Kaupankäynti SVM: n suorituskyvyn kanssa. Jotta saisimme SVM: n suorituskyvyn kaupankäynnissä, käytän eri kokoonpanoja 50-luvun SP 500 - historiaan. Tämän vuosikymmenen taustalla oleva pääominaisuus oli päättää, mitä parametreja vaihdella ja mitä pitää ennallaan ennen käynnistystä tärkeimmät testit Käsittele sitä näytteen testiä varten, jotta vältyt ylimääräiseltä liialliselta Ensimmäinen suorituskykykaavio. SP 500 kaupankäynnin suorituskyky. Erittäin mukava Käyttämällä 5 viivästetyn päivittäisen tuoton osoittaa samanlaista suorituskykyä ARMA GARCH - strategiaan, jonka löysin erittäin lupaavalta Jos ihmetätte, miksi olen niin innoissani tästä asiasta, se on siksi, että olemme ARMA GARCHin parasta, ja silti SVM: t näyttävät vertailukelpoisilta. Tilastot ovat myös vaikuttavia. Kun kirjoitin tämän viestin, löysin toisen ponnistelun käyttää kvanttirahoittajia SVM: iin kaupankäynnin yhteydessä Hänen lähestymistapaansa käytetään eri pituisia RSI-arvoja syöttöä varten SVM: hen, mutta se käyttää myös luokittelukarttoja tuottoihin kahteen arvoon, lyhyt tai pitkä regressiota sen sijaan, kokeile luokitusta joka tapauksessa, hänen virkansa innoitti minua toteuttamaan sen ja ajaa ylimääräinen vertailu, regressio vs. luokittelu. SP 500 SVM Trading Regression vs luokittelu. Mitä voin sanoa molemmat näyttävät toimivan täydellisesti Kuten lukija ehdotettu kommentit, luokitus ei näyttävät entistä johdonmukaisempia paluita. Pöydän luokassa luokitus leikattiin puolet suurimmasta nostosta, mutta mielenkiintoisesti se ei parantanut Sharpe-suhdetta merkittävästi. Mikään ei kuitenkaan ollut ratkaiseva täällä, mutta se oli nopein nopein ajoaikasääntöjen kannalta. On vielä olemassa pitkä luettelo aiheista, joita voit tutkia, vain antamaan sinulle idean, ei missään erityisessä järjestyksessä. Lisää muita ominaisuuksia Useimmat ajattelevat lisäämällä joitakin Fed-aiheisia sarjoja, nämä tiedot ovat peräisin vuodelta 1960, joten ne tulevat pian. muut SVM-parametrit, muut regressiot, muut luokitukset, muut kerenlot jne. Tämä on enemmän kuin vakauskoe. Tarkista muut virhetoiminnot Oletusarvo on käyttää keskimääräistä neliövirhettä, mutta regres miksi emme käytä Sharpe-suhdetta näytteessä Regressio-tapaus on yksinkertaisempi, koska meillä on todelliset tuotot, tarkista panos. Tarkastele pitempiaikaisia päivien sijasta. Viikoittainen on alku, mutta mieluiten haluaisin toteuttaa kaksi tai kolme päivää. Valitse loopback period. Use lisää luokkia luokitella suuria päiviä, keskipäiviä jne. Tämä vie aikaa Kuten aina, palautetta ja kommentteja ovat tervetulleita.1 Onko sinulla Sharpe Ratios SVM regressio vs SVM luokitus silmälläpitäen kaavio, luokittelu näyttäisi antavan paremman riskiin mukautetun tuoton.2 Oletko kuullut Caret-paketista? Näyttää siltä, että se on jo sisällyttänyt paljon työtä, jota näen käytät nykyisessä koodissa. Yksi suuri etu on se, että voit helposti vaihtaa ML-oppimisalgia esim. ilman että tarvitsee recode kaiken. Erittäin mielenkiintoinen blogi. Oikea kohta, se leikata vetää, mutta ei Sharpe suhde olen päivittänyt merkittävästi 2 Kiitos Caret-paketin kasvattamisesta, tämä on toinen kerta, kun kuulen siitä, joten aikaa tarkastella tarkemmin Näyttää melko lupaavalta, varmasti paljon oppia siitä. Voit jakaa koodisi Tulokset ovat todella vaikuttavia Olen m yrittää rakentaa SVM luokittelija tekee jotain vastaavaa, mutta haluan käyttää enemmän parametreja kuin hinnoittelu Vaikka ehkä se ei ole niin hyödyllistä, koska näyttää siltä, että hinnat yksinään tarjoavat ennakoivan arvon Kiitos. Olen myös aikoo käyttää enemmän kuin vain hintoja, mutta tällaista tietoa ei ole käytettävissä 50-luvulla. Yleensä 50: ovat melko ennustavia Monimutkaisempia malleja todennäköisesti tarvitaan eteenpäin. Tarkista edellisen postin sarjassa on linkki koodi käytin perustuu e1071 paketin Koska olen lähetetty koodi, siirsin caret paketti, joka antaa yhtenäisen käyttöliittymä monille malleille Näyttää melko hyvältä niin pitkälle too. Sounds hyvää, kiitos jakamisesta Kaikki paras. Olen myös yrittää käyttää SVM-SVR ennustaa lähellä hintojen varastot eli indeksi arvo CAC40 DJ jne. Myy idea on hyvin yksinkertaisin ja helppoa, lataan tiedot välittäjän verkkosivuilla, minulla on pääsy 3 vuoden opinnäytetöihin Vastaus on indeksin läheinen arvo, oletan, että edellisen päivän ominaispiirteillä on vaikutusta lähipäivien läheisyyteen, eli suurin arvo pienin arvon avaaminen arvoa varten maanantaina ovat ominaisuuksia ennustaa, selittää sulkemisarvoa tiistaina, i rakentaa oma aineisto tämän olettamuksen, joten käytän ominaisuus lag1, ilmeisesti voin lisätä muita toiminto, kuten lag2, lag3 otan näyte minun tietorakenne täällä. openinglag1 korkeinlag1 smallestlag1 sulkeva vaste lag1 3950 59 3959 2 3936 33 4013 97 589818.Viime minulla on 764 datajoukko, kaikki datan joukko käytän harjoitella svr, ja i ennustaa seuraavina päivinä, kuten edellä maininnut. My kysymykset miten voin ennustaa esimerkiksi seuraavien viiden päivän ajan Onko minun tietorakenne oikeassa. En ole tyytyväinen ennusteeseen svmComputeForecasts Katso, mitä se tekee model. Period viikkoa esimerkiksi. Edellä vaihtoehdolla on tehdä viikoittaiset ennusteet oikealla etukäteen Toisin sanoen, tiivistää t hän kertoo viikoista tai kolmesta neljän päivän palasista ja soittaa svmComputeForecast-lähetyksille käyttämällä päiviä tässä sarjassa. Jokainen ennuste koskee koko ajan. Tunnen, että tiedän, ei voi tehdä viiden päivän eteenpäin todennäköisyyslukua ennustuksella SVM: llä, tämä on mahdollista ARMA-tekniikoilla. Hopea tämä auttaa, Ivan. Hi, olen nauttinut viestejäsi ja kysynyt kysymyksestä, millaisia parannuksia löysitte, kun siirryt yksinkertaisesta ARMA-mallista ARMA-GARCH-malliin Oletko testannut muita liikkuvan ikkunan koulutusparametrejä Löysitkö myös, että lyhyt sivu teki paljon erosta eli on paljon parempi tai huonompi kuin pitkä vain. Hi, käsittelin joitain näistä kysymyksistä myöhemmin Post lisäämällä tilastoja ARMA GARCH opetusohjelma on varmasti minun luettelo, mutta se kestää aikaa Voidaan tehdä kaikki nämä analyysit käyttämällä indikaattoria yhdessä GSPC: n kanssa Yahoo-indikaattori on jo linjassa ei tarvitse lag. Very vaikuttavaa Mutta oletko yrittänyt käyttää satunnaista metsää se väittää olevan superio r SVM: lle, koska se mahdollistaa epäsuorat epälineaariset vaikutukset ja vuorovaikutusominaisuudet eksogeenisten muuttujien joukossa. Lisäksi se viheltää eksogeenisen muuttujan tärkeimpiin play-makeriin ja sen melko nopeaan sekä erityisesti datasovellukseen. Hei ja kiitos aikaisemmista Vastaus Yksi asia, josta olen hämmentynyt, on se, että ARMA GARCH - julkaisussa, johon mainitset 18 87 CAGR ja BH näyttävät olevan noin 7 CAGR silmälasitustaulukosta. Yllä olevassa taulukossa näytät kuitenkin, että ARMA GARCH: lla on 30 88 ja 15 4 BH, vastaavasti Onko se erilainen aikaväli vai puuttuuko jotain Kiitos jälleen. Trading with Support Vector Machines SVM. Valintaisesti kaikki tähdet ovat linjassa ja voin luottamuksellisesti omistautua jonkin verran jälkitoistoon uusien kauppajärjestelmien ja Support Vector Koneet SVM ovat uusi lelu, joka aikoo pitää minut varattuina hetken ajan. SVM: t ovat tunnettua työkalua valvotun koneoppimisen alueelta ja niitä käytetään sekä luokituksen että regression suhteen. Katso lisätietoja kirjallisuudesta. minulle on selvää, että kaikkein intuitiivisin kaupankäynnin hakemus on regressiota, joten aloittakaamme SVM-regressiomallin rakentaminen. ARMA GARCH - mallien kokemuksen perusteella alamme yrittää ennustaa tuottoa hintojen sijaan. Samoin ensimmäisissä testeissä , käytämme vain viimeisten viiden päivän tuottoa tietyn päivän paluuta määrittäviksi ominaisuuksiksi. Aloitamme 500 päivän historiaa harjoitusjoukoksi. Matemaattisemmilla termeillä on N-ominaisuuksia jokaisella meillä on M-näytteitä Meillä on myös M vastauksia. Jälkeen ominaisuusarvojen rivi, vasen matriisi, SVM on koulutettu tuottamaan vastausarvo Meidän erityisessä esimerkissä meillä on viisi sarakkeen ominaisuuksia, kukin sarake vastaa tuotto eri viiveellä 1-5 Meillä on 500 näytettä ja vastaavia vastauksia. Kun SVM on koulutettu tällä sarjalla, voimme aloittaa sen syöttämisen viiden ominaisuuden sarjoilla, jotka vastaavat viiden edellisen päivän tuottoa ja SVM antaa meille vastauksen, joka on ennustettu tuotto Esimerkiksi SVM: n harjoittelun jälkeen edellisten 500 päivän aikana käytämme palautuksia päivinä 500, 499, 498, 497 ja 496, nämä ovat meidän panoksemme saadaksesi ennustettu tuotto päivälle 501. Kaikista R: n saatavilla olevista paketeista päätin valita e1071-paketin Suljettu toinen vaihtoehto oli kernlab-paketti, jonka aion vielä kokeilla tulevaisuudessa. Sitten yritin kokeilla muutamia strategioita Ensimmäinen I kokeillut jotain hyvin samanlaista kuin ARMA GARCH lähestymistapa viivästyneiden viiden päivän myöhästyneiden palautusten jälkeen olin aivan yllättynyt nähdessäni tämän strategian suorituskyvyn paremmin kuin ARMA GARCH tämä on ARMA GARCHin kotimaata ja olisin ollut varsin tyytyväinen vastaaviin suorituskykyä. Yhdessä, yritin samat viisi ominaisuutta, mutta yritin valita paras osajoukko Valinta tehtiin ahkera lähestymistapa alkaen 0 ominaisuuksia ja vuorovaikutteisesti lisäämällä ominaisuus, joka minimoi virhe parhaiten Tämä lähestymistapa imp Lopuksi yritin erilaista lähestymistapaa noin kymmeniä ominaisuuksia. Ominaisuudet sisälsivät tuottoa eri ajanjaksona 1 päivän, 2 päivän, 5 päivän jne., jotkut tilastotiedot, mediaani, sd jne. ja tilavuus Käytin samaa ahneutta lähestymistapaa ominaisuuksien valintaan. Tämä viimeinen järjestelmä näytti myös erittäin hyvän suorituskyvyn, mutta se kesti helvetin aikaa juosta. Aika päättää tämä viesti, takaisintestitulokset odottavat kunnes niin voit pelata Täydellinen lähdekoodi itsellesi Tässä on esimerkki siitä, käytä sitä. Hi Windowsissa ei toimi moniulotteisen ongelman takia Yksi asia, jota en ymmärrä, näkyy tässä riveissä koodiretkille rets index data data data index - ohkoja. Mielestäni on tehokkaampaa sulauttaa sarja smth like. mydtret - ja olla vain yksi argumentti objekti toiminnon puhelun sijaan 2.Interesting työtä, kiitos Mike. Argh, Windows käytän sitä harvoin viime aikoina melko yllättynyt, koska rinnakkainen paketti on osa perusta R-jakelua nyt Toivottavasti se on käsitelty pian. Meankaan, miten ei käytä rinnakkaista toteuttamista Myös muita paketteja, jotka tarjoavat rinnakkaisen toteutuksen, mutta se olisi enemmän työtä. Olet oikeassa yhdistämisestä Olen edelleen ihmetellä, miksi näin näin tällä kertaa. I m virheiden vastaanottaminen Nyt virhe on data svmFeatures tt, c 1,2 Virhe objektin kaltevuus ei löytynyt. Mutta, kun teen manuaalisesti data objektin saan virheen ennusteessa svmComputeOneForecast - toiminto liittyvät mitat ja näytteenotto cross. It s vaikea minulle debug. skewness tulee PerformanceAnalytics-paketista, joka sinun on asennettava CRAN Adding - ohjelmasta, edellyttävät, että PerformanceAnalytics on svmFeatures-rivin ensimmäinen rivi, jonka pitäisi käsitellä ensimmäistä ongelmaa. Nyt - virhe on virhe k 21: ssä, kohdista oikea pituus dimnames 2 ei vastaa taulukon laajuutta näyttää siltä, että ikkunakoodi tarvitsee paljon muutoksia. Mike, en ole koskaan tarkoittanut, että koodia käytetään suoraan tähän asti tarjoten vain katkelmia, mutta olen yllättynyt siitä, että R on Windows on niin ruma. Etkö ole varma, mitä sy tavoitteemme, mutta analysoida strategioiden suorituskykyä, voit käyttää indikaattori sarjaa, joka on jo laskettu. On vain puhdasta akateemista kiinnostusta SVM käytin töihin klusterit, PCA ja olen utelias, miten SVM tekee samaa työtä Windows paljon virhe liittyy esineisiin, joiden päivämäärät ovat xts on tai datakehyksiä UNIX on parempi, mutta kaikki välittäjät antavat API: n ikkunat Jotkin niistä Java: ssä ja vain tämä, jota voimme käyttää UNIX: stä I don t like win - arkkitehtuuria, mutta se on jo tapana ja minulla ei ole aikaa muuttaa OS. I vain kokeillut sitä Windows 7, 64-bittinen, R versio 2 15 2 saan varoituksen svmFeatures, jonka tiedän, miten korjata soittaminen sd xts eläintarha esine on mielenkiintoinen muuntaminen matriisi, mutta ei ongelmia Running. Thanks I ll yrittää Yksi kysymys, jos don t mind Miksi käytät saada kanssa funktio cetSymbols alkaen quantmod paketti Käytän puhelun vers Esimerkki SPY - getSymbols SPY, FALSE Sinulla on paljon laskea ja saada kuluttaa muistia ja vie aikaa hankkia esineiden nimi merkkijonona var . Sama virhe I m käyttäen R 2 15 1 Mutta olen yllättynyt tämän tuloksen ennen puhelun pää data.1 toiminto, luettelo luonne, paketti NULL, NULL, 2 verbose getOption verbose, envir 3 4 fileExt - toiminto x 5 db - grepl gz bz2 xz, x 6 ans - sub,, x. Näyttää siltä, että tieto on varattu sanalle. Ja nyt en tiedä, mitä ominaisuuksiin funktio toimii. Reaaliaikainen klusterointi ja SVM-pohjainen hinta-volatiliteetin ennustaminen optimaaliselle kaupankäynnin strategialle. Choudhury a, 1.Subhajyoti Ghosh b, 2.Arnab Bhattacharya c. Kiran Jude Fernandes d, 3, 4.Manoj Kumar Tiwari e, 5.a Metallurgisen materiaalintekniikan laitos, Indian Institute of Technology Kharagpur, Kharagpur 721302, Intia. b Department of Ocean Engineering ja merenkulun arkkitehtuuri, Indian Institute of Technology Kharagpur, Kharagpur 721302, Intia. c University of Pittsburgh, Pittsburgh, PA 15213, Yhdysvallat. d Management Department, Durham University Business School, Mill Hill Lane, Durham University, Durham DH1 3LB, Iso-Britannia. e Department Intian teknillinen tutkimuslaitos, Kharagpur 721302, Intia. Vastaanotettu 17. lokakuuta 2012 Tarkistettu 22. heinäkuuta 2013 Hyväksytty 10. lokakuuta 2013 Saatavilla verkossa 29. lokakuuta 2013 Bijaya Ketan Panigrahi. Optimum - portfolion valitsema kaksivaiheinen klusterointijärjestelmä Tulevien hintojen ennustetaan tukivektoria käyttävän koneen avulla. Lyhyen aikavälin kaupankäyntistrategia laaditaan ennusteiden pohjalta. Testisimulaatio toteutti 15 vuoden voiton 15 vuoden aikana. Sijoitusten taloudellinen tuotto ja markkinoiden indikaattorien liikevaihto ovat täynnä epävarmuustekijöitä ja maailmanmarkkinoilla vallitsevaa erittäin epävakaata ympäristöä Markkinaedellytykset ovat voimakkaasti vaikuttaneet osakemarkkinoiden toimintaan ja ylläpitää terveellistä monipuolista salkkua, jolla on vähimmäisriski, on epäilemättä ratkaiseva kaikkien tällaisten varojen sijoittamiseen. Tehokas hinta ja volatiliteettiennuste voivat vaikuttaa merkittävästi investointistrategian kulku tällaisen salkun osalta oman pääoman ehtoiset instrumentit Tässä paperissa yhdistyvät uusi SOM-pohjainen hybridiklusterointitekniikka tukivektorin regressiota varten salkunvalinnalle ja tarkkoihin hinta - ja volatiliteettiennusteisiin, jotka muodostavat perustan tietylle kaupalliselle strategialle. NSE-osakemarkkinat Intia tunnistaa parhaita salkkuja, joita sijoittaja voi ylläpitää riskien vähentämisen ja korkean kannattavuuden suhteen Lyhyen aikavälin kaupankäynnin strategiaa ja tulosindikaattoreita kehitetään arvioidakseen ennusteiden pätevyyttä todellisissa skenaarioissa. Maps. Trading strategy. Support vektori kone. Table 1 Kuva 2 Kuva 3 Kuva 4 Kuva 5.Table 3 Kuva 6.Table 4 Kuva 7.Subhabrata Choudhury harjoittaa tällä hetkellä hänen Bachelor of Technology tutkinto Metallurgian ja materiaalitekniikan Indian Institute of Technology Kharagpur, Intiassa ja on viimeinen vuosi Hänen nykyisen tutkimuksensa kiinnostavuus sisältää Data Mining, Operations Tutkimus, koneen oppiminen ja niiden sovellukset talous - ja terästeollisuudessa. Subhajyoti Ghosh on neljäs vuosi perustutkinto-opiskelija Intian Institute of Technology Kharagpurissa, Intia ilmoittautui viiden vuoden kaksoistutkintoon B Tech ja M Tech Ocean Engineering ja Naval Architecture Hänen nykyinen tutkimus keskittyy operatiiviseen tutkimukseen, rahoitusmarkkinoihin ja aikatauluun. Arnab Bhattacharya on tällä hetkellä PhD-ehdokas Operations Researchin yliopistossa Pittsburghissa, Yhdysvalloissa. Hän on valmistunut viiden vuoden kaksoistutkinto-ohjelmasta B Tech ja M Tech Industrial Engineering ja Management Indian Institute of Teknologia Kharagpur, Intiassa vuonna 2011 Hänen tutkimusalueensa ovat Operations Research and Data Mining. Kiran Jude Fernandes on Yorkin johtamiskoulun toimintojen johtoryhmän tutkimusjohtaja ja päällikkö. Hän on myös yksi keskeisimmistä tutkijoista interdisciplinary York Centerissä Complex Systems Analysis YCCSA Hänellä on tohtorintutkinnon Operations Managementissa ja Systems, Warwickin yliopistosta, James Worth Bagleyn teknillisen korkeakoulun Masters MS: ltä Mississippi State University MSU: ssa ja insinööri-insinööritieteiden korkeakoulututkinnon Waltechissä Hänen tutkimuksessaan keskitytään monimutkaisten sosiaalisten ja liiketoiminta-alojen mallintamiseen monimutkaisen järjestelmän näkökulmasta. Manoj Kumar Tiwari on insinööri-insinööri-insinööri Intian teollisuus - ja tuotantotalouden professori Kharagpur, Intia. Hän on lehtiartikkelien apulaisprofessori, joka sisältää IEEE-transaktiot SMC-osan A järjestelmistä ja ihmisistä, International Journal of System Science - lehti, Järjestelmä Hänellä on yli 200 julkaisua eri kansainvälisissä lehdissä ja konferensseissa Hänen tutkimusintressejään ovat päätöksentekomenetelmät, valmistusjärjes - telmän suunnittelu, ajoitus ja valvontaan liittyvät ongelmat, toimitusketjun verkko. Vastaava kirjailija Tel. 91 3222 283 746.Copyright 2013 Elsevier BV Kaikki oikeudet pidätetään. Valitse artikkeleita.
No comments:
Post a Comment