Genetic Algorithm En ansökan till Teknisk Trading System Design.1 Genetisk Algoritm En Application To Teknisk Trading System Design V Kapoor Institute of Engineering Technology, Devi Ahilya University, Indore S Dey Indiska Institutet för Management Indore AP Khurana Institutionen för datavetenskap Devi Ahilya University, Indore ABSTRAKT Nyliga studier har visat att inom ramen för finansmarknaderna är teknisk analys ett mycket användbart verktyg för att förutsäga trender. Flyttande Medelregler används vanligen för att dagligen fatta köp eller sälja beslut. På grund av deras förmåga att täcka stora sökutrymmen med relativt låga Beräkningar, genetiska algoritmer GA kan vara effektiv vid optimering av tekniska handelssystem Detta dokument studerar problemet hur kan GA användas för att förbättra prestanda för en viss handelsregel genom att optimera parametrarna och hur förändringar i designen av GA själv kan Påverka lösningskvaliteten som erhållits inom ramen för det tekniska handelssystemet I vår s Tudy, vi har koncentrerat oss på att utnyttja kraften hos genetiska algoritmer för att anpassa parametrar för handelsregler i bakgrunden av de finansiella marknaderna. Resultaten av experiment baserade på verkliga tidsseriedata visar att den optimerade regeln som erhållits med hjälp av GA kan öka vinsten genererad som jämförbar med Traditionella glidande medellängder Handelsreglerna från finansiell litteratur Nyckelord Genetiska algoritmer GA s, Befolkningsstorlek, Handelssystem, Teknisk regel INLEDNING Aktörer på aktiemarknaden är oroade över att maximera avkastning eller vinst De senaste aktiemarknaderna har varit globala i trend, Och det var en betydande ökning av antalet undersökningar med inriktning på aktiemarknadsinvesteringar. På grund av stor mängd tillgängliga data står investerare inför svårigheter att fatta beslut om hur man tjänar högre vinster från aktiehandel. Många experter på finansteori har misslyckats i sina försök att Förutse utvecklingen på marknaden helt, På grund av den högljudda och fluktuerade prisutvecklingen Den effektiva marknadshypotesen EMH är en av de viktigaste grunderna i modern finansteori som säger att det är omöjligt att slå marknaden Teknisk analys är en populär metod som används i aktiehandel Det finns mycket av Litteratur som ägnas åt tekniska analysregler som ska kunna identifiera trenderna haussea eller baisse eller omkastningar i kurslistor av priserna 4, 8, 9, 0 Teknisk analys förutsätter att framtida trender kan erkännas eftersom det är funktionen av tidigare priser För de senaste få År har det varit en koncentrerad diskussion mellan utövare och akademiker om användbarhet av tekniska handelsregler och den effektiva marknadshypotesen EMH Tidiga försök att använda tekniska indikatorer baserades på enkla filter 2 Medan man analyserade litteraturen om teknisk analys kan man känna sig orolig ibland på grund av att Tillgängligheten av praktiskt taget oändligt antal tekniska handelsregler reglerar de många sätt som de kan b E tillämpat Mer nyligen flyttbara medelvärden har använts av Brock 2, deras arbete visar att lönsamma resultat kunde erhållas med hjälp av denna metod. Ett enkelt glidande medelvärde system som vanligtvis används i handelssimulatorer och har två uppsättningar av parametrar längderna av två glidande medelvärden As Glidande medellängder kan täcka olika tidsramar från dag till 500 dagar osv. Användningen av rätt parametrar, dvs längderna vid konstruktion av handelsregler är oerhört viktigt. Det finns också ett stort antal olika parametrar för att flytta genomsnittliga regler som gör det omöjligt att Testa dem alla manuellt som en del av beslutsprocessen Det är därför viktigt att utveckla automatiserade metoder för att optimera handelssystem. Optimering är en sökprocess, genom vilken den bästa lösningen kan upptäckas. Det är helt enkelt en metod eller algoritm som gör det möjligt för oss att Hitta det bästa eller nära bästa möjliga lösningen för ett visst problem Om det gäller handelssystem eller regeloptimering kan detta göras För att hitta en viss uppsättning regelparametrar Den bästa befintliga lösningen eller lämpligheten för ett visst problem kan upptäckas på ett antal sätt. Vissa enkla problem löses genom försök och fel, som ofta styrs av mänsklig inblick, eftersom mänsklig hjärna är en av de Mest kraftfulla heuristiska optimeringssystem på jorden I vissa fall används analytisk optimering, t. ex. utveckling av flera regressionsmodeller, 3, 5, 6, 7 eller kalkylbaserade förfaranden. För mer komplicerade system behövs komplicerade metoder eller algoritmer. Det är i verkligheten en algoritm Implementeras med programmeringskod i något datorspråk vid användning av datorer Simulering av utvecklingsprocessen som genetiska algoritmer gör det på ett mycket nytt sätt att upptäcka eller hitta lösningar av hög kvalitet på komplexa problem GAs är heuristiska algoritmer baserade på överlevnad av den fittestaste principen, Och garanterar inte en globalt optimal lösning, bara nära optimalt. De har formellt visat sig vara ett anmärkningsvärt effektivt tillvägagångssätt för Optimera icke-linjära funktioner 4, 8 och 9 Fitnessfunktionen som används i GA är ett block av programmeringskod som speglar attraktiviteten hos en viss lösning. Vid problemet tolkas fitnessen som nettovinst för intensiv neddragning. Syftet med Arbete som beskrivs i detta dokument är att undersöka hur genetiska algoritmer, en klass av algoritmer i evolutionär beräkning kan användas för att förbättra prestanda för en viss handelsregel och hur förändringar i designen av GA själv kan påverka lösningskvaliteten erhållen i sammanhanget Av det tekniska handelssystemet Här är vårt främsta mål att upptäcka en 44,2 optimal uppsättning handelsregelparametrar som utvärderas på en riktig ekonomisk tidsserie, dvs historiska data. Det är inte vårt syfte att ge teoretisk eller experimentell motivering av teknisk analys. Detta dokument är strukturerat i följande Sätt genetiska algoritmer och relaterat arbete presenteras i avsnitt 2, dataset och metodik beskrivs sedan i avsnitt 3 avsnitt 4 Förklarar det föreslagna GA-baserade systemet, avsnitt 5 ägnas åt prestationsstudien av detta tillvägagångssätt Slutsatser och några föreslagna förslag följer Sektion LITERATURSÖVERSIKT Genetiska algoritmer är sök och globalt optimeringsförfarande baserat på principerna om naturlig biologisk utveckling GA är ett försök att kombinera dator Vetenskap och naturlig utveckling Det är ett försök att imitera kraften i naturlig utveckling i dataprogram Darwin teori om naturligt urval är inspiration för GA GA är stokastisk i naturen, så att de utnyttjar slumpmässig chans i sin verksamhet GA börjar med slumpmässigt vald befolkning av Kandidater som utvärderas i enlighet med fitnessfunktionen definieras och sedan nyare lösningar utvecklas med hjälp av genetiska operatörer som val, crossover och mutation, se fig. Genetisk algoritm Figurgenetisk algoritm Börja med slumpmässig generation, GA-målet är att förbättra lämpligheten för lösningar när generationen passerar Av Stopptillståndet anges Som vissa fasta antal generationer nådde eller uppnådd tillfredsställande fitnessnivå. Bakgrunden bakom crossover är att om två föräldrar representeras av hög kvalité, kommer övergången att leda till bättre avkommelösningar. Eftersom sökutrymmet är stort, upprätthålls viss slumpmässighet Genom generationer av mutationsoperatör sällan tillämpad, så som befolkningen inte förlorar sin genetiska mångfald. Huvudsyftet med GA är att upptäcka nästan optimala experter eller lösningar. GA präglas av hastighet. Det är många gånger snabbare än brute force optimization-metoden, speciellt när den står inför kombinatorisk explosion Ansökan av GA till aktiehandel har redan utvärderats av ett antal forskare GA på finansiella applikationer har visat lovande resultat Bauer 8 använde GA för att skapa handelsregler som är booleska uttryck För min medvetenhet var den första papperskopplingen GAs till investeringar från Bauer och Liepins 9 Baur 9 i sin bok Genetic Algorithms and Investment strategy S erbjuds realistisk vägledning om hur GA s kan användas för att utveckla slående handelsstrategier baserade på grundläggande information. Dessa tekniker kan enkelt utökas till att inkludera andra typer av information såsom tekniska handelsregler samt tidigare priser Enligt Allen och Karjalainen 20, genetiska Algoritmen är en lämplig metod för att upptäcka tekniska handelsregler. Några andra intressanta studier är gjorda av Mahfoud och Mani 2 som presenterar ett nytt genetiskt algoritmbaserat system och tillämpade det på uppgiften att förutsäga framtida prestationer av enskilda lager och genetisk programmering till prognoser för utländsk valuta och Rapporterade framgång Goldberg 5 och De Jong 22 föreslår att en uppsättning kontrollparametrar Crossover 0 6, mutationspopulationstorlek 300 fungerar bra över många problem Bauer 8 utförde en serie simuleringar på finansiella optimeringsproblem och fastställde kraften i Goldberg-förslag Ramon Lawrence 23 studerade Metoder för att använda GA s för att träna ett neuralt nätverk Handelssystem Korczak 24 använde GA för att söka efter en uppsättning handelsregler som ger köp och försäljning av signaler på enskilda aktier Jin Li 25 använde genetisk programmering för att förbättra tekniska analysprognoser Laura Nu n ez-letamendia 26 och många andra 27 tillämpade GA för att optimera parametrarna Av en handelsregel Enligt Laura Nu n ez-letamendia 26 GA s fungerar bättre i hög crossover och låg mutations sannolikhet och en måttlig befolkningsstorlek Se även 6, 7 3 METODOLOGI Även om vi kan konstruera ett oändligt antal handelsregler genom kombination av stora Antal tekniska indikatorer och aritmetiska operatörer, några av dessa regler är populära och används i stor utsträckning av utövare och lockade akademikernas uppmärksamhet. En av dessa kända regler är Crossing of Moving Averages. Medelvärdet definieras som genomsnittspriset för de senaste n dagarna. Ord Flyttning innebär att priserna i medelvärdet ständigt rör sig genom tiden Flyttande medelvärdet är en nedslagsindikator som används för att plana ut De oförutsägbara eller rausa uppgifterna för att få en sann trend av priser Handelsregeln som kallas Korsning av glidande medelvärden baseras på signalerna som genereras genom övergången av MA s med olika längder. Ett glidande medelvärde för n dagar ges av n Pt n i0 Var P ti Är slutkursen för dagen ti och n betecknar antalet tidigare dagar som tagits till byggd glidande medelvärde dvs längden på MA Köp och säljsignaler genereras i följande A-köpsignal eller lång position enligt marknadspratningen tas när kortare MA Är större än längre MA 2 Pt i Pt i eq 2 i0 2 i0 Där 2 En säljsignal eller kort position enligt marknadstalet tas när kortare MA är mindre än längre MA 2 Pt i Pt i 3 2 i0 45,3 Var 2 Den Parametrar, dvs längderna på två glidande medelvärden och 2 väljs heuristiskt eller instinktivt av näringsidkaren. Det kan finnas många möjliga kombinationer om vi begränsat antal dagar för att bygga MA till 500, dvs det kommer att finnas 2, 50 000 antal parametervärden för regelbaserade På cro Ssing av glidande medelvärde På så sätt ökar sökutrymmet exponentiellt, dvs antalet parametrar som ska anpassas med införandet av tekniska indikatorer i handelssystemet, eftersom varje indikator består av minst en parameter. Vid handelssystem måste vi hitta kombination Av parametrar som ger bästa eller optimala prestanda eller vinst Vid överföring av MA-baserade handelssystem är vårt huvudsyfte att hitta parametrar, dvs längder på två MA och 2 varav handelssignaler köper eller säljer ger oss bästa avkastning Således optimerar vårt handelssystem Betyder att maximera vår träningsfunktion som vinst som ges av TRf f 4 i DRi Pi Pi eq 5 TR f är den totala avkastningen för provperioden DR i är den dagliga avkastningen för dagen jag, P jag anger aktiekursen för Dag jag är dummyvariabeln som genererar värde för köp långa signaler och - för försäljning korta signaler Handelssystemet säljer och köper positioner men inga out of market-positioner Transaktionskostnader ingår inte som vår mai N Syftet med detta dokument är att finna möjligheten att lösa ett optimeringsproblem genom att använda genetisk algoritm med hänsyn till förändring i befolkningsstorlek, vilket håller antal funktionsvärderingar konstanta och för att bevisa robusthet av genetisk algoritm 4 FÖRESLAGET GENETISK ALGORITMBASERAT SYSTEM ANVÄNDNING AV C OCH VISUAL BASIC Genetisk algoritm utvecklades av Holland är ett söknings - och optimeringsförfarande baserat på principerna om naturlig biologisk utveckling GA s skiljer sig från andra optimeringsprocedurer på få sätt GA s arbetar med en kodning av parametrar som inte är parametrarna individuellt Således kan GA s hantera binära variabler GA s söka från punktpopulation, inte en enda punkt Så de kan erbjuda globalt optimala lösningar Slutligen GA s arbetar med fitnessfunktion utan någon annan sekundärkunskap. GAs är därför till hjälp för att hitta globala lösningar för icke-kontinuerliga och oskiljaktiga funktioner Som faktiskt existerar i praktiska optimeringsproblem Systemarkitekturen i vår forskning är Uppdelad i två delar Genetisk algoritmmodul i C - och fitnessfunktionsmodul i visuell grundläggande Våra data om vilket experiment som utförs lagras i Microsoft excel Nej Initiera Chromosomernas befolkning Utvärdera träningsfunktionsvärde Applicera valoperatör Tillämpa Crossover-operatör Applicera mutationsoperatör Utvärdera träningsfunktionsvärde Uppfyller nuvarande befolkning förutbestämd stopptillstånd GA-modul i C Fitness-funktionsmodul i Visual Basic Testing Data Trading Signalgenereringsmodul Trading Simuleringsmodul Fitnessfunktion eller resultatresultat Ja Bästa kromosom eller handelsregeln Figur 2 Simuleringsprocess Varje parameter i genetisk algoritm är kodad som binär Sträng och sammankopplad för att bilda en kromosom Kortare glidande medelvärde går från session till 256-session, dvs stränglängd på 8 bitar ex 0000, längre glidande medelvärde går från session till 52-session, dvs stränglängd på 9 bitar ex 0000 Således är totalt sökutrymme 7 bitar Ex 0000 0000 dvs 2 7 I vår studie har vi Begränsade beräkningsresurser anställda genom att välja totalt antal funktionsvärderingar till Vi kör varje experiment med 20, 50, 70 och 00 befolkningsstorlekar och håller antalet funktionsvärderingar konstanta. Det börjar med slumpmässigt genererad population. Dessa lösningar testas i enlighet med träningsfunktionen i ekvation 4 och 46.4 Maximum Fitness International Journal of Computer Applications 5 För att få bättre lösning för nästa generation, utbyter varje kromosom information genom att använda crossoveroperatören imiterad från naturlig genetik för att få bättre lösning. Mutationoperatör används för att lägga till slumpmässig mångfald i lösningen 6 Funktionen används för att mäta lösningskvaliteten för varje kromosom i befolkningen. Vi har använt Roulette Wheel-urvalsmetoden som väljer individuell probabilistisk baserat på deras prestanda. Vid val av Roulette Wheel bestäms summan av träningsfunktionen för enskilda kromosomer. Individuella kartläggs sedan, en Till en i Kontinuerliga intervall i intervallet o, summan För att välja en individ genereras ett slumptal från 0 till summan och den person som sträcker sig slumpmässigt talet är valt. Denna process upprepas tills önskat antal individer är valda. Efter den här individen får kandidater delta I crossover och mutation för att producera nästa generation I vårt problem har vi behållit crossover - och mutationssannolikheter 90 och det vill säga 0 90 och EMPIRISKA RESULTAT I det här avsnittet tillämpar vi vår metodik för State Bank of India aktiedata från National Stock Exchange i Indien. Uppgifterna Analyseras består av 36 observationer om dagliga slutkurs på lager för perioden 2 08 200 till 29 2 2006 Optimeringsperioden definieras mellan 2 08 200 till 29 2 2006 Tabell Befolkningsstorlekseffekt Befolkningsstorlek 2 235 44 4 40 2 73 9 22 Max Resultat Rs - Rs - Rs 936 - Rs 947 - Genomsnittsvinst Rs - Rs - Rs - Rs - Max Räntor 6 60 4 27 60 39 50 38 Std dev av vinster Max profit st dev Figur 3 Genomsnittlig fitness functi På prestanda för GA ansökte om olika populationstorlekar Genetiska algoritmresultat Crossover 0 90, Mutation 0 0 Befolkning 20 Befolkning 50 Befolkning 70 befolkning Generationer Figur 4 Maximal träningsfunktionsprestanda för GA applicerad för olika befolkningsstorlekar Vårt optimeringsproblem är att bestämma optimala rörliga medelvärden längder Och 2 som genererar maximera vinst Mer specifikt är vi intresserade av att mäta effekten av förändringar i befolkningsstorlek 20, 50, 70, 00 i utförandet av GA-baserad optimeringsmetod, vilket håller antalet funktionsvärderingar konstanta till Vår tidigare forskning 6, 7 uttrycker Oro för brist på studier i det aktuella ämnet 47.5 Tabell gav GA-optimeringsresultat för olika befolkningsstorlekar För att mäta effekten av förändring i befolkningsstorlek för att få bästa lösningen har vi undersökt en rad olika statistik, dvs. befolkningsstorlek på 20, 50, 70,00 med en generation av 25, 50, 35, 25 som håller antal funktionsvärderingar Ns konstant till Tabellens första rad visar bästa parametrar, dvs MA s längder och 2 av två glidande medelvärden för experiment som utförts på olika populationstorlekar. Den andra, tredje och fjärde raden visar maximal vinst eller träning, genomsnittlig vinst eller träning och standardavvikelse för lösningar Erhållen för olika befolkningsstorlekar Vi har också beräknat ett effektivitetsindex genom att dela maximal träning genom standardavvikelse för all lösning för olika befolkningsstorlekar, som visas i tabellen. Genom att titta på bordet kan vi säga att så länge som befolkningsstorleken ökar är det bästa möjliga Den erhållna lösningen är högre Om den genomsnittliga träningen ökar, ökar den efter en befolkningsstorlek på 20 och därefter framåt efter att befolkningsstorleken 50 har minskat, vilket visar att lösningsserien blir bullriga i naturen och där ökad mångfald i lösningen erhållen som befolkningsstorlek ökas Bästa effektivitetsindex erhålls av befolkningsstorleken på 20. Det ses också som lägre befolkning si Ze leder till lägre prestanda, dvs lägre maximal kondition erhållen. Standardavvikelse beräknad är måttet på mångfald eller dispersion i befolkningen. Det framgår av tabellen och från figur 3 och 4 att för stora befolkningsstorlekar är mångfalden i befolkningen stor och bäst Den erhållna lösningen ligger nära det optimala värdet Dispersionsvärdet ökar när befolkningsstorleken ökar vilket innebär att volatiliteten i lösningen ökar med populationsstorlek. Från figur 3 och 4 noteras det att det genomsnittliga fitness - och maximalt träningsvärde blir stagnerat efter några generationer För låg befolkningsstorlek 20 Detta beror på det faktum att det finns mindre mångfald i befolkningen på grund av att denna undersökningskraft av genetisk algoritm blir begränsad vilket ger mindre maximal kondition. Från tabell och figur 3 och 4 observeras att som befolkningsstorlek ökar lösningen Kvalitet Högsta kondition ökar också Således vid stor befolkning är det en större sannolikhet för havi Ng individer i befolkning som har träningsvärde eller nära det optimala värdet Det är i vårt intresse att veta effekten av förändring i befolkningsstorlek med hänsyn till antal generationer som håller antal funktionsvärderingar konstanta tills ett korrekt balans uppnås. Detta hjälper oss För att begränsa den intensiva användningen av beräkningsresurser som används av GA, vilket reducerar körtiden och möjliggör sökning av större utrymmen i en mindre tid och beräkningsresurs. Från våra resultat ser fig 3 och 4 det ses för mindre befolkningsstorlek och fler generationer, Det leder till konvergens på lokal optimalt I motsats därtill om vi ökar befolkningsstorleken och minskar antalet generationer, kommer det att finnas svårigheter att anpassa sig till miljön. Därför behövs en riktig balans mellan befolkningsstorlek och antal generationer. Vi har sett från figur 4 Att vid en befolkningsstorlek på 00 uppnådde vi maximal träning eller nära optimal lösning vid en tidig generation. Men det ser vi N från tabellen och figur 3 och 4 som ändrar befolkningsstorlek från 50 till 70 påverkar inte de resultat som uppnås signifikant Från figur 3 och 4 observeras att maximal och genomsnittlig fitness följer en positiv trend som generationer passerar och det blir stabil efter få Generationer för alla befolkningsstorlekar Det ses Figur 3 och 4 medelvärde och maximal fitness förbättras över tiden I förhållande till volatiliteten i lösningen ökar standardavvikelsen från till när befolkningsstorleken ökar från 20 till 00 På grund av detta ökar också maximalt fitness från Rs - till Rs 947 - och den totala avkastningsräntan ökar också från 6 till 50 Detta beror på det faktum att mångfald ökar med befolkningsstorlek och så genetisk algoritm förmåga att hitta global optimal lösning Det ses att finansiell investerare eller kartläggare i allmänhet testa kort sikt , Medellång sikt och långsiktigt glidande medelvärden på tidigare data innan ett beslut fattas Tre rörliga medelvärden längder härleds av regler i finans literatu Re som Brock 2 Det ses att glidande medelvärden längder som 0,30, 30,60, 50,50 är populära som kortsiktiga, medellångsiktiga och långsiktiga glidmedelvärden i finanssektorn Regler genererade av GA testades mot Dessa tre glidande medelvärden längder Resultaten visas i tabell 2 Bland dessa tre glidande medelvärden MA 30,60 fungerar bäst Det uppnår en maximal avkastning på 90 02 och ett maximalt resultat på Rs 535 - GA-baserat system uppnår en maximal avkastning på 60 39 och en Högsta vinst på Rs 947 - vilket är bättre än MA 30,60-baserad regel Faktum är att den fattigare GA med en befolkningsstorlek på 20 maximalt vinst på RS - och en maximal avkastning på 6 60 uppnås vilket är bättre än dessa korta , Medellånga och långsiktiga glidande medelbaserade regler Tabell 2 Prestanda Jämförelser mellan GA-genererade resultat för olika befolkningsstorlekar och tre populära glidmedellängder på testdata Genetisk algoritm GA Resultat Storlek 20 Storlek 50 Storlek 70 Max vinst Max Räntor Rs - 6 60 Rs - 4 27 Rs 936 Rs 947 Storlek 00 Högsta Rs 947 Lägsta Rs - 6 60 Genomsnitt Rs Std Dev Tekniskt Rörande Medel MA Regler Det bästa resultatet i varje kolumn är markerat MA 0,30 Rs MA 30,60 Rs 535 MA 50,50 Rs 326 Sammantaget har vi uppnått framgång med att tillämpa GA för att uppnå optimerande parametrar för tekniska handelssystem. Övergripande hög avkastning och vinst erhölls. Maximal överlägsenhet av GA bekräftas med avseende på hög avkastningsgrad för testuppsättningen, vilket illustrerar kraften i evolutionära Algoritmer och artificiell intelligens inom finansiell teknik 48.6 Genom att granska ovanstående resultat och experimentella data erhållna från ett stort antal utförda tester misslyckades vi att förfalska teorin om genetisk algoritmstyrka för att hitta en global optimal lösning avseende kontrollparametrar för genetisk algoritm, dvs. befolkningsstorlek och antal Generationer I stor utsträckning kan vi slå en effektiv marknadshypotes EMH som säger att all offentlig information återspeglas i aktiekursen en D det är omöjligt att slå marknaden 6 SLUTSATSER OCH FRAMTIDIGT ARBETE Eftersom teknisk analys i stor utsträckning används som ett verktyg i aktiehandel är det sällan fokuserat på frågan om parametraroptimering. Vårt huvudmål i detta dokument är att visa hur nya framsteg i datorn Teknik och mjuk databehandling kan användas för att förbättra optimeringen av tekniska regler Detta system tillämpas speciellt för att förutsäga prestanda för enskilda aktier, dvs State Bank of India, data som tagits från National Stock Exchange i Indien vilket visar att det finns viss förväntan i historiska data ensam Med koncept med glidande medelvärden som är en mångsidig, enkel och mest populär teknisk indikator som används vid aktiemarknadsanalys. Vi presenterar idéer för att representera investeringsstrategier som regler, när man ska köpa och när man ska sälja, vilken är sammanställd i villkorliga uttalanden med skillnad i glidande medelvärden Längden på rörliga medelvärden kodas som binära strängar eller kromosomer genom att tillämpa GA så Peratörer som roulettehjul, crossover, mutation, lyckas vi med att använda genetisk algoritm för att lösa optimering av parametrar för teknisk handelsregel med högre total vinst och avkastning. Våra experimentella resultat visar att GAs hjälper till att hitta globala optimala lösningar. Vi hittade också den lösningen Kvalitetsmängden ökar i takt med att befolkningsstorleken ökar Inom ramen för begränsade datasetförsök med alla befolkningsstorlekar, visas liknande resultat, dvs hög totalavkastning. Det observeras från tabell 2 är det en ökning av maximal avkastning och maximalt resultat genom att använda optimal rörelse Genomsnittliga längder erhållna från olika GAs jämfört med de populära glidande medellängderna som erhållits från finansiell litteratur. Analysera experimentdata från ett stort antal utförda tester är vår slutsats att förslaget om GA-robusthet fortfarande är rimligt för avstämning av parametrar för det tekniska handelssystemet Vi Bär ett stort antal experiment, men de är kvar Begränsat eftersom antalet test vi kan utföra med hänsyn till befolkningsstorlek och antal generationer är oändliga Så slutsatserna är försiktiga Vi kan slå EMH i stor utsträckning och visa att teknisk analys har ett visst värde Slutligen skulle det motivera för förskott Forskning för att testa en serie olika komplexa handelssystem och se hur GA utför på andra handelssystem. Detta kan vara vårt ämne för framtida forskning. 7 REFERANSER V Kapoor, S Dey, AP Khurana Modellering av världsobligationsmarknadernas inflytande på indiska NSE-index Publicerad i Internationell konferens om modellering och simulering MS 09 Organiserad av Tekniska Högskolan Trivandrum och AMSE Thrivananthapuram, den 3 december 2 Brock, W Lakonishok, J LeBaron, B Enkla tekniska regler och stokastiska egenskaper för aktieavkastning Journal of Finance XLVII 5 , 3 Xiaoqing Weng, Junyi Shen, Detektering av outlierprover i multivariata tidsseriedataset Kunskapsbaserade system Elsevier 4 Jarl Kallberg, P Aolo Pasquariello, Time-serie och crosssectional överskott i aktieindexen Journal of Empirical Finance Elsevier 5 Chang-Jin Kim, Jeremy Pigerc, Richard Startz, Uppskattning av Markov-regim-byta regressionsmodeller med endogen växling Journal of Econometrics Elsevier 6 Nicolaas Groenewold, Sam Hak Kan Tang, Yanrui Wu, Lönsamheten för regressionsbaserade handelsregler för Shanghai aktiemarknaden Journal of Empirical Finance Elsevier 7 Andr as Heinen, Erick Rengifo, Multivariate autoregressiv modellering av tidsserier räknar data med copulas Journal of Empirical Finance Elsevier 8 P Manchandaa, J Kumara, AH Siddiqi, Matematiska metoder för modellering av prisfluktuationer i finansiella tider Serie av Franklin-institutet Elsevier 9 Michael D McKenzie, Suk-Joong Kim, Bevis på en asymmetri i förhållandet mellan volatilitet och autokorrelation Internationell granskning av finansiell analys Elsevier 0 RH Loschi, PL Iglesias, RB Arellano-Valle, FRB Cruz, Full prediktistisk modellering av aktiemarknadsdata Applikation för att ändra punktproblem Europeiska journalen om operativ forskning Elsevier Agarwal, SK Deb, Förstå interaktioner mellan genetiska algoritmaparametrar I Banzhaf, W Reaves, C Grunden för genetiska algoritmer Vol 2 HE Aguirre, K Tanaka, Parallellt varierande Mutationsgenetiska algoritmer, IEEE-transaktioner, 3 DE Goldberg, Storleksbestämmelser för seriella och parallella genetiska algoritmer, I Schaffer, JD Ed, Förhandlingar av den tredje internationella konferensen om genetiska algoritmer Morgan Kaufmann, Los Altos, CA, s. 989 4 H Muhlenbein, How Genetiska algoritmer fungerar verkligen Jag mutation och bergsklättring, genetiska algoritmernas grund II p 5-25, 992 Online Tillgänglig 5 DE Goldberg Genetisk algoritm i sökning, optimering maskininlärning New York Addison Wisley, 989 6 V Kapoor, S Dey, AP Khurana, Empirisk Analys och Slumpmässig Respektiv Rekombination av Crossover och Mutation i Genetiska Algoritmer International Journal of Computer A Pplication Special Issue on Evolutionary Computation 25 30, 200 Publicerad av Studera för datavetenskap tillgänglig online 49.7 7 V Kapoor, S Dey, AP Khurana En empirisk studie av rollen av kontrollparametrar av genetiska algoritmer i funktionen optimeringsproblem International Journal of Computer Application Volume 3 Antal 6 20-26, oktober Utgåva 20 Tillgänglig Online 8 RJ Bauer Jr Genetiska algoritmer och investeringsstrategier, John Wiley Sons, Inc, New York, 994 9 RJ Bauer, GE Liepins, genetiska algoritmer och datoriserade handelsstrategier i DEO Leary, PR Watkins Eds, Expert Systems in Finance, Elsevier Science Publishers, Amsterdam, Nederländerna, 992 20 F Allen, R Karjalainen Använda genetiska algoritmer för att hitta tekniska handelsregler Journal of Financial Economics 5 999 2 S Mahfoud, G Mani, Finansiell prognos med hjälp av genetiska algoritmer Jouranal of Applied Artificial Intelligence 0 6 996 22 De Jong, KA En analys av beteendet hos en klass av genetiska adaptiva system Di Ssertation Abstracts International 36 0 540B Universitetsmikrofilmer Nr 975 23 Ramon Lawrence, Använda Neurala Nätverk till Prognostiserade Börspriser 24 Korczak, J Roger, P Lager timing med hjälp av genetiska algoritmer Tillämpade stokastiska modeller i näringslivet 25 Pp 25 Jin Li, Edward PK Tsang, Förbättrad teknisk analys Prediction En tillämpning av GP-amerikansk förening av AI 999 26 Laura Nu e e-letamendia, Parametrar för monteringskontroll av en genetisk algoritm En ansökan till teknisk handelssystemdesign Europeiska journalen för operativ forskning 27 RJ Kuo, CH Chen, YC Hwang An Intelligent aktiehandel beslutsstödsystem genom integration av genetisk algoritm baserade fuzzy neurala nätverk och konstgjorda neurala nätverk Fuzzy uppsättningar system 8 200parison av genetiska algoritmer för handelsstrategier. Cit denna tidning som Kroha P Friedrich M 2014 Jämförelse av genetiska algoritmer för handelsstrategier i Geffert V Preneel B Rovan B tuller J Tjoa AM eds SOFSEM 2014 Teori och övning av Datavetenskap SOFSEM 2014 Föreläsningsanteckningar i datavetenskap, vol 8327 Springer, Cham. I detta bidrag beskriver och jämför vi två genetiska system som skapar handelsstrategier. Det första systemet är baserat på idén om att anslutningsviktsmatrisen för ett neuralt nätverk representerar Genotyp av en individ och kan ändras genom genetisk algoritm Det andra systemet använder genetisk programmering för att härleda handelsstrategier Som inmatningsdata i våra experiment använde vi tekniska indikatorer på NASDAQ-aktier. Som utgångspunkt alstrar algoritmerna handelsstrategier, dvs köp, håll och sell signals Our hypothesis that strategies obtained by genetic programming bring better results than buy-and-hold strategy has been proven as statistically significant We discuss our results and compare them to our previous experiments with fuzzy technology, fractal approach, and with simple technical indicator strategy. Genetic algorithms neurogenetic approach neuroevolutionary system genetic programming neural network investment forecast trading financial modeling technical analysis. Allen, F Karjalainen, R Using genetic algorithms to find technical trading rules Journal of Financial Economics 51, 245 271 1999 CrossRef Google Scholar. Azzini, A Tettamanzi, A Evolving Neural Networks for Static Single-Position Automated Trading Journal of Artificial Evolution and Applications, 1 17 2008.Brabazon, A O Neill, M Biological Inspired Algorithms for Financial Modelling Springer 2006.Brabazon, A O Neill, M Dempsey, I An Introduction to Evolutionary Computation in Finance IEEE Computational Intelligence Magazine, 42 55 2008.El-Henawy, I M Kamal, A H Abdelbary, H A Abas, A R Predicting Stock Index Using Neural Network Combined with Evolutionary Computation Methods In The 7th International Conference on Informatics and Systems INFOS , pp 1 6 2010.Fama, E Efficient capital markets A review of theory and empirical work Journal of Finance 25, 383 417 1970 CrossRef Google Scholar. Kapoor, V Dey, S Khurana, A P Genetic Algorithm An Application to Technical Trading System Design International Journal of Computer Applications 36 5 2011.Kroha, P Lauschke, M Using Fuzzy and Fractal Methods for Analyzing Market Time Series In Proceedings of the International Conference on Fuzzy Computation and International Conference on Neural Computation ICFC 2010 and ICNC 2010, pp 85 92 2010.Kwon, Y - K Moon, B - R A Hybrid Neurogenetic Approach for Stock Forecasting IEEE Transactions on Neural Networks 18, 851 864 2007 CrossRef Google Scholar. Li, R Xiong, Z A Modified Genetic Fuzzy Neural Network with Application to Financial Distress Analysis In International Conference on Computational Intelligence for Modeling, Control and Automation and International Conference on Intelligent Agents, Web Technologies and Internet Commerce 2006.Malkiel, B A Random Walk Down Wall Street W W Norton, New York 1996 Google Scholar. Matsui, K Sato, H Neighborhood Evaluation in Acquiring Stock Trading Strategy Using Genetic Algori thms International Journal of Computer Information Systems and Industrial Management Applications 4, 366 373 2012 Google Scholar. Murphy, J J Technical Analysis of the Financial Markets Prentice Hall 1999.Skabar, A Cloete, I Neural networks, Financial Trading and the Efficient Markets Hypothesis In Proceedings of the Twenty-Fifth Australasian Conference on Computer Science ACSC 2002, vol 4, pp 241 249 2002.Shleifer, A Inefficient Markets An Introduction to Behavioral Finance Oxford University Press 2000.Copyright information. Springer International Publishing Switzerland 2014.Authors and Affiliations. Matthias Friedrich.1 Faculty of Information Technology, Department of Software Engineering Czech Technical University in Prague Praha 6 Czech Republic.2 Chemnitz University of Technology Chemnitz Germany. About this paper. Using Genetic Algorithms To Forecast Financial Markets. Burton suggested in his book, A Random Walk Down Wall Street , 1973 that, A blindfolded monkey throwing darts at a newspaper s financial pages could select a portfolio that would do just as well as one carefully selected by experts While evolution may have made man no more intelligent at picking stocks, Charles Darwin s theory has quite effective when applied more directly To help you pick stocks, check out How To Pick A Stock. What Are Genetic Algorithms. Genetic algorithms GAs are problem solving methods or heuristics that mimic the process of natural evolution Unlike artificial neural networks ANNs , designed to function like neurons in th e brain, these algorithms utilize the concepts of natural selection to determine the best solution for a problem As a result, GAs are commonly used as optimizers that adjust parameters to minimize or maximize some feedback measure, which can then be used independently or in the construction of an ANN. In the financial markets genetic algorithms are most commonly used to find the best combination values of parameters in a trading rule, and they can be built into ANN models designed to pick stocks and identify trades Several studies have demonstrated that these methods can prove effective, including Genetic Algorithms Genesis of Stock Evaluation 2004 by Rama, and The Applications of Genetic Algorithms in Stock Market Data Mining Optimization 2004 by Lin, Cao, Wang, Zhang To learn more about ANN, see Neural Networks Forecasting Profits. How Genetic Algorithms Work. Genetic algorithms are created mathematically using vectors, which are quantities that have direction and magnitude Parameters f or each trading rule are represented with a one-dimensional vector that can be thought of as a chromosome in genetic terms Meanwhile, the values used in each parameter can be thought of as genes, which are then modified using natural selection. For example, a trading rule may involve the use of parameters like Moving Average Convergence-Divergence MACD Exponential Moving Average EMA and Stochastics A genetic algorithm would then input values into these parameters with the goal of maximizing net profit Over time, small changes are introduced and those that make a desirably impact are retained for the next generation. There are three types of genetic operations that can then be performed. Crossovers represent the reproduction and biological crossover seen in biology, whereby a child takes on certain characteristics of its parents. Mutations represent biological mutation and are used to maintain genetic diversity from one generation of a population to the next by introducing random small chan ges. Selections are the stage at which individual genomes are chosen from a population for later breeding recombination or crossover. These three operators are then used in a five-step process. Initialize a random population, where each chromosome is n - length, with n being the number of parameters That is, a random number of parameters are established with n elements each. Select the chromosomes, or parameters, that increase desirable results presumably net profit. Apply mutation or crossover operators to the selected parents and generate an offspring. Recombine the offspring and the current population to form a new population with the selection operator. Repeat steps two to four. Over time, this process will result in increasingly favorable chromosomes or, parameters for use in a trading rule The process is then terminated when a stopping criteria is met, which can include running time, fitness, number of generations or other criteria For more on MACD, read Trading The MACD Divergence. Using Genetic Algorithms in Trading. While genetic algorithms are primarily used by institutional quantitative traders individual traders can harness the power of genetic algorithms - without a degree in advanced mathematics - using several software packages on the market These solutions range from standalone software packages geared towards the financial markets to Microsoft Excel add-ons that can facilitate more hands-on analysis. When using these applications, traders can define a set of parameters that are then optimized using a genetic algorithm and a set of historical data Some applications can optimize which parameters are used and the values for them, while others are primarily focused on simply optimizing the values for a given set of parameters To learn more about these program derived strategies, see The Power Of Program Trades. Important Optimization Tips and Tricks. Curve fitting over fitting , designing a trading system around historical data rather than identifying repeatable beha vior, represents a potential risk for traders using genetic algorithms Any trading system using GAs should be forward-tested on paper before live usage. Choosing parameters is an important part of the process, and traders should seek out parameters that correlate to changes in the price of a given security For example, try out different indicators and see if any seem to correlate with major market turns. Genetic algorithms are unique ways to solve complex problems by harnessing the power of nature By applying these methods to predicting securities prices, traders can optimize trading rules by identifying the best values to use for each parameter for a given security However, these algorithms are not the Holy Grail, and traders should be careful to choose the right parameters and not curve fit over fit To read more about the market, check out Listen To The Market, Not Its Pundits. The maximum amount of monies the United States can borrow The debt ceiling was created under the Second Libert y Bond Act. The interest rate at which a depository institution lends funds maintained at the Federal Reserve to another depository institution.1 A statistical measure of the dispersion of returns for a given security or market index Volatility can either be measured. An act the U S Congress passed in 1933 as the Banking Act, which prohibited commercial banks from participating in the investment. Nonfarm payroll refers to any job outside of farms, private households and the nonprofit sector The U S Bureau of Labor. The currency abbreviation or currency symbol for the Indian rupee INR , the currency of India The rupee is made up of 1.
No comments:
Post a Comment