Hochfrequenzhandel. Quantitative Werkzeuge wurden weithin angenommen, um die massiven Informationen aus einer Vielzahl von Finanzdaten zu extrahieren Mathematik, Statistik und Computer Algorithmen waren noch nie so wichtig für Finanzpraktiker in der Geschichte Investment Banken entwickeln Gleichgewichtsmodelle zur Bewertung von Finanzinstrumenten Investmentfonds Angewandte Zeitreihen zur Identifizierung der Risiken in ihrem Portfolio und Hedge-Fonds hoffen, Marktsignale und statistische Arbitrage aus lärmenden Marktdaten zu extrahieren Der Anstieg der quantitativen Finanzierung in den letzten zehn Jahren beruht auf der Entwicklung von Computer-Techniken, die die Verarbeitung großer Datensätze ermöglicht, wie mehr Daten Ist in einer höheren Frequenz verfügbar, mehr Forschungen in quantitativen Finanzen haben auf die Mikrostrukturen des Finanzmarktes umgestellt Hochfrequenz-Daten sind ein typisches Beispiel für große Daten, die durch die 3V s Geschwindigkeit, Vielfalt und Volumen gekennzeichnet ist Darüber hinaus ist das Signal-Rausch-Verhältnis In finanziellen Zeitreihen ist in der Regel sehr sma Ll Hochfrequenz-Datasets sind eher extremen Werten ausgesetzt, Sprünge und Fehler als die niederfrequenten Spezifischen Datenverarbeitungstechniken und quantitativen Modellen sind aufwendig entworfen, um Informationen aus Finanzdaten effizient zu extrahieren In diesem Kapitel stellen wir die quantitativen Datenanalyseansätze vor In der Finanzierung Zuerst untersuchen wir die Entwicklung der quantitativen Finanzierung in den letzten zehn Jahren Dann diskutieren wir die Eigenschaften von Hochfrequenz-Daten und die Herausforderungen, die es bringt Die quantitative Datenanalyse besteht aus zwei grundlegenden Schritten i Datenreinigung und Aggregation ii Datenmodellierung Wir überprüfen die Mathematik Werkzeuge und Rechentechnologien hinter den beiden Schritten Die aus Rohdaten entnommenen wertvollen Informationen werden durch eine Gruppe von Statistiken repräsentiert. Die am weitesten verbreitete Statistik in der Finanzierung ist die Rückkehr und die Volatilität, die die Grundlagen der modernen Portfolio-Theorie sind. Wir führen eine einfache Portfolio-Optimierung ein Strategien als Beispiel für Die Anwendung der finanziellen Datenanalyse Große Daten haben bereits die Finanzindustrie grundlegend verändert, während quantitative Werkzeuge für die Bewältigung massiver Finanzdaten noch einen langen Weg zu gehen Annahmen von fortgeschrittenen Statistiken, Informationstheorie, maschinelles Lernen und schnellere Computing-Algorithmus sind unvermeidlich, um kompliziert vorhersagen Finanzmärkte Diese Themen werden im späteren Teil dieses Kapitels kurz diskutiert. ACHTUNG Video sollte neu geladen werden. Bei einem stationären Punktprozess wird ein Intensitätsburst als kurzer Zeitraum definiert, während dessen die Anzahl der Zählungen größer ist als die typische Zählrate Es könnte eine lokale Nicht-Stationarität oder das Vorhandensein einer externen Störung des Systems signalisieren. In diesem Beitrag schlagen wir ein neuartiges Verfahren für die Erkennung von Intensitäts-Bursts innerhalb des Hawkes-Prozess-Frameworks vor. Mit einem Modell-Auswahl-Schema zeigen wir, dass unser Verfahren sein kann Verwendet, um Intensitäts-Bursts zu erkennen, wenn sowohl ihre Vorkommenszeit als auch ihre Gesamtzahl i S unbekannt Darüber hinaus kann die Anfangszeit des Bursts mit einer Präzision bestimmt werden, die durch die typische Zwischenereigniszeit gegeben ist. Wir wenden unsere Methodik auf die Mitte-Preis-Änderung in den Devisenmärkten an, die zeigen, dass diese Bursts häufig sind und dass nur ein relativ kleiner Bruchteil ist Ist mit der Neuzugang verbunden. Wir zeigen Lead-Lag-Beziehungen in der Intensität Burst Vorkommen über verschiedene FX-Raten und wir diskutieren ihre Beziehung mit Preissprüngen. Intraday Hochfrequenz-FX-Handel mit adaptiven Neuro-Fuzzy-Inferenz-Systeme. Abdalla Kablan und Wing Lon Ng. Abstract In diesem Beitrag wird ein adaptives Neuro-Fuzzy-Inferenzsystem ANFIS für den Finanzhandel vorgestellt, in dem die Preisbewegungen von Trainingsdaten, die aus Intraday-Tick-Daten bestehen, die mit hoher Frequenz abgetastet werden, voraussagen können. Die empirischen Daten, die in unserer Untersuchung verwendet werden, sind die Fünf-Minuten-Mid-Price-Zeitreihen FX-Märkte Die ANFIS-Optimierung beinhaltet das Back-Testen sowie die Anzahl der Epochen und wird mit einer neuen Methode zur Erfassung von Volatilität kombiniert Singen einen ereignisgesteuerten Ansatz, der die Richtungsänderungen innerhalb vorgegebener Schwellen berücksichtigt. Die Ergebnisse zeigen, dass das vorgeschlagene Modell Standardstrategien wie Kauf und Halten oder lineare Prognose übertrifft. Downloads externer Linktext html Der Zugriff auf den Volltext ist beschränkt auf Abonnenten. Relierte Werke Dieser Artikel kann an anderer Stelle in EconPapers zur Verfügung stehen Für Artikel mit dem gleichen Titel suchen. Export-Referenz BibTeX RIS EndNote, ProCite, RefMan HTML Text. Mehrere Artikel in International Journal of Financial Markets und Derivate von Inderscience Enterprises Ltd Serie Daten von Darren Simpson. This Website ist Teil von RePEc und alle hier angezeigten Daten sind Teil des RePEc Datensatzes. Ist Ihre Arbeit fehlt von RePEc Hier ist, wie man beitragen. Questionen oder Probleme Überprüfen Sie die EconPapers FAQ oder senden Sie die E-Mail an Dynamisch optimierte High Frequency Moving Average Strategies für Intraday Trading. Dieses Papier ist motiviert durch den Aspekt der Unsicherheit in finanziellen de Cision-Herstellung und wie künstliche Intelligenz und Soft Computing, mit seiner Unsicherheit reduzieren Aspekte können für algorithmische Trading-Anwendungen, die Handel mit Hochfrequenz verwendet werden Dieses Papier präsentiert ein optimiertes Hochfrequenz-Handelssystem, das mit verschiedenen gleitenden Durchschnitten kombiniert wurde, um ein Hybrid-System zu produzieren Das übertrifft Handelssysteme, die sich ausschließlich auf bewegte Mittelwerte verlassen. Das Papier optimiert ein adaptives Neuro-Fuzzy-Inferenzsystem, das sowohl den Preis als auch seinen gleitenden Durchschnitt als Input bringt, lernt, Preisbewegungen von Trainingsdaten, die aus Intraday-Daten bestehen, vorherzusagen, dynamisch zwischen den Besten wechseln Durchführen von gleitenden Durchschnitten und führt die Entscheidungsfindung von wann zu kaufen oder zu verkaufen eine bestimmte Währung in Hochfrequenz. 1 A Kablan 2009 Ein Fuzzy Logic Momentum Analysesystem für Financial Brokerage, Verfahren der Internationalen Konferenz über Finanztheorie und Ingenieurwesen IEEEXplore, Band 1, S. 57-62 ISBN 978-0-7695-3949-2 2 A Kablan 2009 Adaptive Neuro Fuzzy Systeme für Hochfrequenzhandel und Prognose, Verfahren der Dritten Internationalen Konferenz über Advanced Engineering Computing und Anwendungen in den Wissenschaften IEEEXplore, Bd. 1, S. 105 - 110 ISBN 978-0-7695-3829-7 3 A Kablan, WL Ng, 2010, Hochfrequenz-Handelsstrategie mit der Hilbert-Transformation, 6. Internationale Konferenz über Networked Computing und Advanced Information Management Vol. 1, S. 466 - 471 ISBN 978-89-88678-26-8 4 A Kablan, WL Ng, 2010, Hochfrequenzhandel mit Fuzzy Momentumanalyse, Verfahren der IAENG 2010 Internationale Konferenz der Finanztechnik ICFE, London Vol. 1, S. 352-357 ISBN 978-988-17012-9-9 5 A Kablan, WL Ng, 2011, Hochfrequenz-Auftragsplanungsstrategien mit Fuzzy Logik und Fu Zzy Inferenz, IAENG International Journal of Informatik, Sonderausgabe 6 A Kablan, WL Ng, 2011, Intraday High-Frequency Forex Trading mit Adaptive Neuro-Fuzzy Inferenz-Systeme, Internationale Zeitschrift für Finanzmärkte und Derivate 7 Ein Kablan Adaptive Neuro Fuzzy Inferenz-Systeme Für High Frequency Financial Trading und Prognoseverfahren der Dritten Internationalen Konferenz über Advanced Engineering Computing und Anwendungen in den Wissenschaften 2009 8 Banik, S et al 2007, Modellierung des chaotischen Verhaltens der Dhaka Stock Market Index Werte mit dem Neuro-Fuzzy-Modell, 10. internationale Konferenz auf Computer und Informationstechnologie 9 C Tseng, Y Lin Finanzielle Computational Intelligence Gesellschaft für Computational Economics Informatik in Wirtschaft und Finanzen Nr. 42 2005 10 Chang, SSL 1977 Anwendung der Fuzzy-Set-Theorie zur Wirtschaft Kybernetes 6, S. 203-207 11 Dacarogna, M et al 2001, eine Einführung in die Hochfrequenzfinanzierung, Akademische Presse 12 Dormale, AV 1997 Die Macht der Geld, Macmillan Press, London 13 E Boehmer 2005 Abmessungen der Ausführungsqualität jüngsten Nachweis für US-Aktienmärkte Journal of Financial Economics 78, 553-582, 2005 14 EF Fama 1970 Effiziente Kapitalmärkte Eine Überprüfung der Theorie und der empirischen Arbeit Journal of Finance, Seiten 383-417, 15. Mai Grabbe, JO 1996 Internationale Finanzmärkte, Englewood Hills, Prentice Hall Inc 16 JC Bezdek, R Krisnapuram, NR Pal 1999 Fuzzy-Modelle und Algorithmen zur Mustererkennung und Bildverarbeitung Springer 17 JM Griffin, F Nardari, R Stulz Börsenhandel und Marktbedingungen NBER, Working Paper 10719, 1-48 2004 18 Kablan, A, WL Ng, 2011 Hochfrequenzhandel mit Fuzzy-Momentum-Analyse, Springer Engineering Letters, London 19 Li, Y Musilek, P und Wyard-Scott, L Fuzzy-Logik im Agent-basierten Spieldesign Jahrestagung der Fuzzy-Informationsverarbeitung 2004, vol 2, pp734-739, 2004 20 Lootsma, FA 1997 Fuzzy-Logik für Planung und Entscheidungsfindung Springer 21 M Fedrizzi, W Ostasiewicz 1993 To Wächter Fuzzy-Modellierung in der Wirtschaft Fuzzy-Sets und - Systeme, Band 54, Ausgabe 3, S. 259-268, 22 Ormerod, P 2000 Schmetterlingsökonomie Eine neue allgemeine Theorie des sozialen und wirtschaftlichen Verhaltens Pantheon, New York 23 Q Song, BS Chissom Vorhersage Einschreibung mit Fuzzy-Zeitreihen Teil II Fuzzy-Sets und Systeme 62, S. 1-8, 1994 24 Roger Jang, JS ANFIS Adaptives netzwerkbasiertes Fuzzy-Inferenzsystem, IEEE-Transaktionen auf Systemen, Mensch und Kybernetik, 23 3 1993 665-685 25 S Chabaa Und eine Zeroual-Vorhersage von Paketübertragungsdaten über IP-Netzwerke mit Adaptive Neuro-Fuzzy-Inferenz-Systeme Journal of Informatik Vol 5 2, S. 123-130, 2009 26 Schulmeister, S, 2009, Eine allgemeine Finanztransaktionssteuer Eine Abkürzung der Pros, Die Konsultation und ein Vorschlag-, WIFO-Arbeitspapier Nr. 344 27 T Hellstrm und K Holmstrom Vorhersage des Börsen-technischen Berichts Ima-TOM-1997-07, Zentrum für Mathematische Modellierung, Institut für Mathematik und Physis, Malardalen Universität, Västeras, Schweden, August 1998 28 TT Akagi und M Sugeno Fuzzy Identifizierung von Systemen und deren Anwendung auf Modellierung und Steuerung, IEEE Transaktionen auf Systeme, Mensch und Kybernetik, Band 15, S. 116-132, 1985 29 Takagi T und Sugeno, M Fuzzy Identifikation von Systemen und deren Anwendung auf Modellierung Und Kontrolle, IEEE Transaktionen auf Systeme, Mann und Kybernetik, 15 1985 116-132 30 Wilson, R und Sharda, R Konkurs Vorhersage mit neuronalen Netzwerken, Decision Support Systems, 11 1994 545-557 31 Yeh, S Landsmann, WR Miller, BL Peasnell, KV 2011 Do Investoren verstehen wirklich schmutzigen Überschuss Der Accounting Review, 86 1, 237-258 32 Yoon, Y Guimaraes, T und Swales, G Integration von neuronalen Netzwerken mit regelbasierten Expertensystemen, Decision Support Systems, 11 1994 497-507 33 Zadeh, L Fuzzy setzt Information und Kontrolle, Bd. 8, S. 338-353, 1965 34 Zadeh, LA Fuzzy-Sets, Information Control, 8 1965 338-353.
No comments:
Post a Comment