Genetischer Algorithmus: Eine Anwendung auf technisches Trading System Design Aktuelle Studien haben gezeigt, dass im Rahmen der Finanzmärkte ist die technische Analyse ein sehr nützliches Werkzeug für die Vorhersage von Trends. Moving Average Regeln sind in der Regel verwendet, um Kauf oder Verkauf Entscheidungen auf einer täglichen Basis zu machen. Aufgrund ihrer Fähigkeit, große Suchräume mit relativ geringem Rechenaufwand abzudecken, könnten genetische Algorithmen (GA) bei der Optimierung von technischen Handelssystemen effektiv sein. Dieses Papier untersucht das Problem: Wie kann GA verwendet werden, um die Performance einer bestimmten Handelsregel durch Optimierung ihrer Parameter zu verbessern und wie sich Änderungen in der Gestaltung des GA selbst auf die Lösungsqualität auswirken, die im Rahmen des technischen Handelssystems erzielt wird. In unserer Studie haben wir uns auf die Ausnutzung der Macht der genetischen Algorithmen zur Anpassung der technischen Handelsregeln Parameter im Hintergrund der Finanzmärkte konzentriert. Die Ergebnisse von Experimenten, die auf Echtzeit-Zeitreihen-Daten basieren, zeigen, dass die optimierte Regel, die unter Verwendung des GA erhalten wird, den Gewinn, der signifikant erhöht wird, im Vergleich zu herkömmlichen gleitenden Durchschnittslängen-Handelsregeln aus der Finanzliteratur erhöhen kann. Referenzen V. Kapoor, S. Dey, A. P. KhuranaModellierung der Einfluss der Welt-Aktienmärkte auf indischen NSE Index. Veröffentlicht in den Verfahren der Internationalen Konferenz für Modellierung und Simulation (MS 09). Organisiert von College of Engineering Trivandrum und AMSE. Thrivananthapuram, 1.-3. Dezember 2009. Brock, W. Lakonishok, J. LeBaron, B. Einfache technische Regeln und stochastische Eigenschaften von Aktienrenditen. Journal of Finance XLVII (5), 1731-1764. 1992. Xiaoqing Weng, Junyi Shen, Entdeckung von Proben im multivariaten Zeitreihen-Datensatz. Wissensbasierte Systeme. Elsevier. Jarl Kallberg, Paolo Pasquariello, Zeitreihe und Querschnittsüberschuss in Aktienindizes. Zeitschrift für anorganische und allgemeine Chemie. Elsevier. Chang-Jin Kim, Jeremy Pigerc, Richard Startz, Schätzung der Markov-Regime-Switching-Regression Modelle mit endogenen Switching. Zeitschrift für anorganische und allgemeine Chemie. Elsevier. Nicolaas Groenewold, Sam Hak Kan Tang, Yanrui Wu. Die Rentabilität der Regression-basierte Handelsregeln für die Shanghai Börse. Zeitschrift für anorganische und allgemeine Chemie. Elsevier. 2007. Andras Heinen, Erick Rengifo, Multivariate autoregressive Modellierung von Zeitreihendaten unter Verwendung von Copulas. Zeitschrift für anorganische und allgemeine Chemie. Elsevier. P. Manchandaa, J. Kumara, A. H. Siddiqi, Mathematische Methoden zur Modellierung von Preisschwankungen der Finanzzeitreihen. Zeitschrift für anorganische und allgemeine Chemie. Elsevier. Michael D. McKenzie, Suk-Joong Kim, Nachweis einer Asymmetrie in der Beziehung zwischen Volatilität und Autokorrelation. Internationaler Bericht zur Finanzanalyse. Elsevier. 2005. R. H. Loschi, P. L. Iglesias, R. B. Arellano-Valle, F. R.B. Cruz, Volle Vorhersagemodellierung der Aktienmarktdaten: Anwendung zur Veränderung von Punktproblemen. Europäische Zeitschrift für Betriebsforschung. Elsevier. 2006. Agarwal, S. K. Deb, Verständnis der Interaktionen zwischen genetischen Algorithmen Parameter In: Banzhaf, W. Reaves, C. Grundlagen der genetischen Algorithmen. In: Schaffer, JD (Hrsg.), Proceedings of the Third International Conference (Hrsg.), Hrsg Über genetische Algorithmen. Morgan Kaufmann, Los Altos, CA, S. 7079, 1989. H. Muhlenbein, Wie genetische Algorithmen wirklich funktionieren I. Mutation und Hügelklettern, Gründung der genetischen Algorithmen II S. 15-25, 1992. Online. Verfügbar: muehlenbein. orgmut92.pdf D. E. Goldberg. Genetischer Algorithmus in der Suche, Optimierung Maschinenlernen. New York: Addison Wisley, 1989. V. Kapoor, S. Dey, A. P. Khurana, Empirische Analyse und random respektive Rekombination von Crossover und Mutation in genetischen Algorithmen. Zeitschrift für anorganische und allgemeine Chemie. Special Issue on Evolutionary Computation (1): 2530, 2010. Herausgegeben von der Stiftung Informatik. Verfügbare Online: ijcaonline. orgspecialissuesecotnumber11530-133 V. Kapoor, S. Dey, A. P. Khurana Eine empirische Studie zur Rolle von Kontrollparametern genetischer Algorithmen bei Funktionsoptimierungsproblemen. Zeitschrift für anorganische und allgemeine Chemie. Band 31 (Nr. 6): 20-26, Oktober Ausgabe 2011. Verfügbar online: ijcaonline. orgarchivesvolume31number63828-5319 R. J. Bauer Jr. Genetische Algorithmen und Anlagestrategien, John Wiley Sons, Inc, New York, 1994. R. J. Bauer, G. E. Liepins, Genetische Algorithmen und computerisierte Handelsstrategien. In D. E. OLeary, P. R. Watkins (Hrsg.), Expertensysteme in Finanzen, Elsevier Science Publishers, Amsterdam, Niederlande, 1992. F. Allen, R. Karjalainen. Verwenden von genetischen Algorithmen, um technische Handelsregeln zu finden. Journal of Financial Economics 51 (1999) 245-271. S. Mahfoud, G. Mani, Finanzprognosen unter Verwendung genetischer Algorithmen Jouranal of Applied Artificial Intelligence. 10 (6) (1996) 543-565. De Jong, K. A. Eine Analyse des Verhaltens einer Klasse von genetisch adaptiven Systemen. Dissertation Abstracts International 36 (10): 5140B. (University Microfilms Nr. 76-9381.) 1975. Ramon Lawrence, Neuronale Netze verwenden, um die Börsenpreise zu prognostizieren. Korczak, J. Roger, P. Stock-Timing mit genetischen Algorithmen. Angewandte Stochastische Modelle in Wirtschaft und Industrie. Pp. 121-134. Jin Li, Edward P. K. Tsang, Verbesserung der technischen Analyse Vorhersage: Eine Anwendung von GP. Amerikanischen Vereinigung der KI. (1999). Laura Nunez-Letamendia, Anpassung der Kontrollparameter eines genetischen Algorithmus: Eine Anwendung auf technische Trading-System-Design. Europäische Zeitschrift für operative Forschung. 2005. R. J. Kuo, C. H. Chen, Y. C. Hwang Eine intelligente Aktienhandel Entscheidung Support-System durch die Integration von genetischen Algorithmus basiert fuzzy neuronale Netzwerk und künstliche neuronale Netzwerk. Fuzzy sets systems 118 (2001) 21-45. Index TermsComparison of Genetic Algorithms für Handelsstrategien Die endgültigen Bruttopreise können je nach lokaler MwSt. Variieren. In diesem Beitrag beschreiben und vergleichen wir zwei genetische Systeme, die Trading-Strategien zu schaffen. Das erste System basiert auf der Idee, dass die Verbindungsgewichtsmatrix eines neuronalen Netzes den Genotyp eines Individuums darstellt und durch den genetischen Algorithmus verändert werden kann. Das zweite System nutzt die genetische Programmierung, um Handelsstrategien abzuleiten. Als Eingangsdaten in unseren Experimenten verwendeten wir technische Indikatoren der NASDAQ-Aktien. Als Ausgabe erzeugen die Algorithmen Handelsstrategien, d. h. kaufen, halten und verkaufen Signale. Unsere Hypothese, dass durch genetische Programmierung gewonnene Strategien bessere Ergebnisse liefern als die Buy-and-Hold-Strategie, ist als statistisch signifikant erwiesen. Wir diskutieren unsere Ergebnisse und vergleichen sie mit unseren früheren Experimenten mit Fuzzy-Technologie, Fraktal-Ansatz, und mit einfachen technischen Indikator-Strategie. Genetische Algorithmen neurogenetischer Ansatz neuroevolutionäres System genetische Programmierung neuronales Netzwerk Investitionsprognose Handel finanzielle Modellierung technische Analyse
No comments:
Post a Comment