×
伊马诺·阿里埃塔·伊巴拉;Ignacio N.洛巴托。

使用统计学习程序测试财务收益的可预测性。 （英语） Zbl 1329.62410号

J.时间序列。分析。 36，第5期，672-686（2015）.
摘要：本文研究了最近开发的统计学习程序（如随机森林或支持向量机）预测股市日收益前两个时刻的能力。这些工具提供了所考虑的非线性回归函数的灵活性的优势，即使存在许多潜在的预测因素。我们考虑两种情况：代理人的信息集只包括过去的收益序列，而这一信息集包括相关经济序列的过去值，如利率、商品价格或汇率。尽管这些程序在预测收益方面似乎没有多大用处，但其中一些程序，尤其是支持向量机，似乎确实有潜力改进标准（mathrm{GARCH}（1,1））模型对平方收益的样本外预测能力。研究人员必须对使用的预测因子数量和程序的具体实施保持谨慎，因为使用许多预测因子和标准计算包的默认设置会导致模型过度投入和较大的标准误差。

理学硕士：

62P05号 统计学在精算科学和金融数学中的应用
62H30型 分类和区分；聚类分析（统计方面）
91B84号 经济时间序列分析
68T05型 人工智能中的学习和自适应系统

关键词：

鞅差分假说;机器学习;数据挖掘;预测，随机森林;支持向量机;神经网络

软件：

PRMLT公司
PDF格式BibTeX公司 XML格式引用
\textit｛I.Arrieta Ibarra｝和\textit｛I.N.Lobato｝，J.时间序列。分析。36，第5号，672--686（2015；Zbl 1329.62410）
全文： 内政部

参考文献：

[1] AgrawalJG、ChourasiaVS、MittraAK。2013年，最先进的股票预测技术。国际电气、电子和仪表工程高级研究杂志2（4）：1360-1366。
[2] AhmedN、AtiyaK、AmirF、El-GayarN、El-ShishinyH。2010年，时间序列预测机器学习模型的实证比较。计量经济学评论29（5）：594-621。
[3] 布雷曼。2001年，《随机森林》。纽约：斯普林格。
[4] 主教CM。2006.模式识别和机器学习，信息科学与统计，纽约州纽约市：Springer·Zbl 1107.68072号
[5] 克拉克B、佛奎E、张赫。2009年，《数据挖掘的原理和理论——机器学习》，《统计学中的斯普林格系列》。纽约州纽约市·Zbl 1179.62004号
[6] CristianiniN，Shawe‐TaylorJ，2000年。支持向量机和其他基于内核的学习方法简介。英国剑桥：剑桥大学出版社。
[7] DieboldFX，MarianoRS，1995年。比较预测准确性。《商业与经济统计杂志》13（3）：134-144。
[8] HastieT、TibshiraniR、JeromeF。2012年，《统计学习的要素》，《斯普林格统计系列》，纽约。
[9] EscancianoJC，LobatoIN公司。2009.检验鞅假设。《帕尔格雷夫应用计量经济学手册》，TerenceC。M（编辑），KerryP（编辑）（编辑）Palgrave MacMillan:纽约，第972-1003页。
[10] FamaEF公司。1991年，《有效资本市场：理论与实证研究综述》，《金融杂志》25:383-417。
[11] 基里安·伊诺亚。2004.可预测性的样本内或样本外测试：我们应该使用哪一个？计量经济学评论23（4）：371-402·Zbl 1062.62213号
[12] KellardN、NankervisJC、PapadimitriouFI。2010年，用股息率预测股权溢价：核对证据。《实证金融杂志》17（4）：539-551。
[13] LeeT‐H、WhiteH、GrangerC。1993.时间序列模型中被忽略非线性的检验神经网络方法和替代检验的比较。《计量经济学杂志》56（1993）：269-290。北荷兰·Zbl 0766.62055号
[14] LobatoIN公司。2001.测试依赖过程是否不相关。美国统计协会杂志96:1066-1076·Zbl 1072.62576号
[15] 雅拉马勒SR帕特尔MB。2014.使用人工神经网络进行股价预测。国际科学、工程和技术创新研究杂志3（6）：13755-13762。
[16] 齐姆。1999.利用金融和经济变量对股票收益进行非线性预测。《商业与经济统计杂志》17:419-429。
[17] RacineJ公司。2001.利用财务和经济变量研究股票收益的非线性可预测性。《商业与经济统计杂志》19（3）：380-382。
[18] 拉帕赫，沃哈姆，2006年。数据挖掘背景下股票收益可预测性的样本内与样本外测试。《实证金融杂志》13:231-247。
[19] RapachDE，Zhou G，2012年。预测股票回报。《经济预测手册2》，GrahamE（编辑），AllanT（编辑）（编辑）Elsevier:荷兰阿姆斯特丹，第327-384页。
[20] SaffariA，2009年。在线随机森林，计算机视觉研讨会（ICCV研讨会）：日本东京：1393-1400。
[21] SmolaAJ，SchölkopfB。2003.支持向量回归教程。斯普林格统计与计算14（3）：199-222。
[22] TerasvirtaT、vanDijkD、vanMedeirosM。2005.评论：用于预测宏观经济时间序列的线性模型、平稳过渡自回归和神经网络：重新审查-答复。国际预测杂志21（4）：781-783。
[23] 袁C。2011.使用支持向量机预测标准普尔500指数收益：理论与实证。圣路易斯华盛顿大学经济与战略研究中心研究员工作文件。
[24] VapnikVN。2000.统计学习理论的本质。纽约：斯普林格·Zbl 0934.62009号
[25] VarianHR公司。2014.大数据：计量经济学的新技巧。《经济展望杂志》28（2）：3-28。
[26] VuiCS、SoonGK、OnCK、RaynerA、PatriciaA。2013年，《利用人工神经网络（ANN）进行股市预测的回顾》，2013年IEEE控制系统、计算与工程国际会议（ICCSCE）。IEEE；477-482.
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。