CHANGE LANGUAGE | Home > Doc > Kernel Regression Applicazione alla Previsione del Fib 30

Kernel Regression Applicazione alla Previsione del Fib 30

1 introduzione

1.1 Tecniche di Modellamento

1.2 Modellare i Mercati Finanziari

1.3 Le Scuole di Pensiero Sullo Studio Dei Mercati

1.4. I Candidate Predictors

1.5 Il Mercato Finanziario d'interesse: Il Fib

2 Kernel Regression

2.1 Concetti Base

2.2 La funzione Kernel

2.3 La Bandwidth

2.4 L'ordine del Polinomio

2.5 la dimensionalità del Polinomio

Metodo forward stepwise semplice

Metodo forward stepwise con num_survivors(d)=10

Metodo “all combinations”

2.6 Misure di Valutazione del Modello

3 KR ad Alta performance

3.1 Dalle bandwidth al P-tree

3.2 Il P-TREE

3.3 L'utilizzo del P-TREE

3.4 Complessità Computazionale

3.5 Il tempo pesa i dati

3.6 Day Trading ed Intraday Trading

4 Studio di Fattibilità

4.1 Presentazione della Matrice dei dati

4.2 Presentazione dei Parametri Principali

4.3 Descrizione dei Risultati Ottenuti

4.4 Un Approccio con le Reti Neurali Artificiali

4.5 Considerazioni Finali

Appendice Email

Bibliografia

Monico Dino:

Kernel Regression Applicazione alla Previsione del Fib 30

Keywords: Reti neurali; Trading Systems; Modelli Econometrici; Analisi Tecnica Avanzata

Lo sviluppo di questa tesi è una diretta conseguenza dell’esperienza maturata durante lo stage presso un’ ente che si occupa di previsioni finanziarie, nonché di un costante scambio di informazioni via e-mail con l’autore del libro “Expert Trading System: Modeling Financial Markets with Kernel Regression”. La tesi tratta la descrizione e lo studio di fattibilità di una metodo di regressione non parametrica, la kernel regression, applicata alla previsione intraday dei valori del Fib30.

L’analisi di tale metodologia è stata condotta tenendo sempre in considerazione la complessità computazionale ed il confronto con altre metodologie quantitative largamente usate nella previsione dei mercati finanziari come le Reti Neurali, nonchè l’aspetto pratico: l’utilizzo della kernel regression in un Trading System. La stesura della dissertazione ha comportato, inoltre, lo studio di altri aspetti correlati: gli strumenti finanziari (in particolare i futures), le scuole di pensiero dei mercati finanziari (in particolare l’analisi tecnica), i metodi di scelta e selezione dei predittori, le serie storiche “rumorose”, il tempo come variabile che pesa i dati, tecniche di ricerca veloce dei nearest neighbors.

1 introduzione

1.1 Tecniche di Modellamento

1.2 Modellare i Mercati Finanziari

1.3 Le Scuole di Pensiero Sullo Studio Dei Mercati

1.4. I Candidate Predictors

1.5 Il Mercato Finanziario d'interesse: Il Fib

2 Kernel Regression

2.1 Concetti Base

2.2 La funzione Kernel

2.3 La Bandwidth

2.4 L'ordine del Polinomio

2.5 la dimensionalità del Polinomio

Metodo forward stepwise semplice

Metodo forward stepwise con num_survivors(d)=10

Metodo “all combinations”

2.6 Misure di Valutazione del Modello

3 KR ad Alta performance

3.1 Dalle bandwidth al P-tree

3.2 Il P-TREE

3.3 L'utilizzo del P-TREE

3.4 Complessità Computazionale

3.5 Il tempo pesa i dati

3.6 Day Trading ed Intraday Trading

4 Studio di Fattibilità

4.1 Presentazione della Matrice dei dati

4.2 Presentazione dei Parametri Principali

4.3 Descrizione dei Risultati Ottenuti

4.4 Un Approccio con le Reti Neurali Artificiali

4.5 Considerazioni Finali

Appendice Email

Bibliografia

Performance Trading

Home | Mappa | Staff | Disclaimer | Privacy | Supportaci | Contact

Copyright © PerformanceTrading.it ed il suo contenuto sono di esclusiva propriet� di DHDwise. E' vietata la riproduzione anche parziale di qualsiasi parte del sito senza autorizzazione compresa la grafica e il layout. Prima della consultazione del sito leggere il disclaimer. Per informazioni consultare la sezione info.