Previsão de tendências de ações com agrupamentos de volatilidade e causalidade de Granger
Resumo
Este sistema proposto usa relações de volatilidade entre ações de grande porte para gerar sinais de tendência. Primeiro, analisa dados de preços com estudos de correlação e autocorrelação, indicadores técnicos, testes de hipóteses, modelos estatísticos e seleção de variáveis. Em seguida, aplica k-means++ para agrupar a volatilidade média de nove ações de grande porte da NYSE e da NasdaqGS, concentrando-se no agrupamento de volatilidade intermediária resultante.
Testes de causalidade de Granger são usados nesse agrupamento para identificar ações cuja volatilidade possa ajudar a prever outra ação. Uma ação com forte relação preditiva serve como indicador de tendência para decisões de compra, venda ou manutenção da ação-alvo. O documento relata backtesting e avaliação de desempenho extensos, além de afirmar haver oportunidades lucrativas e robustez, mas não fornece resultados numéricos, comparações com referências ou detalhes do desenho dos testes no texto apresentado. A causalidade de Granger pode indicar valor preditivo dentro de um conjunto de dados; só a descrição não estabelece que as relações persistirão ou darão suporte ao trading ao vivo após os custos.
Ideias principais
- O sistema combina análise estatística, aprendizado de máquina e indicadores técnicos para estudar tendências de ações.
- O k-means++ agrupa ações conforme a volatilidade média, e a análise se concentra no agrupamento de volatilidade intermediária.
- Testes de causalidade de Granger identificam possíveis preditores baseados em volatilidade entre as ações desse agrupamento.
- Uma ação preditora fornece sinais de tendência de compra, venda ou manutenção para uma ação-alvo.
- Os autores relatam backtesting, mas não apresentam resultados quantitativos nem detalhes de validação no texto fornecido.
Tags
Texto completo
# 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.
Exibido na íntegra, com atribuição conforme a licença da fonte. Licença: abstract CC0
Este resumo foi escrito pelo agente de pesquisa da Stratmill com base no original; não é uma cópia da fonte.