Hooftrekke Die toekoms pryse voorspel met behulp van ondersteuning vektor masjien. 'N Kort termyn handel strategie is geformuleer op grond van voorspellings. 'N Toets simulasie besef 'n wins van 1,5% oor 15 dae. Finansiële opbrengs op beleggings en beweging van die mark aanwysers is belaai met onsekerhede en 'n hoogs wisselvallige omgewing wat in die globale mark bestaan. Aandelemarkte is swaar getref deur die mark onvoorspelbaarheid en die handhawing van 'n gesonde gediversifiseerde portefeulje met 'n minimum risiko is ongetwyfeld noodsaaklik vir enige belegging in sulke bates. Effektiewe prys en wisselvalligheid voorspelling kan hoogs beïnvloed deur die loop van die beleggingstrategie ten opsigte van so 'n portefeulje van ekwiteitsinstrumente. In hierdie vraestel 'n roman SOM gebaseer baster groepering tegniek is geïntegreer met ondersteuning vektor regressie vir portefeulje seleksie en akkurate prys en wisselvalligheid voorspellings wat die grondslag vir die spesifieke handel strategie vir die portefeulje aanvaar word. Die navorsing van mening dat die top 102 aandele van die NSE aandelemark (Indië) te stel beste portefeuljes wat 'n belegger kan handhaaf vir risikovermindering en hoë winsgewendheid te identifiseer. Korttermyn-beurs strategie en prestasie-aanwysers ontwikkel om die geldigheid van die voorspellings te evalueer ten opsigte van werklike scenario's. Subhabrata Choudhury is tans besig sy Onderrig van Tegnologie-graad in Metallurgiese en Materials Ingenieurswese aan die Indiese Instituut van Tegnologie Kharagpur, Indië en is in finale jaar. Sy huidige navorsing belangstelling sluit Data-ontginning, Operasionele Navorsing, masjienleer en hul aansoeke in Finansies en staal bedryf. Subhajyoti Ghosh is 'n vierde jaar voorgraadse student in die Indiese Instituut van Tegnologie Kharagpur, Indië wat ingeskryf is in die vyf jaar dubbele graadprogram (B. Tech en M. Tech) in Ocean Ingenieurswese en Naval argitektuur. Sy huidige navorsing fokus op Operasionele Navorsing, Finansiële Markte, en Skedulering. Arnab Bhattacharya is tans 'n PhD kandidaat in Operasionele Navorsing aan die Universiteit van Pittsburgh, VSA. Hy het die vyf jaar dubbele graadprogram (B. Tech en M. Tech) in Bedryfsingenieurswese en Bestuurswetenskappe by die Indiese Instituut van Tegnologie Kharagpur, Indië in 2011. Sy navorsing sluit in Operasionele Navorsing en data-ontginning. Kiran Judas Fernandes is die navorsingsdirekteur en Hoof van die Operasionele Bestuur Groep by die York Management School, die Verenigde Koninkryk. Hy is ook een van die hoofnavorsers op die interdissiplinêre York Sentrum vir Kompleks Stelselontleding (YCCSA). Hy het 'n PhD in Operasionele bestuur en stelsels van die Universiteit van Warwick, 'n Meestersgraad (MS) van die James Worth Bagley Kollege van Ingenieurswese aan Mississippi State University (MSU) en 'n B-Ingenieurswese (Hons) - graad in Produksie van Waltech. Sy navorsing fokus op modellering van komplekse sosiale en sake gebiede met behulp van 'n komplekse stelsel perspektief. Manoj Kumar Tiwari is 'n professor in die Departement Bedryfsingenieurswese en Bestuurswetenskappe in die Indiese Instituut van Tegnologie Kharagpur, Indië. Hy is 'n mede-redakteur van tydskrifte wat IEEE Transactions on SMC sluit. Deel A. Stelsels en mense, International Journal of System Science. Journal of Decision Support System. Hy het meer as 200 publikasies in verskeie internasionale tydskrifte en konferensies. Sy navorsingsbelangstellings is Decision Support Model, beplanning, skedulering en beheer Probleme van vervaardiging stelsel, Voorsieningskanaal Network. Ooreenstemmende skrywer. Tel. +91 3222 283 746. Kopiereg © 2013 Elsevier BV Alle regte voorbehou. soortgelyke Publications 'N real time groepering en SVM gebaseer prys-wisselvalligheid voorspelling vir 'n optimale handel strategie Subhabrata Choudhurya, 1, Subhajyoti Ghoshb, 2, Arnab Bhattacharyac, Kiran Judas Fernandesd, 3,4, Manoj Kumar Tiwarie, N, 5 aDepartment van Metallurgiese Materials Ingenieurswese, Indiese Instituut van Tegnologie Kharagpur, Kharagpur 721302, Indië bDepartment van Ocean Ingenieurswese en Naval argitektuur, Indiese Instituut van Tegnologie Kharagpur, Kharagpur 721302, Indië cUniversity van Pittsburgh, Pittsburgh, PA 15213 Verenigde State van Amerika dDepartment of Management, Durham University Business School, Mill Hill Lane, Durham Universiteit, Durham DH1 £ 3, Verenigde Koninkryk eDepartment Bedryfsingenieurswese en Bestuurswetenskappe Indiese Instituut van Tegnologie, Kharagpur 721302, Indië 'n r t i c l e i n f o Artikel geskiedenis: Ontvang 17 Oktober 2012 Ontvang in hersiene vorm 22 Julie 2013 Aanvaar 10 Oktober 2013 Gekommunikeer deur Bijaya Ketan Panigrahi Aanlyn beskikbaar 29 Oktober 2013 Aandele mark groepering Self-organiserende Maps Trading strategie Ondersteuning vektor masjien 'n b e t r a c t Finansiële opbrengs op beleggings en beweging van die mark aanwysers is belaai met onsekerhede en 'n hoogs wisselvallige omgewing wat in die globale mark bestaan. Aandelemarkte is swaar getref deur mark onvoorspelbaarheid en die handhawing van 'n gesonde gediversifiseerde portefeulje met 'n minimum risiko is undoubt - edly noodsaaklik vir enige belegging in sulke bates. Effektiewe prys en wisselvalligheid voorspelling kan hoogs invloed op die verloop van die beleggingstrategie ten opsigte van so 'n portefeulje van ekwiteitsinstrumente. in hierdie vraestel 'n roman SOM gebaseer baster groepering tegniek is geïntegreer met ondersteuning vektor regressie vir portefeulje seleksie en akkurate prys en wisselvalligheid voorspellings wat die basis word vir die veral handel strategie vir die portefeulje aanvaar. Die navorsing van mening dat die top 102 aandele van die NSE aandelemark (Indië) te stel beste portefeuljes wat 'n belegger kan handhaaf vir risikovermindering te identifiseer en 'n hoë winsgewendheid. Korttermyn-beurs strategie en prestasie-aanwysers ontwikkel om evalueer die geldigheid van die voorspellings ten opsigte van werklike scenario's. 2013 Elsevier BV Alle regte voorbehou. 1. Inleiding Die globale finansiële markte is weer belaai met uncertain - bande op elke vlak van belegging en oor al die moontlike beleggings ment voertuig. Onlangse ontwikkelinge soos down gradering van die Amerikaanse krediet gradering deur Standaarde en Poor39; s (S en P) van die versier AAA 'n Skrander AAþ en deurlopende Euro kredietkrisis wat massiewe regering skuld het verskeie lande gedwing om in tailspin en die besmetting het swaar getref baie ekonomieë oor die hele wêreld, met die beleggers onkant betrap en bewys selfs hul ergste geval voorspellings verkeerd. Die implikasie van so 'n verstommende gebeure kan gesien word in die massiewe prys oplewing in die globale goud markte terwyl 'n volledige teenoorgestelde scenario ontwikkel in die VSA aandele, effekte en kommoditeite mark wat aangevul deur 'n verswakte dollar en 'n nog frailer euro. 'N oorweldigende meerderheid van die beleggers en belegging instelling sies is geneig om hul strategieë te formuleer gebaseer op ekstrapolasie eenvoudige onlangse tendense en bereken die portefeulje opbrengs-risiko handels - af om 'n optimale een formuleer. Die dwaling lê in die voorspellings en besluite net gebaseer oor prysbewegings van die indekse of individuele aandele in die mark en die tegniese ontleding van die verskillende strategieë vir 'n reeks beleggingsinstrumente. Die konsep van risiko of wisselvalligheid neem 'n baie belangrike betekenis in hierdie konteks. Die bepaling van die standaard afwyking of variansie van 'n bepaalde bateklas of sy afgeleide word absoluut noodsaaklik in die gee van 'n holistiese siening van die mark onsekerhede bestaande. die strukturele eksogene veranderinge in die mark is uiters moeilik om te voorspel, vandaar die analise wat in hierdie stuk navorsing fokus op die gee 'n belegger 'n robuuste program wat akkuraat die bui van die kan meet mark en die bate onder oorweging wat deurslaggewend raak in die formulering van 'n handel strategie wat pas by die risiko aptyt of die risiko empatie van individuele beleggers of konglomerate. oor reaksie is uiters gevaarlik op aankoms by belegging besluite sies wat die hoeksteen van die formulering van analitiese of raak heuristiese oplossings tot strategieformulering wat verskans Teen sulke paranoia op enige ontwrigtende invloed. Aangesien geen model is 'n bewys fool, moet die prestasie word gemeet aan die werklike tyd Inhoud lyste beskikbaar by ScienceDirect joernaal tuisblad: Elsevier / spoor / neucom Neurocomputing 0925-2312 / $ - sien voorwerk 2013 Elsevier BV Alle regte voorbehou. dx. doi / 10,1016 / j. neucom.2013.10.002 nCorresponding skrywer. Tel. þ91 3222 283 746. portefeulje-opbrengste en risiko-analise op 'n daaglikse basis, wat 'n gee belegger om 'n stel van klasse wat die risiko sal diversifiseer kies watter het ten doel om 'n maksimum of meer korrek die opbrengs in plaas optimaliseer met sy geteiken waarde [1]. Die werk wat hier aangebied word fokus op die ontwerp van 'n optimale portefeulje van riskante bate of bates trosse wat 'n sal aanbied belegger om die risiko-opbrengs wat betrokke is by keuse te evalueer. die model toegepas vir al die verhandelbare aandele in die Nasionale Aandelebeurs (NSE) van Indië, wat alternatiewe afgeleide instrumente bied soos indeks termynmark en opsies. Die werk kies Indiese voorraad vir die ontleding as gevolg van die hoë beta van die Indiese ekonomie en waar die vervorming effekte van finansiële fallouts kan bestudeer word te midde van 'n gunstige omgewing vir 'n lang termyn en korttermynbeleggings aangevuur deur ware ekonomiese groei. Die werk wapen in 'n volledige voorspellende module wat akkuraat kan voorspel die pryse en die inherente wisselings wat verband hou met die tipe bate wat is eerste gegroepeer op grond van hul eie risiko en opbrengs profiele. A hibriede SOM (self-organiserende Maps) met behulp van K beteken groepering is gebruik vir groepering die aandele terwyl Support Vector Regressie (SVR) word gebruik om die toekomstige prys en wisselvalligheid vir 'n kort voorspel handel siklusse vir 'n beter voorspellings. Op grond van die resultate, 'n handels strategie module verwoord wat die beste strategie vir kies handel onder die geïmpliseerde onseker scenario in die mark aangedui deur die voorspellings. Soos vroeër genoem, meer as die akkuraatheid in die voorspelling van die werklike pryse en wisselings, wat word belangrik is die relatiewe rigting van die bewegings en 'n definitiewe reeks waardes wat die model kan voorstel gebaseer oor die verskillende strategie wat 'n belegger kies wat gebaseer is op sy risikovermyding. Bestaande werk wat groepering sluit tegnieke [2,3] en gevorderde statistiese en data-ontginning techni - vraag gevra [4] het 'n paar transformasies ondergaan vir 'n beter voor - dictive vermoë. Op die oomblik van die skryf, die skrywers het geen kennis van 'n opgeneem, tesame stelsel wat beide gebruik groepering en voorspelbare tegnieke wat verband hou met strategie seleksie vir aandelemark portefeulje. Die papier is soos volg gestruktureer. Die volgende afdeling bespreek 2. Literatuuroorsig In hierdie artikel, wat verband hou werk in die groepering tegnieke, regres - ging modelle en handel strategieë bespreek wat stel die weg gebaan vir die probleem aangespreek in hierdie vraestel. 2.1. groepering tegnieke Vir die afgelope paar dekades groepering tegnieke is gebruik om sorteer gevarieerde datastelle maar dit is net in die latere 1990's toe groepering tegnieke uitgebuit op finansiële data. konven - sionele partitiewe en hiërargiese algoritmes ontwikkel in hul genetiese kruisings soos GA-K-middel. Hierdie is op groot skaal vir marksegmentering [5]. In die geval van finansiële data, groepering algoritmes is ook gebruik om tydreeksdata cluster. Cluster - ing van die tydreeks fasiliteer 'n beter regressiemodel vir toekoms voorspelling [6] want dit aansienlik verminder die geluid van 'n nie - stasionêre tydreekse, soos dié van 'n aandele prys. Alhoewel daar talle partitiewe en agglomerative clus - TERING algoritmes SOM het na vore gekom as een van die meer gewilde keuse in die groepering multi-dimensionele data, soos ontleed deur Shahapurkar en Sundareshan [7]. SOM gebruik kunsmatige neurale netwerke werk vir cluster data en help kartering multi-veranderlike data op 'n 2-D ruimte soos getoon deur [8]. Die kompleksiteit van hierdie groepering algoritmes is eweredig aan die hoeveelheid data gevoed, en daardeur swaar die verhoging van die computational tyd vir die groepering werking. in ons geval data is beide geraas geneig en volledig nie. Om die geraas uit te skakel en daarna die rekenaar - verbeter sie tyd Vesanto en Alhoniemi [9] voorgestel dat 'n nuwe twee-vlak onttrekking aan die Self reëlingskomitee Map cluster. hul eksperimente laat deurskemer dat die groepering van die SOM is 'n meer bestryk effektiewe benadering as direk groepering die datastel. Aan die ander kant SOM help om hoër dimensionele datastelle visualiseer op 'n 2-D ruimte, wat nuttig sal wees as ons die dimensies te verhoog wat 'n voorraad van meer as 2.In die het pogings om al skep 'n portefeulje met behulp van verskillende enkele laag groepering metodes [10], maar na die beste van ons kennis, die voorgestelde twee lae is 2.2. regressiemodel Oor die afgelope paar jaar groeiende aantal navorsers bestudering van die prys en wisselvalligheid beweging van verskillende soorte finansiële instrumente. Akademici en korporatiewe navorsers probeer hul bes om metodes om die toekoms te voorspel formuleer ekonomiese mark en bedink 'n doeltreffende handel stelsel te maksimeer wins [15]. Voor die bekendstelling van computational intelligensie tradi - sionele statistiese tegnieke soos meerveranderlike regressie, motor - regressiewe geïntegreerde bewegende gemiddelde (ARIMA) [16], veralgemeen outoregressiewe voorwaardelike heteroskedasticity (GARCH) [17] was wat gebruik word vir voorspelling. Hulle is nie in staat is om te produseer beduidende lei as aandele data is algemeen komplekse en lawaaierige in die natuur. om korrek is die probleem kunsmatige intelligensie tegnieke soos Generiese algoritmes, Kunsmatige Neurale Netwerke (ANN) was pro - gestel om die probleem te benader. Navorsers is nou neig teenoor Support Vector Machine (SVM), eerste voorgestel deur Vapnik [18] die voorspelling [6,19] te verbeter. Die meeste vergelyking resultate van toon dat SVM oortref ANN in terme van voorspelling prestasie [20]. Dit is as gevolg van minder komplekse struktuur van SVR en as gevolg van die implementering van strukturele risiko minimalisering beginsel SVR poog om die bogrens van veralgemening fout te minimaliseer terwyl dit in ANN empiriese risiko minimalisering beginsel is imple - fragmenteerde wat daarop gemik is om foutieve classificatie fout of devia - verminder sie van die oplossing van die toetsdata. Ook is daar minder kans van meer as gepas met SVM as dit globale optimum terwyl ANN kan genereer net plaaslike optimale oplossings [21,22]. A konvekse kwadratiese optimalisering word gebruik om die oplossing vir die SVM waar 'n te kry vind dat SVM beter as die laaste een. SVM is wat gebruik word deur [21] om voorspel die daaglikse verandering van die prys van Korea Saamgestelde Stock Prys Indeks (KOSPI). Verdere die SVM model is in vergelyking met geval - redenasie (CBR) en back-voortplanting neurale netwerk (BPN) waar SVM beter gevaar as die ander twee. voorspelling van weeklikse beweging tendens van Nikkei 225-indeks is uitgevoer gebruik van SVM [26]. Om die vooruitskatting vermoë van SVM, sy evalueer prestasie is in vergelyking met dié van Lineêre Diskriminant Ontleding, Kwadratiese Diskriminant analise en Elman Terug kwekerypraktyk reiniging Neurale Netwerke (NN). SVM geklop ander metodes in die eksperiment. 'N kombinasie van model deur die integrasie van SVM met die ander klassifikasiemetodes is ook in die koerant voorgestel. Gavrishchaka en Banerjee [27] aangespreek die probleem van volati - likheid vooruitskatting van 'n hoë-dimensionele aandelemark. SVM-gebaseerde wisselvalligheid model was vergelykbaar dikwels beter as die gevestigde wisselvalligheid voorspelling modelle byvoorbeeld GARCH en sy algemene - izations. Voorspelling van SP CNX NIFTY Market Index van die NSE is uitgevoer deur Kumar en Thenmozhi gedra [28] met behulp van SVM en Ewekansige Forest Regressie. In die toets was SVM beter Ewekansige Forest, ANN bykomend tot tradisionele metodes soos ARIMA. Die empiriese studie in die Hong Kong sekuriteite mark staaf dat die ANN en SVR benaderings merkbaar krimp die gemiddelde voorspelling foute en verbeter die forecast - ing akkuraatheid. A-parametriese benadering gebaseer op ANN en SVM saam met 'n beter konvensionele opsie pryse tegniek was aangebied om opsie pryse van die Hong Kong sekuriteite voorspel mark [29]. Resultate toon beduidende verbetering in forecast - ing akkuraatheid met ANN en SVR gebaseerde modelle. die prestasie op literatuur gevallestudies van SVM regressie word gemeet teen ander gevorderde leer metodes soos die Radial Basis Funksio - sie, die tradisionele Multilayer Perceptron model, Posbus-Jenkins - Outoregressiewe geïntegreerde bewegende Impulsrespons Plaaslik Herhalende Neurale Netwerke [22].Die vergelyking toon dat in die ontleed gevalle, SVM vergelykbaar om en in die meeste gevalle beter as die ander tegnieke. Klassiek metodes soos ARMA en GARCH, vereis groot steekproefgrootte vir beter voorspelling lei tot 'n verlaagde oorspronklike steekproefgrootte vir hoër-orde modelle [30]. Hulle het ook getoon dat SVM en Terug voortplanting (BP) voer beter as die ARMA model in die afwyking metingskriteria. Eksperimente toon ook dat SVM beter as beide eindig mengsel van ARMA-GARCH en BP modelle in afwyking prestasiekriteria [31]. Meer onlangse studies is gerig op 'n hibriede SVR benadering die voorspelling prestasie van SVR [32,33] verbeter. sein verwerking tegnieke soos wavelet transformeer en nonnegatieve matriks faktorisering help in die verbetering van die voorspellings. Die voorspellings verkry via Support Vector Regressie model, bied sluitingstyd pryse en wisselvalligheid waardes vir die volgende 15 gemiddelde en theInfinite dae. Hierdie waardes vorm die platform vir die formulering van die handel strategie om 'n maksimum wins te maak. 2.3. Trading strategie 'N groot deel van die werk is die afgelope dekade gepubliseer op Aandelemark handel strategieë. Die meeste van hierdie strategieë is óf af geteister deur lags, net soos in die geval van kers vashou strategie, of is geskik vir langtermynbeleggings, soos die geval van momentum handel. Die strategie wat ons stel is gebaseer op die ontleding van twee handelsdae, wat dit 'n voordeel gee oor die ander strategieë in gedagte hou die huidige woelinge in die finansiële markte. 'N Besluit matriks is ook bereid om te help handelaar neem besluite. 3.1. groepering Die eerste stap van die oplossing behels die groepering van aandele genoteer in NSE op grond van hul Logaritmiese Opbrengste en Daily Onderliggende Wisselings. Groepering is 'n metode van afwagtend leer om partisie n datastel in 'n stel van trosse. Dit artikel stel 'n twee laag onttrekking aan die aandele met behulp van SOM gevolg deur cluster K-beteken groepering van die SOM soos getoon in Fig. 1. Die eerste vlak, SOM, bestaan uit 'n 2-D neurale netwerk met buurt verhoudings tussen die neurone. Die Inset vektore is verbind tot die uitset lae, maar die neurone is nie onderling met mekaar verbind. SOM is geskik vir groepering en kartering van hoër dimensionele data op 2-D erwe, blyk 'n ideale in die geval van 'n multi-dimensionele wees Die tweede vlak in die benadering behels die groepering met behulp van 'n partitiewe algoritme. Partitiewe algoritmes soos K-beteken partisies die stel in k-clusters data, waarin elke prototipe is gegroepeer op grond van sy naaste gemiddelde. Resultate verkry uit K-middel verteenwoordig trosse van prototipes, wat op sy beurt is 'n kaart van die onderliggende aandele. Die optimale aantal trosse word bepaal uit verskeie cluster geldigheid indekse. Indekse ook bereken wenke 'n optimale groepering in hierdie geval, dit is getabuleer in Tabel 1. Dit twee vlak benadering aansienlik verminder berekening = 15, of oor ses keer vir N¼1000. van Natuurlik, dit is 'n baie rowwe skatting aangesien baie praktiese be - 3.2. Ondersteuning vektor masjien Die tweede stap van die oplossing behels agteruit tyde reeks van die aandele verkry vanaf die eerste stap en sodoende voorspelling toekomstige waardes behulp Support Vector Machines. SVMs
No comments:
Post a Comment