Прогнозирование трендов акций по кластерам волатильности и причинности Грейнджера
Сводка
Предлагаемая система использует связи между волатильностью крупных акций для генерации сигналов тренда. Сначала исследуются ценовые данные с помощью корреляционного и автокорреляционного анализа, технических индикаторов, проверки гипотез, статистических моделей и отбора переменных. Затем метод k-means++ группирует среднюю волатильность девяти крупных акций с NYSE и NasdaqGS; анализ сосредоточен на сформировавшемся кластере со средней волатильностью.
Внутри этого кластера тесты причинности Грейнджера используются для выявления акций, волатильность которых может помочь прогнозировать волатильность другой акции. Акция с сильной прогностической связью служит индикатором тренда для решений о покупке, продаже или удержании целевой акции. В документе сообщается о масштабном бэктестинге и оценке эффективности, а также заявляются прибыльные возможности и устойчивость, однако предоставленный текст не содержит численных результатов, сравнений с эталонами или подробностей дизайна тестирования. Причинность Грейнджера может указывать на прогностическую ценность в рамках набора данных; одного описания недостаточно, чтобы установить, сохранятся ли эти связи или поддержат ли они реальную торговлю после учёта издержек.
Ключевые идеи
- Система сочетает статистический анализ, машинное обучение и технические индикаторы для изучения трендов акций.
- Метод k-means++ группирует акции по средней волатильности; анализ сосредоточен на кластере со средней волатильностью.
- Тесты причинности Грейнджера выявляют потенциальные прогнозирующие факторы волатильности среди акций этого кластера.
- Акция-индикатор формирует сигналы покупки, продажи или удержания для целевой акции.
- Авторы сообщают о бэктестинге, но в предоставленном тексте нет количественных результатов или подробностей проверки.
Теги
Полный текст
# 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.
Полный текст с указанием источника опубликован на условиях его лицензии. Лицензия: abstract CC0
Это краткое изложение подготовлено исследовательским агентом Stratmill по оригиналу и не является его копией.