The implementation of tools such as Genetic Algorithms has not been exploited for asset price prediction despite their power, robustness, and potential application in the stock market. This paper aims to fill the gap existing in the literature on the use of Genetic Algorithms for predicting asset pricing of investment strategies into stock markets and investigate its advantages over its peers Buy & Hold and traditional technical analysis. The Genetic Algorithms strategy applied to the MACD was carried out in two different validation periods and sought to optimize the parameters that generate the buy-sell signals. The performance between the machine learning-based approach, technical analysis with the MACD and B&H was compared. The results suggest that it is possible to find optimal values of the technical indicator parameters that result in a higher return on investment through Genetic Algorithms, beating the traditional technical analysis and B&H by around 4%. This study offers a new insight for practitioners, traders, and finance researchers to take advantage of Genetic Algorithms for trading rules application in forecasting financial asset returns under a more efficient and robust methodology based on historical data analysis.
El valor en riesgo es la medida de mercado utilizada por las instituciones financieras y adoptada por el Comité de Basilea para calcular y gestionar el riesgo, lo que la convierte en una medida necesaria para el sector financiero. En este artículo se realiza un estudio bibliométrico del Valor en Riesgo (VaR) y su cálculo mediante procesos de simulación. Para ello se revisan las investigaciones publicadas en los últimos 20 años en las bases de datos Scopus y Web of Science, recopilando los documentos más relevantes para su análisis. Posteriormente se presenta la justificación del tema y se elabora la red social utilizando la analogía del árbol, en la que cada uno de los documentos más importantes se clasifican como raíz, tronco u hoja. Finalmente, se identifican las perspectivas de investigación del tema mediante un análisis de co-citaciones. Se concluye que las mujeres tienen un alto grado de participación en cargos gerenciales, sin embargo, se nota una diferencia significativa de 3.492.556 pesos en los salarios de los dos sexos, donde los hombres son quienes obtiene mayores ingresos.
PurposeThis study aims to determine whether, by means of the application of genetic algorithms (GA) through the traditional technical analysis (TA) using moving average convergence/divergence (MACD), is possible to achieve higher yields than those that would be obtained using technical analysis investment strategies following a traditional approach (TA) and the buy and hold (B&H) strategy.Design/methodology/approachThe study was carried out based on the daily price records of the NASDAQ financial asset during 2013–2017. TA approach was carried out under graphical analysis applying the standard MACD. GA approach took place by chromosome encoding, fitness evaluation and genetic operators. Traditional genetic operators (i.e. crossover and mutation) were adopted as based on the chromosome customization and fitness evaluation. The chromosome encoding stage used MACD to represent the genes of each chromosome to encode the parameters of MACD in a chromosome. For each chromosome, buy and sell indexes of the strategy were considered. Fitness evaluation served to defining the evaluation strategy of the chromosomes in the population according to the fitness function using the returns gained in each chromosome.FindingsThe paper provides empirical-theoretical insights about the effectiveness of GA to overcome the investment strategies based on MACD and B&H by achieving 5 and 11% higher returns per year, respectively. GA-based approach was additionally capable of improving the return-to-risk ratio of the investment.Research limitations/implicationsLimitations deal with the fact that the study was carried out on US markets conditions and data which hamper its application in some extend to markets with not as much development.Practical implicationsThe findings suggest that not only skilled but also amateur investors may opt for investment strategies based on GA aiming at refining profitable financial signals to their advantage.Originality/valueThis paper looks at machine learning as an up-to-date tool with great potential for increasing effectiveness in profits when applied into TA investment approaches using MACD in well-developed stock markets.
Este artículo, profundiza el marco teó-rico que referencia el manejo de los Derivados Financieros, con el fin de comprender el uso de las Opciones Financieras para Acciones y su proceso de valoración, mediante el método de Black Scholes, con el propósito de ge-nerar una serie de instrucciones que al ser aplicadas en el programa R-Project, se obtenga el valor y se generen resul-tados de una manera rápida y sencilla, requeridos para el análisis en la toma de decisiones.
El presente trabajo plantea una metodología para realizar estudios tendientes a determinar el valor razonable de las propiedades planta y equipo que no cuentan con un mercado primario, y que, al tenor de la NIIF 13 (Valor razonable), solamente pueden contar con datos de entrada de nivel 3. La metodología propuesta parte del costo histórico de los bienes que conforman las propiedades planta y equipo, este valor es re expresado a valores actuales con el empleo del índice de precios al consumidor; luego, con el uso del modelo de probabilidad exponencial se establece la vida probable que le queda al bien, cifra que es multiplicada por el valor re expresado obteniendo así el valor actual. Este proceso es simulado un millón de veces y los valores obtenidos son resumidos y presentados en una distribución en la que se ubica el valor y el porcentaje de observaciones que supera, dando así origen a los valores máximos para una probabilidad dada.
Objetivo: Este artículo propone para la literatura sobre inversión de activos de renta variable una metodología aplicada a través de Algoritmos Genéticos (AG) y su implementación en el sector empresarial de inversión. Método: El estudio se desarrolló mediante simulación de las estrategias de inversión B&H, AT y AG sobre el índice accionario. El proceso de maximización del rendimiento de inversión para los activos financieros se realizó mediante Algoritmos Genéticos, los cuales se basaron en ecuaciones definidas en la tipificación cromosómica con operaciones inmersas en los genes. Se inició con una población aleatoria de individuos con cromosomas representando una solución para lograr el mayor rendimiento posible. Resultados: La aplicación de algoritmos con el RSI generó rendimientos superiores al 9 y 16% respecto a B&H y el análisis técnico, lo que quiere decir, mayor riesgo de inversión para B&H con volatilidad 17,6% pero comparable a las exhibidas por algoritmos genéticos y análisis técnico. Conclusiones: Mejor relación rendimiento-riesgo y eficiencia en los parámetros fundamentales de la Teoría de Portafolio es posible a través de estrategias de inversión basadas en algoritmos genéticos incluyendo el oscilador RSI. Este estudio sugiere que un mejoramiento del rendimiento de inversión puede ser anticipado mediante los parámetros stop loss y take profit y un rango de movimiento del precio del activo previo la toma de posición.
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.
hi@scite.ai
10624 S. Eastern Ave., Ste. A-614
Henderson, NV 89052, USA
Copyright © 2024 scite LLC. All rights reserved.
Made with 💙 for researchers
Part of the Research Solutions Family.