Garch Trading System

Handelsvolumen und Volatilität im Schifffahrts-Frachtmarkt Amir H. Alizadeh. Fakultät für Finanzen, Cass Business School, 106 Bunhill Row, London EC1Y 8TZ, Vereinigtes Königreich Received 24. Januar 2012. Revised 9. Juli 2012. Akzeptiert 10. Juli 2012. Verfügbar online 4. Oktober 2012. Dieses Papier untersucht die Preisvolatilität und Handelsbeziehungen in (FFA) für Trockenschiffe im Zeitraum 2007/2011. Es hat sich herausgestellt, dass sich die FFA-Preisänderungen positiv auf das Handelsvolumen auswirken, was auf einen Impulseffekt hindeutet, da höhere Veräußerungsgewinne mehr Transaktionen fördern. Es gibt auch Hinweise auf eine gleichzeitige und positive Beziehung zwischen Handelsvolumen und Volatilität, die im Einklang mit den Aussagen der Finanzmärkte und der Mischung aus Vertriebshypothese steht. Steigende Preisvolatilitäten führen jedoch zu niedrigeren künftigen Handelsaktivitäten auf dem FFA-Markt. Highlights Die Studie untersucht die Preisvolatilität und das Volumenverhältnis auf dem FFA-Markt. Es wird beobachtet, dass ein Impulseffekt den FFA-Markt und die Handelsaktivität antreibt. Die FFA-Geschäfte sind hauptsächlich Information, die von Spekulanten und nicht von Hecken angetrieben wird. Es besteht ein positives zeitgleiches Verhältnis zwischen Volatilität und Handelsvolumen. Auch die verzögerte Preisvolatilität wirkt sich negativ auf das Handelsvolumen der FFA aus. Versand Frachtvertrag Volatilität Handelsvolumen Kausalität Tabelle 1. Abb. Fig. Fig. Fig. 5.Machine Learning Trading Systems Der SPDR SampP 500 ETF (SPY) ist eines der weit verbreiteten ETF-Produkte auf dem Markt, mit rund 200 Milliarden Assets und einem durchschnittlichen Umsatz von knapp 200 Millionen Aktien täglich. Die Wahrscheinlichkeit, in der Lage zu sein, ein geldwertendes Handelssystem unter Verwendung öffentlich verfügbarer Informationen zu entwickeln, scheint scheinbar gering zu sein. Um uns eine Kampfchance zu geben, werden wir uns auf einen Versuch konzentrieren, die Übernachtbewegung in SPY vorhersagen zu können, wobei Daten der vorherigen Tagessitzung verwendet werden. Zusätzlich zu den Openhighlow - und Close-Preisen der Tagessitzung haben wir eine Reihe weiterer plausibler Variablen ausgewählt, um den Merkmalsvektor aufzubauen, den wir in unserem maschinellen Lernmodell einsetzen werden: Das Tagesvolumen Der vorhergehende Tag8217s Schlusskurs Die 200 - Tag, 50-Tage - und 10-Tage-Bewegungsdurchschnitts des Schlusskurses Die 252 Tage hohen und niedrigen Preise der SPY-Serie Wir werden versuchen, ein Modell aufzubauen, das die Übernachtrendite in der ETF, dh O (t1) C (t) C (t) In dieser Übung verwenden wir täglich Daten vom Beginn der SPY-Serie bis zum Ende des Jahres 2014, um das Modell zu bauen, das wir dann auf Out-of-Sample-Daten von Jan 2015- Aug 2016. In einem Hochfrequenzkontext würde eine beträchtliche Zeitspanne ausgewertet, gereinigt und normalisiert werden. Hier haben wir weit weniger Probleme. Typischerweise wurden die Eingabedaten standardisiert, um den Einfluss von Variablen auszugleichen, die auf Skalen von sehr unterschiedlichen Größenordnungen gemessen werden können. Aber in diesem Beispiel werden alle Eingangsgrößen, mit Ausnahme des Volumens, auf der gleichen Skala gemessen, und daher ist eine Normierung wohl nicht notwendig. Zuerst werden die In-Probe-Daten geladen und verwendet, um einen Trainingssatz von Regeln zu erstellen, die den Merkmalsvektor auf die Variable von Interesse abbilden, die Overnight-Rückkehr: In Mathematica 10 Wolfram führte eine Reihe von maschinellen Lernalgorithmen ein, die Regression und nächste Nachbarn beinhalten , Neuronale Netze und zufällige Wälder zusammen mit der Funktionalität zur Bewertung und Auswahl der leistungsfähigsten maschinellen Lerntechnik. Diese Einrichtungen machen es sehr direkt zu einem Klassierer oder Vorhersage Modell mit maschinellen Lernalgorithmen, wie diese Handschrifterkennung Beispiel zu erstellen: Wir erstellen ein prädiktives Modell auf dem SPY Trainingset, so dass Mathematica die beste Maschine Lernalgorithmus wählen: Es gibt eine Reihe von Optionen für die Predict-Funktion, die verwendet werden, um die Feature-Auswahl, Algorithmus-Typ, Performance-Typ und Ziel zu kontrollieren, anstatt einfach die Vorgaben akzeptieren, wie wir hier getan haben: Nach dem Bau unserer Maschine Lernmodell, laden wir die Out - Beispieldaten von Jan 2015 bis August 2016 und erstellen Sie ein Testset: Als nächstes erstellen wir ein PredictionMeasurement-Objekt mit dem Nearest Neighbor-Modell. Die für die weitere Analyse verwendet werden können: Es gibt nicht viel Dispersion in den Modellprognosen, die alle einen positiven Wert haben. Eine gemeinsame Technik in solchen Fällen ist es, den Mittelwert von jeder der Prognosen zu subtrahieren (und wir können sie auch durch Division durch die Standardabweichung standardisieren). Das Scatterplot der tatsächlichen gegen die prognostizierten Übernachtungsrenditen in SPY sieht nun wie folgt aus: Es gibt noch immer einen offensichtlichen Mangel an Dispersion in den Prognosewerten im Vergleich zu den tatsächlichen Übernachtungsrenditen, die wir durch Standardisierung korrigieren konnten. Auf jeden Fall scheint es eine kleine, nichtlineare Beziehung zwischen den Prognose - und Istwerten, die einige Hoffnung, dass das Modell kann sich als nützlich erweisen. Von der Prognose bis zum Handel Es gibt verschiedene Methoden, ein Prognosemodell im Rahmen der Schaffung eines Handelssystems einzusetzen. Die einfachste Route, die wir hier nehmen werden, besteht darin, ein Schwellwertgatter anzuwenden und die gefilterten Prognosen direkt in ein Handelssignal umzuwandeln. Aber auch andere Ansätze sind möglich, zB: Kombinieren der Prognosen aus mehreren Modellen zur Bildung eines Prognosesembles Verwendung der Prognosen als Eingaben in ein genetisches Programmiermodell Fördern der Prognosen in die Eingabeschicht eines neuronalen Netzmodells, das speziell zur Generierung von Handelssignalen entwickelt wurde Als Prognosen In diesem Beispiel erstellen wir ein Handelsmodell, indem wir einen einfachen Filter auf die Prognosen anwenden und nur diejenigen Werte auswählen, die einen bestimmten Schwellenwert überschreiten. Dies ist ein Standardtrick, der verwendet wird, um das Signal im Modell vom Hintergrundrauschen zu isolieren. Wir werden nur die positiven Signale akzeptieren, die den Schwellenwert übersteigen und so ein langfristiges Handelssystem schaffen. D. h. wir ignorieren Prognosen, die unter den Schwellenwert fallen. Wir kaufen SPY am Schluß, wenn die Prognose die Schwelle überschreitet und jede beliebige Longposition am nächsten Tag aufhört. Diese Strategie führt zu folgenden Pro-forma-Ergebnissen: Schlussfolgerung Das System hat einige sehr attraktive Merkmale, einschließlich einer Win-Rate von über 66 und einer CAGR von über 10 für die Out-of-Sample-Periode. Offensichtlich handelt es sich hierbei um ein sehr einfaches Beispiel: Wir würden in den Handelsprovisionen faktorisieren und die Rutschgefahr in den Post - und Pre-Market-Perioden aufnehmen und beenden, was natürlich die Performance negativ beeinflusst. Andererseits haben wir kaum angefangen, die Oberfläche in Bezug auf die Variablen zu zerkratzen, die für den Einschluss in den Merkmalsvektor betrachtet werden könnten, und die die Erklärungskraft des Modells erhöhen können. Mit anderen Worten, in Wirklichkeit ist dies nur der Beginn eines langen und anstrengenden Forschungsprozesses. Nichtsdestoweniger sollte dieses einfache Beispiel ausreichen, um dem Leser einen Vorgeschmack darauf zu geben, was bei der Konstruktion eines prädiktiven Handelsmodells mit maschinellen Lernalgorithmen involviert ist.