Negociação cambial de alta frequência intradiária com sistemas de inferência adaptativos neuro-difusos
Negociação cambial de alta frequência intradiária com sistemas de inferência adaptativos neuro-fuzzy.
Citação sugerida.
Baixe o texto completo do editor.
Como o acesso a este documento é restrito, você pode querer procurar por uma versão diferente dele.
Mais sobre este item.
Estatisticas.
Correcções
Todo o material deste site foi fornecido pelos respectivos editores e autores. Você pode ajudar a corrigir erros e omissões. Ao solicitar uma correção, por favor, mencionar o identificador deste item: RePEc: ids: ijfmkd: v: 2: y: 2011: i: 1/2: p: 68-87. Veja informações gerais sobre como corrigir material no RePEc.
Para questões técnicas sobre este item, ou para corrigir seus autores, título, resumo, bibliográfico ou informações para download, entre em contato com: (Darren Simpson). Detalhes Gerais de Contato do provedor: inderscience / browse / index. php? JournalID == 307.
Se você criou este item e ainda não está registrado no RePEc, nós o encorajamos a fazê-lo aqui. Isso permite vincular seu perfil a esse item. Também permite aceitar citações em potencial para este item sobre o qual não temos certeza.
Não temos referências para este item. Você pode ajudar a adicioná-los usando este formulário.
Se você souber de itens ausentes citando este, você pode nos ajudar a criar esses links adicionando as referências relevantes da mesma maneira que acima, para cada item de referência. Se você é um autor registrado deste item, você também pode querer verificar a aba "citações" em seu perfil de Serviço de Autor do RePEc, pois pode haver algumas citações aguardando confirmação.
Por favor, note que as correções podem levar algumas semanas para filtrar os vários serviços RePEc.
Negociação cambial de alta frequência intradiária com sistemas de inferência adaptativos neuro-fuzzy.
Abdalla Kablan e Wing Lon Ng.
Resumo: Este artigo introduz um sistema de inferência neuro-fuzzy adaptativo (ANFIS) para negociação financeira, que aprende a prever movimentos de preços a partir de dados de treinamento que consistem em dados de ticks intraday amostrados em alta frequência. Os dados empíricos usados em nossa investigação são séries temporais de preços médios de cinco minutos dos mercados de câmbio. A otimização ANFIS envolve o backtesting, bem como a variação do número de épocas, e é combinada com um novo método de captura de volatilidade usando uma abordagem orientada a eventos que leva em consideração as mudanças direcionais dentro de limites pré-especificados. Os resultados mostram que o modelo proposto supera as estratégias padrão, como a previsão buy-and-hold ou linear.
Downloads: (link externo)
O acesso ao texto completo é restrito aos assinantes.
Este item pode estar disponível em outro lugar no EconPapers: Procure itens com o mesmo título.
Referência de exportação: BibTeX RIS (EndNote, ProCite, RefMan) HTML / Text.
Mais artigos no International Journal of Financial Markets e Derivatives da Inderscience Enterprises Ltd.
Negociação de alta frequência - página 13.
A negociação automatizada de alta frequência cresceu enormemente nos últimos 20 anos e é responsável por cerca de metade de todas as atividades de negociação em bolsas de valores em todo o mundo. A geografia é central para a ascensão do comércio de alta frequência devido a um projeto de mercado de “negociação contínua” que permite que os negociadores se envolvam em arbitragem com base nas vantagens informacionais embutidas nas assembléias sociotécnicas que compõem os mercados de capitais atuais. Enormes investimentos foram feitos na criação de tecnologias de transmissão e na otimização de arquiteturas de computadores, tudo em um esforço para reduzir milissegundos do tempo de viagem (ou latência) do pedido dentro e entre os mercados. Mostramos que, como resultado da configuração espacial construída dos mercados de capitais, “público” não é mais sinônimo de informação “igual”. O comércio de alta frequência aumenta as desigualdades de informação entre os participantes do mercado.
Na era da automação, a negociação e a criação de mercado referem-se à estimativa do preço justo de projetos de pesquisa e desenvolvimento de sistemas de negociação automatizados. Isso requer uma nova metodologia para chegar a um preço justo. Uma estrutura de opções real é uma escolha natural. Neste artigo, revisamos uma metodologia para o sistema de negociação automatizado R & amp; D e apresentamos um modelo prático de opção real para avaliar esses projetos, de modo a permitir um rápido ciclo de estratégias.
A matriz de confusão é amplamente usada para medir o desempenho de modelos preditivos de estado discreto ('classificadores'), no entanto, não consegue transmitir sua utilidade econômica para o comércio algorítmico. Como resultado, um extenso backtesting deve ser realizado e pode ser difícil atribuir o P & amp; L ao método de aprendizado de máquina. Este artigo introduz o conceito de uma 'matriz de informações comerciais' para atribuir o lucro e a perda de classificadores sob restrições de execução, como probabilidades de preenchimento e regras de negociação dependentes de posição, para corrigir e previsões incorretas. Essa abordagem é especialmente útil quando as restrições de execução desempenham um fator significativo na geração alfa, como a negociação de alta frequência. Descobrimos ainda, por meio de backtesting sobre o histórico de futuros de T-bond e E-mini S & P 500 da Level II, que os métodos de aprendizado de máquina têm utilidade para o mercado, mas não encontram evidências para apoiar o aprendizado de máquina. Nossa conclusão é que, embora a previsão de preços baseada em aprendizado de máquina possa se traduzir em utilidade econômica por evitar seleção adversa no mercado, ela fornece pouca ou nenhuma vantagem na obtenção de posição na fila, que também é um fator significativo na lucratividade da estratégia.
Комментарии
Отправить комментарий