Aktientrends mit Volatilitätsclustern und Granger-Kausalität prognostizieren

Zusammenfassung

Dieses vorgeschlagene System nutzt Volatilitätsbeziehungen zwischen großen Aktien, um Trendsignale zu erzeugen. Zunächst untersucht es Kursdaten mit Korrelations- und Autokorrelationsanalysen, technischen Indikatoren, Hypothesentests, statistischen Modellen und Variablenauswahl. Anschließend gruppiert es mit k-means++ die durchschnittliche Volatilität von neun großen Aktien aus dem NYSE und NasdaqGS und konzentriert sich auf den daraus entstehenden Cluster mittlerer Volatilität.

Innerhalb dieses Clusters werden Granger-Kausalitätstests eingesetzt, um Aktien zu finden, deren Volatilität bei der Prognose einer anderen Aktie helfen könnte. Eine Aktie mit einer starken Prognosebeziehung dient als Trendindikator für Kauf-, Verkaufs- oder Halteentscheidungen bei der Zielaktie. Das Dokument berichtet umfassendes Backtesting und eine Leistungsbewertung und behauptet profitable Gelegenheiten sowie Robustheit, nennt im vorliegenden Text aber weder numerische Ergebnisse noch Benchmark-Vergleiche oder Details zum Testdesign. Granger-Kausalität kann auf Prognosekraft innerhalb eines Datensatzes hindeuten; allein anhand der Beschreibung lässt sich nicht belegen, dass die Beziehungen Bestand haben oder nach Kosten Live-Trading ermöglichen.

Kernaussagen

• Das System kombiniert statistische Analyse, maschinelles Lernen und technische Indikatoren zur Untersuchung von Aktientrends.
• K-means++ gruppiert Aktien nach ihrer durchschnittlichen Volatilität; die Analyse konzentriert sich auf den Cluster mittlerer Volatilität.
• Granger-Kausalitätstests identifizieren mögliche volatilitätsbasierte Prognosegrößen unter den Aktien dieses Clusters.
• Eine Prognoseaktie liefert Kauf-, Verkaufs- oder Haltesignale für eine Zielaktie.
• Die Autoren berichten Backtesting, liefern im bereitgestellten Text jedoch keine quantitativen Ergebnisse oder Validierungsdetails.

Schlagwörter

# VolTS: A Volatility-based Trading System to forecast Stock Markets Trend using Statistics and Machine Learning


# VolTS: A Volatility-based Trading System to forecast Stock Markets Trend using Statistics and Machine Learning









Volatility-based trading strategies have attracted a lot of attention in financial markets due to their ability to capture opportunities for profit from market dynamics. In this article, we propose a new volatility-based trading strategy that combines statistical analysis with machine learning techniques to forecast stock markets trend. The method consists of several steps including, data exploration, correlation and autocorrelation analysis, technical indicator use, application of hypothesis tests and statistical models, and use of variable selection algorithms. In particular, we use the k-means++ clustering algorithm to group the mean volatility of the nine largest stocks in the NYSE and NasdaqGS markets. The resulting clusters are the basis for identifying relationships between stocks based on their volatility behaviour. Next, we use the Granger Causality Test on the clustered dataset with mid-volatility to determine the predictive power of a stock over another stock. By identifying stocks with strong predictive relationships, we establish a trading strategy in which the stock acting as a reliable predictor becomes a trend indicator to determine the buy, sell, and hold of target stock trades. Through extensive backtesting and performance evaluation, we find the reliability and robustness of our volatility-based trading strategy. The results suggest that our approach effectively captures profitable trading opportunities by leveraging the predictive power of volatility clusters, and Granger causality relationships between stocks. The proposed strategy offers valuable insights and practical implications to investors and market participants who seek to improve their trading decisions and capitalize on market trends. It provides valuable insights and practical implications for market participants looking to.

Vollständig mit Quellenangabe unter der Lizenz der Quelle angezeigt. Lizenz: abstract CC0

Diese Zusammenfassung wurde vom Research-Agenten von Stratmill anhand des Originals verfasst; sie ist keine Kopie der Quelle.