Trading con SVM Performance. To ottenere una sensazione di prestazioni SVM nel trading, ho eseguito diverse configurazioni sulla SP 500 dati storici degli anni '50 Il motivo principale alla base di utilizzo di questo decennio è stato quello di decidere quali parametri di variare e cosa tenere ferma prima di eseguire i test più importanti trattarlo come un test in-campione per evitare ulteriori over-fitting Prima le prestazioni chart. SP 500 Trading Performance. Very bello Utilizzando i 5 rendimenti giornalieri ritardati mostra prestazioni simili alla strategia ARMA GARCH, che ho trovato molto promettente Se vi chiedete perché io sono così entusiasta di questo fatto, che s perché qui siamo nella zona in cui ARMA GARCH è meglio, e tuttavia, SVM mostrano le statistiche performance. The comparabili sono anche impressive. While scrivere questo post, ho trovato un altro sforzo usare SVM nel commercio da Quantum Financier il suo approccio utilizza RSI di lunghezza diversa come input per la SVM, ma utilizza anche la classificazione associa i rendimenti a due valori, breve o lungo, invece di regressione Dato che avevo intenzione di provare la classificazione in ogni modo, il suo posto mi ha ispirato per la sua attuazione ed eseguire un ulteriore confronto, la regressione vs classification. SP 500 SVM Trading regressione vs Classification. What posso dire che entrambi sembrano funzionare perfettamente come un lettore ha suggerito nei commenti, la classificazione non mostra returns. Looking più coerente a tavola, la classificazione tagliato a metà del massimo drawdown, ma è interessante notare, che didn t migliorare l'indice di Sharpe significativamente nulla di conclusivo qui però, è stata una corsa veloce dei più veloci in termini di tempo di esecuzione strategies. There è ancora una lunga lista di argomenti da esplorare, tanto per dare un'idea, in senza particolari order. Add altre caratteristiche per lo più pensando di aggiungere alcune serie Fed legati, questi dati risale al 1960, quindi è venuta soon. Try altri parametri SVM altre regressioni, altre classificazioni, altre kerenls, ecc Questo è più come una stabilità test. Try funzioni altro errore il valore predefinito è di utilizzare l'errore quadratico medio, ma nel caso della regressione, perché non utilizzare Sharpe ratio in-campione il caso di regressione è più semplice, dal momento che abbiamo i rendimenti effettivi controllano l'ingresso of. Try periodi invece di giorni in più settimanale è un inizio, ma idealmente mi piacerebbe implementare due o tre giorni periods. Vary il loopback period. Use più classi con la classificazione grandi giorni, giorni di media , ecc. Questo vorrà del tempo, come sempre, feedback e commenti sono welcome.1 hai indice di Sharpe per SVM regressione vs SVM classificazione per eyeballing la tabella, la classificazione sembra dare migliori risk adjusted returns.2 avete sentito parlare del pacchetto Caret sembra che sia già incorporato un sacco di lavoro che vedo si utilizza nel codice esistente un altro grande vantaggio è che si può facilmente scambiare ML apprendimento algo ad esempio le reti neurali, senza dover ricodificare everything. Very interessante blog.1 Buon punto, tagliare il prelievo, ma non l'indice di Sharpe significativamente ho aggiornato il post 2 Grazie per portare il pacchetto Caret, questa è la seconda volta che sento su di esso, quindi giunto il momento di dare un'occhiata più da vicino sembra molto promettente, certamente molto da imparare da it. Do si condivide il codice di I risultati sono davvero impressionanti io sto cercando di costruire un classificatore SVM fare qualcosa di simile, ma voglio usare più parametri di prezzi Anche se, forse, che isn t così utile, perché a quanto pare i prezzi solo di fornire valore predittivo Thanks. I sono anche in programma di usare più di un semplice dei prezzi, ma quel tipo di dati non è disponibile per gli anni '50 in generale, il 50 sulla SP 500 sono abbastanza predittivi modelli più complessi sono suscettibili di essere necessario onwards. Check post precedente nella serie c'è un link al codice che ho usato sulla base del pacchetto E1071 da quando ho postato il codice, mi sono trasferito al pacchetto punto di inserimento, che fornisce un'interfaccia unificata per molti modelli sembra piuttosto buono too. Sounds finora bene, grazie per la condivisione tutte le best. I sto anche cercando di usare SVM-SVR per prevedere prezzo di chiusura dei titoli cioè valore dell'indice CAC40 come DJ etc. My idea è molto semplice e facile, i scaricare i dati su un sito web broker, ho avuto accesso 3 anni di tesi di dati la risposta è il valore di chiusura dell'indice, presumo che le caratteristiche del giorno precedente hanno un impatto il valore di chiusura dei prossimi giorni cioè più alto valore di apertura più piccolo valore valore per lunedi sono caratteristiche per prevedere, a spiegare il valore di martedì di chiusura, mi costruisco il mio set di dati con questa ipotesi, per cui uso caratteristica con lag1, ovviamente posso aggiungere altri presentano come lag2, lag3 ho messo un campione della mia struttura dati here. openinglag1 highestlag1 smallestlag1 chiusura del volume risposta lag1 3950 59 3959 2 3936 33 4013 97 589818.Finally ho una serie di dati 764, tutti i set di dati che utilizza per addestrare la SVR, e prevedo i prossimi giorni come ho menzionate above. My domande sono come posso prevedere ad esempio la prossima 5 giorni è la mia struttura dati right. Not felice con le previsioni di laminazione in svmComputeForecasts vedere che cosa fa per modelPeriod settimane per instance. An alternativa è quella di fare previsioni settimanali a destra in anticipo in altre parole, di riassumere i dati in tre settimane o quattro pezzi al giorno, e chiamare svmComputeForecasts utilizzano giorni su questo set ogni previsione si applica per l'intero period. As quanto ne so, non si può solo fare una cinque giorni di previsione probabilistica avanti con SVM questo è fattibile con ARMA techniques. Hope questo aiuta, Ivan. Hi, io ho sta godendo i tuoi post e hanno una domanda che mi chiedevo che tipo di miglioramento che hai trovato quando si passa dalla semplice modello ARMA al modello ARMA-GARCH hai provato altri parametri di allenamento finestra di rotolamento ha fatto anche si scopre che il lato corto ha fatto gran parte della la differenza è cioè molto meglio o peggio di lungo only. Hi, ho affrontato alcune di queste domande in un post successivo aggiunta di ulteriori statistiche per il tutorial ARMA GARCH è certamente sulla mia lista, ma ci vorrà del tempo si può fare tutte queste analisi utilizzando l'indicatore insieme al GSPC da Yahoo l'indicatore è già allineato alcuna necessità di lag. Very impressionante Tuttavia hai provato a usare foresta casuale che pretende di essere superiore a SVM in quanto consente di effetti non lineari implicite e termini di interazione tra il variabili esogene anche Whittles giù la variabile esogena ai più importanti play-maker e la sua piuttosto veloce e soprattutto con la vostra dataset. Hi e grazie per la precedente risposta una cosa che ho mA po 'confuso circa è che sul ARMA GARCH post che parla 18 87 CAGR e BH sembra essere di circa 7 CAGR dal eyeballing grafico Eppure, nella tabella precedente si mostra, 30 88 e 15, 4 per ARMA GARCH e BH, rispettivamente, e 'un periodo di tempo diverso o mi sto perdendo qualcosa di nuovo grazie. Trading con Support Vector Machines SVM. Finally tutte le stelle si sono allineate e posso tranquillamente dedicare un po 'di tempo per il back-sperimentazione di nuovi sistemi di trading, e Support Vector Machines SVM sono il nuovo giocattolo che sta per tenermi occupato per un po'. SVM sono uno strumento ben noto dalla zona di Machine Learning sorvegliato e sono utilizzati sia per la classificazione e la regressione per maggiori dettagli consultare il literature. It mi sembra che l'applicazione più intuitiva per la negoziazione è la regressione, quindi cerchiamo s Iniziamo la costruzione di una regressione SVM model. Following la nostra esperienza con i modelli ARMA GARCH, inizieremo cercando di prevedere i rendimenti, invece di prezzi Allo stesso modo, nei nostri primi test, useremo solo i rendimenti dei 5 giorni precedenti e le caratteristiche determinare il rendimento di un giorno particolare inizieremo con la storia di 500 giorni, come la formazione set. In termini più matematici, per il training set abbiamo N caratteristiche, per ciascuno di essi abbiamo campioni M abbiamo anche M responses. Given una fila di funzione valori, la matrice di sinistra, la SVM è addestrato per produrre il valore di risposta Nel nostro caso specifico, abbiamo cinque colonne caratteristiche, ciascuna colonna corrispondente alle ritorna con un ritardo diverso da 1 a 5 abbiamo 500 campioni e la corrispondente responses. Once SVM è addestrato su questo insieme, possiamo iniziare alimentandola con gruppi di cinque funzioni, corrispondenti ai ritorni per i cinque giorni precedenti, e la SVM ci fornirà la risposta, che è il rendimento previsto, ad esempio, dopo la formazione della SVM sui precedenti 500 giorni, useremo i rendimenti per i giorni 500, 499, 498, 497 e 496 sono la nostra come l'ingresso per ottenere il ritorno previsto per il giorno 501.From tutti i pacchetti disponibili in R, ho deciso di scegliere il pacchetto E1071 Una stretta seconda scelta era il pacchetto kernlab, che sto ancora pensando di provare in future. Then ho provato alcune strategie per prima cosa ho provato qualcosa di molto simile alla ARMA GARCH avvicinare i rendimenti ritardate dai cinque giorni precedenti ero abbastanza sorpreso di vedere questa strategia risultati migliori di ARMA GARCH questa è la patria del ARMA GARCH e mi sarebbe stato molto felice solo con performance. Next comparabili, ho provato le stesse cinque caratteristiche, ma cercando di selezionare il miglior sottoinsieme la selezione è stata effettuata utilizzando un approccio avido, a partire da 0 caratteristiche, e in modo interattivo aggiungendo la funzione che riduce al minimo l'errore migliore Questo approccio ha migliorato le cose further. Finally, ho provato un approccio diverso con circa una dozzina presenta le caratteristiche incluse rendimenti oltre diverso periodo di il tempo di 1 giorno, 2 giorni, 5 giorni, ecc, alcune statistiche media, mediana, deviazione standard, ecc e il volume ho usato lo stesso approccio avidi di selezionare le funzioni Questo sistema finale ha mostrato una performance molto buona così, ma ci sono voluti un inferno di un tempo per run. Time a finire questo post, i risultati di test retrospettivi devono aspettare fino ad allora si può giocare con il codice sorgente completo voi stessi Ecco un esempio di utilizzo it. Hi In Windows doesn t lavoro a causa del problema multicore una cosa che I don t capisco è riflesso in questo file della RET codice RET dati di indice di indice dei dati dati rets. In mio parere esso s più efficace per unire serie smth like. mydtret - e di avere un solo oggetto argomento di funzione chiamare invece di 2.Interesting lavoro, grazie Mike. Argh, Windows lo uso raramente ultimamente molto sorpreso ancora, dal momento che il pacchetto parallela è parte della distribuzione di base R ora si spera che sarà affrontato soon. Meanwhile, che ne dici di non usare esecuzione parallela inoltre ci sono altri pacchetti che forniscono esecuzione parallela, ma che sarebbe più work. You sono di destra circa l'unione mi chiedo ancora perché l'ho fatto in questo modo questo errori di ricezione time. I m Ora l'errore è svmFeatures dati TT, c 1,2 errore in oggetto asimmetria non found. But quando faccio manualmente oggetto dati ricevo errore nella previsione svmComputeOneForecast - funzione in rapporto alla dimensione e di campionamento cross. It s difficile per me debug. skewness proviene dal pacchetto PerformanceAnalytics, che è necessario installare da CRAN Aggiunta richiedono PerformanceAnalytics come la prima linea di svmFeatures dovrebbe affrontare il primo errore problem. now è errore in k 21, Allinea a destra lunghezza dimnames 2 non pari a matrice misura sembra che nelle finestre di codice ha bisogno di un sacco di changes. Mike, I mai significato il codice da utilizzare direttamente fino ad ora ho forniva solo frammenti, ma mi sorprende che R su Windows è quindi non brutto sicuro di quello che s il vostro obiettivo, ma per analizzare le prestazioni delle strategie, è possibile utilizzare la serie di indicatori che sono già computed. It s interesse accademico solo pura su SVM ho usato per lavorare con i cluster, PCA e io sono curioso come SVM sta facendo lo stesso lavoro in finestre un sacco di errori sono legati a oggetti con date come XTS è o frame di dati UNIX è meglio ma tutti gli intermediari danno API per Windows Alcuni di loro in Java, e solo questo si possono utilizzare da UNIX I don t come l'architettura vittoria ma sa già abitudine e I don t avere il tempo di cambiare OS. I appena provato su Windows 7, 64 bit, la versione R 2 15 2 ho ricevuto un avviso da svmFeatures, che so come risolvere il problema chiamando SD su un oggetto XTS zoo non conversione interessante da una matrice, ma senza problemi Running. Thanks io cercherò una domanda se don t mente Perché stai usando ottiene con cetSymbols funzione da pacchetto quantmod io uso vers chiamata Esempio SPY - getSymbols spia, FALSE Hai un sacco per calcolare e ottenere consumare memoria e richiede tempo per ottenere il nome di oggetti come una stringa var. The stesso errore mi sto usando R 2 15 1 Ma io m sorpreso di questo risultato prima della funzione di chiamata testa data.1, carattere lista, pacchetto null, null, 2 getOption verbose verbose, envir 3 4 FileExt - funzione x 5 db - Grepl gz bz2 XZ, x 6 ans - sub,, x. It sembra che i dati è riservato parola ed ora Non so cosa sta per caratteristiche function. A tempo reale clustering e SVM basato la previsione di prezzo-volatilità per lo scambio ottimale strategy. Subhabrata Choudhury una, 1.Subhajyoti Ghosh b, 2.Arnab Bhattacharya c. Kiran Jude Fernandes d, 3, 4.Manoj Kumar Tiwari e,, 5.a Dipartimento dei Materiali Ingegneria metallurgica, Indian Institute of Technology Kharagpur, Kharagpur 721.302, India. b Dipartimento di Ocean Engineering e navale Architettura, Indian Institute of Technology Kharagpur, Kharagpur 721.302, India. c Università di Pittsburgh, Pittsburgh, PA 15213, Stati States. d Dipartimento di Management, Università di Durham business School, Mill Hill Lane, Durham University, Durham DH1 3LB, Regno Unito. e Dipartimento di Ingegneria industriale e Gestione Indian Institute of Technology, Kharagpur 721.302, India. Received 17 Ottobre 2012 revisione del 22 luglio 2013 Accepted 10 ottobre 2013 Disponibile on-line 29 ottobre 2013 Comunicato per portafogli Bijaya Ketan Panigrahi. Optimum viene selezionato utilizzando un cluster a due stadi schema su un pool di stocks. The prezzi futuri sono previsti utilizzando machine. A support vector strategia di trading di breve termine è formulato basa sulla simulazione di prova predictions. A realizzato un utile di 1 5 oltre 15 days. Financial utile sul capitale investito e il movimento di indicatori di mercato sono piene di incertezze e un ambiente altamente volatile che esiste nei mercati azionari dei mercati globali sono fortemente colpiti da imprevedibilità del mercato e il mantenimento di un portafoglio diversificato sano con il minimo rischio è senza dubbio fondamentale per qualsiasi investimento effettuato in tali attività prezzo effettivo e di previsione della volatilità può altamente influenza il corso della strategia di investimento per quanto riguarda un portafoglio di strumenti di capitale In questo lavoro una tecnica ibrida di clustering basato romanzo SOM è integrato con il supporto vettore di regressione per la selezione del portafoglio e di prezzo e di volatilità accurate previsioni che diventa la base per la particolare strategia di trading adottato per il portafoglio la ricerca considera i primi 102 titoli del NSE mercato azionario India da identificare un insieme di migliori portafogli che un investitore può mantenere per la riduzione del rischio e la strategia di trading azionario a breve termine ad alta redditività e indicatori di performance sono sviluppati per valutare la validità delle previsioni per quanto riguarda la reale vettore machine. Table scenarios. Stock market. Self-organizzatore Maps. Trading strategy. Support 1 Fig 2 Fig 3 Fig 4 Fig 5.Table 3 Fig 6.Table 4 Fig 7.Subhabrata Choudhury sta perseguendo i suoi Bachelors of laurea in tecnologie metallurgiche ed Ingegneria dei Materiali presso Indian Institute of Technology Kharagpur, India ed è in ultimo anno la sua attuale interesse di ricerca comprende Data Mining, ricerca operativa, Machine Learning e le loro applicazioni in Finanza e acciaio Industry. Subhajyoti Ghosh è uno studente universitario quarto anno in Indian Institute of Technology Kharagpur, India iscrive alla doppia laurea programma di B Tech cinque anni e M Tech in Ocean Engineering e Architettura Navale sua ricerca attuale si concentra sulla gestione ricerca, mercati finanziari, e Scheduling. Arnab Bhattacharya è attualmente dottoranda in Operations la ricerca presso l'Università di Pittsburgh, USA Ha completato il programma di doppia laurea B Tech cinque anni e M Tech in Ingegneria industriale e Management presso Indian Institute of Technology di Kharagpur, India nel 2011 le sue aree di ricerca comprendono le operazioni di ricerca e dati Mining. Kiran Jude Fernandes è il direttore di ricerca e Responsabile del Gruppo Operations Management presso la Scuola di Direzione York, Regno Unito Egli è anche uno dei ricercatori principali del interdisciplinare York Centre per complessi sistemi di analisi YCCSA Ha conseguito un dottorato in sistemi di gestione e delle operazioni presso l'Università di Warwick un master MS da James Worthy Bagley college of Engineering presso Mississippi State University MSU e una laurea di Ingegneria Hons laurea in produzione da Waltech sua ricerca si concentra sulla modellazione di complessi ambiti sociali e di business utilizzando un sistema complesso perspective. Manoj Kumar Tiwari è un professore del Dipartimento di Ingegneria Gestionale in Indian Institute of Technology Kharagpur, India Egli è editore associato di riviste tra cui IEEE Transactions on SMC Parte a Sistemi e gli esseri umani, International Journal of scienza del sistema ufficiale della decisione Support System ha più di 200 pubblicazioni in varie riviste e conferenze internazionali suoi interessi di ricerca sono modelli Decision Support, pianificazione, programmazione e problemi di controllo del sistema di produzione, Supply Chain Network. Corresponding autore Tel 91 3222 283 746.Copyright 2013 Elsevier BV Tutti i diritti reserved. Citing articoli.
No comments:
Post a Comment