Meningkatkan Aturan Perdagangan Rata-rata Bergerak dengan Metode Belajar Menguat dan Statistik. 2 Meskipun penelitian kami berpusat pada kombinasi aturan perdagangan teknis klasik dengan metode pembelajaran statistik, perlu untuk menekankan bahwa telah terjadi banyak upaya untuk memperbaiki peraturan perdagangan teknis dan menciptakan yang baru. Dalam hal ini, yang menonjol antara lain Genay (1999) dan Allen dan Karjalainen (1999). Jadi Genay (1999) mempertimbangkan peraturan perdagangan baru berdasarkan model non-parametrik yang memaksimalkan total pengembalian strategi investasi. Pilihan optimal tetangga terdekat, jumlah unit tersembunyi yang optimal dalam jaringan feedforward dan ukuran optimal dari set pelatihan ditentukan dengan metode cross-validation, yang meminimalkan kesalahan kuadrat rata-rata. Kertas terkenal lainnya yang ditujukan untuk menemukan peraturan perdagangan teknis baru adalah Allen dan Karjalainen (1999), yang menggunakan algoritma genetika untuk mempelajari aturan perdagangan teknis yang optimal. Akhirnya, masalah dalam memilih aturan perdagangan optimal dalam sampel telah ditunjukkan dalam makalah terbaru oleh Sullivan et al. (1999) dengan alasan bahwa bahaya pengintaian data sangat besar saat kita memilih peraturan perdagangan terbaik. Setelah Sullivan et al. (1999), jika peraturan perdagangan cukup dipertimbangkan dari waktu ke waktu, beberapa peraturan terikat, oleh keberuntungan murni, bahkan dalam sampel yang sangat besar, untuk menghasilkan kinerja yang superior sekalipun mereka tidak benar-benar memiliki kekuatan prediktif atas pengembalian aset. Dengan demikian, efek pengintaian data semacam itu hanya dapat diukur asalkan kita mempertimbangkan kinerja peraturan perdagangan terbaik dalam konteks semesta penuh aturan perdagangan yang dengannya peraturan terbaik dapat dipilih. Penelitian kami mengarah ke arah yang berlawanan untuk mengoptimalkan peraturan perdagangan teknis, karena kami mencari cara menggabungkan strategi yang ada melalui teknik penguat dan model-rata-rata. Sebagai review, paper kami adalah dual purpose. Di satu sisi, karena ada banyak peraturan perdagangan teknis dengan tingkat keberhasilan yang berbeda, kami berusaha untuk menghindari ketidakcocokan yang ada di antara peraturan perdagangan yang berbeda, memberikan peraturan baru yang mampu menggunakan semua informasi yang diberikan oleh setiap peraturan, sama tingginya dengan Informasi sukses sebagai informasi yang tidak berhasil, dengan menggunakan metode pembelajaran statistik. Di sisi lain, dengan menggabungkan informasi prediktif dari seperangkat peraturan yang luas, kita juga mengurangi bias pengucapan data yang diperkenalkan dengan pemilihan parameter parameter teknis yang sewenang-wenang, menghindari unsur subjektivitas yang melibatkan prosedur ini. METODE PEMBELAJARAN STATISTIK Sama seperti sebuah komite yang terdiri dari beragam orang cenderung membuat keputusan yang lebih baik daripada masing-masing individu, sebuah ensembel dari model beraneka ragam namun berkinerja tinggi cenderung berperforma lebih baik daripada model tunggal. Metode pembelajaran statistik adalah algoritma yang membangun seperangkat classifi ers dan kemudian mengklasifikasikan poin data baru dengan mengambil (weighted) vote dari prediksi mereka (lihat Hastie et al., 2001). Metode statistik asli adalah rata-rata Bayesian, namun algoritma yang lebih baru telah dikembangkan. Pada bagian ini kami akan menjelaskan metode pembelajaran statistik yang paling populer, seperti Boosting, model Bayesian rata-rata dan metode Komite, yang akan digunakan untuk menggabungkan prediksi teknis, sehingga meningkatkan kinerja peraturan perdagangan individu. Metode penguat Boosting adalah metode umum yang berupaya meningkatkan keakuratan seperangkat sistem klasifikasi klasifikasi kategoris (atau prediksi secara umum) yang menjadi salah satu gagasan paling kuat tentang algoritma pembelajaran. Ini diperkenalkan oleh Freund dan Schapire (1997). Meningkatkan kesepakatan dengan masalah umum menghasilkan peraturan prediksi yang sangat akurat dengan menggabungkan prediksi kasar dan moderat yang tidak akurat. Salah satu versi yang paling populer adalah algoritma AdaBoost. M1, yang dikenal sebagai Discrete AdaBoost, karena Freund dan Schapire (1997). Untuk memberikan garis besar algoritma penguat ini, mari kita pertimbangkan masalah kelas dua di mana variabel output diberi kode. Sebuah classifi er h (x) adalah fungsi yang menghasilkan prediksi mengambil salah satu dari dua nilai tersebut, di mana x adalah seperangkat variabel prediktor. Memperkuat Aturan Perdagangan Rata-Rata Bergerak dengan Metode Belajar Menguat dan Statistik Diterbitkan online 10 Mei 2008 di Wiley InterScience ( Interscience. wiley) DOI. 10.1002for.1068 Meningkatkan Aturan Perdagangan Rata-rata Bergerak dengan Metode Belajar Mendorong dan Menimbang JULIN ANDRADA-FLIX DAN Jurusan Metode Kuantitatif di bidang Ekonomi dan Manajemen, Universitas Las Palmas de Gran Canaria, Spanyol Kami menyajikan sebuah sistem untuk menggabungkan berbagai jenis prediksi yang diberikan. Dengan kategori peraturan perdagangan mekanis yang luas melalui metode pembelajaran statistik (penguat, dan beberapa metode rata-rata model seperti metode rata-rata Bayesian atau metode rata-rata sederhana). Metode pembelajaran statistik memberikan hasil out-of-sample yang lebih baik daripada kebanyakan peraturan rata-rata bergerak tunggal di Indeks Komposit NYSE dari bulan Januari 1993 sampai Desember 2002. Selain itu, dengan menggunakan filter untuk mengurangi frekuensi perdagangan, model penguat yang terfokus menghasilkan teknikal. Strategi yang, walaupun tidak mampu mengatasi tingkat pengembalian strategi buy-and-hold (BampH) selama periode yang meningkat, hal itu mengatasi BampH selama periode jatuh dan mampu menyerap sebagian besar penurunan di pasar. Hak Cipta 2008 John Wiley amp Sons, Ltd. Kata kunci analisis teknis untuk meningkatkan pemilihan model pembelajaran statistik PENDAHULUAN Analisis teknis terdiri dari upaya untuk meramalkan harga pasar keuangan dengan mempelajari harga masa lalu dan ringkasan statistik terkait lainnya mengenai perdagangan keamanan. Terlepas dari sikap skeptis para akademisi terhadap analisis teknis, selama 20 tahun terakhir analisis teknis telah menikmati kebangkitan di dunia akademis, dan sejumlah besar pekerjaan teoritis dan empiris telah dikembangkan yang mendukung analisis teknis. Dengan demikian, model teoritis telah diajukan oleh Hellwig (1982), Treynor dan Ferguson (1985), Brown dan Jennings (1989) dan Blume dkk. (1994). Selain itu, banyak makalah empiris memberikan bukti adanya tingkah laku peraturan perdagangan teknis, yang beredar antara lain Brock et al. (1992), Levich dan Thomas (1993), Blume dkk. (1994), Knez dan Ready (1996), Genay (1996), Neely dkk. (1997) dan Chang dan Osler (1999). Korespondensi ke: Fernando Fernndez-Rodrguez, Facultad de Ciencias Econmicas y Empresariales, 35017 Las Palmas de Gran Canaria, Spanyol. E-mail: ffernandezdmc. ulpgc. es Tujuan makalah kami adalah menyediakan sebuah sistem untuk menggabungkan berbagai jenis prediksi yang diberikan oleh kategori peraturan perdagangan mekanis yang luas. Melalui metode pembelajaran statistik (seperti meningkatkan, dan beberapa metode rata-rata model seperti Bayesian atau komite), prediksi baru akan dibangun berdasarkan seperangkat prediksi teknis tertentu. Sisa dari makalah ini telah disusun sebagai berikut. Pada bagian selanjutnya, tinjauan singkat tentang peraturan perdagangan teknis yang digunakan dalam makalah ini dipresentasikan. Bagian ketiga berfokus pada penggambaran metode pembelajaran statistik terpopuler seperti Boosting, dan model Bayesian rata-rata. Bagian keempat menyajikan ukuran kesesuaian yang digunakan untuk mengevaluasi dan membandingkan aturan perdagangan teknis yang dibuat. Bagian kelima menunjukkan hasil empiris. Bagian keenam menyajikan kesimpulan utama. PERATURAN PERATURAN TEKNIS Dalam tulisan ini, kita mempelajari kekuatan prediktif mengenai kombinasi informasi dari salah satu aturan perdagangan keluarga yang paling populer yang digunakan dalam analisis teknis, aturan moving average variabel (VMA untuk selanjutnya). Aturan VMA melibatkan perbandingan rata-rata harga bergerak jangka pendek dengan rata-rata pergerakan jangka panjang. Oleh karena itu, sinyal jual (sell) dipancarkan saat rata-rata jangka pendek melebihi (kurang dari) rata-rata jangka panjang setidaknya oleh pita persentase pre-specifi. Pengenalan sebuah band di sekitar moving average mengurangi jumlah sinyal beli (sell) dengan menghilangkan whiplash pasar ketika rata-rata pergerakan jangka pendek dan panjang mendekati. Band ini, yang biasanya dianggap sebagai 1, mengurangi jumlah sinyal beli dan jual. Tidak ada sinyal yang dihasilkan saat rata-rata bergerak pendek berada di dalam band. Dengan band nol, aturan teknis yang diberikan oleh kelas VMA sepanjang hari menjadi hari buy atau sell. Panjang rata-rata bergerak harus dipilih oleh teknisi. Aturan yang paling populer yang digunakan dalam analisis teknis adalah 1200, dimana periode singkatnya adalah 1 hari dan jangka waktunya adalah 200 hari. Namun demikian, peraturan perdagangan lain yang banyak digunakan adalah 150, 1150, 5150, 1200 dan 2200 (lihat Brock et al 1992). Sikap skeptis dunia akademis mengenai analisis teknis dimotivasi oleh hipotesis pasar yang efisien, yang berpendapat bahwa informasi publik yang tersedia, seperti harga masa lalu, seharusnya tidak membantu pedagang menghasilkan keuntungan yang luar biasa tinggi setelah premi risiko telah didiskontokan. Jadi, Fama (1970, 1976) mendefinisikan sebuah pasar sebagai bentuk lemah efisien jika harga berlaku sepenuhnya mencerminkan informasi yang terkandung dalam harga masa lalu. Efisiensi bentuk lemah menyiratkan bahwa analisis teknis harga saham masa lalu tidak memiliki nilai. Meningkatkan peraturan perdagangan rata-rata bergerak dengan metode pembelajaran boosting dan statistik Julian Andrada-Felix () dan Fernando Fernndez-Rodrguez Informasi kontak tambahan Fernando Fernndez-Rodrguez: Jurusan Metode Kuantitatif di bidang Ekonomi dan Manajemen, Universitas Las Palmas de Gran Canaria, Spanyol, Pos : Jurusan Metode Kuantitatif di bidang Ekonomi dan Manajemen, Universitas Las Palmas de Gran Canaria, Spanyol Abstrak: Kami menyajikan sebuah sistem untuk menggabungkan berbagai jenis prediksi yang diberikan oleh kategori peraturan perdagangan mekanis yang luas melalui metode pembelajaran statistik (penguat, dan beberapa Model metode rata-rata seperti Bayesian atau metode rata-rata sederhana). Metode pembelajaran statistik memberikan hasil out-of-sample yang lebih baik daripada kebanyakan peraturan rata-rata bergerak tunggal di Indeks Komposit NYSE dari bulan Januari 1993 sampai Desember 2002. Selain itu, dengan menggunakan filter untuk mengurangi frekuensi perdagangan, model penguat yang difilter menghasilkan strategi teknis yang , Meskipun tidak mampu mengatasi tingkat pengembalian strategi buy and hold (BH) selama periode yang meningkat, hal itu mengatasi BH selama periode jatuh dan mampu menyerap sebagian besar penurunan di pasar. Hak Cipta 2008 John Wiley Sons, Ltd. Unduhan: (tautan eksternal) hdl. handle10.1002for.1068 Tautan ke teks langganan penuh yang diperlukan (texthtml) Karya yang terkait: Item ini mungkin tersedia di tempat lain di EconPapers: Cari item dengan judul yang sama. Referensi ekspor: BibTeX RIS (EndNote, ProCite, RefMan) HTMLText Journal of Forecasting saat ini diedit oleh Derek W. Bunn Artikel lainnya di Journal of Forecasting dari John Wiley Sons, Ltd. Data seri yang dikelola oleh Wiley-Blackwell Digital Licensing (). Situs ini adalah bagian dari RePEc dan semua data yang ditampilkan di sini adalah bagian dari kumpulan data RePEc. Apakah pekerjaan Anda hilang dari RePEc Berikut adalah cara berkontribusi. Pertanyaan atau masalah Periksa FAQ EconPapers atau kirim surat ke.
No comments:
Post a Comment