Estratégia de negociação de mineração de dados.
Menos indo na internet - serão crianças mais saudáveis! Qualquer vida começa no final. Hy na mão é melhor do que n no horizonte. mas eu prefiro ser o primeiro Maya, do que o oitavo de março! .. Palestra - sem ereção. Deixou de lado. (Sabedoria do aluno).
Os farmacêuticos portugueses criaram uma nova droga de alta potência altamente eficaz!
Esta frase, incomparável))), eu gosto :)
Desculpe por isso eu interferir. Estou familiarizado com esta situação. Vamos discutir isso. Escreva aqui ou no PM.
E daí? Que absurdo .
Uma garota teve sorte. A felicidade também devolveu o favor. Quanta merda tanto na minha cabeça não cabe! Quanto maior a inteligência, os beijos mais baixos. Coma um sapo vivo pela manhã e nada pior neste dia com você não vai acontecer. Do conhecimento, ninguém morreu, mas o risco não vale a pena!
Como codificar matematicamente as estratégias de negociação.
Se você tem um monte de dados econométricos diferentes (por exemplo, índices, FX, commodities, taxas de juros). Você pode tentar encontrar uma fórmula para ver se há algum relacionamento nos dados - e. g. para prever isso por esse padrão descoberto.
O que eu estou perguntando aqui é um pouco diferente: existe uma outra maneira, no sentido de que você pode procurar uma fórmula f (), de modo que o formulário fornecido represente uma estratégia de negociação em que certos indicadores sejam encontrados quando devem ser longos ou curtos (ou quaisquer combinações derivadas)? A idéia é que a própria fórmula vive no espaço n-dimensional de indicadores / estratégias de negociação e tenta sobreviver o melhor que puder.
Este deve ser um procedimento padrão para sistemas multi-agentes que simulam mercados de ações artificiais. Infelizmente, não consigo encontrar uma abordagem simples para fazer exatamente isso.
A rápida evolução da tecnologia informática nas últimas décadas proporcionou profissionais de investimentos (e amadores) com a capacidade de acessar e analisar enormes quantidades de dados financeiros. Além disso, a world wide web e os boletins informativos tornam possível que pessoas do mundo inteiro acessem essas informações rapidamente, além de fornecer um meio para que os indivíduos façam suas opiniões e interajam. Como resultado, alguns dos temas de debate mais intrigantes nos últimos anos giraram em torno da prática e das conseqüências da "mineração de dados".
A mineração de dados envolve a busca por bancos de dados para correlações e padrões que diferem dos resultados que se prevê que ocorram por acaso ou em condições aleatórias. A prática da mineração de dados por si só não é boa nem ruim e o uso da mineração de dados tornou-se comum em muitas indústrias. Por exemplo, na tentativa de melhorar a expectativa de vida, os pesquisadores podem usar mineração de dados para analisar causas e correlações com as taxas de mortalidade. A Data Mining também é usada por anunciantes e empresas de marketing para direcionar os consumidores. Mas, possivelmente, o grupo mais notório de mineros de dados são pesquisadores do mercado de ações que procuram prever o movimento futuro dos preços das ações. A maioria, se não todas as anomalias do mercado de ações, foram descobertas (ou pelo menos documentadas) via data mining de preços passados e variáveis relacionadas (ou às vezes não relacionadas).
Quando as estratégias de superação do mercado são descobertas através da mineração de dados, há uma série de problemas potenciais ao fazer o salto de uma estratégia testada para investir com sucesso em futuras condições do mundo real. O primeiro problema é determinar a probabilidade de que as relações tenham ocorrido aleatoriamente ou se a anomalia pode ser exclusiva da amostra específica que foi testada. Os estatísticos gostam de apontar que, se você torturar os dados por tempo suficiente, confessará qualquer coisa.
No que está se tornando um exemplo infame, David Leinweber foi procurar correlações aleatórias para o S & P 500. Peter Coy descreveu as descobertas de Leinweber em um artigo da Business Week intitulado "Ele que mina dados pode atingir o ouro dos tolos" (16/06/97). O artigo discutiu a mineração de dados, o livro de Michael Drosnin The Bible Code. e o fato de que os padrões ocorrerão em dados por pura chance, especialmente se você considerar muitos fatores. Muitos casos de mineração de dados são imunes à verificação estatística ou à refutação. Ao descrever as armadilhas da mineração de dados, o Leinweber "peneirou um CD-ROM das Nações Unidas e descobriu que historicamente, o melhor preditor do índice de 500 ações do Standard Poor era a produção de manteiga no Bangladesh". A lição a aprender de acordo com Coy é uma "fórmula que se adapta aos dados do passado não terá necessariamente qualquer valor preditivo".
O teste de volta sempre foi uma classe suspeita de informações. Quando você olha para trás, você só vai mostrar o que é bom.
As anomalias descobertas através da mineração de dados são consideradas mais significativas à medida que o período de tempo aumenta e se a anomalia pode ser confirmada em testes de amostra em diferentes períodos de tempo e mercados comparáveis (por exemplo, em trocas estrangeiras). Se uma anomalia é descoberta em testes de volta, também é importante determinar como os custos (custos de transações, o spread bid-ask, os custos de impacto para os comerciantes institucionais) reduziriam os retornos. Algumas anomalias simplesmente não são realizáveis. Veja a anomalia da linha de valor e a falta de implementação para mais sobre este tópico. Além disso, as estratégias que funcionaram no passado podem simplesmente parar de funcionar, já que mais investidores começam a investir de acordo com a estratégia. Veja a Hipótese do Mercado Eficiente para obter mais informações sobre esse assunto.
O Motley Fool tem sido elogiado por muitos por oferecer aconselhamento educacional a investidores individuais (por exemplo, o Motley Fool oferece recomendações sólidas em aconselhar os investidores a comprar e manter ações, desconfiar dos intermediários e dos conflitos de interesses dos analistas e ter cuidado de reivindicações de desempenho irrealistas). Mas a estratégia de ações do "Foolish Four" de Motley Fool e sua fundamentação subjacente criaram críticas.
Em 1997, os professores da BYU Grant McQueen e Steven Thorley coathored um artigo no Financial Analysts Journal (FAJ) que questionou os imensamente populares cães da Estratégia Dow (Abstract). Tendo já recolhido os dados para analisar os Dow Dogs, os Professores seguiram fazendo um estudo de caso na mineração de dados dos Foolish Four de Motley Fool. McQueen e Thorley analisaram o Foolish Four como descrito em The Motley Fool Investment Guide (MFIG), mas os Fools realmente têm várias variações do Foolish Four (Veja também o Foolish Four explicado e Foolish Four History). Essa pesquisa resultou em outro artigo publicado na edição de março / abril de 1999 do Financial Analysts Journal intitulado "Mining Fool's Gold". No espírito do estilo de escrita divertida e criativa do Fool's, os professores publicaram uma versão "lighthearted" do papel (em Wordperfect) no servidor BYU. Os dados utilizados no estudo podem ser baixados aqui.
McQueen e Thorley incluem uma explicação completa das possíveis armadilhas da mineração de dados e eles foram conduzidos a partir de testes de amostra no Foolish Four. Os professores argumentam que a mineração de dados pode ser detectada pela complexidade da regra de negociação, a falta de uma história ou teoria coerente, o desempenho de testes fora da amostra eo ajuste de retornos para riscos, custos de transação e impostos. Além disso, eles argumentam que as regras de negociação Foolish Four e Dow Ten tornaram-se populares o suficiente para impactar os preços das ações na virada do ano.
O Motley Fool postou uma resposta animada ao documento FAJ em seus relatórios de portfólio Foolish Four, que são acessíveis em seus arquivos de 1999. Veja relatórios datados de 5/10. 5/11. 5/12. 5/13. 5/14. 5/17. 5/18. 5/19. 5/20. e 5/21. Incluídas nessas respostas são vários argumentos contábeis para o documento FAJ e também reconhecimentos de questões válidas discutidas no documento.
Embora muitos dos problemas sejam discutíveis, o teste de ácido real e o achado crítico do documento FAJ foram um teste fora de amostra para os retornos Foolish Four de 1949 a 1972. Por esse período, os quatro tolos quase não derrotaram o Dow 30 por uma média de 0,32% ao ano com substancialmente mais risco. Não só a estratégia foi inferior ao Dow Dogs durante o período, mas depois de custos de transações e contabilização de risco, claramente ficaria para o período de atraso no DJIA. Esta questão crítica foi discutida brevemente no relatório datado de 5/14.
Para colocar esta questão em perspectiva, considere um investidor no início de 1973 olhando para o desempenho do DJIA nos últimos 24 anos. É difícil racionalizar a forma como um investidor poderia ter sabido naquela época que o Foolish Four produziria o mercado batendo os ganhos no futuro.
Em outro teste fora da amostra, McQueen e Thorley usaram o período base 1973 -1996 discutido na MFIG, mas usado julho para reequilíbrio em vez de janeiro. Nessas condições, o Foolish Four retorna o DJIA em apenas 2,95% ao ano, em média, substancialmente inferior à vantagem de 12,23% em relação ao DJIA com o reequilíbrio de janeiro.
Em defesa dos Fools, várias divulgações foram feitas pelo menos em MFIG e no site. No relatório Foolish Four datado de 8/7/98. eles revelam que os retornos foram menores quando o reequilíbrio ocorreu em meses além de janeiro. Além disso, em MFIG, um valor de retorno de 25,5% de um período de vinte anos é usado muitas vezes, mas eles pelo menos mencionam que eles pesquisaram os números de volta para 1961 e, durante o período de tempo mais longo, os retornos caíram para 18,35%. Por outro lado, uma vez que é divulgado que um período de tempo mais longo foi estudado, continuar a citar os números mais fortes de curto prazo e basar argumentos sobre esses dados certamente pode ser visto como suspeito. Divulgar e focar em resultados a longo prazo tende a aumentar a credibilidade do argumento de um mineiro de dados.
Jason Zweig expressou sua opinião sobre o Foolish Four e compartilha suas próprias pastas "Very Stupid" e "Extra Dumb" extraídas de dados na revista Money Pays of Money (agosto de 1999). No site da Morningstar, você também pode ler a opinião de John Rekenthaler em Just foolin, além das opiniões do conselheiro de investimento William Bernstein em um artigo intitulado Mined: All Mined (veja também a resposta de James O'Shaughnessy e o debate que se seguiu) .
Em dezembro de 2000, The Motley Fool anunciou que eles não defendem mais a estratégia de estoque "Foolish Four", que eles criaram. Veja Re-thinking the Foolish Four para o raciocínio por trás do Fool's já não recomendando uma estratégia que eles haviam promovido durante anos através de seu site e livros.
Passando para outro debate de mineração de dados, William Brock. Josef Lakonishok. e Blake LeBaron (BLL) publicaram um artigo intitulado "Regras de negociação técnicas simples e as propriedades estocásticas dos retornos de estoque", na edição de dezembro de 1992 do Journal of Finance. O estudo é um dos poucos documentos acadêmicos para documentar uma estratégia de negociação bem-sucedida com base em análise técnica (veja Anomalias técnicas para uma discussão completa do artigo). Os Professores demonstraram que as médias móveis e as ferramentas de suporte e resistência tinham valor preditivo relativo à Dow Jones Industrial Average para o período de 1897-1986.
Data-Snooping, Technical Trading Rule Performance, eo Bootstrap é um artigo que revisita o artigo BLL e aparecerá na edição de outubro de 1999 do Journal of Finance. No artigo, Ryan Sullivan, Allan Timmermann e Halbert White (STW) tentam determinar o efeito do Data-Snooping nos resultados BLL. Eles também usam dados coletados do período após o estudo original (dados BLL executados até 1986) para fornecer um teste fora da amostra. Adicionando os últimos anos forneceu um total de 100 anos de dados. A STW calculou um nível de custo de transação de até 0,27% por negociação para a regra de negociação de melhor desempenho para o período completo.
Uma vez que os dados BLL originais cobriram um período extremamente longo de quase 90 anos, pode-se esperar que as estratégias funcionem bem nos testes fora da amostra. Mas as conclusões do estudo podem acabar sendo usadas como outro exemplo potencial da Hipótese do Mercado Eficiente. A STW descobriu que "os resultados do BLL parecem ser robustos para o snooping de dados. No entanto, também descobrimos que o desempenho superior da melhor regra comercial não é repetido no experimento fora da amostra, abrangendo o período 1987-1996" e "Há poucas evidências de que as regras de negociação técnica tenham algum valor econômico durante o período 1987-1996". Isso pode oferecer outra ressalva para mineradores de dados do mercado de ações e investidores ativos. Mesmo que uma anomalia funcionasse no passado em longos períodos de tempo, e mesmo que os resultados não pareçam sofrer as armadilhas do snooping de dados, uma vez que a anomalia é descoberta pode deixar de funcionar em frente.
As pessoas razoáveis podem ter uma diferença razoável de opinião sem que ela se torne uma questão de ética ou fé.
A Eficiência alarmante (RR) da Dow Jones Asset Management (5-6 / 99) é um artigo interessante que discute a mineração de dados e o problema da "superposição". Estão incluídos comentários dos veteranos do setor de investimentos David Shaw. Ted Aronson. e Robert Arnott. O artigo argumenta que, dada uma quantidade limitada de dados históricos e um número infinito de modelos complexos, os investidores desinformados podem ser atraídos para "superar" os dados. Os padrões que são assumidos como sistemáticos podem realmente ser específicos da amostra e, portanto, sem valor.
As pessoas estão chegando a nós o tempo todo com estratégias de negociação que, de repente, produzam retornos excessivos muito elevados. Mas a grande maioria das coisas que as pessoas descobrem ao tomar ferramentas matemáticas padrão e pesquisar uma grande quantidade de dados são artefatos estatísticos.
Aronson argumenta que o mercado é "quase totalmente eficiente" e que "Você está se enganando se você acha que não vai superar o outro cara em mais de cerca de 51% ou 52% do tempo". A Aronson acredita que os investidores que buscam as ineficiências do mercado reduziram o potencial de lucrar com essas anomalias para o equivalente aos custos de transação. Se for esse o caso, minimizar os custos das transações é fundamental na tentativa de vencer o mercado.
Então, há anomalias que foram confirmadas em testes de amostra? Em outro próximo artigo do Journal of Finance, James L. Davis, Eugene F. Fama. e Kenneth R. French argumentam que a resposta é um sim definitivo. As empresas com baixos índices de preço a valor de livro superaram e o padrão foi documentado em mercados americanos e estrangeiros. Em Características, Covariâncias e Retornos médios: 1929 a 1997, os autores avançam um pouco mais na documentação de retornos de baixo preço para valores contábeis de 1929 a 1963. Para o período anterior, o valor premium era ainda maior (.50% por mês) do que o período mais recente de julho de 1963 a junho de 1997 (0,43% por mês).
No final, nós realmente sabemos com certeza quais as estratégias que vão superar no futuro? As opiniões sobre essa questão definitivamente variam, mas o aviso padrão se aplica como sempre. O desempenho passado não é garantia de desempenho futuro.
Discussões matemáticas adicionais estão incluídas no Cherry Picking. Scam do mercado de ações. e Coin-Flipping páginas.
Por favor envie sugestões e comentários ao Investor Home.
Última atualização 12/02/2001. 2001 Investor Home. Todos os direitos reservados. Aviso Legal.
Sou um profissional oferecendo serviços nas áreas de consultoria estatística e financeira. Tenho um diploma de doutorado em estatística e um menor de doutorado em finanças pela Universidade de Stanford. Trabalhei na indústria há quatro anos, com foco em projetos relacionados à mineração de dados, análise de fatores, análise de cluster, análise de séries temporais, modelagem de volatilidade estocástica / preços de ativos, arbitragem estatística / desenvolvimento de estratégias de negociação proprietárias, e assim por diante.
Igualmente importante, tenho seis anos de experiência em consultoria financeira e estatística. Consultou empresas, profissionais de negócios, pesquisadores e estudantes nos campos de Marketing, Medicina, Biologia, Psicologia, Sociologia, Ciência Política, Educação, Ciência da Computação e Finanças. Em termos de localização, meus clientes têm sede em Nova York, Boston, Filadélfia, Washington, Los Angeles, São Francisco, São José, Stanford, Seattle, Chicago, Toronto, Montreal, Londres, Edimburgo, Bergen, Frankfurt, Kuwait City, Hong Kong, Adelaide, Melbourne, Sydney e assim por diante.
Normalmente, encontro-me em Manhattan ou consulte via Skype, e-mail e telefone, se os clientes estiverem longe de Nova York. Além disso, eu completo projetos para meus clientes, que podem ou não exigir uma reunião. Exemplos de serviços: análise de dados em qualquer dos principais pacotes estatísticos (R, Matlab, SAS, SPSS, Stata), design de experimentos, desenvolvimento de preços e sistemas de negociação, assistência de dissertação, sessões de consultoria para melhorar o conhecimento geral. Leia a descrição detalhada dos tipos de serviço. experiência. estudos de caso e opções de pagamento.
A menos que a urgência esteja envolvida, a taxa é de US $ 60 por hora para projetos padrão (regressão, ANOVA, design de pesquisa, testes não paramétricos) e mais para material de alta tecnologia (mineração de dados, análise de cluster, dados de painel, séries temporais multivariadas, modelos de Markov escondidos , Markov Chain Monte Carlo, modelagem Bayesiana, GWAS, funcionalidade SAS, arbitragem estatística / estratégias de negociação, preços de ativos exóticos, gerenciamento de risco de mercado). Envie-me um e-mail para obter informações mais detalhadas sobre preços ou qualquer outro esclarecimento.
Mineração de dados de uma estratégia Forex Majors.
Devido às características únicas de diferentes pares de moedas, muitas estratégias quantitativas de Forex são projetadas com um par de moedas específico em mente. Embora isso possa produzir muitas estratégias de negociação rentáveis, também há vantagens em desenvolver estratégias que podem ser negociadas em vários pares de moedas. Isso introduz um elemento de diversificação que pode fornecer um nível adicional de proteção contra desvantagem.
Daniel Fernandez publicou recentemente um sistema que ele projetou para negociar em cada um dos quatro maiores de Forex. Seu objetivo era encontrar um sistema que teria produzido um histórico de 20 anos de negociação rentável em EUR / USD, GBP / USD, USD / JPY e USD / CHF.
Daniel usa uma abordagem de mineração de dados para desenvolver uma estratégia para negociar os quatro maiores de Forex.
Para construir seu sistema, Daniel usou seu software de mineração de dados para definir sinais de entrada e saída que teriam produzido uma estratégia de negociação lucrativa em cada um dos quatro pares de moedas nos últimos 20 anos. O que ele apresenta é uma combinação de três regras baseadas em preços que formam a base de sua estratégia Forex Majors.
Estratégia Forex Majors de Daniel & # 8217;
A estratégia Forex Majors da Daniel & # 8217; é muito simples na medida em que sempre tem uma posição, longa ou curta, em cada um dos quatro pares de moedas que ela negocia. Baseia todos os seus negócios em gráficos diários.
A estratégia continua quando as três condições seguintes são atendidas:
A estratégia é curta quando as três condições seguintes são atendidas:
Como você pode ver, a estratégia é basicamente uma estratégia otimizada seguindo a estratégia. Isso faz sentido, porque Daniel afirma no início de seu artigo que a tendência de longo prazo seguindo as estratégias são geralmente as melhores estratégias para negociar mercados múltiplos.
Uma regra adicional que a estratégia de Daniel usa é uma parada-perda baseada em ATR. A perda de parada fixa é definida em 180% da ATR de 20 dias. Se a parada de perda for desencadeada, a estratégia permanece fora do mercado até que um sinal seja gerado na direção oposta. O teste indica que a reintrodução em um sinal na mesma direção afetou negativamente o desempenho.
Desempenho Backtesting.
Os resultados de backtesting que Daniel incluiu em seu post mostram que a estratégia foi bem lucrativa. Produziu um índice de ganhos de 45%, um fator de lucro de 1,38, e um índice de recompensa para risco de 1,68. A maior preocupação de Daniel com a estratégia foi que o período de retirada máxima representava um tempo muito longo.
De acordo com os números de Daniel, o retorno anual médio foi de 9,67%. Isso consistiu em 16 anos rentáveis, 4 anos perdidos e um ano que basicamente se rompeu. O melhor ano foi um retorno de 37,76%, eo pior ano foi perda de 20,2%.
Daniel observa que este sistema não representaria uma boa estratégia autônoma por causa de seus retornos em relação às cobranças máximas. No entanto, ele sugere que poderia ser uma peça interessante de uma estratégia maior e multi-sistema.
Sim, a mineração de dados é um sistema muito útil na estratégia Forex, ajuda a obter mais e mais informações no produto.
Mineração de dados.
O que é 'Data Mining'
A mineração de dados é um processo usado pelas empresas para transformar dados brutos em informações úteis. Ao usar o software para procurar padrões em grandes lotes de dados, as empresas podem aprender mais sobre seus clientes e desenvolver estratégias de marketing mais eficazes, além de aumentar as vendas e diminuir os custos. A mineração de dados depende da coleta e armazenamento de dados efetivos, bem como do processamento de computadores.
BREAKING Down 'Data Mining'
Armazenamento de dados.
Quando as empresas centralizam seus dados em um banco de dados ou programa, ele é chamado de data warehousing. Com um data warehouse, uma organização pode girar segmentos dos dados para usuários específicos para analisar e utilizar. No entanto, em outros casos, os analistas podem começar com o tipo de dados que desejam e criar um data warehouse com base nessas especificações. Independentemente de como as empresas e outras entidades organizam seus dados, eles o utilizam para apoiar os processos de tomada de decisão da administração.
Software de mineração de dados.
Os programas de mineração de dados analisa relacionamentos e padrões em dados com base no que os usuários solicitam. Por exemplo, o software de mineração de dados pode ser usado para criar classes de informações. Para ilustrar, imagine que um restaurante deseja usar a mineração de dados para determinar quando eles devem oferecer certas promoções. Ele analisa as informações coletadas e cria classes com base em quando os clientes visitam e o que ordenam.
Em outros casos, os mineiros de dados encontram clusters de informações com base em relacionamentos lógicos, ou eles olham associações e padrões seqüenciais para tirar conclusões sobre tendências no comportamento do consumidor.
Processo de mineração de dados.
O processo de mineração de dados é dividido em cinco etapas. Primeiro, as organizações coletam dados e carregam-no em seus data warehouses. Em seguida, eles armazenam e gerenciam os dados, seja em servidores internos ou na nuvem. Analistas de negócios, equipes de gerenciamento e profissionais de tecnologia da informação acessam os dados e determinam como eles querem organizá-lo. Em seguida, o software aplicativo classifica os dados com base nos resultados do usuário e, finalmente, o usuário final apresenta os dados em um formato fácil de compartilhar, como um gráfico ou uma tabela.
Комментарии
Отправить комментарий