Pronosticar Retornos Sobre Índices Bursátiles Utilizando Modelos Híbridos Bosque Arima - Aleatorios Arima - Svm , Arima - Ann , Y

El propósito de este trabajo es desarrollar e identificar el mejor modelo híbrido para predecir los rendimientos de índices bursátiles. Desarrollamos tres modelos híbridos que combinan diferentes ARIMA lineales y modelos no lineales, tales como máquinas de vectores soporte (SVM), la red neuronal artificial (ANN) y los modelos de los bosques al azar (RF) para predecir los rendimientos de índices bursátiles. El rendimiento de ARIMA-SVM, ARIMA-ANN y ARIMA-RF se compara con el rendimiento de los modelos ARIMA, SVM, ANN y RF. Los diferentes modelos de la competencia se evalúan en términos de indicadores estadísticos y criterios de desempeño de comercio a través de una estrategia de negociación. El análisis muestra que el modelo ARIMA-SVM híbrido es el mejor modelo de pronóstico para lograr una alta precisión de los pronósticos y mejores rendimientos. Descargar Info Si experimenta problemas con la descarga de un archivo, comprobar si tiene la aplicación adecuada para poder verla primero. En caso de problemas adicionales leen las IDEAS página de ayuda. Tenga en cuenta que estos archivos no están en el sitio IDEAS. Por favor, sea paciente ya que los archivos pueden ser grandes. URL del archivo: Inderscience / link. php id = 64307? Descargar Restricción: El acceso al texto completo está restringido a los suscriptores. Estadística Correcciones Al solicitar una corrección, por favor mencione el mango de este artículo: RePEc: ids: injbaf: v: 5: y: 2014: i: 3: p: 284-308. Ver información general sobre cómo corregir el material en RePEc. Para preguntas técnicas sobre este tema, o para corregir sus autores, título, resumen, bibliográfica o descargar información, comuníquese con: (Graham Langley) Si usted ha escrito este artículo y no se ha registrado en RePEc, os animamos a hacerlo aquí. Esto permite vincular su perfil para este artículo. También le permite aceptar citas potenciales a este elemento que no estamos seguros acerca. Si las referencias son falta por completo, puedes añadirlos utilizando este formulario. Si las referencias completas Lista de un elemento que está presente en RePEc, pero el sistema no se vinculan a él, usted puede ayudar con este formulario. Si usted sabe de artículos que citan este faltante, nos puede ayudar a crear esos vínculos añadiendo las referencias pertinentes de la misma manera que el anterior, por cada artículo refiriéndose. Si usted es un autor registrada de este artículo, es posible que también desee comprobar en la pestaña "citas" en su perfil, ya que puede haber algunas citas en espera de confirmación. Tenga en cuenta que las correcciones pueden tardar un par de semanas para filtrar a través de los diferentes servicios RePEc.