评估常见技术交易模型的有效性

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

英文标题：
《Evaluating the Effectiveness of Common Technical Trading Models》
---
作者：
Joseph Attia
---
最新提交年份：
2019
---
英文摘要：
  How effective are the most common trading models? The answer may help investors realize upsides to using each model, act as a segue for investors into more complex financial analysis and machine learning, and to increase financial literacy amongst students. Creating original versions of popular models, like linear regression, K-Nearest Neighbor, and moving average crossovers, we can test how each model performs on the most popular stocks and largest indexes. With the results for each, we can compare the models, and understand which model reliably increases performance. The trials showed that while all three models reduced losses on stocks with strong overall downward trends, the two machine learning models did not work as well to increase profits. Moving averages crossovers outperformed a continuous investment every time, although did result in a more volatile investment as well. Furthermore, once finished creating the program that implements moving average crossover, what are the optimal periods to use? A massive test consisting of 169,880 trials, showed the best periods to use to increase investment performance (5,10) and to decrease volatility (33,44). In addition, the data showed numerous trends such as a smaller short SMA period is accompanied by higher performance. Plotting volatility against performance shows that the high risk, high reward saying holds true and shows that for investments, as the volatility increases so does its performance.
---
中文摘要：
最常见的交易模式有多有效？答案可能有助于投资者认识到使用每种模型的好处，为投资者提供进入更复杂金融分析和机器学习的机会，并提高学生的金融素养。创建流行模型的原始版本，如线性回归、K-最近邻和移动平均交叉，我们可以测试每个模型在最受欢迎的股票和最大指数上的表现。根据每个模型的结果，我们可以比较这些模型，并了解哪个模型可靠地提高了性能。试验表明，虽然这三种模型都减少了整体下跌趋势强劲的股票的损失，但这两种机器学习模型在增加利润方面效果不佳。移动平均线交叉点的表现每次都优于连续投资，尽管也确实导致了更不稳定的投资。此外，一旦完成创建实现移动平均交叉的程序，最佳使用时段是什么？一项由169880项试验组成的大规模测试显示了提高投资绩效（5,10）和降低波动性（33,44）的最佳时期。此外，数据显示了许多趋势，例如SMA周期越短，性能越高。将波动率与业绩进行对比表明，高风险、高回报的说法是正确的，并表明对于投资而言，随着波动率的增加，其业绩也会增加。
---
分类信息：

一级分类：Quantitative Finance        数量金融学
二级分类：Statistical Finance        统计金融
分类描述：Statistical, econometric and econophysics analyses with applications to financial markets and economic data
统计、计量经济学和经济物理学分析及其在金融市场和经济数据中的应用
--
一级分类：Computer Science        计算机科学
二级分类：Computers and Society        计算机与社会
分类描述：Covers impact of computers on society, computer ethics, information technology and public policy, legal aspects of computing, computers and education. Roughly includes material in ACM Subject Classes K.0, K.2, K.3, K.4, K.5, and K.7.
涵盖计算机对社会的影响、计算机伦理、信息技术和公共政策、计算机的法律方面、计算机和教育。大致包括ACM学科类K.0、K.2、K.3、K.4、K.5和K.7中的材料。
--

---
PDF下载：
--> Evaluating_the_Effectiveness_of_Common_Technical_Trading_Models.pdf (2.05 MB)

2022-6-24 11:24:54 上传

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏0 回帖

关键词：交易模型 技术交易 有效性 Econophysics Quantitative

评估常见交易模式的有效性约瑟夫·阿蒂亚布卢克林技术高中2019年6月摘要最常见的交易模式的有效性如何？答案可能有助于投资者认识到使用每种模型的好处，为投资者提供更复杂的财务分析和机器学习的机会，并提高学生的财务素养。创建流行模型的原始版本，如线性回归、K-近邻和移动平均交叉，我们可以测试每个模型在最受欢迎的股票和最大指数上的表现。根据每个模型的结果，我们可以比较模型，并了解哪个模型可以可靠地提高性能。试验表明，虽然这三种模型都减少了整体下跌趋势强劲的股票的损失，但这两种机器学习模型在增加利润方面效果不佳。移动平均值（Movingaverages）交叉投资每次的表现都优于连续投资，尽管这也会导致投资更加波动。此外，一旦完成创建实现移动平均交叉的程序，最佳时段是什么？一项由169880项试验组成的大规模测试显示，提高投资绩效（5,10）和降低波动性（33,44）的最佳时期。此外，数据显示了许多趋势，例如SMA周期越短，性能越高。将波动率与业绩进行对比表明，“高风险、高回报”的说法是正确的，并表明对于投资而言，随着波动率的增加，其业绩也会随之增加。目录1。研究问题。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。1.2.

介绍1.3、病史。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。3.3.1.       数学模型历史。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。3.3.1.1.     数学模型在金融中的应用。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。3.3.2.        股票市场历史。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。3.3.3.        技术分析历史。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。4.3.4.        机器学习模型的历史。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。5.4、数学背景。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。5.4.1.        投资与股票简介。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。5.4.2.        波动。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。7.4.3.        K-最近邻。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。9!4.4.        逻辑回归。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。10!4.5.        移动平均值交叉点。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。11!5、调查。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。13!5.1.

回归分析。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。13!5.1.1.     项目开发。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。13!5.1.2.     测试。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。15!5.2.        K-最近邻。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。17!5.2.1.     项目开发。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。17!5.2.2.     测试。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。18!5.3.        移动平均交叉线。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。20!5.3.1.     项目开发。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。20!5.3.2.     确定最佳移动平均周期。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。23!5.3.3.     测试。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。27!6、结论。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。30!7、应用和扩展。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。33!8、参考文献。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。34!9、附录。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。36!A.

回归程序。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。36!B、 KNN计划。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。38!C、 移动平均线交叉方案。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。40!— 1 —1.           研究问题：最常见的技术交易模型（移动平均交叉、回归、K-最近邻算法）有多有效，它们如何相互比较？此外，移动平均交叉交易的两个最佳时期是什么？1894年5月，一个名叫本杰明·格雷厄姆的男孩出生在伦敦的一个犹太家庭。在他1岁的时候，他搬到了纽约，在那里不久，他的家人就饱受损失和贫困的折磨。尽管如此，他还是在哥伦比亚大学（ColumbiaUniversity）以班级第二名的成绩毕业，获得了一份教书的工作，但他拒绝了，因为他需要更高的收入来养家糊口。于是，他去了华尔街。本杰明·格雷厄姆（BenjaminGraham）后来被称为“价值投资大师”，并培养了许多著名的信徒，包括沃伦·巴菲特（WarrenBuffet），他是21世纪最臭名昭著的投资者之一。“投资者的主要问题——也是他最大的敌人——很可能是自己的问题。——本杰明·格雷厄姆本杰明·格雷厄姆（Benjamin Graham）上面引用的这句话指的是情绪和贪婪在投资者的战略中所起的持续斗争。什么时候利润足够？什么时候我们个人喜欢的公司会迫使我们投资，即使所有迹象都表明不投资？这是自然的，但我们一直在努力避免因情绪化交易而亏损。

这就是我论文的目标，评估这些方法的有效性，以及如何使其中一些方法更有效。我之所以选择这个话题，是因为我从小就对股市产生了兴趣。在国际贸易中，我与我的几个朋友聚在一起，一位老师让我们参与了股票市场游戏，这是西格玛基金会的一个项目，旨在“通过虚拟投资和真实世界的学习将学生与全球经济联系起来”在比赛的前几周，我们做得很好，跻身全国前十名。在比赛前一周，我们的投资组合中的股票突然下跌，我们的仓位也随之下跌。作为学校股票市场俱乐部的一部分，我回到了世贸的股票市场游戏中，这一次，在另一支球队中，我们曾几次在第一名达到顶峰，但最终在全国排名第五。股市令人振奋，令人着迷，但更重要的是，它不可预测。在11年级，我开始了一门离散数学课程，这门课程从图论开始。在写了一篇关于图论在投资中的应用的论文后，我试图用有向图和相关股票作为何时投资的指标，但这种方法提供了不同的结果。当再次研究的时候，我毫不犹豫地继续研究交易方法，并决定重新创建和探索常见的技术交易模型。-3 —3.           历史3.1。数学模型的历史数学模型的使用虽然没有图论那么古老，但已经有一段时间了。第一个可区分的数学模型实际上是数字，可以追溯到公元前30000年。根据数字，天文学家和古代建筑师贝根应用数学模型。

大约在20世纪，第一台计算机问世了，它提供了大量的数学建模方法，但更好的是，这是每个人自己开发无数数学模型的一种方法。3.1.1.     数学模型在金融中的应用随着个人电脑的普及，人们开始将数学模型引入金融领域。其中一个最著名的数学模型应用微分方程和布朗运动来估计欧式期权的价格，该模型由路易斯·巴塞利尔（LouisBachelier）于1900年和阿尔伯特·爱因斯坦（AlbertEinstein）于1905年描述。该模型被称为Black-Scholes模型，于1973年开发，并在随后的几十年中大量使用。3.2.        证券市场历史1531年，比利时成立了第一家证券交易所，经纪人和放债人在这里会面，以便与企业、ZF甚至个人债务达成交易。17世纪，许多不同欧洲国家的公司都获得了特许经营权，这些国家的ZF也获得了东方利润的股份。尽管如此，许多船东开始寻求更多的投资者，这样，如果他们的船在海上发生了什么事，他们的财富就不会受到破坏。投资者还将通过投资许多不同的企业来管理风险，确保利润弥补亏损。伦敦证券交易所于1773年开业，纽约证券交易所（NYSE）于19年后开业。与伦敦证券交易所不同，纽约证券交易所从诞生之日起就开始出售股票，而伦敦证券交易所则被限制出售股票。

纽约证券交易所位于美国经济最繁荣的华尔街城市之一，很快成为美国最受欢迎的证券交易所。1971年，即纽约证券交易所成立近200年后，纳斯达克成立。纳斯达克由金融业监管局（Financial Industry Regulatory Authority）开发，是世界上第一个没有实体建筑的纳斯达克。这是一个以电子方式执行所有交易的计算机网络，这反过来又提高了交易的效率。这场竞争迫使纽约证券交易所（NYSE）与欧洲证券交易所（AEEuropean stock exchange）合并，成为第一家全球交易所，从而加快了其竞争步伐。3.3.        技术分析的历史技术分析最早出现于道琼斯指数的推出，asCharles Dow记录了每日平均值的高低以及每周和每月的相关模式等数据。查尔斯会试图找到导致粘贴事件的模式，并尝试使用这些模式预测未来的事件。然后，另一位投资者威廉·P·汉密尔顿（WilliamP.Hamilton）开始利用短期波动来过滤掉无关紧要的日常波动，并利用平均值的方向来确定-5投资的方向。汉密尔顿用他的方法在1929年的坠机事故发生之前就预测到了。在道氏和汉密尔顿之后的几年里，这一领域有了许多发展，它的创造不能归功于一个人，而是不断地向这一领域添加材料。3.4.        机器学习模式的历史中国学习已经成为商业和研究的重要组成部分，尽管它的历史还不超过70年。机器学习模型基于大脑，一个收集细胞反复协助另一个细胞的放电，但作为一个人工神经网络，它与人工神经元以及一个对另一个的影响相结合。

“机器学习”一词是由IBM开发人员亚瑟·塞缪尔（ArthurSamuel）创造的，他创建了一个计算机程序来玩跳棋，该程序使用了许多机制，包括死记硬背，计算机可以记录所有以前看到的位置及其结果。第一个神经网络是弗兰克·罗森布拉特（FrankRosenblatt）建立的感知机模型，它将塞缪尔的努力与大脑的细胞相互作用结合起来。1967年，创建了最近邻算法，并为使用机器学习进行模式识别奠定了基础。从那时起，许多新的算法被开发出来，关于多层算法和反向传播的研究变得越来越流行。4、数学背景4.1。投资与股票简介在分析历史股票数据时，分析师有各种不同的选择，他们希望使用这些数据。股票价格的表示方法包括开盘价-6-（交易日开始时的价格），收盘价（交易日结束前的价格），高（交易日内股票的最高点），低（交易日内股票的最低点），变动（股票价格的变动，可以是印度盾或百分比），成交量（交易日交易的股份总额）、调整后的收盘价（已调整的收盘价，以说明任何分割和股息）。本文使用的数据都是调整后的收盘价，因为它消除了调整股票分割和股息定价的必要性，从而使数据分析准确。拆分是指一家公司决定将每股股票拆分为多股，每股价值较低，从而使股票更有市场价值。例如，如果stockZ的一股价值300美元。公司决定把股票分成一百股换一股。

现在，该公司有100多倍的股票可供交易，每股价格为3美元。然而，如果投资者在分割前拥有1股，那么在分割后他将拥有100股，因此保持其投资的价值。股息是指一家公司将其部分利润分配给投资者，而投资者又将其股票价格降低了相同的金额。例如，B股宣布派发50美元的现金股利，并在股利日期前以每股105美元的价格交易。在-7股息日，股价下跌5美元，调整后的收盘价变为100美元。在测试投资模型和策略时，图表将显示两条线。一种被定义为持续投资，即在测试期开始时购买一只股票并持有它，不改变或改变头寸。另一种是指示性投资，表示使用所使用的模型或策略给出的指标进行投资。4.2.        波动性波动性（volatityvolatility）被定义为与证券价值变化的大小有关的不确定性或风险，或与给定证券收益分散度的统计度量有关的不确定性或风险。标准差是金融学中用来衡量投资波动性的一种统计方法。标准差越大，每个日期的价格和平均值之间的方差越大，价格范围越大，因此股票的风险越高。标准偏差公式基于平均偏差，即每个数据值到平均值之间距离的平均值。！\"#$!%# &\'# \"(!)（*+，&./0..20.131和.40+&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&。