D, Pino R (2013) Vorhersage IBEX-35 bewegt sich mit Unterstützung Vektor-Maschinen. Neural Comput Appl 23 (1): 229236. Doi: 10.1007 s00521-012-0821-9 CrossRef Google Scholar Dunis C, Likothanassis S, Karathanasopoulos A, Sermpinis G, Theofilatos K (2013b) Eine hybride genetische Algorithmus-Unterstützung Vektor-Maschine-Ansatz in der Aufgabe der Prognose und Handel der ASE 20. J Asset Manag 120. doi: 10.1057 jam.2013.2 Evgeniou T, Pontil M, Poggio T (2000) Regularisierung und Unterstützung Vektor-Maschinen. (1999) Ein hybrider Modellierungsansatz zur Prognose der Volatilität der SampP 500-Index-Rendite. Experte Syst Appl 39 (1): 431436. Doi: 10.1016 j. eswa.2011.07.033 CrossRef Google Scholar Huang S, Sun Z (2001) Unterstützung Vektor-Maschine Ansatz für Protein subzelluläre Lokalisierung Vorhersage. Bioinformatik 17: 721728 CrossRef Google Scholar Huang W, Nakamori Y, Wang SY (2005) Vorhersage Börse Bewegung Richtung mit Unterstützung Vektor-Maschine. Comput Oper Res 32: 25132522 CrossRef MATH Google Scholar Kim K (2003) Finanzielle Zeitreihe Prognose mit Hilfe von Vektor-Maschinen. Neurocomputing 55: 307319 CrossRef Google Scholar Kwon KY, Kish RJ (2002) Technische Handelsstrategien und Renditeprognose: NYSE. Appl Financ Econ 12: 639653 CrossRef Google Scholar Lee M-C (2009) Mit Unterstützung Vektor-Maschine mit einer Hybrid-Feature-Auswahl-Methode, um die Aktien-Trend Vorhersage. Expert Syst Appl 36 (8): 1089610904 CrossRef Google Scholar Menkhoff L, Taylor MP (2007) Die hartnäckige Leidenschaft der Devisenfachleute: Technische Analyse. J Econ Lit 45: 936972 CrossRef Google Scholar Mills TC (1997) Technische Analyse und die Londoner Börse: Testen von Handelsregeln mit dem FT30. Int J Finanzen Econ 2: 319331 CrossRef Google Scholar Murphy JJ (1999) Technische Analyse der Finanzmärkte. Institut für Finanzen, New York Google Scholar Perez-Cruz F, Alfonso-Rodiguez JA, Giner J (2003) Schätzung GARCH-Modelle mit Hilfe von Vektor-Maschinen. Quant Finanzen 3 (3): 163172 CrossRef MathSciNet Google Scholar Rodriguez-Gonzalez A, Garcia-Crespo A, Colomo-Palacios R et al (2011) CAST: Nutzung neuronaler Netze zur Verbesserung der Handelssysteme auf der Grundlage der technischen Analyse mit Hilfe des RSI-Finanzsystems Indikator. Expert Syst Appl 38 (9): 1148911500 CrossRef Google Scholar Rosillo R, De la Fuente D, Brügge JAL (2013) Technische Analyse und die spanische Börse: Prüfung der RSI-, MACD-, Impuls - und Stochastikregeln mit spanischen Marktgesellschaften. Appl Econ 45: 15411550 CrossRef Google Scholar Szado E (2009) VIX-Futures und Optionen: eine Fallstudie zur Portfolio-Diversifizierung während der Finanzkrise 2008. J Alternative Invest 12 (2): 6885, 18p Taylor MP, Allen HL (1992) Die Anwendung der technischen Analyse auf dem Devisenmarkt. J Int Money Finance 11: 304314 CrossRef Google Scholar Vapnik VN (1998) Statistische Lerntheorie. Wiley, New York MATH Google Scholar Vapnik VN (1999) Ein Überblick über die statistische Lerntheorie. IEEE Trans Neural Netw 10: 988999 CrossRef Google Scholar Welles Wilder J Jr (1978) Neue Konzepte in technischen Handelssystemen. Hunter Publishing Company, Greensboro, NC Google Scholar Whaley R (2009) Verständnis der VIX. J Portf Manag 35: 98105 CrossRef Google Scholar Copyright-Informationen Springer-Verlag London 2013 Autoren und Mitgliedsverbände Rafael Rosillo 1 E-Mail-Autor Javier Giner 2 David de la Fuente 1 1. Betriebswirtschaftslehre Universität Oviedo Oviedo Spanien 2. Finanz - und Wirtschaftswissenschaften Universität La Laguna La Laguna Spanien Über diesen Artikel Print ISSN 0941-0643 Online ISSN 1433-3058 Verlagsname Springer London