Research-on-simple-moving-average-trading-system-based-on-svm

Research-on-simple-moving-average-trading-system-based-on-svm

Kami-disetujui-biner-pilihan-broker
Mystockoptions com-blog
Perdagangan-strategi-untuk-komoditas


Pilihan perdagangan-untuk-chicago-bulls Apakah-biner-options-trading-legal-in-south-africa Kelebihan-indikator-moving-average Mercado-forex-g © -confiavel Sekarang-online-trading-nse Strategi saya-forex-scalping

Efektivitas penggunaan VIX dan Support Vector Machines pada prediksi Sampp 500 mengutip artikel ini sebagai: Rosillo, R. Giner, J. de la Fuente, D. Aplikasi Komputasi Neural (2014) 25: 321. doi: 10.1007 S00521-013-1487-7 Tujuan dari penelitian ini adalah untuk menganalisis keefektifan Indeks Volatilitas Pasar Bursa Chicago (VIX) bila digunakan dengan Support Vector Machines (SVMs) untuk meramalkan perubahan mingguan pada indeks SampP 500 . Data yang diberikan mencakup periode antara 3 Januari 2000 dan 30 Desember 2011. Simulasi perdagangan diimplementasikan sehingga efisiensi statistik dilengkapi dengan ukuran kinerja ekonomi. Masukan yang dipertahankan adalah aturan perdagangan teknis tradisional yang biasa digunakan dalam analisis pasar ekuitas seperti Indeks Kekuatan Relatif, Moving Average Convergence Divergence, VIX dan pengembalian harian SampP 500. SVM mengidentifikasi situasi terbaik untuk membeli atau menjual pasar. Dua keluaran SVM adalah pergerakan pasar dan tingkat keanggotaan yang ditetapkan. Hasil yang diperoleh menunjukkan bahwa SVM menggunakan VIX menghasilkan hasil yang lebih baik daripada strategi Buy and Hold atau SVM tanpa VIX. Pengaruh VIX dalam sistem perdagangan sangat penting saat periode bearish muncul. Selain itu, SVM memungkinkan pengurangan Drawdown Maksimum dan deviasi standar tahunan. Dukungan Vektor Mesin Strategi perdagangan kuantitatif VIX RSI MACD Machine learning Referensi Allen HL, Taylor MP (1990) Grafik, kebisingan dan fundamental di pasar valuta asing London. Econ J 100: 4959 CrossRef Google Scholar Andersen TG, Bollerslev T (1998) Menjawab para skeptis: ya model volatilitas standar memberikan perkiraan yang akurat. Int Econ Rev 39: 885905 CrossRef Google Scholar Blair BJ, Poon SH, Taylor SJ (2001) Peramalan volatilitas Sampr 100: informasi inkremental dari volatilitas tersirat dan indeks frekuensi tinggi kembali. J Econom 105: 526 CrossRef MATH MathSciNet Google Scholar Bollerslev T (1986) Generalized heterosedasticity bersyarat autoregresif. J Econom 31: 307327 CrossRef MATH MathSciNet Google Scholar Brock W, Lakonishok J, LeBaron B (1992) Aturan perdagangan teknis sederhana dan sifat stokastik pengembalian saham. J Finance 47: 17311764 CrossRef Google Scholar Burges C (1998) Tutorial tentang mesin vektor pendukung untuk pengenalan pola. Data Min Knowl Disc 2: 121167 CrossRef Google Scholar Canu S, Grandvalet Y, Guigue V, Rakotomamonjy A (2005) Metode SVM dan Kernel Matlab toolbox, systmes persepsi dan informasi. INSA de Rouen, Rouen Google Scholar Cao L, Tay F (2003) Mendukung mesin vektor dengan parameter adaptif dalam peramalan deret waktu keuangan. IEEE Trans Neural Networks 14: 15061518 CrossRef Google Scholar Chapelle O, Haner P, Vapnik VN (1999) Mendukung mesin vektor untuk klasifikasi gambar berbasis histogram. IEEE Trans Neural Networks 10 (5): 10551064 CrossRef Google Scholar Chong TT-L, Ng W-K (2008) Analisis teknis dan bursa London: menguji peraturan MACD dan RSI menggunakan FT30. Appl Econ Lett 15: 11111114 CrossRef Google Scholar Cristianini N, Taylor JS (2000) Pengantar untuk mendukung mesin vektor dan metode pembelajaran berbasis kernel lainnya. Cambridge University Press, New York CrossRef Google Scholar Dunis CL, Rosillo R, De la Fuente D, Pino R (2013) Peramalan IBEX-35 bergerak menggunakan mesin vektor pendukung. Alat Komputasi Neural 23 (1): 229236. Doi: 10.1007s00521-012-0821-9 CrossRef Google Scholar Dunis C, Likothanassis S, Karathanasopoulos A, Sermpinis G, Theofilatos K (2013b) Pendekatan mesin vektor genetika hybrid-support dalam tugas peramalan dan perdagangan ASE 20. J Asset Manag 120. doi: 10.1057jam.2013.2 Evgeniou T, Pontil M, Poggio T (2000) Jaringan regulasi dan mesin vektor pendukung. Adv Comput Math 13: 150 CrossRef MATH MathSciNet Google Scholar Hajizadeh E, Seifi A, Zarandi MNF, Turksen IB (2012) Pendekatan pemodelan hibrida untuk meramalkan volatilitas indeks SampP 500 kembali. Ahli Syst Appl 39 (1): 431436. Doi: 10.1016j.eswa.2011.07.033 CrossRef Google Scholar Huang S, Sun Z (2001) Mendukung pendekatan mesin vektor untuk prediksi lokalisasi subselular protein. Bioinformatika 17: 721728 CrossRef Google Scholar Huang W, Nakamori Y, Wang SY (2005) Peramalan arah pergerakan pasar saham dengan mesin vektor pendukung. Comput Oper Res 32: 25132522 CrossRef MATH Google Scholar Kim K (2003) Peramalan deret waktu keuangan menggunakan mesin vektor pendukung. Neurocomputing 55: 307319 CrossRef Google Scholar Kwon KY, Kish RJ (2002) Strategi perdagangan teknis dan prediktabilitas return: NYSE. Appl Financ Econ 12: 639653 CrossRef Google Scholar Lee M-C (2009) Menggunakan mesin vektor pendukung dengan metode pemilihan fitur hibrida dengan prediksi tren saham. Ahli Syst Appl 36 (8): 1089610904 CrossRef Google Scholar Menkhoff L, Taylor MP (2007) Hasrat keras profesional valuta asing: analisis teknis. J Econ Lit 45: 936972 CrossRef Google Scholar Mills TC (1997) Analisis teknis dan bursa London: menguji peraturan perdagangan menggunakan FT30. Int J Finance Econ 2: 319331 CrossRef Google Scholar Murphy JJ (1999) Analisis teknis pasar keuangan. Institut Keuangan, New York Google Scholar Perez-Cruz F, Alfonso-Rodiguez JA, Giner J (2003) Memperkirakan model GARCH menggunakan mesin vektor pendukung. Quant Finance 3 (3): 163172 CrossRef MathSciNet Google Cendekia Rodriguez-Gonzalez A, Garcia-Crespo A, Colomo-Palacios R et al (2011) CAST: menggunakan jaringan syaraf tiruan untuk memperbaiki sistem perdagangan berdasarkan analisis teknis dengan menggunakan data RSI indikator. Ahli Analisis Syst Appl 38 (9): 1148911500 CrossRef Google Scholar Rosillo R, De la Fuente D, Brugos JAL (2013) Analisis teknis dan pertukaran saham Spanyol: menguji peraturan RSI, MACD, momentum dan stokastik menggunakan perusahaan pasar Spanyol. Appl Econ 45: 15411550 CrossRef Google Scholar Szado E (2009) VIX futures and options: studi kasus diversifikasi portofolio selama krisis keuangan tahun 2008. J Altern Invest 12 (2): 6885, 18p Google Scholar Taylor MP, Allen HL (1992) Penggunaan analisis teknis di pasar valuta asing. J Int Money Finance 11: 304314 CrossRef Google Scholar Vapnik VN (1998) Teori pembelajaran statistik. Wiley, New York MATH Google Scholar Vapnik VN (1999) Ikhtisar teori pembelajaran statistik. IEEE Trans Neural Netw 10: 988999 CrossRef Google Scholar Welles Wilder J Jr (1978) Konsep baru dalam sistem perdagangan teknis. Hunter Publishing Company, Greensboro, NC Google Scholar Whaley R (2009) Memahami VIX. J Portf Manag 35: 98105 CrossRef Google Scholar Informasi hak cipta Springer-Verlag London 2013 Penulis dan Afiliasi Rafael Rosillo 1 Penulis Email Javier Giner 2 David de la Fuente 1 1. Departemen Manajemen Bisnis Universitas Oviedo Oviedo Spanyol 2. Keuangan dan Jurusan Ekonomi Universitas La Laguna La Laguna Spain Tentang artikel ini Keefektifan penggunaan gabungan Mesin Pendukung VIX dan Support pada prediksi SampP 500 Kutipan artikel ini sebagai: Rosillo, R. Giner, J. de la Fuente, D. Aplikasi Komputasi Neural (2014) 25: 321. doi: 10.1007s00521-013-1487-7 Tujuan dari penelitian ini adalah untuk menganalisis keefektifan Chicago Volatility Market Exchange Exchange Volatility Index (VIX) bila digunakan dengan Support Vector Machines (SVMs) untuk meramalkan Perubahan mingguan indeks SampP 500. Data yang diberikan mencakup periode antara 3 Januari 2000 dan 30 Desember 2011. Simulasi perdagangan diimplementasikan sehingga efisiensi statistik dilengkapi dengan ukuran kinerja ekonomi. Masukan yang dipertahankan adalah aturan perdagangan teknis tradisional yang biasa digunakan dalam analisis pasar ekuitas seperti Indeks Kekuatan Relatif, Moving Average Convergence Divergence, VIX dan pengembalian harian SampP 500. SVM mengidentifikasi situasi terbaik untuk membeli atau menjual pasar. Dua keluaran SVM adalah pergerakan pasar dan tingkat keanggotaan yang ditetapkan. Hasil yang diperoleh menunjukkan bahwa SVM menggunakan VIX menghasilkan hasil yang lebih baik daripada strategi Buy and Hold atau SVM tanpa VIX. Pengaruh VIX dalam sistem perdagangan sangat penting saat periode bearish muncul. Selain itu, SVM memungkinkan pengurangan Drawdown Maksimum dan deviasi standar tahunan. Dukungan Vektor Mesin Strategi perdagangan kuantitatif VIX RSI MACD Machine learning Referensi Allen HL, Taylor MP (1990) Grafik, kebisingan dan fundamental di pasar valuta asing London. Econ J 100: 4959 CrossRef Google Scholar Andersen TG, Bollerslev T (1998) Menjawab para skeptis: ya model volatilitas standar memberikan perkiraan yang akurat. Int Econ Rev 39: 885905 CrossRef Google Scholar Blair BJ, Poon SH, Taylor SJ (2001) Peramalan volatilitas Sampr 100: informasi inkremental dari volatilitas tersirat dan indeks frekuensi tinggi kembali. J Econom 105: 526 CrossRef MATH MathSciNet Google Scholar Bollerslev T (1986) Generalized heterosedasticity bersyarat autoregresif. J Econom 31: 307327 CrossRef MATH MathSciNet Google Scholar Brock W, Lakonishok J, LeBaron B (1992) Aturan perdagangan teknis sederhana dan sifat stokastik pengembalian saham. J Finance 47: 17311764 CrossRef Google Scholar Burges C (1998) Tutorial tentang mesin vektor pendukung untuk pengenalan pola. Data Min Knowl Disc 2: 121167 CrossRef Google Scholar Canu S, Grandvalet Y, Guigue V, Rakotomamonjy A (2005) Metode SVM dan Kernel Matlab toolbox, systmes persepsi dan informasi. INSA de Rouen, Rouen Google Scholar Cao L, Tay F (2003) Mendukung mesin vektor dengan parameter adaptif dalam peramalan deret waktu keuangan. IEEE Trans Neural Networks 14: 15061518 CrossRef Google Scholar Chapelle O, Haner P, Vapnik VN (1999) Mendukung mesin vektor untuk klasifikasi gambar berbasis histogram. IEEE Trans Neural Networks 10 (5): 10551064 CrossRef Google Scholar Chong TT-L, Ng W-K (2008) Analisis teknis dan bursa London: menguji peraturan MACD dan RSI menggunakan FT30. Appl Econ Lett 15: 11111114 CrossRef Google Scholar Cristianini N, Taylor JS (2000) Pengantar untuk mendukung mesin vektor dan metode pembelajaran berbasis kernel lainnya. Cambridge University Press, New York CrossRef Google Scholar Dunis CL, Rosillo R, De la Fuente D, Pino R (2013) Peramalan IBEX-35 bergerak menggunakan mesin vektor pendukung. Alat Komputasi Neural 23 (1): 229236. Doi: 10.1007s00521-012-0821-9 CrossRef Google Scholar Dunis C, Likothanassis S, Karathanasopoulos A, Sermpinis G, Theofilatos K (2013b) Pendekatan mesin vektor genetika hybrid-support dalam tugas peramalan dan perdagangan ASE 20. J Asset Manag 120. doi: 10.1057jam.2013.2 Evgeniou T, Pontil M, Poggio T (2000) Jaringan regulasi dan mesin vektor pendukung. Adv Comput Math 13: 150 CrossRef MATH MathSciNet Google Scholar Hajizadeh E, Seifi A, Zarandi MNF, Turksen IB (2012) Pendekatan pemodelan hibrida untuk meramalkan volatilitas indeks SampP 500 kembali. Ahli Syst Appl 39 (1): 431436. Doi: 10.1016j.eswa.2011.07.033 CrossRef Google Scholar Huang S, Sun Z (2001) Mendukung pendekatan mesin vektor untuk prediksi lokalisasi subselular protein. Bioinformatika 17: 721728 CrossRef Google Scholar Huang W, Nakamori Y, Wang SY (2005) Peramalan arah pergerakan pasar saham dengan mesin vektor pendukung. Comput Oper Res 32: 25132522 CrossRef MATH Google Scholar Kim K (2003) Peramalan deret waktu keuangan menggunakan mesin vektor pendukung. Neurocomputing 55: 307319 CrossRef Google Scholar Kwon KY, Kish RJ (2002) Strategi perdagangan teknis dan prediktabilitas return: NYSE. Appl Financ Econ 12: 639653 CrossRef Google Scholar Lee M-C (2009) Menggunakan mesin vektor pendukung dengan metode pemilihan fitur hibrida dengan prediksi tren saham. Ahli Syst Appl 36 (8): 1089610904 CrossRef Google Scholar Menkhoff L, Taylor MP (2007) Hasrat keras profesional valuta asing: analisis teknis. J Econ Lit 45: 936972 CrossRef Google Scholar Mills TC (1997) Analisis teknis dan bursa London: menguji peraturan perdagangan menggunakan FT30. Int J Finance Econ 2: 319331 CrossRef Google Scholar Murphy JJ (1999) Analisis teknis pasar keuangan. Institut Keuangan, New York Google Scholar Perez-Cruz F, Alfonso-Rodiguez JA, Giner J (2003) Memperkirakan model GARCH menggunakan mesin vektor pendukung. Quant Finance 3 (3): 163172 CrossRef MathSciNet Google Cendekia Rodriguez-Gonzalez A, Garcia-Crespo A, Colomo-Palacios R et al (2011) CAST: menggunakan jaringan syaraf tiruan untuk memperbaiki sistem perdagangan berdasarkan analisis teknis dengan menggunakan data RSI indikator. Ahli Analisis Syst Appl 38 (9): 1148911500 CrossRef Google Scholar Rosillo R, De la Fuente D, Brugos JAL (2013) Analisis teknis dan pertukaran saham Spanyol: menguji peraturan RSI, MACD, momentum dan stokastik menggunakan perusahaan pasar Spanyol. Appl Econ 45: 15411550 CrossRef Google Scholar Szado E (2009) VIX futures and options: studi kasus diversifikasi portofolio selama krisis keuangan tahun 2008. J Altern Invest 12 (2): 6885, 18p Google Scholar Taylor MP, Allen HL (1992) Penggunaan analisis teknis di pasar valuta asing. J Int Money Finance 11: 304314 CrossRef Google Scholar Vapnik VN (1998) Teori pembelajaran statistik. Wiley, New York MATH Google Scholar Vapnik VN (1999) Ikhtisar teori pembelajaran statistik. IEEE Trans Neural Netw 10: 988999 CrossRef Google Scholar Welles Wilder J Jr (1978) Konsep baru dalam sistem perdagangan teknis. Hunter Publishing Company, Greensboro, NC Google Scholar Whaley R (2009) Memahami VIX. J Portf Manag 35: 98105 CrossRef Google Scholar Informasi hak cipta Springer-Verlag London 2013 Penulis dan Afiliasi Rafael Rosillo 1 Penulis Email Javier Giner 2 David de la Fuente 1 1. Departemen Manajemen Bisnis Universitas Oviedo Oviedo Spanyol 2. Keuangan dan Jurusan Ekonomi Universitas La Laguna La Laguna Spain Tentang artikel iniPenelitian tentang sistem perdagangan rata-rata bergerak sederhana berdasarkan SVM Abstrak abstrak Abstraksi: Dalam tulisan ini, saya mengusulkan pendekatan pembelajaran genetik untuk menghasilkan sistem perdagangan teknis untuk penentuan waktu saham. Indikator teknis yang paling informatif dipilih dari sekian 5000 sinyal dengan algoritma genetika multi objective dengan panjang string yang bervariasi. Secara berturut-turut, sinyal-sinyal ini digabungkan menjadi sinyal perdagangan unik dengan metode pembelajaran. Saya menguji solusi pembobotan ahli yang diperoleh oleh komite pemungutan suara majemuk, model Bayesian rata-rata dan prosedur Boosting dengan data dari Indeks Komposit Sampar 500, dalam tiga tahap pasar, tren naik, tren turun dan pergerakan menyamping, yang mencakup periode 2000-2006 Hasil komputasional menunjukkan bahwa aturan yang hampir optimal bervariasi di antara fase pasar namun menghasilkan hasil yang stabil dan mampu mengurangi atau menghilangkan kerugian pada periode tren turun. Artikel Dec 2010 Massimiliano Kaucic Tampilkan abstrak Abstrak: Kami mengusulkan sistem perdagangan otomatis multi-stok yang mengandalkan struktur berlapis yang terdiri dari algoritma pembelajaran mesin, utilitas pembelajaran online, dan overlay manajemen risiko. Alternate decision tree (ADT), yang diimplementasikan dengan Logitboost, dipilih sebagai algoritma yang mendasari. Salah satu kekuatan pendekatan kami adalah algoritma tersebut dapat memilih kombinasi terbaik dari aturan yang berasal dari indikator analisis teknis yang terkenal dan juga dapat memilih parameter terbaik dari indikator teknis. Selain itu, lapisan pembelajaran online menggabungkan keluaran beberapa ADT dan menunjukkan posisi pendek atau panjang. Akhirnya, lapisan manajemen risiko dapat memvalidasi sinyal perdagangan saat melampaui ambang batas nol yang ditentukan dan membatasi penerapan strategi perdagangan saat tidak menguntungkan. Kami menguji algoritma pembobotan ahli dengan data dari 100 perusahaan yang dipilih secara acak dari indeks SampP 500 selama periode 2003-2005. Kami menemukan bahwa algoritma ini menghasilkan abnormal return selama periode pengujian. Eksperimen kami menunjukkan bahwa pendekatan penguat dapat meningkatkan kapasitas prediksi saat indikator dikombinasikan dan digabungkan sebagai prediktor tunggal. Terlebih lagi, kombinasi indikator dari berbagai saham terbukti cukup memadai untuk mengurangi penggunaan sumber daya komputasi, dan tetap mempertahankan kapasitas prediksi yang memadai. Artikel Apr 2010 German Creamer Yoav Freund Abstrak abstrak Abstraksi: Makalah ini mengkaji profitabilitas penerapan variabel dan fixed moving averages serta trade range breakout (TRB) pada sembilan indeks pasar harian populer Asia dari 1 Januari 1988 sampai 31 Desember 2003. Hasil pengujian memberikan dukungan kuat untuk variabel moving averages (rata-rata bergerak bergerak), khususnya, dan fixed moving averages (FMAs) di pasar modal China, Thailand, Taiwan, Malaysia, Singapura, Hong Kong, Korea, dan Indonesia. Panjang 20 hari dan 60 hari nampaknya paling menguntungkan untuk variabel dan fixed moving averages. Daya tarik teknis dari aturan perdagangan menawarkan banyak peluang keuntungan bagi pelaku pasar. Artikel Feb 2006 Lai Ming-Ming Lau Siok-Hwa
Sbi-forex-branch-in-mumbai
Kami-opsi-trading-account