EMA در مقابل استفاده از SMA برای پیش بینی بازارهای سهام: مورد S#38 ؛ ص 500 و معیار بالتیک OMX

ادبیات دانشگاهی علاقه فزاینده ای به قوانین تجاری مانند میانگین حرکت نشان می دهد. اکثر تحقیقات با استفاده از میانگین متحرک ساده انجام شد. اگرچه معامله گران نیمه حرفه ای از روشهای تجزیه و تحلیل فنی برای پیش بینی قیمت سهام آینده استفاده می کنند ، برای شناسایی تغییرات روند سهام ، شاخص معیار بالتیک OMX هرگز مورد آزمایش قرار نگرفت. تحقیقات قبلی در مورد شاخص S& P 500 با استفاده از روش گسترده ترین روش تجزیه و تحلیل فن ی-میانگین های موانع کم و بیش شاغل هستند. تجزیه و تحلیل فنی حریف نظریه اقتصادی کلاسیک است اما سرمایه گذاران از آن به طور گسترده در سراسر جهان استفاده می کنند. روشهای تجزیه و تحلیل فنی می توانند کمتر یا مؤثر تر از آنچه که تا به امروز تصور می شد باشد. در این مقاله 2 قانون معاملات تجزیه و تحلیل فن ی-روش هموار سازی گسترده و قانون متوسط حرکت ساده مقایسه شده است. هر دو روش برای شاخص S& P 500 و شاخص معیار بالتیک OMX استفاده شد و نتایج با استفاده از خطای سیستماتیک مقایسه شد (میانگین خطای مربع ، میانگین انحراف مطلق ، میانگین.

به PDF کامل مراجعه کنید به PDF کامل مراجعه کنید

مقالات مرتبط

مجله مطالعات تجاری نپالی

میانگین متحرک ساده یکی از قدیمی ترین و ساده ترین تکنیک های پیش بینی روند بازار سهام است. تحلیلگران فنی عمدتاً سه نوع میانگین متحرک را دنبال می کنند ، یعنی ؛میانگین حرکت ساده ، وزنی و نمایی. در بین این سه نوع ، طبق علاقه سرمایه گذاران ، مدت زمان کوتاه مدت و طولانی مدت برای محاسبه روند با استفاده از میانگین متحرک استفاده می شود. تمام میانگین های متحرک ذکر شده توسط سرمایه گذاران یا تحلیلگران برای پیش بینی روند آینده بازار با استفاده از داده های تاریخی استفاده می شود. از این رو ، برای ارزیابی دقت پیش بینی آنها ، این مقاله از میانگین کوتاه مدت و میانگین حرکت بلند مدت استفاده کرده است. در این مقاله از مقادیر شاخص NEPSE (بسته شدن) برای محاسبه و همچنین میانگین های متحرک برای پیش بینی روند آینده و دقت آن با کمک میانگین خطای درصد مطلق (MAPE) استفاده شده است. در این مقاله مشخص شده است که در بازنمایی گرافیکی میانگین متحرک در میانگین حرکت بلند مدت ، متقاطع بهتری وجود دارد. در زمینه بازار سهام نپال ، نتایج MAPE یک تجزیه و تحلیل هفتگی (5 روز تجارت) 5-SMA از جنبش بازار را به عنوان مهمترین در پیش بینی کوتاه مدت منعکس می کند. به طور مشابه ، با استفاده از تکنیک میانگین حرکت ، 200 SMA (200 روز تجارت در سال) به عنوان مؤثرترین پیش بینی روندهای بلند مدت تلقی می شد. نتیجه میانگین حرکت بلند مدت MAPE اشاره کرد که گزارش های سالانه شرکت های ذکر شده بهتر روند بازار را تعیین می کند.

بارگیری رایگان PDF PDF

بارگیری رایگان PDF PDF

پیش بینی سری زمانی مالی کاربرد محبوب روشهای یادگیری ماشین است. مطالعات قبلی گزارش می دهند که روشهای پیش بینی پیشرفته تغییرات قیمت در بازارهای مالی با دقت بالایی را پیش بینی می کند و سود را می توان در این پیش بینی ها تجارت کرد. با این حال ، اقتصاددانان مالی به کارآیی اطلاعاتی بازارهای مالی اشاره می کنند ، که از پیش بینی قیمت و فرصت های تجارت سودآور سؤال می کند. هدف مقاله حل این تضاد است. برای این منظور ، ما بر اساس داده های سی و چهار شاخص مالی بیش از شش سال ، یک شبیه سازی پیش بینی گسترده را انجام می دهیم. این شبیه سازی ها تأیید می کنند که بهترین روشهای یادگیری ماشین پیش بینی های دقیق تری نسبت به بهترین روشهای اقتصاد سنجی ایجاد می کنند. ما همچنین عوامل روش شناختی را که بر دقت پیش بینی آزمایشات پیش بینی یادگیری ماشین تأثیر می گذارد ، بررسی می کنیم. نتایج حاکی از آن است که پیش بینی یک بازار مالی و امکان سنجی معاملات مبتنی بر مدل سودآور به طور قابل توجهی تحت تأثیر بلوغ بازار ، روش پیش بینی به کار رفته ، افقی که برای آن پیش بینی ها و روش استفاده شده برای ارزیابی مدل ایجاد می شود ، تحت تأثیر قرار می گیرد. تجارت مبتنی بر مدل را شبیه سازی کنید. ما همچنین شواهدی را در برابر ارزش اطلاعاتی شاخص ها از زمینه تجزیه و تحلیل فنی می یابیم. به طور کلی ، ما تأیید می کنیم که می توان از روشهای پیش بینی پیشرفته برای پیش بینی تغییرات قیمت در برخی از بازارهای مالی استفاده کرد و ما بحث می کنیم که آیا این نتایج دیدگاه غالب در ادبیات اقتصاد مالی را که بازارهای مالی کارآمد هستند ، زیر سوال می برند.

بارگیری رایگان PDF PDF

پیش بینی سری زمانی مالی هم مورد علاقه سرمایه گذاران فردی و هم نهادی و از این رو محققان مورد توجه چشمگیر قرار گرفته است. اما سر و صدای زیاد و پیچیدگی که در داده های مالی ساکن است ، این شغل را بسیار چالش برانگیز می کند. با گذشت سالها ، بسیاری از محققان برای تسخیر این چالش از رگرسیون وکتور پشتیبانی (SVR) کاملاً با موفقیت استفاده کرده اند. از آنجا که سر و صدای زیاد نهفته در داده ها باعث اختلال در عملکرد می شود ، کاهش نویز می تواند ضمن ساخت مدل پیش بینی مؤثر باشد. برای انجام این کار ، ادغام تجزیه و تحلیل مؤلفه اصلی (PCA) و SVR در این کار تحقیقاتی ارائه شده است. در مرحله اول ، مجموعه ای از شاخص های فنی از داده های معاملات روزانه سهام هدف محاسبه می شود و سپس PCA در این مقادیر با هدف استخراج اجزای اصلی اعمال می شود. پس از فیلتر کردن اجزای اصلی ، سرانجام یک مدل برای پیش بینی قیمت آینده سهام هدف ساخته می شود. عملکرد رویکرد پیشنهادی با داده های معاملاتی روزانه 16 سال از سه سهام پیشرو از بخش های مختلف ذکر شده در بورس داکا (DSE) ، بنگلادش ارزیابی می شود. نتایج تجربی نشان می دهد که مدل پیشنهادی عملکرد مدل پیش بینی را افزایش می دهد و همچنین پیش بینی کوتاه مدت نسبت به پیش بینی بلند مدت دقت بیشتری کسب می کند.

بارگیری رایگان PDF PDF