Melhorando as Regras de Negociação da Moeda em Mudança com Boosting e Métodos de Aprendizagem Estatística. 2 Embora a nossa pesquisa se centre em combinar as regras clássicas de negociação técnica por métodos de aprendizagem estatística, é necessário enfatizar que houve inúmeras tentativas para melhorar as regras técnicas de negociação e criar novas. Nesse sentido, entre outros, destacam-se Genay (1999) e Allen e Karjalainen (1999). Assim, Genay (1999) considerou novas regras comerciais baseadas em modelos não paramétricos que maximizam o retorno total de uma estratégia de investimento. A escolha ideal dos vizinhos mais próximos, o número ótimo de unidades escondidas em uma rede feedforward e o tamanho ótimo do conjunto de treinamento são determinados pelo método de validação cruzada, que minimiza o erro quadrático médio. Outro documento bem conhecido dedicado a encontrar novas regras técnicas de negociação é Allen e Karjalainen (1999), que usou um algoritmo genético para aprender as melhores regras técnicas de negociação. Finalmente, os problemas de seleção de regras de negociação óptimas na amostra foram apontados em um artigo recente de Sullivan et al. (1999), argumentando que os perigos do snooping dos dados são imensos quando selecionamos a melhor regra comercial. Seguindo Sullivan et al. (1999), se as regras de negociação forem consideradas ao longo do tempo, algumas regras são vinculadas, por pura sorte, mesmo em uma amostra muito grande, para produzir desempenho superior, mesmo que eles realmente não possuem poder preditivo sobre os retornos dos ativos. Assim, os efeitos dessa análise de dados só podem ser quantificados desde que se considere o desempenho da melhor regra de negociação no contexto do universo completo de regras de negociação a partir da qual a melhor regra foi concebivelmente escolhida. Nossa pesquisa está indo em uma direção oposta para otimizar as regras comerciais comerciais, porque buscamos como combinar as existentes através de técnicas de impulsionar e modelar a média. Como revisão, nosso artigo é de dupla finalidade. Por um lado, uma vez que existem inúmeras regras comerciais comerciais com diferentes graus de sucesso, tentamos evitar o desajuste que existe entre diferentes regras de negociação, fornecendo uma nova regra capaz de usar todas as informações fornecidas por cada regra, tanto o altamente Informações bem sucedidas como a informação mal sucedida, usando métodos de aprendizagem estatística. Por outro lado, ao combinar a informação preditiva de um amplo conjunto de regras, também reduzimos o viés de divulgação de dados introduzido pela seleção arbitrária dos parâmetros nas regras técnicas de negociação, evitando o elemento de subjetividade que este procedimento envolve. MÉTODOS DE APRENDIZAGEM ESTATÍSTICA Assim como um comitê de pessoas diversas tende a tomar melhores decisões do que cada indivíduo sozinho, um conjunto de modelos diversos, porém de alto desempenho, tendem a apresentar melhor desempenho do que um modelo único. Os métodos de aprendizagem estatística são algoritmos que constroem um conjunto de classificadores e, em seguida, classificam novos pontos de dados tomando um voto (ponderado) de suas previsões (ver Hastie et al., 2001). O método estatístico original é a média Bayesiana, mas algoritmos mais recentes foram desenvolvidos. Nesta seção, descreveremos os métodos de aprendizagem estatística mais populares, como Boosting, a média do modelo bayesiano e o método do Comitê, que serão utilizados para combinar as previsões técnicas, melhorando assim o desempenho das regras de negociação individuais. O método de impulsão O impulso é um método geral que tenta aumentar a precisão de qualquer conjunto de sistemas de classificação categórica (ou previsões em geral) que se torna uma das idéias mais poderosas sobre os algoritmos de aprendizagem. Foi introduzido por Freund e Schapire (1997). Boosting lida com o problema geral de produzir uma regra de predição muito precisa, combinando previsões ásperas e moderadamente imprecisas. Uma das versões mais populares do aumento é o algoritmo AdaBoost. M1, conhecido como Discrete AdaBoost, devido a Freund e Schapire (1997). A fim de fornecer um esboço deste algoritmo de aumento, considere um problema de duas classes onde a variável de saída é codificada como. Um classifi er h (x) é uma função que produz uma previsão tomando um dos dois valores, onde x é um conjunto de variáveis preditoras. Melhorando as regras de negociação média em movimento com Boosting e métodos de aprendizagem estatística. 12 CONCLUSÕES Nesta pesquisa, apresentamos um sistema para combinar os diferentes tipos de previsões dadas por uma ampla categoria de regras de negociação mecânica através de métodos de aprendizado estatístico, como Boosting, e vários métodos de média de modelos, como Bayesian ou Committee (métodos de média simples). O procedimento de predição combinada clássica foi inútil por causa da singularidade das matrizes envolvidas. Além disso, para evitar costosas regras de negociação técnica excessiva derivadas do impulso e dos outros métodos de aprendizagem, introduzimos um filtro que descarta os sinais de compra ou venda baixos. A idéia de usar um filtro para reduzir a freqüência comercial e obter retornos mais elevados é muito antiga em Finanças, e o sucesso dos filtros justificaria a existência de algumas tendências sistemáticas nos preços que não são explicados pelo modelo de caminhada aleatória. Consideramos uma amostra composta por 10 períodos anuais, de 1993 a 2002, no índice composto NYSE. Além disso, para dar ao nosso trabalho uma motivação econômica mais profunda que poderia sugerir sua transcendência e aplicações, repetimos nosso experimento em duas subamostra especiais subindo e caindo. O primeiro foi o subperíodo ascendente até 1 de setembro de 2000. O segundo foi o subperíodo em queda após 1 de setembro de 2000. Nossa primeira conclusão é que, em geral, as melhorias usando um filtro não são produzidas para todos os métodos de aprendizagem estatística e Períodos analisados, com exceção do modelo de Boosting filtrado, que sempre supera o aumento não-filtrado. O modelo de Boosting filtrado também supera o resto dos métodos de aprendizado filtrado e não-filtrado, em todos os períodos analisados, com exceção do período de crescimento de 1993 a 1 de setembro de 2000. Durante períodos de tempo curtos, algumas normas de média móvel individual Poderia ser mais útil do que o modelo de Boosting filtrado, mas este resultado investe por períodos de tempo mais longos. Nossos resultados, portanto, sugerem que o modelo de Boosting filtrado fornece melhores resultados estatísticos e econômicos fora da amostra do que a maioria das regras da média móvel única durante 10 períodos anuais, de 1993 a 2002 no Índice de Composição da NYSE. Quando consideramos o período completo de 10 anos, o modelo de Boosting filtrado supera a melhor média móvel em relação a várias medidas estatísticas e econômicas consideradas. Além disso, o modelo de Boosting filtrado melhora consideravelmente os retornos líquidos da estratégia BampH e sua relação Sharpe. Ao combinar a informação preditiva de um amplo conjunto de regras, também reduzimos o viés de bisbilhotagem introduzido pela seleção arbitrária de parâmetros nas regras técnicas de negociação, evitando o elemento de subjetividade que este procedimento envolve. Além disso, as médias móveis têm um poder preditivo contingente, e sua capacidade para obter retornos positivos pode variar de tempo. Assim, a melhor regra média móvel do presente ano poderia ser ruim no ano seguinte, sendo impossível estabelecer, a priori, quais são as melhores regras. Portanto, o Boosting e outros métodos de aprendizagem são capazes de evitar o desajuste preditivo que existe entre diferentes regras de negociação técnica, fornecendo novas regras capazes de usar todas as informações oferecidas para uma ampla categoria de regras. Durante o período completo analisado (1993-2002), o algoritmo de Boosting filtrado mostrou uma alta capacidade para obter a informação preditiva tanto de regras boas quanto de regras de média móvel ruim, sendo mais robusto e útil do que qualquer regra de média móvel por longos períodos de tempo . Durante o período de levantamentos generalizados (até 1 de setembro de 2000), nem o método de aprendizagem estatístico nem a regra de negociação média móvel conseguiram obter um retorno líquido superior ao retorno da estratégia BampH. Neste subperíodo, a melhor relação de benefício ideal também foi obtida pela estratégia BampH, e a melhor proporção de Sharpe foi obtida pela média móvel 10, 90, 2, seguida da estratégia BampH.
No comments:
Post a Comment