Prévoir les tendances des actions avec les clusters de volatilité et la causalité de Granger

Résumé

Ce système proposé utilise les relations de volatilité entre de grandes actions pour générer des signaux de tendance. Il commence par étudier les prix au moyen d’analyses de corrélation et d’autocorrélation, d’indicateurs techniques, de tests d’hypothèse, de modèles statistiques et de sélection de variables. Il applique ensuite k-means++ pour regrouper la volatilité moyenne de neuf grandes actions du NYSE et du NasdaqGS, en se concentrant sur le cluster de volatilité intermédiaire obtenu.

Des tests de causalité de Granger sont utilisés au sein de ce cluster pour repérer les actions dont la volatilité pourrait aider à en prévoir une autre. Une action présentant une forte relation prédictive sert d’indicateur de tendance pour décider d’acheter, de vendre ou de conserver l’action cible. Le document fait état d’un backtesting approfondi et d’une évaluation des performances, et revendique des occasions rentables ainsi que de la robustesse, mais le texte fourni ne donne aucun résultat numérique, aucune comparaison avec des références ni détail sur la conception des tests. La causalité de Granger peut indiquer une valeur prédictive au sein d’un jeu de données ; la description ne suffit pas à établir que les relations persisteront ou qu’elles permettront le trading en réel après coûts.

Idées clés

• Le système combine analyses statistiques, apprentissage automatique et indicateurs techniques pour étudier les tendances des actions.
• K-means++ regroupe les actions selon leur volatilité moyenne, l’analyse portant sur le cluster de volatilité intermédiaire.
• Les tests de causalité de Granger repèrent des actions candidates comme prédicteurs de volatilité dans ce cluster.
• Une action prédictive fournit des signaux de tendance d’achat, de vente ou de conservation pour une action cible.
• Les auteurs rapportent un backtesting, mais le texte fourni ne donne ni résultats quantitatifs ni détails de validation.

Étiquettes

# 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.

Reproduit dans son intégralité avec attribution, conformément à la licence de la source. Licence: abstract CC0

Ce résumé a été rédigé par l’agent de recherche de Stratmill à partir de la source originale ; il n’en est pas une copie.