Análise de cluster para avaliação de estratégias de negociação

Análise de cluster para avaliação de estratégias de negociação
Obter através da App Store Leia esta publicação em nosso aplicativo!
Quais são aplicações úteis de agrupamento em finanças quantitativas?
Vários algoritmos de aprendizagem de máquina foram aplicados em finanças / negociação. Concentrando-se no clustering (k-means, k-medoids), quais são aplicações úteis e bem-sucedidas em financiamento quantitativo? O que é usado pelos praticantes? Existem referências ou relatórios disponíveis?
EDIT: Após essas ótimas observações e respostas, queria inserir esse link onde o agrupamento e o desenvolvimento de clusters de classes de ativos (ouro, ações, títulos e muito mais) são apresentados.
Um uso potencial que eu poderia imaginar seria a identificação de mudanças de regime / mudança de regime. Assim como um exemplo de brinquedo rápido, talvez você esteja interessado em como o ouro é muitas vezes considerado uma proteção contra as recessões no mercado de ações. Digamos que você está construindo uma estratégia comercial baseada nessa intuição, mas quer que seu modelo seja mais flexível ao identificar diferentes regimes para os quais diferentes abordagens possam funcionar melhor. Métodos de agrupamento podem ajudar nessa análise. Aqui está um exemplo rápido de como alguém pode visualizar esse tipo de coisa.
Eu também encontrei alguns recursos na web após uma busca rápida que você pode achar interessante.

Análise de cluster - Avaliando os resultados médios mais altos.
Embora um único WFA possa fornecer uma indicação preliminar de se uma estratégia é robusta, o recurso de Análise de Cluster da WFO geralmente é um método melhor para provar ou refutar a validade de uma estratégia de negociação e procedimento de otimização. Como um bônus, a matriz de análise de cluster ajuda a determinar com que frequência a estratégia deve ser re-otimizada para um desempenho ideal em dados não vistos.
Usando análise de cluster para determinar a ótima janela de negociação de re-otimização.
Durante o processo de análise de agrupamento, a equidade total para cada análise de caminhada avançada é escrita em uma grade na guia Análise de Cluster.
& # 160; Aviso: Uma vez que a WFO utiliza completamente múltiplos núcleos do seu PC, a análise de cluster pode absorver importantes recursos de computação. & # 160; Idealmente, ele deve ser executado durante a noite quando você não está ocupado negociando em tempo real.
Para abortar a otimização, pressione o botão'Abort 'na barra de ferramentas do WFO.
Quando a otimização for concluída, a guia Análise de cluster também exibirá as coordenadas, ou seja, o Out-of-Sample% (OOS%) e o número de execuções que produz relatórios que podem ser acessados ​​na lista suspensa Exibição: & # 160 ;
Resultados globais do Walk-Forward - Exibe os resultados de otimização do forward-forward para o cluster. Re-Optimized P & amp; L - Compara o P & amp; L (anualizado) continuamente re-optimizado continuamente. Eficiência progressiva% - Mostra o índice máximo de eficiência de marcha (robustez)%. Consistência de lucros (% corre lucrativo) - Exibe a consistência dos lucros entre as corridas. Drawdown máximo% (por gráfico de equivalência patrimonial) - Mostra o menor drawdown% menor. Intervalo de re-otimização (dias fora da amostra) - Exibe o ótimo intervalo de re-otimização para dias fora da amostra. Intervalo de re-otimização (barras fora da amostra) - Exibe o ótimo intervalo de re-otimização para barras fora da amostra. Dias na amostra - O número de dias na amostra para cada teste. Barras na amostra & # 160; - O número de barras na amostra para cada teste.
Exibindo resultados de análise de cluster.
Os resultados da análise de cluster podem ser exibidos em um formato tabular ou como um gráfico 3D. & # 160;
A lista suspensa Exibir permite selecionar o relatório de análise de cluster que você deseja visualizar na tabela de relatórios. & # 160;
A próxima seção descreve o layout de dados para dois conjuntos diferentes de tabelas de análise de cluster. & # 160;
A lista suspensa Tipo permite que você selecione de um dos quatro conjuntos de resultados com base na análise de cluster realizada com diferentes combinações de configurações verificadas / não verificadas para Prescrever o número de rotas de encaminhamento a caminho e ancoradas na caixa de diálogo Configurações de otimização de configuração. & # 160; Uma vez que você realizou uma análise de cluster com uma combinação específica das configurações, os resultados dessa combinação podem ser exibidos em um relatório de análise de cluster.
Nas tabelas de análise de cluster, o WFA selecionado é realçado em azul e corresponde ao conjunto de dados WFA selecionado mostrado na parte superior da janela WFO. & # 160; Clique em qualquer célula de cluster para selecionar outro WFA. & # 160; Além disso, os primeiros quatro relatórios de cluster exibem um grupo contíguo de nove células coloridas que representam os WFAs de melhor desempenho no cluster. & # 160; Uma célula verde no grupo indica um WFA que passou nos critérios do relatório (a célula de passagem do meio pode ficar verde escura). & # 160; Uma célula vermelha no grupo indica que um WFA não passou os critérios do relatório. & # 160;
A caixa de seleção Visualização 3D permite que você mude da exibição de resultados tabulares padrão para um gráfico 3D para o Display e Tipo selecionado.
Interpretando as tabelas de análise de cluster.
Walk-forward Resultado geral (Pass / Fail)
Re-otimizado P & amp; L (anualizado)
Eficiência progressiva%
Intervalo de re-otimização (dias)
As quatro tabelas representam (na ordem acima):
Melhor Walk-forward Resultado global (Pass / Fail) máximo contínuo Re-otimizado P & amp; L (anualizado) máximo Walk-forward Eficiência% ótimo Intervalo de re-otimização (dias)
para os vários testes de corrida à frente e fora da amostra realizados.
Em primeiro lugar, veremos a tabela 1, 2 e 3 para determinar o cluster que produziu os melhores resultados. Um cluster é definido como uma coordenada x, y específica (por exemplo, Walk-forward Runs = 10, Out-of-Sample% = OOS% = 20) e os 8 vizinhos que circundam imediatamente essa coordenada.
Você verá que a WFO calcula automaticamente e exibe para você a coordenada ideal na guia Análise de cluster.
Para este exemplo, pode-se facilmente ver que o max. P & amp; L re-otimizado é produzido no cluster com centro x = 10 execuções, y = OOS% = 15.
No entanto, ao olhar para a tabela # 1, vemos que um dos testes falhou na análise progressiva, portanto, preferimos procurar o melhor cluster (com a média mais alta) em termos de P & amp; L re-otimizados, onde todos os vizinhos também passa o WFA. O cluster com centro x = 15 é executado e y = OOS% = 15 parece ser o melhor.
Esta coordenada também está cercada de porcentagens de eficiência de caminhada muito saudáveis ​​(tabela nº 3). Lembre-se de que a eficiência progressiva é simplesmente as taxas anualizadas de retorno para os resultados fora da amostra, divididos pelos resultados na amostra.
A Tabela # 4 então simplesmente informa o que é o intervalo de re-otimização em dias para uma determinada coordenada. No nosso caso, finalmente selecionamos x = 10, y = 20, portanto, o ótimo período de re-otimização é de 39 dias. Note-se que, em todo o cluster, o uso de qualquer período de re-otimização entre 26 a 68 dias (com o número correspondente de corridas progressivas) ainda resultaria em bons resultados, portanto, temos um resultado robusto.
Se você estiver usando a estratégia em tempo real usando uma abordagem de re-otimização constante, você simplesmente irá re-otimizar sua estratégia a cada 39 dias. Mesmo se você não usar uma abordagem de re-otimização constante, as tabelas ainda são muito úteis, porque fornecem provas adicionais de que sua estratégia é robusta, gerando lucros em uma ampla gama de progresso avançado e fora da amostra de porcentagem combinações.
Walk-forward Resultado geral (Pass / Fail)
Re-otimizado P & amp; L (anualizado)
Eficiência progressiva%
Intervalo de re-otimização (dias)
Para este exemplo, o max. P & amp; L re-otimizado (tabela # 1) é produzido no cluster com centro x = 10 rotas de andamento, y = OOS% = 15.
Ao olhar para a tabela # 2, vemos que um dos vizinhos imediatos passou mesmo com distinção, e todos os vizinhos circundantes têm porcentagens de eficiência de caminhada muito saudáveis ​​(tabela nº 3).
Assim, não iremos mais longe e manteremos essa coordenada.
& # 160; MUITO IMPORTANTE Uma estratégia passa a análise de cluster quando a média de cluster mais alta na exibição de resultados gerais avançados é PASS, o que indica que a maioria das nove primeiras células passaram cada um dos critérios de teste de análise de avanço individual que você especificou.
A Tabela # 4 nos informa que o período de re-otimização correspondente para coordenadas (10,15) é de 28 dias. No entanto, o uso de qualquer período de re-otimização entre 19-50 dias (usando o número correspondente de rotas de caminhada) também resultaria em bons resultados, portanto, selecionamos um resultado robusto.
Se você estiver usando a estratégia em tempo real usando uma abordagem de re-otimização constante, você estaria re-otimizando esta estratégia a cada 28 dias.
Recarregando uma análise de cluster anterior.
Assim que uma Cluster Analysis for concluída, a WFO salvará automaticamente todos os relatórios subjacentes e as curvas de equidade re-optimizadas para cada célula na matriz da CA.
Você pode fechar o WFO e, mais tarde, carregar novamente uma análise de cluster anteriormente executada da seguinte maneira:
Use o arquivo & gt; Carregar a sequência do menu Análise de cluster.
Selecione um teste Walk-Forward a partir da caixa de listagem na caixa de diálogo que contém a análise de cluster que deseja recarregar.
Clique em Carregar para obter os dados, outros Cancelar para sair.
Agora você pode usar a caixa suspensa na parte superior da janela WFO (acima das guias) para selecionar um relatório ou você pode simplesmente clicar em qualquer célula individual da matriz de Análise de Cluster e a WFO irá recarregar automaticamente todo o subjacente relatórios para essa análise específica do Walk-Forward.
& # 160; Resultados de Análise de Cluster para cada configuração verificada / não verificada de Prescrever o número de rotas avançadas e Ancorado na caixa de diálogo Configurações de Otimização são salvos como conjuntos de dados separados que podem ser acessados ​​usando o menu suspenso Tipo na guia Análise de Cluster da WFO.
Quantos dados devo usar ao fazer a re-otimização?
A quantidade de dados que você usará ao fazer a re-otimização dependerá de se você selecionou a opção Anchored ou rolling window (not anchored) & # 160; walk-forward optimization.
Se você não tiver selecionado o caminho ancorado (assim rolando), então, você irá, por exemplo, re-otimizar sua estratégia a cada 28 dias (o período ótimo para o exemplo 2 acima) com a otimização genética da TradeStation, usando apenas os dados do último x dia, onde x é o número de dias no período imediatamente anterior na amostra. (Note-se que você deve carregar dados suficientes para que a TS satisfaça suas configurações de visualização de barras máximas. Assim, se as barras máximas TS podem ser de referência é 50, então você precisa carregar carga x +50 dias de histórico).
Se você selecionou walk-forward ancorado, você irá re-otimizar sua estratégia a cada 28 dias com otimização genética, usando TODOS os dados começando exatamente no mesmo ponto no tempo que o que você usou para fazer a análise de cluster.
Avaliando os resultados individuais do teste walk-forward.
Ao clicar em células individuais na matriz de Análise de Cluster, você pode carregar automaticamente todos os relatórios subjacentes.
Por exemplo, se você clicar na célula que representa a coordenada Executa = 15, 05% = 20, a WFO carregará automaticamente todos os relatórios de amostra e fora de amostra correspondentes. & # 160; Estes relatórios podem ser vistos nas guias de Resumo de otimização (na amostra) e Walk-Forward (fora da amostra) enquanto a guia Resultados do teste exibirá o resultado geral para esta permutação de amostra específica dentro / fora. & # 160; A guia Gráficos mostra a curva de equidade re-otimizada. & # 160; Esta é a curva de equidade se a estratégia foi continuamente re-otimizada e, em seguida, trocada para a frente em dados não vistos (corridas para avançar) usando os parâmetros sugeridos pelo WFO no momento. & # 160; O gráfico da curva de equidade dá uma imagem realista do tipo de desempenho que você pode esperar da sua estratégia quando usado com dados não vistos.

Kathryn Berkow.
Ph. D. em matemática aplicada e amp; estatísticas, Stony Brook University M. S. em matemática aplicada e amp; Estatísticas, Stony Brook University Honors B. S. com distinção em ciências matemáticas, University of Delaware B. A. em computador e Ciências da informação, Universidade de Delaware.
Selecione Publicações.
& # 8220; Cluster Analysis for Evaluating Trading Strategies & # 8221; The Journal of Trading, verão 2012, vol. 7, nº 3, pp. 6-11. & # 8220; Inside the Opening Auction & # 8221; The Journal of Trading, Winter 2012, Vol. 7, No. 1, pp. 7-14. & # 8220; Análise Comparativa de Caminhos Genéticos Usando Modelagem de Equação Estrutural & # 8221; Proc. 2011 Conferência Internacional IEEE sobre Avanços Computacionais em Ciências Biológicas e Médicas, 2011.
Alfred Lerner College of Business & amp; Economia 303 Alfred Lerner Hall Newark, DE 19716.

Análise de agrupamento na avaliação de fundos de investimento em valores mobiliários.
Título do problema: ICNC-FSKD 2015.
Editores convidados: Zheng Xiao e Kenli Li.
Tipo de artigo: artigo de pesquisa.
Afiliações: School of Information Management, Beijing Information Science & amp; Universidade de Tecnologia, Pequim, China.
Correspondência: [*] Autor correspondente. Jieqiong Zhang, School of Information Management, Beijing Information Science & amp; Universidade de Tecnologia, 12.East Qinghexiaoying RD., Haidian Dist., Beijing 100192, China. Tel .: +86 18813168687; E-mail: jqsuccess261163.
Resumo: A análise de agrupamento como um dos principais componentes da mineração de dados foi amplamente aplicada. Este artigo teve como objetivo aplicar um algoritmo de agrupamento para classificar e avaliar fundos de investimento em valores mobiliários. Ele estabeleceu um sistema de índice de avaliação de fundos pesquisando os índices que são influenciados pelo desempenho de fundos. Ele se baseou na teoria de avaliação de fundos maduros nacionais e estrangeiros e usou a função de mineração de dados do Excel para estabelecer um modelo de análise de agrupamento. Finalmente, este artigo usou 40 fundos de ações como dados de amostra para realizar uma pesquisa empírica. Os resultados do cluster seriam benéficos na avaliação do desempenho dos fundos e na orientação da tomada de decisão sobre o investimento racional.
Palavras-chave: Análise de agrupamento, avaliação, fundos de investimento em valores mobiliários.
Compartilhar isso:
Volume Preprint Emitir Preprint Volume 34 Edição 1 Volume 33 Edição 6 Edição 5 Edição 4 Edição 3 Edição 2 Edição 1 Volume 32 Edição 6 Edição 5 Edição 4 Edição 3 Edição 2 Edição 1 Volume 31 Edição 6 Edição 5 Edição 4 Edição 3 Edição 2 Edição 1 .
Volume 30 Edição 6 Edição 5 Edição 4 Edição 3 Edição 2 Edição 1 Volume 29 Edição 6 Edição 5 Edição 4 Edição 3 Edição 2 Edição 1 Volume 28 Edição 6 Edição 5 Edição 4 Edição 3 Edição 2 Edição 1 Volume 27 Edição 6 Edição 5 Edição 4 Problema 3 Edição 2 Edição 1 Volume 26 Edição 6 Edição 5 Edição 4 Edição 3 Edição 2 Edição 1 Volume 25 Edição 4 Edição 3 Edição 2 Edição 1 Volume 24 Edição 4 Edição 3 Edição 2 Edição 1 Volume 23 Edição 6 Edição 5 Edição 4 Edição 2 , 3 Número 1 Volume 22 Edição 5,6 Edição 4 Edição 2.3 Edição 1 Volume 21 Número 1, 2 Número 6 Edição 5 Edição 4 Edição 3 Volume 20 Edição 6 Edição 3 Edição 1, 2 Edição 4, 5 Volume 19 Edição 6 Edição 4.5 Edição 3 Edição 2 Edição 1 Volume 18 Edição 6 Edição 5 Edição 4 Edição 3 Edição 2 Edição 1 Volume 17 Edição 6 Edição 5 Edição 4 Edição 3 Edição 2 Edição 1 Volume 16 Edição 4 Edição 3 Edição 2 Edição 1 Volume 15 Problema 3.4 Edição 2 Edição 1 Volume 14 Número 4 Edição 3 Edição 2 Número 1 Edição ifs00201 Volume 13 Edição 2-4 Edição 1 Volume 12 Edição 3.4 Edição 2 Edição 1 Volume 11 Edição 3.4 Edição 1, 2, Volume 10 Edição 3.4 Edição 2 Iss ue 1 Volume 9 Edição 3,4 Edição 1,2 Volume 8 Número 4 Edição 3 Edição 2 Edição 1 Volume 7 Edição 4 Edição 3 Edição 2 Edição 1 Volume 6 Edição 4 Edição 3 Edição 2 Edição 1 Volume 5 Edição 4 Edição 3 Edição 2 Edição 1 Volume 4 Edição 4 Edição 3 Edição 2 Edição 1 Volume 3 Edição 4 Edição 3 Edição 2 Edição 1 Volume 2 Edição 4 Edição 3 Edição 2 Edição 1 Volume 1 Edição 4 Edição 3 Edição 2 Edição 1.
Termos & amp; Condições Política de privacidade Copyright © 2015 IOS Press Todos os direitos reservados.
Junte-se à nossa rede: Twitter Facebook LinkedIn Google RSS.
América do Norte.
Assuntos corporativos e livros:
6751 Tepper Drive.
Clifton, VA 20124.
Tel: +1 703 830 6300.
Fax: +1 703 830 2300.
IOS Press c / o Accucoms US, Inc.
Para vendas e clientes da América do Norte.
West Point Commons.
1816 West Point Pike.
Lansdale, PA 19446.
Tel: +1 215 393 5026.
Fax: +1 215 660 5042.
Para questões editoriais, como o status do seu documento enviado ou propostas, escreva para editorialiospress. nl.
Nieuwe Hemweg 6B.
1013 BG Amsterdam.
Tel: +31 20 688 3355.
Fax: +31 20 687 0091.
Vendas européias:
IOS Press - c / o Accucoms Europe.
Tel: +31 88 4100 400.
Fax: +31 88 4100 401.
Para questões editoriais, permissões, pedidos de livros, envios e procedimentos, entre em contato com o escritório de Amsterdã:

Análise de cluster.
Interesses relacionados.
Classificação e Estatísticas.
Opções de compartilhamento.
Ações de documentos.
As páginas 2 a 8 não são mostradas nesta pré-visualização.
Documentos recomendados.
Documentos semelhantes à análise de cluster.
Documentos sobre análise de cluster.
Mais de Bestnifty.
Menu de Rodapé.
Legal.
Mídia social.
Direitos autorais e cópia; 2018 Scribd Inc. Procure livros. Site móvel. Diretório do site. Idioma do site:
Você tem certeza?
Esta ação pode não ser possível desfazer. Você tem certeza que quer continuar?
Tem certeza de que deseja excluir esta lista?
Tudo o que você selecionou também será removido de suas listas.
Este livro também será removido de todas as suas listas.
Nós temos títulos com curadoria que achamos que você adorará.

Análise de cluster para avaliação de estratégias de negociação
Neste artigo, apresentamos uma nova metodologia para identificar empíricamente as principais estratégias utilizadas por um comerciante usando apenas dados de preenchimento pós-negociação. Para fazer isso, aplicamos uma técnica de cluster estatística bem estabelecida chamada k-means para uma amostra de "gráficos de progresso", que representa a parte da ordem concluída por cada ponto do dia como medida da agressividade de um comércio. Nossa metodologia identifica as principais estratégias usadas por um comerciante e determina qual estratégia o comerciante usou para cada ordem na amostra. Tendo identificado a estratégia utilizada para cada ordem, a análise de custos de negociação (TCA) pode ser feita por estratégia. Também discutimos maneiras de explorar esta técnica para caracterizar o comportamento do comerciante, avaliar o desempenho do comerciante e sugerir os benchmarks apropriados para cada estratégia de negociação distinta.
Avaliar o desempenho do comerciante é um desafio porque os comerciantes geralmente variam suas estratégias de acordo com os objetivos de cada comércio. Por exemplo, quando as encomendas são comparadas ao aberto, os comerciantes podem carregar seus negócios, talvez executando uma grande parte do comércio no leilão de abertura. Para pedidos maiores e mais impactantes, os comerciantes podem optar por negociar mais passivamente, estendendo a ordem por um período mais longo.
de tempo. Idealmente, a análise de custos de negociação (TCA) deve levar em consideração a estratégia subjacente do comerciante. Na realidade, fazê-lo é desafiador porque 1) não é claro como caracterizar as estratégias subjacentes utilizadas pelo comerciante e 2) mesmo que as estratégias fossem conhecidas, determinando quais ordens se aplicam a qual estratégia pode ser difícil se essa informação não for capturada em bases de dados pós-comércio.
À luz desses desafios, uma abordagem comum para avaliar o desempenho do comerciante é agrupar trocas por algoritmo como um proxy para a estratégia subjacente do comerciante. Se os comerciantes usam algoritmos específicos para atingir seus objetivos (por exemplo, usando Algoritmos Limpos para negociações comparadas com o fim, Algoritmos VWAP para negociações bancadas para VWAP, etc.), essa abordagem faz sentido porque o algoritmo é a estratégia. No entanto, os comerciantes de alto toque geralmente usam algoritmos como táticas em vez de estratégias, alternando entre diferentes algoritmos dentro de uma determinada ordem. Como resultado, o TCA por algoritmo não fornecerá informações sobre a eficácia da estratégia híbrida do comerciante.
Outra abordagem comumente utilizada para avaliar o desempenho do comerciante é avaliar seu desempenho no contexto da agressividade média. Por exemplo, pode-se olhar o gráfico de progresso médio de um comerciante para ver de forma passiva ou agressiva o comerciante tende a trabalhar ordens e avaliar o desempenho nesse contexto. Essas médias podem não ser significativas, no entanto, à medida que se agregam em estratégias subjacentes. Por exemplo, a Figura 1 mostra o gráfico de progresso de preenchimento agregado para um comerciante único. Do gráfico, parece que a estratégia subjacente deste comerciante é o VWAP. No entanto, na realidade, esse comerciante pode ter usado estratégias múltiplas que se assemelham ao VWAP em conjunto, mesmo que o comerciante nunca tenha realmente direcionado o VWAP em pleno dia em uma única ordem.