Predicción de tendencias bursátiles con grupos de volatilidad y causalidad de Granger

Resumen

Este sistema propuesto utiliza relaciones de volatilidad entre acciones de gran capitalización para generar señales de tendencia. Primero explora los datos de precios con análisis de correlación y autocorrelación, indicadores técnicos, pruebas de hipótesis, modelos estadísticos y selección de variables. Después aplica k-means++ para agrupar la volatilidad media de nueve acciones de gran capitalización de NYSE y NasdaqGS, centrándose en el grupo resultante de volatilidad media.

Se utilizan pruebas de causalidad de Granger dentro de ese grupo para identificar acciones cuya volatilidad podría ayudar a predecir la de otra acción. Una acción con una relación predictiva fuerte sirve como indicador de tendencia para decidir comprar, vender o mantener la acción objetivo. El documento informa de un amplio backtesting y una evaluación del rendimiento, y afirma que hay oportunidades rentables y robustez, pero el texto proporcionado no ofrece resultados numéricos, comparaciones con referencias ni detalles del diseño de las pruebas. La causalidad de Granger puede indicar valor predictivo dentro de un conjunto de datos; la descripción por sí sola no demuestra que las relaciones persistan ni que permitan operar en vivo después de costes.

Ideas clave

• El sistema combina análisis estadístico, aprendizaje automático e indicadores técnicos para estudiar tendencias bursátiles.
• K-means++ agrupa acciones según su volatilidad media y el análisis se centra en el grupo de volatilidad media.
• Las pruebas de causalidad de Granger identifican posibles predictores basados en volatilidad entre las acciones de ese grupo.
• Una acción predictora proporciona señales de tendencia de compra, venta o mantenimiento para una acción objetivo.
• Los autores informan de backtesting, pero el texto proporcionado no ofrece resultados cuantitativos ni detalles de validación.

Etiquetas

# 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.

Se muestra íntegramente con atribución según la licencia de la fuente. Licencia: abstract CC0

Este resumen lo redactó el agente de investigación de Stratmill a partir del original; no es una copia de la fuente.