Monatliche Archive: Oktober 2012 Die hochfrequente Financial Trading Schnittstelle von iMetrica. Leicht konstruieren In-Sample-Trading-Strategien mit einer Reihe von Optimierern einzigartig für iMetrica und verwenden Sie dann die Strategien out-of-Probe zu testen und Feinabstimmung der Trading-Performance. Dieses Blog dient als Einführung und Tutorial zu Hybridometrics mit iMetrica. Verwendung einer Kombination von modellbasierten und nicht-modellbasierte Methoden Hybridometrics ist ein Begriff verwendet, um die Analyse, Modellierung, Signalextraktion und Prognose von uni - und multivariate Finanz - und Wirtschaftszeitreihendaten auszudrücken. Ideale Kombinationen von Berechnungsparadigmen und Methodiken, die in Hybridometrien verwendet werden, umfassen traditionelle stochastische Modelle wie (S) ARIMA-Modelle, GARCH-Modelle und multivariate stochastische Volatiluty-Modelle kombiniert mit empirischen Moduszerlegungstechniken und dem multivariaten Direktfilteransatz ( MDFA). Das Ziel der hybridometrischen Modellierung ist es, Signal-Extraktionen und Prognosen für den offiziellen Gebrauch oder die Verwendung der Regierung zu erhalten, bis hin zu Hochfrequenz-Finanzhandel Strategien, die besser als mit nur Modell-oder nicht-Modell basierte Methoden allein. Mit anderen Worten, Hybridometrie versucht, die Vorteile der verschiedenen Paradigmen kombiniert zu extrahieren, um traditionelle Ansätze zur Zeitreihenmodellierung zu extrahieren. Das iMetrica-Softwarepaket bietet das vielseitigste und rechnerisch effizienteste Portal für dieses neu vorgeschlagene Zeitreihenmodellierungsparadigma, das überraschend einfach zu bedienen ist. Das iMetrica-Softwarepaket ist ein einzigartiges System von ökonometrischen und finanziellen Handelsinstrumenten, das auf Geschwindigkeit, Benutzerinteraktion, Visualisierungswerkzeuge und Point-and-Click-Einfachheit in Gebäudemodellen für Zeitreihendaten aller Art fokussiert. Geschrieben vollständig in GNU C und Fortran mit einer reichen interaktive Schnittstelle in Java geschrieben, bietet die iMetrica Software eine Fülle von ökonometrischen Werkzeuge zur Signalextraktion und Prognose in Serie multivariate Zeit, die beide leicht zu erreichen mit dem Klick auf eine Maustaste sind und schnell mit Ergebnissen Berechnet und aufgetragen, ohne dass es erforderlich ist, Ausgabedateien zu erstellen oder externe Plottervorrichtungen aufzurufen. Eine leistungsstarke Funktion, die auf die iMetrica Software einzigartig ist, ist die angeborene Fähigkeit, leicht sowohl modellbasierte Kombination und nicht-Modell basierte Methoden für die Gestaltung von Daten Vorhersage Signalextraktionsfilter oder Hochfrequenz-Finanzhandelsstrategien. Darüber hinaus können die Strategien berechnet und getestet sowohl in-Probe und out-of-Probe unter Verwendung einer einfachen integrierten Datenpartitionierungs zu verwenden, die effektiv die Daten in ein In-Sample-Speicherpartitionen, auf denen Modelle und Filter berechnet werden und dann eine aus Bei der neue Daten auf die In-Sample-Strategie angewandt werden, um auf Robustheit, Überanpassung und viele andere gewünschte Eigenschaften zu testen. Dies gibt dem Anwender die Freiheit, ein schnelles und effizientes Test-Bett zur Implementierung von Signallextraktionen, Prognose von Regimen oder Finanzhandelsstrategien zu schaffen. Die iMetrica-Software-Umgebung umfasst fünf interagierende Zeitreihen-Analysemodule für den Aufbau hybrider Prognosen, Signalextraktionen und Handelsstrategien. USimX13 8211 Ein Rechenumfeld für univariate saisonale auto-regressive integrierte gleitende Mittelwertbildung (SARIMA) Modellierung und Simulation mit X-13ARIMA-SEATS. Kennzeichnet einen interaktiven Ansatz zur Modellierung saisonaler ökonomischer Zeitreihen mit SARIMA-Modellen und automatischer Ausreißererkennung, Handelstag und Holiday Regressor-Effekten. Darüber hinaus umfasst eine Reihe von Modellvergleichs-Tools mit modernen und Güte-of-fit-Signal-Extraktion Diagnostik. BayesCronos 8211 Ein interaktives Zeitreihenmodul zur Signalerfassung und Prognose multivariater ökonomischer und finanzieller Zeitreihen mit Schwerpunkt Bayessche Berechnung und Simulation. Dieses Modul umfasst eine Vielzahl von Modellen, darunter ARIMA, GARCH, EGARCH, Stochastische Volatilität, Multivariatfaktor Stochastische Volatilität, Dynamischer Faktor und Multivariat H igh-Fr e quenz-B a sed V olatilit y (HEAVY) . Für die meisten der vorgestellten Modelle kann man die Bayessche und / oder die Quasi-Maximum-Likelihood-Schätzungen anhand eines Metropolis-Hastings Monte Carlo Markov Chain-Ansatzes (Bayesian) oder einer QMLE-Formulierung für die Berechnung der Modellparameterschätzungen berechnen. Über eine komfortable Schnittstelle zur Modellauswahl ist der vollständige Zugriff auf Modelltypen, Modellparameterdimensionen, vorherige Verteilungsparameter nahtlos verfügbar. Im Fall der Bayesschen Schätzung hat man eine vollständige Kontrolle über die vorherigen Verteilungen der Modellparameter und bietet eine interaktive Visualisierung der Monte Carlo Markov Chain-Parameterproben. Für jedes Modell können bis zu 10 Beispielprognosen mit 36 Schritten erstellt und gleichzeitig mit anderen wichtigen Modellmerkmalen wie Modellresiduen, berechneter Volatilität, prognostizierter Volatilität, Faktormodellen und mehr dargestellt und visualisiert werden. Die Ergebnisse können dann leicht in andere Module in iMetrica für zusätzliche Filterung und / oder Modellierung exportiert werden. MDFA 8211 Eine interaktive Schnittstelle zur umfassendsten multivariaten Echtzeit-Filteranalyse und Berechnungsumgebung in der Welt. Erstellen Sie Echtzeitfilter, die sowohl I-MDFA - als auch ZPC-Filterkonstruktionen verwenden. Das Modul enthält interaktiven Zugriff auf Aktualität, Glättung und Genauigkeitskontrollen für die Filteranpassung sowie Parameter für die Filterregistrierung zur Kontrolle der Überformatierung. Zu den erweiterten Funktionen gehören eine Schnittstelle zum Aufbau adaptiver Filter und viele Steuerungen für Filteroptimierung, Anpassung, Datenprognose und Zielfilterbau. State Space Modelling 8211 Ein Modul für den Bau von beobachteten Komponenten ARIMA und Regressionsmodelle für univariate ökonomische Zeitreihen. Ähnlich wie die uSimX13-Modul konzentriert sich die State Space Modelling-Umgebung auf Modellierung und Prognose ökonomischer Zeitreihen-Daten, aber mit viel mehr Allgemeingültigkeit als SARIMA-Modelle. Eine Aggregation der beobachteten stochastischen Komponenten in Form von ARIMA-Modelle sind für die Zeitreihendaten (zum Beispiel Trend der Saison unregelmäßig) festgelegt und dann Regressions Komponenten Ausreißern, Urlaub zu modellieren, und Handelstag Effekte werden den stochastischen Komponenten hinzugefügt ultimative Flexibilität in Modellbau. Das Modul verwendet regCMPNT, eine Suite des Fortran-Codes, die im US Census Bureau geschrieben wurde, für die Berechnungsroutinen mit maximaler Wahrscheinlichkeit und Kalman-Filter. EMD 8211 Das EMD-Modul bietet eine Zeit-Frequenz-Zerlegungsumgebung für die Zeit-Frequenz-Analyse von Zeitreihendaten. Das Modul bietet sowohl die ursprüngliche empirische Modus-Zersetzungstechnik von Huan et al. Unter Verwendung kubischer Splines, zusammen mit einem adaptiven Ansatz unter Verwendung von Reproduktionskerneln und Direkt-Filterung. Diese empirische Technik Zersetzung zersetzt nicht linear und nicht-stationären Zeitreihe in amplitudenmodulierten und frequenzmodulierten (AM-FM) Komponenten und berechnet dann die intrinsische Phase und Momentanfrequenzkomponenten aus dem FM-Komponenten. Alle Plots der Komponenten sowie die zeitlichen Wärmekarten werden sofort erzeugt. Zusammen mit diesen Modulen gibt es auch ein Datensteuermodul, das alle Aspekte der Zeitreihendateneingabe und - export berücksichtigt. Innerhalb dieses Haupt-Daten-Control-Hub, kann man importieren multivariate Zeitreihen-Daten aus einer Vielzahl von Dateiformaten, sowie Download von finanziellen Zeitreihen-Daten direkt von Yahoo Finanzen oder einer anderen Quelle wie Reuters für höhere Frequenz Finanzdaten. Sobald die Daten geladen sind, können die Daten normalisiert, skaliert, erniedrigt und / oder log-transformiert werden mit einem einfachen Schieberegler und Tastensteuerelementen, wobei die Effekte sofort auf der graphischen Leinwand aufgetragen werden. Ein weiteres großes Merkmal der iMetrica-Software ist die Fähigkeit, mehr über die Zeitreihenmodellierung durch die Verwendung von Datensimulatoren zu lernen. Das Datensteuermodul enthält ein Array von Datensimulationsfeldern zur Simulation von Daten aus einer Vielzahl von sowohl univariaten als auch multivariaten Zeitreihenmodellen. Mit dem Zugriff auf die Kontrolle der Anzahl der Beobachtungen, der Zufallsstart für den Innovationsprozess, der Innovationsprozessverteilung und den Modellparametern können simulierte Daten für jede Art von ökonomischen oder finanziellen Zeitreihen konstruiert werden, die man sich vorstellen kann. Zu den verschiedenen Typen von Modellen gehören (S) ARIMA-Modelle, GARCH-Modelle, korrelierte Zyklusmodelle, Trendmodelle, multivariate Faktor-Stochastik-Volatilitätsmodelle und HEAVY-Modelle. Aus der Simulation von Daten und dem Umschalten der Parameter kann man sofort die Auswirkungen der einzelnen Parameter auf die simulierten Daten visualisieren. Die Daten können dann in jedes der Module für das Üben und Honen one8217s Fähigkeiten in Hybrid-Modellierung, Signalextraktion und Prognose exportiert werden. Halten Sie den Besuch dieses Blogs häufig für kontinuierliche Updates, Tutorials und Vorschläge im Bereich der Ökonometrie, Signalextraktion, Forecasting und hochfrequente Finanzhandel. Unter Verwendung von Hybridometrien und iMetrica. TI und Cao, 2001 Kim, 2003 Huang et al., 2005 Chen und Shih, 2006) wurden in vielen Studien zur Prognose der täglichen Aktienkursbewegungen eingesetzt und haben gezeigt, dass sie die neuronalen Netze übertreffen. Für die Prognose der Finanzmärkte wurde eine Vielzahl anderer maschineller Lernansätze eingesetzt, darunter das Verstärkungslernen (O et al. 2006), das evolutionäre Bootstrapping (Lebaron, 1998) und die prinzipielle Komponentenanalyse (Towers und Burgess, 1999). Obwohl viele dieser Studien zeigen, dass sie ihre Benchmarks übertreffen, haben wir festgestellt, dass die meisten Ansätze große Drawdowns 2 in Gewinnen zeigen und großes und exzessives Schaltverhalten, das zu sehr hohen Transaktionskosten führt. Zusammenfassung Zusammenfassung Abstrakte Zusammenfassung ABSTRAKT: Saisonale Effekte und empirische Regelmäßigkeiten in finanziellen Daten wurden gut in der Finanzwirtschaft Literatur für mehr als sieben Jahrzehnten dokumentiert. Dieses Papier schlägt ein Expertensystem vor, das neuartige maschinelle Lerntechniken einsetzt, um die Preisrückkehr über diesen Saisonereignissen vorherzusagen, und verwendet dann diese Vorhersagen, um eine rentable Handelstrategie zu entwickeln. Während einfache Ansätze für den Handel mit diesen Regelmässigkeiten sich als rentabel erweisen können, führen solche Geschäfte zu potenziellen großen Verlusten (Spitzen - bis Tiefstand einer Investition, gemessen als Prozentsatz zwischen dem Spitzenwert und dem Tiefstand) im Ergebnis. In dieser Arbeit stellen wir ein automatisiertes Handelssystem vor, das auf leistungsgewichteten Ensembles von zufälligen Wäldern basiert, die die Rentabilität und Stabilität der jahreszeitlichen Ereignisse im Handel verbessern. Eine Analyse der verschiedenen Regressionstechniken wird durchgeführt, sowie eine Erforschung der Verdienste der verschiedenen Techniken für Experten Gewichtung. Die Performance der Modelle wird mit einer großen Stichprobe des DAX analysiert. Die Ergebnisse zeigen, dass recency-gewichtet Ensembles von zufälligen Wäldern überlegene Ergebnisse in Bezug auf die Rentabilität und Vorhersage Genauigkeit im Vergleich zu anderen Ensemble-Techniken. Es wird auch festgestellt, dass die Verwendung von Saisonalitätseffekten überlegene Ergebnisse liefert, als sie nicht explizit modelliert zu haben. Volltext-Artikel Juni 2014 Ash Booth Enrico Gerding Frank McGroarty quotLeBaron 47 angewendet bootstrapping auf Arbitrage-Chancen auf dem Devisenmarkt zu erfassen, und dann ein neuronales Netzwerk, wo seine Netzwerk-Architektur wurde durch einen evolutionären Prozess bestimmt. Schließlich nutzten Towers und Burgess 62 hauptsächlich Komponenten, um Arbitragemöglichkeiten zu erfassen. ZUSAMMENFASSUNG: Wir schlagen ein automatisches Handelssystem mit mehreren Beständen vor, das auf einer mehrschichtigen Struktur beruht, die aus einem maschinellen Lernalgorithmus, einem Online-Lernprogramm und einem Risikomanagement-Overlay besteht. Alternativer Entscheidungsbaum (ADT), der mit Logitboost implementiert wird, wurde als der zugrunde liegende Algorithmus gewählt. Eine der Stärken unseres Ansatzes ist, dass der Algorithmus in der Lage ist, die beste Kombination von Regeln auszuwählen, die aus bekannten technischen Analyseindikatoren abgeleitet werden, und ist auch in der Lage, die besten Parameter der technischen Indikatoren auszuwählen. Zusätzlich kombiniert die Online-Lernschicht die Ausgabe von mehreren ADTs und schlägt eine kurze oder lange Position vor. Schließlich kann die Risikomanagement-Schicht das Handelssignal validieren, wenn sie einen vorgegebenen Schwellenwert ungleich Null überschreitet und die Anwendung unserer Handelsstrategie begrenzt, wenn sie nicht rentabel ist. Wir testen den Expertengewichtungsalgorithmus mit Daten von 100 zufällig ausgewählten Unternehmen des SampP 500 Index im Zeitraum 2003-2005. Wir finden, dass dieser Algorithmus während der Testperiode abnormale Renditen erzeugt. Unsere Experimente zeigen, dass der Boosting-Ansatz in der Lage ist, die prädiktive Kapazität zu verbessern, wenn Indikatoren kombiniert und als ein einzelner Prädiktor zusammengefasst werden. Darüber hinaus zeigte die Kombination von Indikatoren verschiedener Bestände als ausreichend, um die Verwendung von Rechenressourcen zu reduzieren und dennoch eine angemessene Vorhersagekapazität aufrechtzuerhalten. Artikel Apr 2010 German Creamer Yoav FreundKontrolle der Nichtstationarität im statistischen Arbitrage unter Verwendung eines Portfolios von Kointegrationsmodellen Wir präsentieren eine Analyse der Zeitreihenmodellierung, die die Möglichkeit einer unmodellierten Komponente ermöglicht, die in dem zugrunde liegenden Erzeugungsprozess vorhanden ist, aber nicht in einem erfasst wird Besondere Modell der Zeitreihe. Innerhalb dieses Rahmens ist Nichtstationarität eine relative, nicht eine absolute, Eigenschaft, die von einer gegebenen Datenrepräsentation, einem Modell und / oder einem Satz von Parametern abhängig ist. Wir wenden diese Perspektive auf das Problem des Handels mit statistischen Arbitragemodellen an, die auf dem ökonometrischen Konzept der schwachen Kointegration zwischen den Vermögenspreisen beruhen. Wir zeigen, wie ein Modellierungsrahmen, der mehrere Modelle unterstützt, den Out-of-Sample-Leistungsabfall verringern kann, der durch Nicht-Stationaritäten in der relativen Preisdynamik des Zielvermögens verursacht wird. Eine notwendige Bedingung besteht darin, dass die unmodellierten Komponenten der einzelnen Modelle weniger als perfekt korreliert sein müssen und damit den Einsatz eines Populationsbasierten Algorithmus motivieren, der gemeinsam ein Portfolio von dekorrelierten Modellen optimiert. Wir beschreiben eine Anwendung dieser Methodik auf den Handel statistischer Arbitrage zwischen Aktienindex-Futures und aktuellen empirischen Ergebnissen, bevor wir mit einer kurzen Diskussion der Fragen und einer Skizze der laufenden Entwicklungen abschließen. Möchten Sie den Rest dieses Artikels lesen. Abstrakt anzeigen Abstrakt ausblenden ABSTRACT:. Im Rahmen einer dynamischen Handelsstrategie ist es das Ziel eines Prognosemodells, Maßnahmen zu wählen, die zur Optimierung des Handelsziels führen. In diesem Beitrag wird eine Methodik zur Optimierung einer Zielfunktion mit einer parametrisierten Entscheidungsregel für ein gegebenes Prognosemodell entwickelt. Wir simulieren die erwartete Handelsperformance für unterschiedliche Entscheidungsparameter und Ebenen der Prädiktionsgenauigkeit. Anschließend wenden wir die Technik auf ein Prognosemodell von Fehlentscheidungen innerhalb einer Gruppe von Aktienindizes an. Wir zeigen, dass die Optimierung der vorgeschlagenen Entscheidungsregel die annualisierte Sharpe Ratio um einen Faktor von 1,7 über eine naive Entscheidungsregel erhöhen kann. 1 Einleitung In den letzten Jahren wurden erhebliche Forschungsanstrengungen zur Entwicklung von Finanzprognosemodellen durchgeführt, die versuchen, die Dynamik der Finanzmärkte zu nutzen. Die Forschung in der Finanzprognose hat angewandt und oft erweitert Techniken entwickelt, die in den Bereichen des maschinellen Lernens, non-p entwickelt. Artikel Feb 1970 N. Towers A. N. Burgess Zusammenfassung anzeigen Zusammenfassung verstecken ABSTRAKT:. In diesem Beitrag werden unter Einsatz parametrisierter Entscheidungsregeln Trading-Strategien für Asset-Price-Prognosemodelle implementiert. Wir entwickeln ein synthetisches Handelsumfeld, um die relativen Auswirkungen der Modifikation des Prognosemodells und der Entscheidungsregel auf die Rentabilität zu untersuchen. Wir zeigen, dass die Umsetzung der Handelsregel für die Trading-Performance ebenso wichtig sein kann wie die prädiktive Fähigkeit des Prognosemodells. Wir wenden diese Techniken auf ein Beispiel eines Prognosemodells an, das aus einem intra-tägigen, quasi-statistisch falschen Preis einer Kombination von Aktienindizes generiert wird. Die Ergebnisse deuten darauf hin, dass die Optimierung der Entscheidungsregeln die Handelsleistung erheblich verbessern kann, wobei sich die jährliche Sharpe Ratio bis zu einem Faktor zwei gegenüber einer Nave-Handelsregel erhöht. Um dieses Leistungsniveau durch das Prognosemodell alleine zu erreichen, wäre eine Verbesserung der Vorhersagegenauigkeit erforderlich. 1 Einleitung In den letzten Jahren wurde ein erheblicher Forschungsaufwand gewidmet. Artikel Mar 1999 N. Türme A. N. Burgess Sussex Platz
Comments
Post a Comment