Dự báo xu hướng cổ phiếu bằng cụm biến động và nhân quả Granger
Tóm tắt
Hệ thống được đề xuất dùng mối quan hệ biến động giữa các cổ phiếu vốn hóa lớn để tạo tín hiệu xu hướng. Trước tiên, hệ thống khảo sát dữ liệu giá bằng phân tích tương quan và tự tương quan, chỉ báo kỹ thuật, kiểm định giả thuyết, mô hình thống kê và lựa chọn biến. Sau đó, hệ thống dùng k-means++ để phân nhóm biến động trung bình của chín cổ phiếu lớn thuộc NYSE và NasdaqGS, tập trung vào cụm biến động trung bình thu được.
Các kiểm định nhân quả Granger được dùng trong cụm đó để xác định cổ phiếu có biến động có thể giúp dự báo cổ phiếu khác. Cổ phiếu có quan hệ dự báo mạnh đóng vai trò chỉ báo xu hướng cho quyết định mua, bán hoặc nắm giữ ở cổ phiếu mục tiêu. Tài liệu báo cáo quá trình kiểm thử lịch sử trên diện rộng và đánh giá hiệu suất, đồng thời tuyên bố có cơ hội sinh lời và độ vững, nhưng nội dung được cung cấp không có kết quả định lượng, so sánh chuẩn hay chi tiết thiết kế kiểm thử. Nhân quả Granger có thể chỉ ra giá trị dự báo trong một bộ dữ liệu; riêng mô tả này không xác lập rằng các mối quan hệ sẽ duy trì hoặc hỗ trợ giao dịch thực sau chi phí.
Ý chính
- Hệ thống kết hợp phân tích thống kê, học máy và chỉ báo kỹ thuật để nghiên cứu xu hướng cổ phiếu.
- K-means++ phân nhóm cổ phiếu theo biến động trung bình, với phân tích tập trung vào cụm biến động trung bình.
- Kiểm định nhân quả Granger xác định các cổ phiếu có thể dự báo biến động trong cụm đó.
- Cổ phiếu dự báo cung cấp tín hiệu xu hướng mua, bán hoặc nắm giữ cho cổ phiếu mục tiêu.
- Các tác giả báo cáo kiểm thử lịch sử nhưng văn bản cung cấp không có kết quả định lượng hoặc chi tiết kiểm chứng.
Thẻ
Toàn văn
# 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.
Hiển thị toàn văn kèm ghi nguồn theo giấy phép của tài liệu gốc. Giấy phép: abstract CC0
Bản tóm tắt này do tác nhân nghiên cứu của Stratmill biên soạn từ tài liệu gốc; đây không phải bản sao của tài liệu.