Previsão de índices de força relativa e estratégias de negociação pdf

Previsão de índices de ações: uma comparação de modelos de classificação e de estimativa de nível.

Apesar da pesquisa abundante que se concentra em estimar o nível de retorno sobre o índice do mercado de ações, há uma falta de estudos que examinam a previsibilidade da direção / sinal do movimento do índice de ações. Dada a noção de que uma previsão com pouco erro de previsão não se traduz necessariamente em ganho de capital, avaliamos a eficácia de várias técnicas de classificação multivariada em relação a um grupo de abordagens de estimativa de nível. Especificamente, realizamos comparações de séries temporais entre os dois tipos de modelos com base no desempenho da previsão e no retorno do investimento. Os modelos de classificação testados, que predizem a direção com base na probabilidade, incluem análise discriminante linear, logit, probit e rede neural probabilística. Por outro lado, as contrapartes de estimação de nível, que prevêem o nível, são a suavização exponencial, a função de transferência multivariada, a autorregressão vetorial com filtro de Kalman e a rede neural feedforward de múltiplas camadas. Nosso estudo comparativo também mede a força relativa desses modelos em relação ao lucro comercial gerado por suas previsões. Para facilitar uma negociação mais eficaz, desenvolvemos um conjunto de regras de negociação de limite, impulsionadas pelas probabilidades estimadas pelos modelos de classificação. A experimentação empírica sugere que os modelos de classificação superam os modelos de estimativa de nível em termos de prever a direção do movimento do mercado de ações e maximizar os retornos da negociação de investimento. Além disso, os retornos dos investimentos são reforçados pela adoção das regras de negociação de limites.

Escolha uma opção para localizar / acessar este artigo:

Verifique se você tem acesso através de suas credenciais de login ou de sua instituição.

Verifique este artigo em outro lugar.

Biografias: Mark T. LEUNG é professor assistente de Ciências da Gestão na Universidade do Texas. Ele recebeu seu bacharelado e MBA pela University of California, e Master of Business e PhD em gerenciamento de operações pela Indiana University. Seus interesses de pesquisa são em previsão e modelagem financeira, aplicações de técnicas de IA, programação e otimização, e planejamento e controle de sistemas de produção. Ele publicou na Decision Sciences, Revisão Internacional de Análise Financeira, Revisão de Políticas e Mercados Financeiros da Bacia do Pacífico, Pesquisa de Computadores e Operações, e uma variedade de procedimentos de conferências.

Hazem DAOUK é doutorando em finanças pela Kelley School of Business da Indiana University. Ele recebeu um DESCF do ICS Paris, França, e um MBA da Universidade de Maryland. Seus interesses de pesquisa incluem a volatilidade dos preços de ativos, finanças internacionais e econometria financeira. Ele publicou no Journal of Financial Economics e Computers and Operations Research.

An-Sing CHEN é professor de finanças na Universidade Nacional Chung Cheng, em Taiwan. Dr. Chen recebeu seu bacharelado em administração pela Kent State University, MBA em finanças e PhD em Business Economics pela Indiana University. Suas áreas de interesse são previsão e modelagem, opções e derivativos, finanças internacionais e econometria aplicada. Ele publicou artigos em vários periódicos, incluindo o International Journal of Finance, o Journal of Investing, o International Review of Financial Analysis, o International Review of Economics and Finance, o Review of Pacific Basin Financial Markets and Policies and Computers and Operations Research.

Estratégias rentáveis ​​de negociação de castiçais - As evidências de uma nova perspectiva.

Este artigo tem como objetivo investigar a lucratividade de padrões candelares de dois dias, comprando em padrões de alta (bearish) e mantendo até padrões de baixa (bullish) ocorrerem. Nosso conjunto de dados inclui a abertura diária, alta, baixa e preços de fechamento de ações componentes no Taiwan Top 50 Tracker Fund para o período de 29 de outubro de 2002 a 31 de dezembro de 2008. Examinamos três padrões de reversão de alta e três padrões de reversão de baixa. Descobrimos que três padrões de reversão de alta são lucrativos no mercado de ações de Taiwan. Para verificações de robustez, avaliamos a aplicabilidade de nossos resultados a diversas condições de mercado, realizamos um teste fora da amostra e empregamos uma metodologia de bootstrap.

Classificação JEL.

Escolha uma opção para localizar / acessar este artigo:

Verifique se você tem acesso através de suas credenciais de login ou de sua instituição.

Estratégias rentáveis ​​de negociação de castiçais - As evidências de uma nova perspectiva.

Este artigo tem como objetivo investigar a lucratividade de padrões candelares de dois dias, comprando em padrões de alta (bearish) e mantendo até padrões de baixa (bullish) ocorrerem. Nosso conjunto de dados inclui a abertura diária, alta, baixa e preços de fechamento de ações componentes no Taiwan Top 50 Tracker Fund para o período de 29 de outubro de 2002 a 31 de dezembro de 2008. Examinamos três padrões de reversão de alta e três padrões de reversão de baixa. Descobrimos que três padrões de reversão de alta são lucrativos no mercado de ações de Taiwan. Para verificações de robustez, avaliamos a aplicabilidade de nossos resultados a diversas condições de mercado, realizamos um teste fora da amostra e empregamos uma metodologia de bootstrap.

Classificação JEL.

Escolha uma opção para localizar / acessar este artigo:

Verifique se você tem acesso através de suas credenciais de login ou de sua instituição.

Previsão de índices de ações: uma comparação de modelos de classificação e de estimativa de nível.

Apesar da pesquisa abundante que se concentra em estimar o nível de retorno sobre o índice do mercado de ações, há uma falta de estudos que examinam a previsibilidade da direção / sinal do movimento do índice de ações. Dada a noção de que uma previsão com pouco erro de previsão não se traduz necessariamente em ganho de capital, avaliamos a eficácia de várias técnicas de classificação multivariada em relação a um grupo de abordagens de estimativa de nível. Especificamente, realizamos comparações de séries temporais entre os dois tipos de modelos com base no desempenho da previsão e no retorno do investimento. Os modelos de classificação testados, que predizem a direção com base na probabilidade, incluem análise discriminante linear, logit, probit e rede neural probabilística. Por outro lado, as contrapartes de estimação de nível, que prevêem o nível, são a suavização exponencial, a função de transferência multivariada, a autorregressão vetorial com filtro de Kalman e a rede neural feedforward de múltiplas camadas. Nosso estudo comparativo também mede a força relativa desses modelos em relação ao lucro comercial gerado por suas previsões. Para facilitar uma negociação mais eficaz, desenvolvemos um conjunto de regras de negociação de limite, impulsionadas pelas probabilidades estimadas pelos modelos de classificação. A experimentação empírica sugere que os modelos de classificação superam os modelos de estimativa de nível em termos de prever a direção do movimento do mercado de ações e maximizar os retornos da negociação de investimento. Além disso, os retornos dos investimentos são reforçados pela adoção das regras de negociação de limites.

Escolha uma opção para localizar / acessar este artigo:

Verifique se você tem acesso através de suas credenciais de login ou de sua instituição.

Verifique este artigo em outro lugar.

Biografias: Mark T. LEUNG é professor assistente de Ciências da Gestão na Universidade do Texas. Ele recebeu seu bacharelado e MBA pela University of California, e Master of Business e PhD em gerenciamento de operações pela Indiana University. Seus interesses de pesquisa são em previsão e modelagem financeira, aplicações de técnicas de IA, programação e otimização, e planejamento e controle de sistemas de produção. Ele publicou na Decision Sciences, Revisão Internacional de Análise Financeira, Revisão de Políticas e Mercados Financeiros da Bacia do Pacífico, Pesquisa de Computadores e Operações, e uma variedade de procedimentos de conferências.

Hazem DAOUK é doutorando em finanças pela Kelley School of Business da Indiana University. Ele recebeu um DESCF do ICS Paris, França, e um MBA da Universidade de Maryland. Seus interesses de pesquisa incluem a volatilidade dos preços de ativos, finanças internacionais e econometria financeira. Ele publicou no Journal of Financial Economics e Computers and Operations Research.

An-Sing CHEN é professor de finanças na Universidade Nacional Chung Cheng, em Taiwan. Dr. Chen recebeu seu bacharelado em administração pela Kent State University, MBA em finanças e PhD em Business Economics pela Indiana University. Suas áreas de interesse são previsão e modelagem, opções e derivativos, finanças internacionais e econometria aplicada. Ele publicou artigos em vários periódicos, incluindo o International Journal of Finance, o Journal of Investing, o International Review of Financial Analysis, o International Review of Economics and Finance, o Review of Pacific Basin Financial Markets and Policies and Computers and Operations Research.

Estratégias rentáveis ​​de negociação de castiçais - As evidências de uma nova perspectiva.

Este artigo tem como objetivo investigar a lucratividade de padrões candelares de dois dias, comprando em padrões de alta (bearish) e mantendo até padrões de baixa (bullish) ocorrerem. Nosso conjunto de dados inclui a abertura diária, alta, baixa e preços de fechamento de ações componentes no Taiwan Top 50 Tracker Fund para o período de 29 de outubro de 2002 a 31 de dezembro de 2008. Examinamos três padrões de reversão de alta e três padrões de reversão de baixa. Descobrimos que três padrões de reversão de alta são lucrativos no mercado de ações de Taiwan. Para verificações de robustez, avaliamos a aplicabilidade de nossos resultados a diversas condições de mercado, realizamos um teste fora da amostra e empregamos uma metodologia de bootstrap.

Classificação JEL.

Escolha uma opção para localizar / acessar este artigo:

Verifique se você tem acesso através de suas credenciais de login ou de sua instituição.

Previsão de índices de ações: uma comparação de modelos de classificação e de estimativa de nível.

Apesar da pesquisa abundante que se concentra em estimar o nível de retorno sobre o índice do mercado de ações, há uma falta de estudos que examinam a previsibilidade da direção / sinal do movimento do índice de ações. Dada a noção de que uma previsão com pouco erro de previsão não se traduz necessariamente em ganho de capital, avaliamos a eficácia de várias técnicas de classificação multivariada em relação a um grupo de abordagens de estimativa de nível. Especificamente, realizamos comparações de séries temporais entre os dois tipos de modelos com base no desempenho da previsão e no retorno do investimento. Os modelos de classificação testados, que predizem a direção com base na probabilidade, incluem análise discriminante linear, logit, probit e rede neural probabilística. Por outro lado, as contrapartes de estimação de nível, que prevêem o nível, são a suavização exponencial, a função de transferência multivariada, a autorregressão vetorial com filtro de Kalman e a rede neural feedforward de múltiplas camadas. Nosso estudo comparativo também mede a força relativa desses modelos em relação ao lucro comercial gerado por suas previsões. Para facilitar uma negociação mais eficaz, desenvolvemos um conjunto de regras de negociação de limite, impulsionadas pelas probabilidades estimadas pelos modelos de classificação. A experimentação empírica sugere que os modelos de classificação superam os modelos de estimativa de nível em termos de prever a direção do movimento do mercado de ações e maximizar os retornos da negociação de investimento. Além disso, os retornos dos investimentos são reforçados pela adoção das regras de negociação de limites.

Escolha uma opção para localizar / acessar este artigo:

Verifique se você tem acesso através de suas credenciais de login ou de sua instituição.

Verifique este artigo em outro lugar.

Biografias: Mark T. LEUNG é professor assistente de Ciências da Gestão na Universidade do Texas. Ele recebeu seu bacharelado e MBA pela University of California, e Master of Business e PhD em gerenciamento de operações pela Indiana University. Seus interesses de pesquisa são em previsão e modelagem financeira, aplicações de técnicas de IA, programação e otimização, e planejamento e controle de sistemas de produção. Ele publicou na Decision Sciences, Revisão Internacional de Análise Financeira, Revisão de Políticas e Mercados Financeiros da Bacia do Pacífico, Pesquisa de Computadores e Operações, e uma variedade de procedimentos de conferências.

Hazem DAOUK é doutorando em finanças pela Kelley School of Business da Indiana University. Ele recebeu um DESCF do ICS Paris, França, e um MBA da Universidade de Maryland. Seus interesses de pesquisa incluem a volatilidade dos preços de ativos, finanças internacionais e econometria financeira. Ele publicou no Journal of Financial Economics e Computers and Operations Research.

An-Sing CHEN é professor de finanças na Universidade Nacional Chung Cheng, em Taiwan. Dr. Chen recebeu seu bacharelado em administração pela Kent State University, MBA em finanças e PhD em Business Economics pela Indiana University. Suas áreas de interesse são previsão e modelagem, opções e derivativos, finanças internacionais e econometria aplicada. Ele publicou artigos em vários periódicos, incluindo o International Journal of Finance, o Journal of Investing, o International Review of Financial Analysis, o International Review of Economics and Finance, o Review of Pacific Basin Financial Markets and Policies and Computers and Operations Research.