Tydreeks Handel Strategieë

Quantocracy is een van die voorste Quant skakel aggregator webwerwe. Ek lees dit elke dag en ek raai jy check dit uit as jy wil om te bly op die top van die nuus in die quant blogosfeer: Welkom by jou GRATIS Algorithmic Trading hulpbron waar jy sal leer hoe om winsgewend algoritmiese handel strategieë te ontwikkel en kry 'n loopbaan in kwantitatiewe handel. Laaste Artikels deur Michael Saal-Moore op 11 Oktober 2016 Laaste Dinsdag ek gevlieg na New York, VSA om 'n praatjie by die Quantopian NYC Meetup gee en matige n paneel op Programmering oorloë op die Trading Wys New York 2016. Beide gebeure was baie interessant en ek het 'n baie groot volk. Ek wil 'n kort opsomming van die reis te skryf soos dit onder my aandag gebring paar fassinerende gebiede van Quant finansies navorsing wat ek was nie voorheen bewus van. Lees meer. Deur Michael Saal-Moore op 28 September 2016 Dit is 'n kort boodskap om jou te laat QuantStart lesers weet dat Siek praat op 'n sekere gebeure in New York en Singapoer oor die volgende paar maande: Lees meer. Deur Michael Saal-Moore op 27 September 2016 In die vorige artikel in die reeks verborge Markov Models bekendgestel. Hulle is in die konteks van die breër klas van Markov Models bespreek. Hulle is gemotiveer deur die behoefte aan kwantitatiewe handelaars om die vermoë om regimes mark op te spoor ten einde aan te pas hoe hul Quant strategieë bestuur het. Lees meer. Deur Michael Saal-Moore op 21 September 2016 Voorheen op QuantStart ons die wiskundige onderbou van toestand modelle en Kalman filters beskou. sowel as die toepassing van die pykalman biblioteek om 'n paar van ETF's te dinamies aanpas 'n heining verhouding as 'n basis vir 'n gemiddelde terugkeer handel strategie. Lees meer. Deur Michael Saal-Moore op 6 September 2016 Die wêreld van kwantitatiewe finansies voort om te ontwikkel teen 'n vinnige tempo. Selfs in die laaste vier jaar van die bestaan ​​van hierdie werf die mark vir Quant werk het aansienlik verskuif. In hierdie artikel skets ons hierdie verskuiwings. Die raad oor wat waarskynlik is om te wees in die vraag in die volgende paar jaar sal van toepassing beide diegene wat nog in die onderwys, asook diegene dink vooruit na 'n loopbaan verandering wees. Lees more. Time Reeks analise en statistiese Arbitrage G63.2707 Val 2009 verduidelik hoe ons historiese finansiële inligting te analiseer om winsgewend en 'n lae-risiko handel strategieë te ontwikkel Hierdie kursus is 'n inleiding tot tydreeksanalise soos gebruik in finansies, en handel strategieë relevante beide koop-kant en sell-side markdeelnemers. Die kursus sal rofweg in drie dele: Lineêre modelle: AR en MA vir skalaar en vektor prosesse, en eenvoudige wisselvalligheid en kovariansie skatting. Model evaluering en residu-analise. Co-integrasie en die toepassing daarvan in gevaar modellering en pare handel strategieë. Nie-lineêre modelle: boog, GARCH, en nog baie meer algemene wisselvalligheid modelle. Aansoeke: mark mikrostruktuur, transaksie koste modellering, en optimale handel strategieë vir beide lessenaar en vernaamste handelsvennote. Instrukteurs Lin Li, ll1084 by NYU Voorvereistes Die kursus is bedoel vir tweedejaarstudente in die Courant Institute MS Program op Wiskunde in Finansies. Sulke studente word verwag om 'n uitstekende grondslag in wiskunde toegepas te finansier (stogastiese calculus en PDV), 'n redelike agtergrond in finansies (portefeulje teorie en risikobestuur) en in die rekenaar, maar nie noodwendig 'n intensiewe kennis van statistiek het. Studente met vergelykbare voorbereiding mag inskryf as ruimte beskikbaar is. Werk Oor 5 huiswerk stelle (40 totaal), een quiz (30), en 'n finale projek (30). Verwysings Ons het 'n klas rekening by Wharton Research Data Services. Teken inligting sal in die klas gegee. Carol Alexander, Mark Models. James D. Hamilton, tydreeksanalise, Princeton University Press 1994 Joel Hasbrouck, empiriese Market mikrostruktuur, Oxford University Press 2006 (meer inligting oor Hasbroucks bladsy). Stephen J. Taylor, Asset prys dinamika, Volatiliteit, en voorspelling, Princeton University Press 2005 Ruey S. Tsay, Ontleding van finansiële tydreekse, 2de Uitgawe, Wiley 2005 Navorsingsartikels sal beskikbaar gestel word as dit nodig is. Skedule Maandagaande, 7:10-09:00 in Silver 713, vanaf 14 September tot 7 Desember of op 14 (Daar is geen Columbus Day vakansie hierdie jaar.) Die skedule en die uiteensetting hieronder is onderhewig aan verandering, afhangende van hoe die natuurlik ontwikkel, en op die instrukteurs reis demands. Forecasting finansiële tydreekse - Deel I Deur Michael Saal-Moore op 8 Januarie 2014 In hierdie reeks artikels gaan ons 'n statisties robuuste proses vir die voorspelling finansiële tydreekse skep. Hierdie voorspellings sal die grondslag vir 'n groep van outomatiese handel strategieë te vorm. Die eerste artikel in die reeks sal die modellering benadering en 'n groep van klassifikasie algoritmes wat ons in staat sal stel om die mark rigting voorspel bespreek. Binne hierdie artikels sal ons gebruik te maak van scikit-leer. 'n masjien leer biblioteek vir Python. Scikit-leer bevat die implementering van baie masjienleer tegnieke. Nie net het hierdie red ons 'n groot deel van die tyd in die uitvoering van ons eie, maar dit verminder die risiko van foute wat deur ons eie kode en kan bykomende verifiëring teen biblioteke geskryf in ander pakkette, soos R. Dit gee ons 'n groot deel van die vertroue as wat ons nodig het om ons eie persoonlike implementering te skep (vir redes van uitvoering spoed, sê). Proses vir die voorspelling 'n Gedetailleerde uiteensetting van die gebied van statistiese masjien leer is buite hierdie artikel. Met die oog op tegnieke soos Logistieke regressie gebruik. Lineêre Diskriminant Analise en Kwadratiese Diskriminant analise moet ons 'n paar basiese konsepte te skets. Toesig leertegnieke toesig leertegnieke behels 'n stel bekend tuples (xi, yi), i in, met xi verteenwoordig die voorspeller veranderlikes (soos uitgestel aandelemark opbrengste of volume verhandel) en yi verteenwoordig die gepaardgaande reaksie / waarneming veranderlikes (soos die aandelemark ruil vandag). In hierdie situasie is ons belangstel in voorspelling. Gegewe toekoms voorspeller veranderlikes wil ons die antwoorde van hierdie voorspellers skat. Dit is in teenstelling met inferensie waar ons is meer geïnteresseerd in die verhouding tussen die veranderlikes. Al die algoritmes wat ons maak gebruik van hierdie artikel, saam met nog baie ander wat ons sal in diens in die toekoms, is uit die toesig leer domein. Die meting Voorspelling Akkuraatheid Die bepaalde klas van metodes wat ons is geïnteresseerd in behels binêre formaat. Dit is, ons sal probeer om die persentasie opbrengs vir 'n spesifieke dag te ken in twee emmers: styg of daal. In 'n produksie weervoorspeller sou ons baie bekommerd oor die omvang van hierdie voorspelling en die afwykings van die voorspelling van die werklike waarde wees. In sulke gevalle kan ons gebruik maak van die gemiddelde-kwadraat fout maak. Beteken Absolute Afwyking en wortel-gemiddelde-kwadraat fout om 'n skatting van akkuraatheid voorspelling verskaf. Die literatuur bied talle ander voorbeelde van akkuraatheid vooruitskatting maatreëls. In hierdie geval gaan ons net om bekommerd te wees met die trefkoers. wat is eenvoudig die persentasie van die tye wat die weervoorspeller 'n akkurate voorspelling bereik (dit wil sê wanneer die dag was en omgekeerd). In later voorbeelde sal ons gebruik van 'n verwarring matriks te maak om die voorspelling prestasie op 'n klas-vir-klas basis bepaal. Daarbenewens sal ons bereken die bogenoemde waardes en inkorporeer dit in ons handel navorsingsproses. Vooruitskatting faktore speel 'n vooruitskatting metode is net so goed soos die gekies as voorspellers faktore. Daar is 'n verbysterende aantal potensiële faktore om van te kies wanneer voorspel aandelemark indeks opbrengste. In hierdie artikel gaan ons die faktore beperk tot tyd loop van die huidige persentasie opbrengs. Dit is nie omdat hulle die beste voorspellers, eerder dit is, want dit is maklik om die proses van vooruitskatting demonstreer op 'n maklik verkry dataset. Vooruitskatting faktor keuse is uiters belangrik, indien nie die belangrikste, komponent van die weervoorspeller. Selfs eenvoudige masjien leer tegnieke sal goeie resultate op 'n goed-gekose faktore produseer. Let daarop dat die omgekeerde is nie dikwels die geval. Gooi 'n algoritme op 'n probleem sal gewoonlik lei tot swak voorspelling akkuraatheid. Vir hierdie weervoorspeller spesifiek, het ek gekies die eerste en tweede keer lags van die persentasie opbrengs as die voorspellers vir die huidige aandelemark rigting. Dit is 'n relatief arbitrêre keuse en daar is baie ruimte vir verandering, byvoorbeeld deur die toevoeging van bykomende lags of die volume van aandele verhandel. Dit is oor die algemeen beter om minder voorspellers het in 'n model, maar daar is statistiese toetse beskikbaar wat die voorspellende vermoë van elke faktor kan demonstreer. Vooruitskatting SampP500 met Logistieke regressie, LDA en QDA Die SampP500 is 'n geweegde indeks van die 500 grootste openbaar verhandelde maatskappye (volgens markkapitalisasie) in die Amerikaanse aandelemark. Daar word dikwels beskou as 'n aandele maatstaf. Baie afgeleide produkte bestaan ​​ten einde spekulasie of verskansing op die indeks toelaat. In die besonder, die SampP500 E-Mini-indeks termynkontrak is 'n uiters vloeibare middel van die handel die indeks. In hierdie afdeling gaan ons drie klassifiseerders gebruik om die rigting van die sluitingsprys op dag N uitsluitlik op grond van prys inligting bekend te dag N-1 te voorspel. 'N opwaartse rigting beweeg beteken dat die sluitingsprys op N hoër is as die prys van N-1, terwyl 'n afwaartse beweging impliseer 'n sluitingsprys op N laer as by N-1. As ons die rigting van beweging op 'n wyse wat aansienlik meer is as 'n 50 trefkoers, met 'n lae fout en 'n goeie statistiese betekenisvolheid kan bepaal, dan is ons op die pad na die vorming van 'n basiese sistematiese handel strategie op grond van ons voorspellings. Op hierdie stadium was nie betrokke by die mees up to date masjien leer klassifikasie algoritmes. Op die oomblik is net die bekendstelling van konsepte en so goed begin die bespreking oor die voorspelling met 'n paar eenvoudige metodes. Logistieke regressie Die eerste tegniek sal ons oorweeg is logistiese regressie (LR). In ons geval gaan ons LR gebruik om maatreëls die verhouding tussen 'n binêre kategoriese afhanklike veranderlike (op of af) en verskeie onafhanklike kontinue veranderlikes (die uitgesak persentasie opbrengs). Die model bied die waarskynlikheid dat 'n bepaalde (volgende) dag sal geklassifiseer word as styg of daal. In hierdie uitvoering het ons gekies om elke dag te wys as Up indien die waarskynlikheid groter as 0,5. Ons kan gebruik maak van 'n ander drumpel te maak nie, maar vir eenvoud Ek verkies 0.5. LR gebruik die logistieke formule om die waarskynlikheid van die verkryging van 'n up dag (YU) gebaseer op die lag faktore (T1, T2) se model: Die logistieke funksie word gebruik omdat dit 'n waarskynlikheid tussen 0,1 vir alle waardes van T1 en T2, in teenstelling met lineêre regressie waar negatiewe waarskynlikhede in dieselfde omgewing gegenereer kan word. Om die model (dit wil sê skat die betai koëffisiënte) die maksimum waarskynlikheid metode gebruik word pas. Gelukkig vir ons, die implementering van die pas - en voorspelling van die LR model word hanteer deur die scikit-leer biblioteek. Lineêre Diskriminant analise Die volgende tegniek gebruik is lineêre Diskriminant Analise (LDA). LDA verskil van LR in want in LR ons model P (YUL1, T2) as 'n voorwaardelike verdeling van die reaksie Y gegee die voorspellers Li, met behulp van 'n logistieke funksie. In LDA die verspreiding van die Li veranderlikes afsonderlik geskoei, gegee Y, en P (YUL1, T2) word verkry via Bayes stelling. In wese, LDA gevolg van die veronderstelling dat voorspellers is afkomstig van 'n meerveranderlike Gaussiese verspreiding. Na calculting skattings vir die parameters van hierdie verdeling, kan die parameters wees insette in Bayes stelling ten einde voorspellings te maak oor watter klas 'n waarneming behoort te maak. LDA aanvaar dat alle klasse deel dieselfde kovariansiematriks. Ek sal nie ingaan op die formules vir die beraming van die verspreiding of posterior waarskynlikhede wat nodig is om voorspellings te maak, soos weer scikit-leer handvatsels dit vir ons. Kwadratiese Diskriminant analise kwadratiese Diskriminant Analise (QDA) is nou verwant aan LDA. Die groot verskil is dat elke klas nou kan besit sy eie kovariansiematriks. QDA voer oor die algemeen beter as die besluit grense is nie-lineêre. LDA voer oor die algemeen beter as daar minder opleiding waarnemings (maw wanneer dit nodig is om variasie te verminder). QDA, aan die ander kant, goed presteer wanneer die opleiding stel is groot (dit wil sê afwyking is van minder belang). Die gebruik van een of die ander kom uiteindelik neer op die vooroordeel-variansie kompromis. Soos met LR en LDA, scikit-leer sorg vir die implementering QDA so ons moet net om dit te voorsien met opleiding / toetsdata vir parameter beraming en voorspelling. Python implementeringsdatum van die implementering van hierdie voorspellers sal ons gebruik van Numpy maak. pandas en scikit-leer. Ive voorheen geskryf 'n handleiding oor hoe om hierdie biblioteke te installeer. Ive swaar kommentaar die kode self so maklik om vas te stel wat gebeur moet wees. Die eerste stap is om die betrokke modules en biblioteke te voer. Gaan die LogisticRegression invoer. LDA en QDA klassifiseerders vir hierdie weervoorspeller: Nou dat die biblioteke ingevoer word, moet ons 'n pandas DataFrame dat die vertraagde persentasie opbrengs vir 'n vorige aantal dae (in gebreke tot vyf) bevat skep. createlaggedseries sal 'n beurs simbool neem (soos erken deur Yahoo Finansies) en die skep van 'n vertraagde DataFrame regoor die gespesifiseerde tydperk: Die volgende helper funksie is ontwerp om 'n persentasie hitrate vir elke model te skep, deur die uitskakeling van gedupliseer kode. Dit berus op die feit dat die Logistieke regressie, LDA en QDA voorwerpe het dieselfde metodes (pas en te voorspel). Die trefkoers is uitset na die terminale: Ten slotte, ons bind dit saam met 'n hooffunksie. In hierdie geval gaan om te probeer om die Amerikaanse aandelemark rigting voorspel in 2005, met behulp van opbrengste data 2001-2004: Die uitset van die kode is soos volg: Dit kan gesien word dat die Logistieke regressie en Lineêre Diskriminant Analyser was albei in staat om kry 'n 56 trefkoers. Maar die Kwadratiese Diskriminant Analyser kon verbeter op beide van hulle 'n 60 trefkoers produseer. Vir die spesifieke tydperk ontleed, dit is waarskynlik te danke aan die feit dat daar 'n paar nie-lineariteit in die verhouding tussen die uitgesak faktore en die rigting wat isnt goed vasgevang word in die lineêre analise. So, daar is hoop dat ons dalk in staat wees om die Amerikaanse aandelemark gedeeltelik voorspel. Daar is 'n paar voorbehoude om hierdie vooruitskatting metode: Ons havent gebruik enige vorm van kruis-validering te pas foute te verminder. 'N Produksie weervoorspeller sou vereis so 'n ontleding robuuste in ag geneem word. Die weervoorspeller het net opgelei op data tussen 2001-2004 ingesluit. Meer onlangse data aandelemark kan aansienlik verskillende voorspelling akkuraatheid het. Ons havent eintlik probeer om hierdie inligting af te handel. In die besonder, hoe sou ons eintlik ambagte te voer. Sou ons gebruik die Amerikaanse e-mini toekoms sal ons gebruik maak van mark-On-Ope (MOO) of mark-On-Close (MOC) bestellings Ons wil ook nodig om transaksiekoste te oorweeg. In die daaropvolgende artikels sal ons hierdie kwessies te oorweeg in groter diepte. 'N Waarskuwing aan Random vooruitskatting In hierdie artikel wil ek die probleem van statistiese betekenisvolheid openlik na vore te bring wanneer hulle met voorspellers. In bykomend tot die bogenoemde ek geskets weervoorspeller gegenereer ook 'n voorspelling reeks uitsluitlik gebaseer op die teken van ewekansige trek uit 'n standaard normale verspreiding. Let daarop dat in dieselfde tydperk dit 'n vooruitskatting te tref-koers van 53,4 opgelewer het en nog die metode wat gebruik word om die reeks te genereer is in wese niks anders as die gooi van 'n muntstuk Hou dit in gedagte wanneer jy vooruitskatting prosedures soos dit dikwels kan lei tot ernstige uit te voer handelsprestasie indien nie in ag geneem word. In die volgende artikels sal ons kyk na meer gevorderde toesig nie-lineêre vooruitskatting klassifiseerders soos kunsmatige neurale netwerke (ANN) en ondersteuning vektor masjiene (SVM). Met 'n stabiele van masjienleer tegnieke tot ons beskikking sal ons daarna in staat wees om gebruik te maak van ensemble metodes maak 'n voorspelling akkuraatheid en robuustheid wat soms kan oorskry dié van enige individu weervoorspeller produseer. Michael Saal-Moore Mike is die stigter van QuantStart en is betrokke by die kwantitatiewe finansiële sektor vir die afgelope vyf jaar, in die eerste plek as 'n quant ontwikkelaar en later as 'n quant handelaar konsultasie vir verskansing funds. Time-reeks Momentum handel strategieë in die Global aandelemark Eerste Online: 27 Julie 2015 Haal hierdie artikel as: Chakrabarti, G. Bus Econ (2015) 50: 80. doi: 10,1057 / be.2015.16 4 Views Abstract in onlangse jare, die teenwoordigheid van abnormale winste in aandelemarkte was empiries bekragtig en sodoende die doeltreffende markhipotese op die proef en die bewering dat die mark weet alles of die mark kan nie geklop word is bewys om 'n mite wees om. Met die teenwoordigheid van winsgewende handel reëls in aandelemarkte, spekulasie word 'n algemene verskynsel maak die finansiële stelsel intrinsiek onstabiel, kwesbaar vir skokke, en geneig is om ongelukke. Hierdie studie, terwyl die ondersoek van die teenwoordigheid van winsgewende handel reëls in die globale mark in die afgelope jaar, bevind dat ontwikkelde lande deelmarkten is meer kwesbaar vir spekuleer aktiwiteite Sleutelwoorde time-reeks handel strategieë globale aandelemark momentum handel Verwysings Ahn, D. H. J. Conrad en R. F. Dittmar. 2003 Risiko Aanpassing en handel strategieë. Die hersiening van finansiële Studies, 16 (2): 459485. CrossRef Google Scholar Baker, M. en J. Wurgler. 2007. beleggersentiment in die aandelemark. Tydskrif vir Ekonomiese Perspektiewe, 21 (2): 129157. CrossRef Google Scholar Baltas, A. en R. Kosowski. 2012. Die verbetering van tijdreeksen Momentum Strategieë: Die rol van handel seine en wisselvalligheid beramers. papers. ssrn / sol3 / papers. cfmabstractid2140091 (toeganklik 15 Desember 2014). Barberis, N. N. Shleifer en R. Vishny. 1998 'n model van beleggersentiment. Journal of Finansiële Ekonomie, 49 (3): 307343. CrossRef Google Scholar Berk, J. R. C. Groen en V. Naik. 1999 Optimal belegging, groei-opsies en Sekuriteit Opbrengste. Journal of Finance, 54 (5): 15531607. CrossRef Google Scholar Bessembinder, H. en K. Chan. 1995 die winsgewendheid van Tegniese Trading Reëls in die Asiese aandelemarkte. Stille Oseaan-bekken Finansies Journal, 3 (2): 257284. CrossRef Google Scholar Brennan, M. J. T. Chordia en A. Subrahmanyam. 1998 Alternatiewe Factor Spesifikasies, Sekuriteit kenmerke en die deursnit van die verwagte Stock Opbrengste. Journal of Finansiële Ekonomie, 49 (1998): 345373. CrossRef Google Scholar Brock, W. J. Lakonishock en B. LeBaron. 1992 Eenvoudige Tegniese Trading Reëls en die Stogastiese Properties van Stock Opbrengste. Journal of Finance, 47 (5): 17311764. CrossRef Google Scholar Chakrabarti, G. en C. Sen 2014 Green Investment: die saak vir Indië. Springer. Google Scholar Chakrabarti, G. en C. Sen komende 2015 Die groen, die Grays en die Global aandelemark, in geredigeerde volume gepubliseer word deur IISWBM Kolkata, Indië: Springer. Google Scholar Chan, L. K.C. Y. Hamao en J. Lakonishok. 1991 Fundamentals en Stock Opbrengste in Japan. Journal of Finance, 46 (5): 17391746. CrossRef Google Scholar Daniël, K. D. Hirshleifer en A. Subrahmanyam. 1998 'n teorie van Oorgerustheid, Self-Erkenning en Sekuriteit Market onder en bo-reaksies. Journal of Finance, 53 (6): 18391885. CrossRef Google Scholar Fama, E. F. 1970. doeltreffende kapitaalmarkte: 'n Oorsig van teorie en empiriese werk. Journal of Finance, 25 (2): 383417. CrossRef Google Scholar Hong, H. en J. Stein. 1999 'n verenigde teorie van Onder-reaksie Momentum Trading en oorreaksie in Asset Markte. Journal of Finance, 54 (6): 21432184. CrossRef Google Scholar Hudson, R. M. Dempsey en K. Keasey. 1996 'n nota op die swak vorm Doeltreffendheid van Kapitaalmarkte: die toepassing van eenvoudige Tegniese Trading Reëls om Britse Stock Prices1935 tot 1994 Journal of Banking en Finansies, 20 (6): 11211132. CrossRef Google Scholar Jensen, M. C. 1968. Die prestasie van Mutual Fondse in die tydperk 19451964. Journal of Finance, 23 (2): 389416. CrossRef Google Scholar Johnson, T. C. 2002. Rasionele Momentum-effekte. Journal of Finance, 57 (2): 585608. CrossRef Google Scholar Lakonishok, J. A. Shleifer en R. W. Vishny. 1994 Contra Investment, ekstrapolasie, en risiko. Journal of Finance, 49 (5): 15411578. CrossRef Google Scholar Lewellen, J. 2002. Momentum en Outokorrelasie in Stock Opbrengste. Die hersiening van finansiële Studies, 15 (2): 533564. CrossRef Google Scholar Liu, L. en L. Zhang. 2008. Momentum Winste, Factor Pryse en Makro - ekonomiese risiko. Hersiening van finansiële Studies, 21 (6): 24172448. CrossRef Google Scholar Kyk, A. en C. Mackinlay. 1988 Stock Pryse volg nie stogastiese wandelings: Bewyse van 'n eenvoudige spesifikasie toets. Hersiening van finansiële Studies, 1 (3): 4166. CrossRef Google Scholar Kyk, A. H. Mamaysky en J. Wang. 2000 Grondslae van Tegniese Analise: berekeningsalgoritmes, Statistiese Inferensie en Empiriese implementering. Journal of Finance, 55 (4): 17051765. CrossRef Google Scholar Moskowitz, T. J. Y. H. Ooi en L. H. Pedersen. 2012. Tyd Reeks Momentum. Journal of Finansiële Ekonomie, 104 (2012): 228250. CrossRef Google Scholar Oneill, M. A. Brabazonweg, C. Ryan en J. J. Collins. 2001 veranderende mark indeks Trading Reëls Gebruik Grammatikale Evolution. EvoWorkshops 2001, pp. 343352. Potvin, J. P. Soriano en M. Valle. 2004 ontwikkelingsliggaam Trading Reëls op die aandelemark met genetiese programmering. Rekenaars amp Operasionele Navorsing, 31 (7): 10331047. CrossRef Google Scholar Qiu, L. X. en I. Welch. 2006. beleggersentiment Maatreëls. Ongepubliseerde werk papier, Brown Universiteit. Ratner, M. en R. P.C. Leal. 1999 Toetse van tegniese handel strategieë in die Opkomende aandelemarkte van Latyns-Amerika en Asië. Journal of Banking en Finansies, 23 (12): 18871905. CrossRef Google Scholar Gereed, M. J. 2002. Winste uit Tegniese Trading Reëls. Finansiële Bestuur, 31 (3): 4361. CrossRef Google Scholar Rosenberg, B. K. Reid en R. Lanstein. 1985. oortuigende bewyse van Market ondoeltreffendheid. Journal of Portefeuljebestuur, 11 (Lente): 916. CrossRef Google Scholar Sagi, J. S. en M. S. Sesholes. 2007. maatskappy spesifieke eienskappe en die deursnit van Momentum. Journal of Finansiële Ekonomie, 84 (2007): 389434. CrossRef Google Scholar Kopiereg inligting Nasionale Vereniging vir Bedryfsekonomie 2015 Skrywers en AffiliationsI is 'n professionele aanbieding dienste op die gebied van statistiese en finansiële advies. Ek hou 'n PhD-graad in Statistiek en 'n PhD Klein in Finansies van Stanford Universiteit. Ek het gewerk in die bedryf vir tien jaar, met die fokus op projekte wat verband hou met data-ontginning, faktorontleding, trosanalise, tydreeksanalise, stogastiese wisselvalligheid modellering / bate pryse, statistiese arbitrage / ontwikkeling van handel vir eie strategieë, en so aan. Ewe belangrik, ek het nege jaar van finansiële en statistiese konsultasie ervaring. Ek het maatskappye, professionele sakelui, navorsers en studente geraadpleeg in die velde van bemarking, Medisyne, Biologie, Sielkunde, Sosiologie, Politieke Wetenskap, Ingenieurswese, Ekonomie en Finansies. Plek-wyse, het my kliënte is gebaseer in New York, Boston, Philadelphia, Washington, Los Angeles, San Francisco, San Jose, Stanford, Seattle, Chicago, Toronto, Montreal, Londen, Edinburgh, Bergen, Frankfurt, Kuwait City, Hong Kong, Adelaide, Melbourne, Sydney en so aan. Tipies, ek ontmoet in Manhattan of raadpleeg via Skype, e-pos en telefoon as die kliënte is ver van New York. Behalwe dat ek volledige projekte vir my kliënte, wat mag of nie mag 'n vergadering nie nodig. Voorbeelde van dienste: data-analise in enige van die groot statistiese pakkette (R, Matlab, SPSS, Stata, SAS, JMP, EViews, Minitab), ontwerp van eksperimente, ontwikkeling van pryse en handel stelsels, model validation, verhandeling bystand, konsultasie sessies om algemene kennis te verbeter. Lees asseblief die gedetailleerde beskrywing van die tipes dienste. ervaring en gevallestudies. Tensy dringendheid betrokke is, die koers is 80 per uur vir standaard projekte (regressie, ANOVA, paneel data, opname-ontwerp, nie-parametriese toetse) en nog baie meer vir quothigh techquot materiaal (data-ontginning, trosanalise, meerveranderlike tydreekse, verskuilde Markov-modelle , Markov Chain Monte Carlo, Bayes modellering, ruimtelike statistieke, GWAS, SAS funksies, statistiese arbitrage / handel strategieë, eksotiese bate pryse, mark risikobestuur). Stuur 'n e-pos my vir meer gedetailleerde pryse inligting of enige ander verduideliking. Sien site in Mobile Classic