Objectifs et motivations Halaman Cette mengumpulkan kembali ensemble de prsentations, travaux pratiques et projets issus de diverses expireences denseignement et de pratique autour de lconomtrie des marchs financiers et lenvironnement R-project. Plusieurs projets et tudes de cas sont proposs: Gestion du risque. Ce projet consiste dterminer le meilleurs modles des actifs financiers pour estimer la Value at Risk. Diffrentes modles seront tudis, tels que les modles dit delta normal, kondisi non kondisional tels que des modles volatile stochastique, les modles GARCH, le modle RiskMetrics (moyenne mobile exponentielle), pendekatan les tipe Cornish Fisher, lutilisation de la thorie des vnements Extrmes (EVT), la combinaison de diffrents modles (contoh par GARCH EVT). Enfin, dans le cas dun portefeuille doptions, les diffrentes mthodes destimations de la VaR sont prsentes et testes sur des cas concrets. Stratgie dynamique de gestion de portefeuille. Ce projet terdiri dari pemantau caractriser les actifs, en terme de faits styliss (antrian distribusi, asymtrie, dpendances temporelles.), Estimer et slectionner les modles les mieux, rechercher les stratgies optimales partir des modles, tuangkan enfin appliquer ces stratgies aux donnes relles Dont les modles sont issus Contoh simulasi komplementer yang tidak jelas (Kelly) par simulation. Nous gnraliserons des rendements iid et des modles mieux mengadaptasi aux faits styliss (antrian de distribution, asymtrie.). Ces mdodes permettent de mettre en oeuvre des stratgies dites de rebalancing. En de partime du projet, nous abandonnerons lhypothse iid et le cas mono actif, tuangkan nous intresser aux stratgies optimalisasi prsence de dpendances temporelles, katakan pada que des stratgies dites pasang perdagangan modlis par des processus de retour la moyenne AR (1). Nous utiliserons lenvironnement de dveloppement et danalyse statistique R r-project. org. La versi open source de S. R comprend un grand nombre de modules danalyses de grande qualit, dvelopps par les meilleurs spcialistes du domaine. Tous les programs sont disponibles sous la forme sumber kode. R est aussi un environnement de programmation sederhana et puissant. Lapprentissage de R penemu konstituen en soi un objectif penting du projet. Lutilisation de R permettra de concrtiser les pengertian de modlisation, limpact des faits styliss (antrian paisses, asymtries.) Sur la gestion du risque et la recherche de stratgies optimal, par exemple. Dmarche et contenu Tous les projets mettent en oeuvre des thmes communs, Tels que Les faits styliss (statiques) et les tests dhypothses: test de (non) normalit. Qq-plot, Kolmogorov Smirnov, Jarque-Bera. Tes dindpendance: scatter plot, autocorrlation (ACF), tes de Durbin Watson, jalankan tes. Tude des queues de distribution, asymtries. Pemodelan desinfektan desentralisasi desqtif des distribusi qui rendent compte des faits styliss: t-student, distribution exponentielles, modlisation des queues de distribution. Templat templat: rappel sur labsence dauto corrlation significative des rendements, variabel volatil, facteurs dchelle en fonction du temps, lois des maximum et minimum, temps de passage, Rgression linaires et modles facteurs. Pengujian de stationnarit, linarit, uji de racine unitaire, Modles avec volatilit variable: mthodes destimation de la volatilit, processus GARCH, estimasi et prvision ls mesures du risque (Nilai At Risk, Conditonnal VaR.) Estimasi leur, Les mthodes de Monte Carlo Loptimisation de fonction dutilit sous contraintes (risque, gestion). Lutilisasi de mesures kinerja corriges du risque: rasio de Sharpe, le Maksimum Drawdown (rasio de Sterling). Les tes et les aplikasi seront effectus en utilisant des donnes relles: les cours journaliers des index europens et US, les cotations intraday futures europens, les cours des devises, des historiques des taux dintrts. La plupart des donnes et les fonctions R sont dj disponibles Dans les modules de R pdf Prsentation R et exemples R est un environnement interactif et graphique pour lanalyse de donnes. Une success story de lopen source: lun des rares projets avoir reu la perbedaan ACM, les autres sont: UNIX, TeX, TCIIP, WWW, Postscript, Apache. Nous effectuons un tur dhorizon des diffrentes facettes de R: langage, graphique, statistique. De nombreux menguraikan dutilisasi dan desensi dari orang-orang. Ces exemples sont repris dans certains TP. Pdf Faits Styliss. Dileition des faits styliss, modlisations, modles par incrments ou rendements, prix lognormaux, effets dchelle (cas gaussien, persistence, anti persistence.), Histogram, graphiques kuantile-quantile, uji statistik normal, pertambahan paritas, tidak adanya dautokorrilasi, asymtrie, Kurtosis Pdf Nilai Resiko, Valeurs Extrmes. Rappel sur les diffrents risques, Estimasi Nilai At Risk, perkiraan Cornish Fisher, desposisi des antrian distribusi, perkiraan de Hill, Thorme des Valeurs Extrmes, Pareto Gnralis, contoh dan aplikasi lintraday CAC40 Masa depan, indeks journaliers des, merencanakan. Pdf Estimasi de la volatilit et corrlations. Volatile historique, moyenne mobile exponentielle (RiskMetrics), GARCH, estimurs bass sur les extrmes (Parkinson, Roger Satchell.) Pdf Stratgies dinvestissement, croissance optimale. Rappel sur les fonctions dutilit, le critre de Kelly, aplikasi sur marf futures, indeks, menunjukkan kinerja: Sharpe, drawdowns, rasio de Sterling, kepentingan des cots de transaction, estimasi de la volatilit. Pdf Co-intgration, PairsConvergence Trading. Etude des processus de retour la moyenne (AR), menguji deita rasial, tindakan entre co-intgration, indeks. Autres prsentations (2003) pdf Trading Automatique I: March futures dindices et plateforme de trading automatique pdf Trading Automatique II: gestion du risque, faits styliss, stratgies. Programmation mengotomatisasi perdagangan Normalit des rendements Nous nous proposons de tester les hypothages de (non) normalit des rendements, aplikasi diffrents types dactifs: index, devises, index de hedge funds. (Tes du Chi2, Kolmogorov Smirnov, Shapiro, Jarque Bera), Ces menguji mettent en vidence (tes du Chi2, Kolmogorov Smirnov, Shapiro, Jarque Bera), Ces menguji mettent en vidence (uji coba du Chi2, Kolmogorov Smirnov, Shapiro, Jarque Bera), Ces menguji mettent en vidence. Les queues paisses des actifs financiers, donc des risques plus levs que dans un modle normal. Nous constaterons galement que les cours deviennent de plus en plus gaussiens au fur et mesure que les intervalles dobservation augmentent: un autre fait stylis connu sous le terme de gaussianit par agrgation. Indpendance et autres faits styliss Autocorrlogramme, ACF, tests sur les auto corrlations: Durbin Watson, uji coba. Facteurs dchelle de la volatile Corrlations, tes defficience tudes des corrlations dan pemberontakan linaires (contoh: indices entre eux, tindakan du DJIA, tindakan vs. taux vs ide) Uji defficience: alpha est il gal zro. Stabilit des corrlations dans le temps. Gnration de cours pseudo alatoire Lobjectif de ce TP est dapprendre pemrogram des fonctions de gnration de cours pseudo alatoires. Tuangkan ilustrasi le principe, nous commenons par une simulasi sederhana dune marche alatoire, puis nous tudions de prs la gnration de prix dans un modle lognormal, des cours de clture, mais aussi en intraday pour gnrer les plus haut et plus bas. Les caracatristiques des prix lognormaux sont examins. Volatilit: Modles, Simulasi, Estimasi dan Prdictions Quil sagisse de gestion du risque, ou de lvaluation des produits drivs, la volatilit joue un rle central en finance. Difraksi TPs sont donc consacrs ce sujet central: Pemodelan La GARCH (Generalized Autoregressive Bersyarat Heteroscedasticity) est devenu un outil incontournable en finance, particulirement utile pour analyzer et prvoir la volatilit. Model volatile, volatilitas, volatilitas, volatilitas, volatilitas, metode. Dans ce TP, proposisi nous nous dappliquer les GARCH aux index CAC40 et NASDAQ. Modifikasi des corrlations jusqu prsent nous avons modlis la volatilit sur un seul actif. Il sagit ici de modliser au mieux les covariances, akselerasi entre deux actifs, ainsi que les matrices correspondantes dans le cas de plusieurs actifs. De la mme faon que tuangkan la volatilit, des modles de moyenne mobile exponentielles et GARCH peuvent tre utiliss. Il sagira ici dtudier ces modles, sedangkan estimer les paramtres en utilisant les donnes relles. La Nilai pada Risiko avec R La Nilai pada Risiko sans aucun doute loutil le plus utilis pour mesurer et contrler les risques pemodal. Dans ce projet, vous tes Manajer Risiko dun Fond. Pada supposera que le Fond gre 10 Jutaan deuros, lobjectif de VaR 10 jours 99 est fixe 4. Pada supposera que le Fond estvesti sur le march future du CAC40. Aprs avoir valu diffrents modles the Value at Risk, lobjectif sera de fixer au quotidien les limites de VaR, traduites en terme de nombre de contrats ne pas dpasser. Dans le cas o le fond investi konstelasi la limite de la Nilai pada Risiko, en dduire les caractristiques du fond en terme de kinerja, levier, rasio de Sharpe, dll Le notionnel dun contrat CAC40 est la valeur de lindice multipli par 10. La Valeur du contrat est gale au cours cot x 10 euro. Contoh. Si le cours du contrat terme CAC 40 stablit 4000, le contrat a une valeur de. 40.000 euro. Si vous achetez un Contrat Future 4.000 poin et que vous le revendez 4.200 poin, perolehan suara est de (4.200-4.000) 10 euro 2.000 euro. Une premire tape consistera donc tudier les caractristiques de lactif sous jacent, puis de comparer diverses mthodes destimations de la Nilai at Risk 8 dans le cas instrumen dun seul sederhana, sebuah blok savoir dites de VaR historique, les mthodes normales base des modles de Volatilit (RiskMetrics, GARCH), enfin les mthodes faisant appel la Thorie de Valeurs Extrmes (Teori Nilai Ekstrim). Pada sel analog mnera une tude dcrit dans 7 quil faudra adaptor au CAC40. En complment de la VaR, pada pengujian fera une tude dite de stress, par lutilisation de la thorie de Valeurs Extrmes (voir TP sur les valeurs extrmes). Enfin, pada anggapan bahwa perkiraan des des menentukan efektifitas au del de VaR, laide de la VaR conditionnelle ou la CVaR. La CVaR mesure justement les pertes en cas de dpassement de la VaR 1 Pour mener ce projet, di pourra galement sappuyer sur des standards de facto, tels que que RiskMetrics 11 9, notamment 10 tuangkan une visi plus globale de la VaR dans la gestion du Risque, les mthodes backtesting, pelaporan. Voir aussi THE VALUE-AT-RISK en Franais. Contoh proyeksi, variasi, distribusi, distribusi, distribusi, distribusi, distribusi, distribusi, distribusi, distribusi Valeurs extrmes (perkiraan GEV), estimasi dune loi de Pareto Gnralis par maksimum de vraisemblance, estimasi de la VaR, espires en cas de dpassement (Expected Shorfall). Mesure et Backtesting de la VaR gundukan gundukan aktif Deskripsi des modles de Value at Risk Backtesting de la VaR Gestion du risque dun fond sous contrainte the Value at Risk. Livres: Pemodelan Seri Waktu Finansial Dengan S-Plus par Eric Zivot, Jiahui Wang et Clarence R. Robbins 16 Statistik Pengantar dengan R, Peter Dalgaard 5 Pemrograman dengan Data: Panduan untuk Bahasa S, John M. Chambers 3 Statistik Terapan Modern dengan S, William N. Venables et Brian D. Ripley 14 En Franais: R pour les dbutants par Emmanuel Paradis: dokumen paragraf paragraf. Cran. r-project. orgdoccontribrdebutsfr. pdf Pendahuluan au systme R par Yves Brostaux. Cran. r-project. orgdoccontribBrostaux-Introduction-au-R. zip Pendahuluan R par Vincent Zoonekynd, trs complet, pas pas, en langage simple, trs illustr avec de nombreux et jolis graphiques: zoonek2.free. frUNIX48Rall. html pbil. univ - lyon1.frRenseignement. html Mendukung de cours sur le logiciel R, par Pierre-Andr Cornillon, Laboratoire de Statistiques, Universit de Rennes II: uhb. frscsocialesmassmaitrisedoclog4.pdf En anglais: SimpleR: Menggunakan R untuk Statistik Pengantar, oleh John Verzani: matematika. csi. cuny. eduStatisticsRsimpleRindex. html Regresi Praktis dan Anova dalam R: stat. lsa. umich. edufarawaybook Ini adalah kursus tingkat master yang mencakup topik berikut: Model Linear: Definisi, ketepatan, kesimpulan, interpretasi hasil, arti koefisien regresi, Identifikasi, regresi ridge, regresi komponen utama, kuadrat parsial parsial, splines regresi, teorema Gauss-Markov, pemilihan variabel, diagnostik, transformasi, berpengaruh. Pengamatan, prosedur yang kuat, ANOVA dan analisis kovariansi, blok acak, rancangan faktorial. Prediksi dan peramalan Time Series massey. ac. nz Rfetrik: itp. phys. ethz. checonophysicsR Pengantar Komputasi Keuangan dengan R meliputi bidang pengelolaan data, analisis deret waktu dan regresi, teori nilai ekstrem dan penilaian instrumen pasar keuangan. Fakultas. washington. eduezivotsplus. htm la page de E. Zivot sur SPlus et FinMetrics CRAN Tampilan Tugas: Keuangan Empiris cran. r-project. orgsrccontribViewsFinance. html Paket autres, distribusi hors Perangkat lunak RCRAN untuk Teori Nilai Ekstrim: urlmaths. lancs. ac. Uk stephenasoftware. html RMetrics itp. phys. ethz. checonophysicsR Regresi Praktis dan Anova di R doc: cran. r-project. orgdoccontribFaraway-PRA. pdf paket: stat. lsa. umich. edufarawaybookfaraway. zip Il existe aussi des packages commerciaux: contoh : Optimasi de portefeuille burns-stat RMetrics: cours Intraday et journaliers index, actions, et devises La librairie fBasics mengusulkan les jeux de donnes suivants: audusd. csv Reuters Tick-by-Tick AUDUSD rate 1997-10, usdthb. csv Reuters Tick - Oleh-Tick USDTHB tingkat 1997, fdax9710.csv Harga Fut Fut Futures Menit-by-Minute untuk 1997-10, fdax97m. csv Waktu dan Penjualan Sehari-hari DAX Futures untuk tahun 1997, bmwres. csv Log harian Mengembalikan Hasil Stok BMW Jerman, nyseres. csv Log harian Kembali dari NYSE Com Indeks posit Paket Dans le fExtremes: UKEuro exchange Rates UKUS dan UKCanada Exchange Rates Donnes makro du package tseries Les donnes NelPlo. 14 deret waktu makroekonomi: cpi, ip, gnp. nom, vel, emp, int. rate, nom. wages, gnp. def, money. stock, gnp. real, stock. prices, gnp. capita, real. wages, dan Unemp dan seri bersama NelPlo. Rincian rangkaian ini bermacam-macam, namun semuanya berakhir pada tahun 1988. Kumpulan data berisi rangkaian berikut: indeks harga konsumen, produksi industri, GNP nominal, kecepatan, lapangan kerja, tingkat suku bunga, upah nominal, deflator GNP, persediaan uang, GNP riil, Harga saham (SampP500), GNP per kapita, upah riil, pengangguran. 1 ARTZNER, P. amp DELBAEN, F. amp EBER, J.-M. Amp HEATH, D. Tindakan Koheren Risiko. 1998. 2 BOUCHAUD, J. P amp POTTERS, M. Teori Risiko Finansial. Cambridge University Press, 2000. 3 CHAMBERS, J. M. Programming with Data. Springer, New York, 1998. ISBN 0-387-98503-4. 4 CONT, R. Sifat empiris pengembalian aset - fakta bergaya dan masalah statistik. QUANTITATIVE FINANCE, 2000.. 5 DALGAARD, P. Pendahuluan Statistik dengan R. Springer, 2002. ISBN 0-387-95475-9. 6 GOURIEROUX, C. amp SCAILLET, O. amp SZAFARZ, A. Economtrie de la keuangan. Economica, 1997. 8 LINSMEIER, T amp PEARSON, N. D. Pengukuran Risiko: Pengantar Nilai yang Beresiko. Jurnal Analis Keuangan, Maret 2000.. 9 KELOMPOK RISIKO Dokumen Teknis RiskMetrics. Desember 1996.. 10 RISKMETRICS GROUP. Manajemen Risiko - Panduan Praktis. 1999. 11 RISKMETRICS GROUP. Kembali ke RiskMetrics: Evolusi Standar. 2001.. 12 ROCKAFELLAR, R. T amp URYASEV, S. Optimalisasi Nilai Bersyarat-at-Risk. 1999. 13 URYASEV, S. Conditional Value-at-Risk: Algoritma Optimasi dan Aplikasi. 14 VENABLES, W. N amp RIPLEY, B. D. Statistik Terapan Modern dengan S. Edisi Keempat. Springer, 2002. ISBN 0-387-95457-0. 16 ZIVOT, E. amp WANG, J. amp ROBBINS, C. R. Pemodelan Seri Waktu Finansial Dengan S-Plus. Springer Verlag, 2004. 1 En outre, cest une mesure cohrente du risque et loptimisation de portefeuille sous contrainte de CVSR se rsout facilement par des mthode programmation linaire (lih 12, 13), ce qui sest pas le cas de la VaR (id Laboratorium Volatilitas Clustering: EWMA dan GARCH (1,1) Pengelompokkan volatilitas adalah salah satu karakteristik data keuangan yang paling penting, dan memasukkannya ke dalam model kami dapat menghasilkan perkiraan risiko yang lebih realistis. Pengelompokan volatilitas terbukti dari fakta bahwa volatilitas hari ini berkorelasi positif dengan volatilitas hari ini. Jadi, jika kemarin mengamati volatilitas tinggi, hari ini juga kita cenderung mengamati volatilitas tinggi. Ini berarti bahwa volatilitas bergantung pada volatilitas masa lalu (volatilitas bersyarat). Ada dua metode untuk menghitung ini: Exponential Weighted Moving Average (EWMA) EWMA adalah metode yang sering digunakan untuk memperkirakan volatilitas keuntungan finansial. Metode penghitungan varians bersyarat (volatilitas) ini memberi bobot lebih pada pengamatan saat ini daripada pengamatan sebelumnya. Estimasi EWMA adalah sebagai berikut: r mewakili imbal hasil. Adalah faktor peluruhan, juga dikenal sebagai penghalusan smoothing. Faktor ini menentukan skema pembobotan eksponensial yang menurun secara eksponensial. Dengan cara ini, akun EWMA memperhitungkan variasi waktu. Memastikan bahwa varians hari ini berkorelasi positif dengan volatilitas kemarin. Lambda tinggi menunjukkan peluruhan lambat dalam rangkaian, yaitu varians tinggi akan cenderung bertahan untuk waktu yang lebih lama. RiskMetrics menggunakan lambda 0,94 yang sesuai untuk menganalisis data harian. EWMA sebenarnya adalah subset dari GARCH (1,1). Pelajari lebih lanjut tentang EWMA Generalized Autoregressive Conditional Heteroscedasticity (GARCH (1,1)) GARCH adalah model lain untuk memperkirakan volatilitas yang menangani masalah clustering volatilitas. GARCH berasal dari ARCH, yaitu Autoregressive Conditional Heteroscedasticity. AR berarti modelnya adalah model autoregresif dalam kuadrat kembali, yaitu ada korelasi positif antara risiko kemarin dan risikonya saat ini. Bersyarat berarti bahwa volatilitas tahun depan bergantung pada informasi yang tersedia pada periode ini. Heteroskedastisitas berarti volatilitas non-konstan. Ini berarti bahwa deret waktu dari variabel acak memiliki variasi waktu. G singkatan dari Generalized, yang berarti versi generasinya yang dapat menjelaskan berbagai faktor di pasar yang berbeda. Bentuk GARCH model yang paling umum adalah GARCH (1,1). Model ini direpresentasikan sebagai: Konsep kunci di sini adalah bahwa volatilitas adalah fungsi kuadrat tertinggal dan variasi tertinggal. Istilah (1,1) menunjukkan lag 1 ini untuk setiap varian kuadrat dan kuadrat dari hari sebelumnya. Di mana: adalah berat untuk kembalian kuadrat yang tertinggal adalah berat untuk varian tertinggal adalah konstanta yang sama dengan x VL dimana VL adalah varians jangka panjang dan adalah beratnyaMachine Learning Trading Systems SPDR SampP 500 ETF (SPY) adalah salah satu dari keseluruhan Produk ETF yang diperdagangkan di pasar, dengan sekitar 200 miliar aset dan omset rata-rata hanya di bawah 200 juta saham setiap hari. Jadi, kemungkinan untuk dapat mengembangkan sistem perdagangan pembuatan uang dengan menggunakan informasi yang tersedia untuk umum mungkin tampak tidak ada ramping. Jadi, untuk memberi kesempatan pada diri kita sendiri, kita akan fokus pada upaya untuk memprediksi pergerakan overnight di SPY, dengan menggunakan data dari sesi sebelumnya hari8217. Selain harga openhighlow dan close pada sesi hari sebelumnya, kami telah memilih sejumlah variabel lain yang masuk akal untuk membangun vektor fitur yang akan kami gunakan dalam model pembelajaran mesin kami: Volume harian Harga penutupan hari yang sama tahun 1982. 200 - day, 50-hari dan 10-hari rata-rata bergerak dari harga penutupan 252 hari tinggi dan rendah harga seri SPY Kami akan mencoba untuk membangun sebuah model yang memperkirakan kembalinya semalam di ETF, yaitu O (t1) - C (t) C (t) Dalam latihan ini kami menggunakan data harian dari awal seri SPY sampai akhir tahun 2014 untuk membangun model, yang kemudian akan kami uji pada data sampel yang tidak berjalan mulai bulan Januari 2015- Agustus 2016. Dalam konteks frekuensi tinggi, sejumlah besar waktu akan dihabiskan untuk mengevaluasi, membersihkan dan menormalisasi data. Di sini kita menghadapi masalah yang jauh lebih sedikit dari jenis itu. Biasanya seseorang akan membakukan data masukan untuk menyamakan pengaruh variabel yang dapat diukur pada skala dengan urutan besaran yang sangat berbeda. Tetapi dalam contoh ini semua variabel input, kecuali volume, diukur pada skala yang sama dan standardisasi bisa dibilang tidak perlu. Pertama, data dalam sampel dimuat dan digunakan untuk membuat seperangkat aturan pelatihan yang memetakan vektor fitur ke variabel minat, kembalinya semalam: Di Mathematica 10 Wolfram memperkenalkan rangkaian algoritma pembelajaran mesin yang mencakup regresi, tetangga terdekat , Jaringan syaraf tiruan dan hutan acak, bersama dengan fungsi untuk mengevaluasi dan memilih teknik pembelajaran mesin berperforma terbaik. Fasilitas ini membuatnya sangat lurus untuk membuat model pengklasifikasi atau prediksi menggunakan algoritma pembelajaran mesin, seperti contoh pengenalan tulisan tangan ini: Kami membuat model prediksi pada pelatihan SPY, yang memungkinkan Mathematica untuk memilih algoritma pembelajaran mesin terbaik: Ada sejumlah Pilihan untuk fungsi Prediks yang dapat digunakan untuk mengontrol pemilihan fitur, jenis algoritma, jenis kinerja dan sasaran, daripada hanya menerima default, seperti yang telah kita lakukan di sini: Setelah membangun model pembelajaran mesin kita, kita memuat out-of - Data sampel dari Jan 2015 sampai Agustus 2016, dan buat satu set tes: Kami selanjutnya membuat objek PredictionMeasurement, dengan menggunakan model Tetangga Terdekat. Yang dapat digunakan untuk analisis lebih lanjut: Tidak banyak dispersi dalam prakiraan model, yang semuanya memiliki nilai positif. Teknik yang umum dalam kasus seperti itu adalah mengurangi mean dari masing-masing prakiraan (dan kita juga dapat membakukannya dengan membagi dengan standar deviasi). Spekulasi harga aktual vs perkiraan semalam di SPY sekarang terlihat seperti ini: Masih ada kekurangan dispersi yang jelas dalam nilai perkiraan, dibandingkan dengan pengembalian semalam yang sebenarnya, yang dapat kita koreksi dengan standarisasi. Bagaimanapun, tampaknya ada hubungan kecil dan nonlinear antara perkiraan dan nilai aktual, yang menunjukkan beberapa harapan bahwa model tersebut mungkin terbukti berguna. Dari Peramalan hingga Perdagangan Ada berbagai metode penggelaran model peramalan dalam rangka menciptakan sistem perdagangan. Rute paling sederhana, yang akan kita ambil di sini, adalah menerapkan gerbang ambang batas dan mengubah perkiraan yang disaring menjadi sinyal perdagangan. Tapi pendekatan lain mungkin dilakukan, misalnya: Menggabungkan perkiraan dari beberapa model untuk membuat ansambel prediksi Menggunakan prakiraan sebagai masukan pada model pemrograman genetika Memberi makan prakiraan ke lapisan masukan model jaringan syaraf yang dirancang khusus untuk menghasilkan sinyal perdagangan, bukan Daripada prakiraan Dalam contoh ini kita akan membuat model perdagangan dengan menerapkan filter sederhana ke perkiraan, hanya memilih nilai yang melebihi ambang batas yang ditentukan. Ini adalah trik standar yang digunakan untuk mengisolasi sinyal pada model dari kebisingan latar belakang. Kami hanya akan menerima sinyal positif yang melebihi ambang batas, menciptakan sistem perdagangan yang panjang saja. Yaitu kami mengabaikan perkiraan yang berada di bawah ambang batas. Kami membeli SPY pada saat perkiraan melebihi ambang batas dan keluar dari posisi panjang pada hari berikutnya. Strategi ini menghasilkan hasil pro-forma berikut ini: Kesimpulan Sistem ini memiliki beberapa fitur yang cukup menarik, termasuk tingkat kemenangan lebih dari 66 dan CAGR lebih dari 10 untuk periode di luar sampel. Jelas, ini adalah ilustrasi yang sangat mendasar: kami ingin mempertimbangkan komisi perdagangan, dan selip yang terjadi memasuki posisi keluar dan keluar pada periode pasca dan pra-pasar, yang akan berdampak negatif terhadap kinerja, tentu saja. Di sisi lain, kita baru saja mulai menggores permukaan dalam hal variabel yang dapat dipertimbangkan untuk dimasukkan ke dalam vektor fitur, dan yang dapat meningkatkan kekuatan penjelasan model. Dengan kata lain, pada kenyataannya, ini hanyalah awal dari sebuah proses penelitian yang panjang dan sulit. Meskipun demikian, contoh sederhana ini seharusnya cukup memberi pembaca rasa tentang apa yang terlibat dalam membangun model perdagangan prediktif menggunakan algoritma pembelajaran mesin.
Comments
Post a Comment