Novel Data-Driven Fuzzy Algorithmic Volatility Forecasting Models with Applications to Algorithmic Trading
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The explosion of algorithmic trading has been one of the most prominent trends in the finance industry. In this paper, two strategies for algorithmic trading such as Bollinger bands and the simple moving average (SMA) crossover strategy are studied in the fuzzy settings. The commonly used Bollinger bands trading strategy assumes that the difference between an asset's price and its SMA is normally distributed. However, it is shown that a data-driven t distribution is more appropriate to model the difference between an asset's price and its SMA. A novel data-driven fuzzy Bollinger bands strategy is proposed for algo trading. A good strategy should have a good algo return on investment with low algo volatility. Therefore, forecasting algo volatility and identifying an appropriate distribution of algo returns play a crucial role in algo trading. Sharpe Ratio (SR) is a measure of average algo return earned in excess of the risk-free rate per unit of algo volatility. For a class of SMA crossover strategies with varying window sizes, fuzzy estimates of SR are computed based on various risk measures including the data-driven volatility estimate (DDVE). SR fuzzy forecasts are computed using two recently proposed volatility forecasting models such as data-driven exponentially weighted moving average (DD-EWMA) and data-driven neuro volatility models. The main reason of using the fuzzy approach is to provide α-cuts (interval forecasts) of the SR. An empirical application on a set of widely traded technology stocks shows that the proposed models deliver forecasts of SR with small errors.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle