Reflejos Los precios futuros se prevé el uso de máquinas de vectores soporte. Una estrategia de negociación a corto plazo se formula sobre la base de las predicciones. Una simulación de la prueba se dio cuenta de una ganancia de 1,5% en 15 días. Rendimiento financiero de las inversiones y el movimiento de los indicadores del mercado son plagado de incertidumbres y un entorno altamente volátil que existe en el mercado global. Los mercados de acciones están fuertemente afectados por la imprevisibilidad del mercado y el mantenimiento de una cartera diversificada saludable con el mínimo riesgo es sin duda crucial para cualquier inversión realizada en dichos activos. Precio efectivo y predicción de volatilidad pueden influir altamente el curso de la estrategia de inversión con respecto a una cartera de instrumentos de capital tales. En este trabajo una técnica de agrupamiento híbrido basado novela SOM está integrado con apoyo vector de regresión para la selección de la cartera y el precio exacto y predicciones de volatilidad que se convierte en la base para la estrategia de negociación particular adoptada para la cartera. La investigación considera las 102 principales acciones de la bolsa de valores de NSE (India) para identificar conjunto de las mejores carteras de que un inversor puede mantener para la reducción del riesgo y alta rentabilidad. Estrategia de comercio de acciones a corto plazo e indicadores de desempeño son desarrollados para evaluar la validez de las predicciones con respecto a los escenarios reales. Subhabrata Choudhury actualmente se encuentra cursando su licenciatura de grado en Tecnología Metalúrgica y de Materiales de Ingeniería en el Instituto Indio de Tecnología de Kharagpur, la India y está en último año. Su interés por la investigación actual incluye la minería de datos, investigación de operaciones, aprendizaje automático y sus aplicaciones en Finanzas e Industria del Acero. Subhajyoti Ghosh es un estudiante de cuarto año de pregrado en el Instituto Indio de Tecnología de Kharagpur, India inscrito en el programa de doble titulación quinquenal (B. Tech y M. Tech) en Ocean Ingeniería y Arquitectura Naval. Su investigación actual se centra en Investigación de Operaciones, Mercados Financieros, y programación. Arnab Bhattacharya es actualmente un estudiante de doctorado en Investigación de Operaciones en la Universidad de Pittsburgh, Estados Unidos. Completó el programa de doble titulación quinquenal (B. Tech y M. Tech) en Ingeniería Industrial y Gestión en el Instituto Indio de Tecnología de Kharagpur, India en 2011. Sus áreas de investigación incluyen la investigación de operaciones y Minería de Datos. Kiran Jude Fernandes es el Director de Investigación y Jefe del Grupo de Gestión de Operaciones en la Escuela de Administración de York, Reino Unido. Él es también uno de los investigadores principales en el Centro York interdisciplinario para el análisis de sistemas complejos (YCCSA). Tiene un doctorado en Gestión y Sistemas de la Universidad de Warwick Operaciones; una Maestría (MS) de la James Worth Bagley Facultad de Ingeniería de la Universidad del Estado de Mississippi (MSU) y una Licenciatura en Ingeniería (Hons) en Producción de Waltech. Su investigación se centra en el modelado de los complejos ámbitos sociales y empresariales utilizando una perspectiva de sistemas complejos. Manoj Kumar Tiwari es profesor en el Departamento de Ingeniería Industrial y Gestión en el Instituto Indio de Tecnología de Kharagpur, India. Él es editor asociado de las revistas que incluyen IEEE Transactions on SMC. Parte A. Sistemas y Humanos, Revista Internacional de Ciencias del Sistema. Journal of Decision Support System. Tiene más de 200 publicaciones en diversas revistas y conferencias internacionales. Sus intereses de investigación son modelos Apoyo de decisiones, planificación, programación y Problemas de Control de Sistema de Fabricación, Red de la Cadena de Suministro. Autor correspondiente. Tel. 91 3222 283 746. 2013 Elsevier B. V. Todos los derechos reservados. Publicaciones similares Una predicción de precios volatilidad agrupación tiempo real y basado en SVM para la estrategia comercial óptima Subhabrata Choudhurya, 1, Subhajyoti Ghoshb, 2, Arnab Bhattacharyac, Kiran Jude Fernandesd, 3,4, Manoj Kumar Tiwarie, n, 5 aDepartamento de Materiales Ingeniería Metalúrgica, Instituto Indio de Tecnología de Kharagpur, Kharagpur 721302, India b Departamento de Ingeniería Oceánica y Arquitectura Naval, Instituto Indio de Tecnología de Kharagpur, Kharagpur 721302, India cUniversity de Pittsburgh, Pittsburgh, PA 15213, Estados Unidos dDepartment of Management, Universidad de Durham Business School, Mill Hill Lane, la Universidad de Durham, Durham DH1 3LB, Reino Unido eDepartment de Ingeniería Industrial y el Instituto Indio de Gestión de la Tecnología, Kharagpur 721 302, India a r t i c l e i n f o La historia del artículo: Recibido 17 de octubre 2012 Recibido en forma revisada 22 de julio 2013 Aceptado 10 de octubre 2013 Comunicado por Bijaya Ketan Panigrahi Disponible en línea 29 de octubre 2013 Bolsa de Valores Clustering Auto-organización de mapas Estrategia de Trading Máquinas de vectores soporte abstracto Rendimiento financiero de las inversiones y el movimiento de los indicadores del mercado son plagado de incertidumbres y una entorno altamente volátil que existe en el mercado global. Los mercados de acciones están fuertemente afectados por imprevisibilidad del mercado y el mantenimiento de una cartera diversificada sana con riesgo mínimo es indudable - damente crucial para cualquier inversión realizada en dichos activos. Precio efectivo y predicción volatilidad puede altamente influir en el curso de la estrategia de inversión con respecto a una cartera de instrumentos de capital tales. En este trabajo una técnica de agrupamiento híbrido basado novela SOM está integrado con apoyo vector de regresión para selección de la cartera y las predicciones de los precios y la volatilidad precisos que se convierte en la base para la en particular estrategia de negociación adoptado para la cartera. La investigación considera las 102 principales acciones de la NSE mercado de valores (India) para identificar conjunto de las mejores carteras de que un inversor puede mantener para la reducción de riesgos y alta rentabilidad. Estrategia de comercio de acciones a corto plazo e indicadores de desempeño son desarrollados para evaluar la validez de las predicciones con respecto a los escenarios reales. 2013 Elsevier B. V. Todos los derechos reservados. 1. Introducción Los mercados financieros globales son de nuevo cargada de tidumbre lazos en todos los niveles de inversión y más de todas las posibles inversiones vehículo ambiente. Los acontecimientos recientes, como la clasificación hacia abajo de crédito de Estados Unidos Puntuación de Normas y Poors (S y P) de la AAA embellecido a un AATH prudente y constante contracción del crédito Euro participación deudas públicas masivas han obligado a varios países en picada y el contagio han afectado en gran medida muchas economías en todo el mundo, llevando a los inversores por sorpresa y probando incluso sus peores predicciones equivocadas de casos. La implicación de tales acontecimientos asombrosos se podían ver en el aumento masivo de precios en el los mercados mundiales de oro, mientras que una situación totalmente opuesta evolucionaron en el mercado estadounidense de capital, las acciones y las materias primas que era complementado por un dólar debilitado y un euro aún más frágil. Una abrumadora mayoría de los inversores y la inversión institucional ciones tienden a formular sus estrategias basadas en la extrapolación tendencias recientes sencillos y calcular la cartera con el comercio rentabilidad-riesgo off para formular una óptima. La falacia radica en las predicciones y decisiones basadas únicamente sobre los movimientos de precios de los índices o acciones individuales en el mercado y el análisis técnico de las diversas estrategias para un gama de vehículos de inversión. El concepto de riesgo o volatilidad toma un significado muy importante en este contexto. La determinación de la desviación estándar o varianza de una determinada clase de activo o su derivado se convierte en absolutamente crucial en dar una visión holística de las incertidumbres existentes en el mercado. El estructural cambios exógenos en el mercado son muy difíciles de predecir, por lo tanto, el análisis utilizado en este trabajo de investigación se centra en dar un inversionista una herramienta robusta que puede medir con precisión el estado de ánimo del mercado y el activo en cuestión, que se convierte en crucial en la formulación de una estrategia de negociación que coincide con la aversión al riesgo o el riesgo de la empatía de los inversores o conglomerados individuales. Encima reacción es extremadamente peligroso en llegar a la inversión de decisiones siones que se convierte en la piedra angular de la formulación analítica o soluciones heurísticas hacia la formulación de estrategias que pueden cubrir contra tales paranoia sobre cualquier influencia perturbadora. Como no hay un modelo está a toda prueba, el rendimiento debe medirse por tiempo real Listas de contenidos disponibles en ScienceDirect revista página web: Elsevier / localizar / Neucom Neurocomputing 0925-2312 / $ - ver front matter 2013 Elsevier Todos los derechos reservados. dx. doi / 10.1016 / j. neucom.2013.10.002 nCorresponding autor. Tel. þ91 3222 283 746. rendimiento de la cartera y análisis de riesgo sobre una base diaria que da una inversor para elegir un conjunto de clases que diversificará el riesgo que tiene como objetivo maximizar o más correctamente optimizar los retornos en lugar con su valor objetivo [1]. El trabajo que aquí se presenta se centra en la elaboración de una óptima cartera de activos o grupos de activos de riesgo que presentará una inversores para evaluar el riesgo-retorno que participan en la selección. El modelo se aplica para todas las poblaciones negociables en la Bolsa de Valores Nacional (NSE) de la India, que proporciona instrumentos derivados alternativos al igual que el índice de futuros y opciones. El trabajo elige valores indio de el análisis debido a la alta beta de la economía india y donde los efectos de distorsión de fallouts financieros pueden ser estudiados en medio un entorno favorable para el largo plazo y las inversiones a corto plazo impulsado por el crecimiento económico genuino. La obra contempla una módulo predictivo completo que puede predecir con exactitud los precios y las volatilidades inherentes asociados con los tipos de activos, que son primero agrupados en base a su perfil de riesgo y retorno. LA SOM híbrido (Self-Organizing Maps) utilizando K means clustering es utilizado para agrupar las poblaciones de vectores de soporte, mientras que la regresión (SVR) se utiliza para predecir el precio futuro y la volatilidad de corto ciclos de negociación de mejores pronósticos. Basándose en los resultados, un comercio módulo de estrategia se articula que selecciona la mejor estrategia para el comercio bajo el escenario de incertidumbre implícita en el mercado indicado por los pronósticos. Como se dijo anteriormente, más que el exactitud en la predicción de los precios reales y volatilidades, lo se convierte en importante es la dirección relativa de los movimientos y un rango definido de valores que el modelo puede proponer basada sobre la diferente estrategia que un inversionista escoge basa en su aversión al riesgo. Trabajo existente que incorpora la agrupación técnicas [2,3] y avanzada técnica estadística y minería de datos ques [4] han sufrido varias transformaciones para una mejor pre - capacidad predictiva. En el momento de la escritura, los autores no tienen conocimiento de un sistema acoplado asimilado que utiliza tanto técnicas de agrupamiento y predictivos relacionados con la selección de estrategias para la cartera de mercado de valores. El documento está estructurado de la siguiente manera. La siguiente sección discute 2. Revisión de la literatura En esta sección, el trabajo relacionado en las técnicas de clustering, regresión Se discuten los modelos sión y estrategias de negociación que establece el escenario para el problema tratado en este artículo. 2.1. Técnicas de agrupamiento Para las últimas décadas clustering técnicas se ha utilizado a assort conjuntos de datos variados pero es sólo en la década de 1990. Más tarde, cuando técnicas de agrupamiento fueron explotados en los datos financieros. Convención algoritmos partitivos y jerárquicas cionales evolucionaron en su híbridos genéticos como GA-K-means. Estos fueron usados extensamente para la segmentación del mercado [5]. En el caso de los datos financieros, la agrupación algoritmos también se ha utilizado para agrupar los datos de series de tiempo. Racimo - ción de la serie temporal facilita un modelo de regresión mejor para predicción futura [6], ya que reduce considerablemente el ruido de un no - serie de tiempo estacionaria, como la de un precio de las acciones. Aunque hay numerosos clusters partitivo y aglomerativo algoritmos tering SOM ha surgido como uno de los más populares elección en la agrupación de datos multi-dimensionales, como se analizó por Shahapurkar y Sundareshan [7]. Uso SOM red neuronal artificial trabaja para los datos de racimo y ayuda mapeo de datos multi-variable en un Espacio 2-D como se muestra por [8]. La complejidad de estos clustering algoritmos son proporcionales a la cantidad de datos alimentado, por lo tanto fuertemente aumentando el tiempo de cálculo para la operación de agrupamiento. En nuestros datos caso es a la vez el ruido prono y exhaustiva. Para eliminar el ruido y, posteriormente, mejorar la computacional tiempo de la Vesanto y Alhoniemi [9] propusieron un nivel novedoso de dos abstracción para agrupar el Ser Organizador Mapa. Sus experimentos dio a entender que la agrupación de la SOM es un computacionalmente más efectiva enfoque de la agrupación directamente el conjunto de datos. Por otra parte SOM ayuda a visualizar conjuntos de datos de dimensiones superiores en un 2-D espacio, que será útil si aumentamos las dimensiones que representa una acción a más de 2.There han hecho esfuerzos para crear una cartera usando diferentes métodos de agrupamiento de una sola capa [10], pero a lo mejor de nuestro conocimiento, las dos capas propuestos es 2.2. Modelo de regresión En los últimos años cada vez mayor número de investigadores se estudiar el precio y la volatilidad de movimiento de diferentes tipos de instrumentos financieros. Académicos e investigadores corporativos son haciendo su mejor esfuerzo para formular métodos para predecir el futuro mercado económico y diseñar un sistema comercial eficaz para maximizar el beneficio [15]. Antes de la introducción de la inteligencia computacional tradicional técnicas estadísticas cionales como la regresión multivariante, auto - promedio regresivo integrado móvil (ARIMA) [16], generalizada autorregresivo heterocedasticidad condicional (GARCH) [17] fueron que se utiliza para el pronóstico. Ellos son incapaces de producir significativa resultado como datos de stocks son generalmente complejos y ruidoso en la naturaleza. A corregir las técnicas de inteligencia artificial de problemas tales como Genérico Algoritmos, Redes Neuronales Artificiales (RNA) fueron pro - planteada para abordar este problema. Los investigadores ahora están inclinando hacia Apoyo Vector Machine (SVM), primero sugerido por Vapnik [18] para mejorar el pronóstico [6,19]. La mayoría de los resultados de la comparación de muestran que SVM supera ANN en términos de predicción de rendimiento [20]. Esto es debido al menos compleja estructura de SVR y debido a la aplicación del principio de minimización del riesgo estructural, SVR los intentos de minimizar el límite superior del error de generalización mientras que en ANN principio de minimización del riesgo empírico es ción mentado que trata de minimizar el error de clasificación errónea o desviación ción de la solución a partir de los datos de prueba. También hay menos posibilidades de más apropiado con SVM, ya que es óptimo global mientras que ANN puede generar únicas soluciones óptimas locales [21,22]. Un cuadrática convexa la optimización se utiliza para obtener la solución para el SVM donde una encontrar que SVM supera a la última. SVM fue utilizado por [21] para predecir el cambio diario de precios de Corea Composite Stock Precio Index (KOSPI). Además, el modelo de SVM se comparó con caso - razonamiento basado (CBR) y la red neuronal de retropropagación (BPN), donde SVM superó a los otros dos. Predicción semanal tendencia movimiento del índice Nikkei 225 se llevó a cabo utilizando SVM [26]. Para evaluar la capacidad de predicción de SVM, su el rendimiento se comparó con los de discriminante lineal Análisis, cuadrática análisis discriminante y Elman Volver propa - gación redes neuronales (NN). SVM superó a otros métodos en el experimento. Un modelo que combina mediante la integración de SVM con los otros métodos de clasificación también se propuso en el documento. Gavrishchaka y Banerjee [27] abordó el problema de volati - previsión lidad del mercado de valores de alta dimensión. Basado en SVM modelo de volatilidad fue comparable a menudo superior a la establecida modelos de predicción de la volatilidad por ejemplo GARCH y su generalización organiza-. Previsión del SP CNX NIFTY Índice Mercado del NSE fue realizado por Kumar y Thenmozhi [28] utilizando SVM y Random Bosque regresión. En la prueba de SVM fue superior a Bosque aleatoria, ANN además de los métodos tradicionales, como ARIMA. Los estudios empíricos en el mercado de valores de Hong Kong corroboran que los enfoques ANN y RVS notablemente encogen los errores promedio de previsiones y en consecuencia mejorar la haya pronosticado ing precisión. Un enfoque no paramétrico basado en ANN y SVM junto con la mejora técnica de valoración de opciones convencionales era presentado para pronosticar precios de las opciones de los valores de Hong Kong mercado [29]. Los resultados mostraron una mejora significativa en haya pronosticado ing precisión con modelos basados ANN y SVR. El desempeño en la literatura estudios de casos de regresión SVM se mide contra otros métodos de aprendizaje avanzadas, como la base radial Functions ción, el modelo tradicional Perceptrón multicapa, Box-Jenkins autorregresivo integrado de movimiento Impulse Response localmente recurrente redes neuronales [22].El comparación muestra que, en los casos analizados, SVM comparable a y en la mayoría de los casos supera a las otras técnicas. Clásico métodos como ARMA y GARCH, requiere de gran tamaño de la muestra para mejor predicción que conduce a un tamaño de muestra original reducida para modelos de orden superior [30]. También demostraron que SVM y Volver de propagación (BP) se comporta mejor que el modelo ARMA en el criterios de medición de desviación. Los experimentos también muestran que SVM supera tanto mezcla finita de modelos ARMA-GARCH y BP en criterios de rendimiento de desviación [31]. Estudios más recientes han estado atacando a un enfoque SVR híbrida para mejorar el rendimiento pronóstico de RVS [32,33]. Señal técnicas de procesamiento como la transformada wavelet y no negativo factorización de la matriz ayuda a mejorar los pronósticos. Los pronósticos obtenidos del apoyo vector de regresión modelo, ofrece precios de cierre y los valores de volatilidad para el próximo 15 media y theInfinite día. Estos valores forman la plataforma para la formulación de la negociación estrategia para maximizar el beneficio. 2.3. Estrategia de Trading Una gran parte del trabajo se ha publicado en la última década en estrategias de negociación de la bolsa. La mayoría de estas estrategias son ya sea plagado por retrasos, como lo es en el caso de palillo de la vela estrategia o es apto para inversiones a largo plazo, como el caso de comercio de impulso. La estrategia que proponemos se basa en el análisis de dos días de negociación, lo que le da una ventaja sobre las otras estrategias teniendo en cuenta la actual turbulencia en el mercados financieros. Una matriz de decisión también está preparado para ayudar a la comerciante de tomar decisiones. 3.1. Clustering El primer paso de la solución consiste en la agrupación de las acciones enumeradas en NSE basado en sus devoluciones logarítmicas y Daily Subyacente Las volatilidades. La agrupación es un método de aprendizaje no supervisado a particionar un conjunto en un conjunto de grupos de datos. Este documento propone dos abstracción capa para agrupar las poblaciones utilizando SOM seguido por K-means clustering del SOM como se muestra en la Fig. 1. El primer nivel, SOM, forma parte de una red neuronal 2-D con el barrio las relaciones entre las neuronas. Los vectores de entrada están conectados a las capas de salida, pero las neuronas no están interconectados. SOM es adecuados para el agrupamiento y la cartografía de los datos de dimensiones superiores en Parcelas 2-D, demostrando ser ideales en el caso de multi-dimensional El segundo nivel en el enfoque implica la agrupación utilizando un algoritmo partitivo. Algoritmos partitivos como K-means particiones el conjunto de datos en k-grupos, en los que se agrupa cada prototipo basado en su media más cercano. Resultados obtienen de K-means representan racimos de prototipos, los cuales a su vez son un mapa del subyacente cepo. El número óptimo de las agrupaciones se determina a partir de diversos índices de validez clúster. Índices calculados también insinúa una óptima clustering en este caso, que se tabula en la Tabla 1. Este enfoque de dos niveles reduce sustancialmente la computación = 15, o alrededor de seis veces para N¼1000. De Por supuesto, esto es una estimación muy aproximada ya que muchos con - práctica 3.2. Máquinas de vectores soporte El segundo paso de la solución implica la regresión del tiempo serie de las poblaciones obtenidas a partir de la primera etapa y por lo tanto predicción de valores futuros utilizando Máquinas de Vectores Soporte. SVMs
No comments:
Post a Comment