التداول استراتيجية ماتلاب

+

كمية العقود الآجلة والأسهم وتداول الخيارات (متاحة للMATLAB تراسل) معلومات عني TradingwithMatlab لقد عملت سابقا على كمية العقود الآجلة التاجر وحاليا تعمل كمحلل في فريق الاستراتيجيات الكمية في صندوق التحوط من الصندوق. أولا جنبا إلى جنب مع Exchange سيستمز، قد خلقت أداة MATLAB تستند دعا MATLAB2IB. أحمل درجة الماجستير في الهندسة الكهربائية، وبراءات الاختراع في أنظمة التحكم، وماجستير في إدارة الأعمال من جامعة شيكاغو كلية إدارة الأعمال. آمل بلدي 10 عاما من الخبرة في استخدام MATLAB على حد سواء للهندسة والآن في مجال التمويل، سوف تكون ذات فائدة للآخرين. آمل أن أقدم لكم الموضوعات. مثيرة للاهتمام ويمكن الاتصال به على ياهو tradingwithmatlab عرض الوضع الكامل الخاص بي البولنجر باند الزخم نموذج استراتيجية تجارة (إعداد) أولا يتاجر إستراتيجية المطور: جون بولينجر (البولنجر باند). المفهوم:-تريند التالية استراتيجية التداول بناء على البولنجر باند. هدف البحث: تحقق أداء نموذج 3 مراحل (طويلة / قصيرة / محايد). المواصفات: الجدول 1. النتائج: الشكل 1-2. إعداد التجارة: الصفقات الطويلة: إغلاق ط 1 باند السفلى ط 1. الفهرس: ط بار الحالي. الدخول التجارة: الصفقات الطويلة: شراء عند الفتح يوضع بعد إعداد الصاعد. الصفقات قصيرة: يتم وضع بيع في العراء بعد الإعداد الهابط. خروج التجارية: الجدول 1. المحفظة: 42 أسواق العقود الآجلة من أربعة قطاعات السوق الرئيسية (السلع والعملات وأسعار الفائدة، ومؤشرات الأسهم). البيانات: 36 عاما منذ عام 1980. منصة الاختبار: MATLAB. II. يتم اتباع حساسية اختبار جميع الرسوم البيانية 3-D بنسبة 2-D الخرائط الكنتورية للربح عامل، شارب، مؤشر الأداء قرحة، بمعدل نمو سنوي مركب، تراجع الحد الأقصى، نسبة الصفقات المربحة، ومتوسط وين / متوسط نسبة الخسارة. يظهر في الصورة النهائية حساسية الأسهم المنحنى. المتغيرات اختبار: MA طول شارع ديف (التعاريف: الجدول رقم 1): الشكل 1 أداء حافظة (المدخلات: الجدول رقم 1 لجنة انزلاق: 0). وقائع المؤتمر الدولي للطرق الحسابية في العلوم والهندسة 2004 تحسين أنظمة التداول التقنية باستخدام استنادا MATLAB-الإجراء الجديد الخوارزمية الجينية اسطفانوس Papadamou ل،. جورج ستيفانيديس ب. وقسم الاقتصاد، جامعة ثيساليا، Argonauton وFilelinon، فولوس، اليونان ب قسم المعلوماتية التطبيقية، جامعة العلوم الاقتصادية والاجتماعية مقدونيا، Egnatias 156، ثيسالونيكي 54006، اليونان إعجاب 18 مايو 2006. مقبول 15 ديسمبر 2006. متاح على الانترنت 24 وتشير يناير 2007. وخلاصة الدراسات الحديثة في الأسواق المالية أن التحليل الفني يمكن أن تكون أداة مفيدة جدا في توقع اتجاه. وتستخدم أنظمة التداول على نطاق واسع لتقييم السوق ولكن، والتحسين المعلمة من هذه الأنظمة قد جذبت اهتماما كبيرا. في هذه الورقة، لاستكشاف الطاقة المحتملة من التداول الرقمي، نقدم أداة MATLAB جديدة تقوم على خوارزميات الوراثية أداة متخصصة في تحسين معلمة القواعد الفنية. ويستخدم قوة الخوارزميات الجينية لإيجاد حلول سريعة وفعالة من حيث التداول الحقيقية. تم اختبار أداة لدينا على نطاق واسع على البيانات التاريخية للاستثمار صندوق بنك يو بي إس في أسواق الأوراق المالية الناشئة من خلال نظام تقني محدد. وتظهر النتائج أن لدينا GATradeTool المقترحة يتفوق شيوعا، غير التكيفية، أدوات البرمجيات فيما يتعلق استقرار العودة وتوفير الوقت خلال الفترة عينة كاملة. ومع ذلك، قدمنا ​​أدلة على احتمال تأثير حجم السكان في نوعية الحلول. الأسواق المالية كلمات التنبؤ الخوارزميات الجينية قواعد الفنية الاستثمار 1 التجار مقدمة اليوم الصورة والمحللين الاستثمار تتطلب استخدام أدوات سريعة وفعالة في السوق المالي لا يرحم. والآن شن معارك في التداول بشكل رئيسي على سرعة الكمبيوتر. تطوير البرمجيات والتكنولوجيا الجديدة وظهور بيئات برمجية جديدة (مثل MATLAB) توفر الأساس لتسوية المشاكل المالية الصعبة في الوقت الحقيقي. MATLAB الصورة اسعة المدمج في وظائف رياضية والمالية، والحقيقة أنه على حد سواء لغة برمجة تفسيرها وتجميعها والاستقلال برنامجها تجعل يجعلها مناسبة جدا لتطوير التطبيقات المالية. الأدلة على العوائد التي يحصل عليها القواعد الفنية، بما في ذلك استراتيجيات الزخم (على سبيل المثال 14. 15. 16. 16. 25 و 20)، المتوسط ​​المتحرك قواعد وأنظمة التداول الأخرى 6. 2. 9 و 24 يمكن أن تدعم أهمية التحليل الفني. ومع ذلك، فإن معظم هذه الدراسات قد تجاهل قضية الأمثل المعلمة، مما يتركهم عرضة للانتقاد من التطفل البيانات وإمكانية البقاء على قيد الحياة التحيز 7. 17 و 8. تقليديا استخدم الباحثون مخصصة مواصفات القواعد التجارية. أنها تستخدم تكوين شعبية الافتراضي أو محاولة عشوائيا من عدد قليل من المعالم المختلفة واختيار الأفضل مع معايير تستند إلى عودة أساسا. Papadamou وستيفانيديس 23. نفذت الأدوات القائمة على MATLAB جديدة لبمساعدة الحاسوب التداول الفني الذي شمل إجراء لمشاكل المعلمة الأمثل. ومع ذلك، فإن نقطة الضعف الداخلي الأمثل لها هو الوقت: دالة الهدف (مثل الربح) يسن ر وظيفة خطأ المربعة بسيطة ولكنها قضية معقدة (كل الأمثل التكرار يمر عبر البيانات، ويولد إشارات التداول، وتحسب الأرباح، وما إلى ذلك). عندما مجموعات البيانات الكبيرة وكنت ترغب في reoptimize النظام في كثير من الأحيان، وكنت في حاجة الى حل في أقرب وقت ممكن، ثم محاولة الخروج عن الحلول الممكنة للحصول على أفضل واحد من شأنه أن يكون مهمة شاقة للغاية. الخوارزميات الجينية (غاز) هي أكثر ملاءمة لأنها إجراء عمليات بحث عشوائية بطريقة منظمة وتتلاقى سريع جدا على السكان من الحلول المثلى القريب. سوف GA تعطيك مجموعة (السكان) من حلول جيدة. ويقول المحللون ترغب في الحصول على بعض الحلول الجيدة في أسرع وقت ممكن بدلا من أنحاء العالم أفضل حل. وعلى الصعيد العالمي أفضل حل موجود، لكن من المستبعد جدا أنه سوف يستمر ليكون أفضل واحد. والهدف من هذه الدراسة هو إظهار كيف الخوارزميات الجينية، فئة من الخوارزميات في الإحتساب التطوري، يمكن استخدامها لتحسين أداء وكفاءة أنظمة التداول الآلية. أنه ليس الغرض هنا لتقديم مبرر نظري أو عملي للتحليل الفني. علينا أن نظهر نهجنا في مهمة التنبؤ معينة استنادا أسواق الأوراق المالية الناشئة. ويتم تنظيم هذه الورقة على النحو التالي. ويرد العمل السابق في القسم 2. مجموعة البيانات ويتم وصف منهجيتنا في القسم 3. يتم مناقشة النتائج التجريبية في القسم 4. الاستنتاجات يلي القسم 5. 2 العمل السابق وهناك مجموعة كبيرة من العمل GA في علوم الكمبيوتر والمجالات الهندسية ولكن القليل من العمل تم إنجازه بشأن المناطق التجارية ذات الصلة. وفي الفترة الأخيرة، كان هناك اهتمام متزايد في استخدام GA في الاقتصاد المالي، ولكن حتى الآن لم يكن هناك بحوث تذكر بشأن التداول الآلي. على حد علمنا وكانت الصحيفة نشرت أول ربط الخوارزميات الجينية للاستثمارات من باور وLiepins 4. باور 5 في كتابه الخوارزميات الجينية واستراتيجيات الاستثمار التي الإرشادات العملية المتعلقة بكيفية الخوارزميات الجينية يمكن أن تستخدم لتطوير استراتيجيات التداول جذابة بناء على المعلومات الأساسية. هذه التقنيات يمكن تمديدها بسهولة لتشمل أنواعا أخرى من المعلومات مثل البيانات التقنية والاقتصادية الكلية فضلا عن الأسعار السابقة. وفقا لألين وكارجالاينين ​​1. الخوارزمية الجينية هي الطريقة المناسبة لاكتشاف القواعد التجارية التقنية. السرخس ndez-رودريغيز guez وآخرون. 11 باعتماد الخوارزميات الجينية الأمثل في قاعدة التداول بسيطة توفر الأدلة لاستخدامها بنجاح من الغاز من مدريد للأوراق المالية. بعض الدراسات الأخرى المعنية هي تلك التي كتبها محفوظ وماني 18 التي قدمت نظاما جديدا يستند الجينية خوارزمية وتطبيقه لهذه المهمة التنبؤ الأداء في المستقبل من الأسهم الفردية من قبل نيلي وآخرون. 21 وOussaidene وآخرون. 22 أن تطبق البرمجة الجينية إلى التنبؤ النقد الأجنبي وذكرت بعض النجاح. واحد من المضاعفات في GA الأمثل هو أن المستخدم يجب أن تحدد مجموعة من المعايير مثل معدل كروس، حجم السكان ومعدل الطفرة. وفقا لدي 10 جونغ الذي درس الخوارزميات الجينية في وظيفة تحسين الأداء الجيد GA يتطلب احتمال كبير كروس (يتناسب تناسبا عكسيا مع حجم السكان) وحجم السكان المعتدل. غولدبرغ 12 و 19 Markellos تشير إلى أن مجموعة من المعلمات التي تعمل بشكل جيد في العديد من المشاكل هو معلمة كروس 0.6، حجم السكان 30 و المعلمة طفرة 0.0333. يقوم باور 4 سلسلة من عمليات المحاكاة على المشاكل الأمثل المالية ويتأكد من صلاحية الاقتراحات غولدبرغ الصورة. في هذه الدراسة سوف نقوم بإجراء دراسة محاكاة محدودة عن طريق اختبار تكوينات المعلمة المختلفة لنظام التداول الذي تم اختياره. ونحن نقدم أيضا دليلا على GA المقترحة من خلال مقارنة أداة لدينا مع أدوات البرمجيات الأخرى. ويجري 3 منهجية منهجية لدينا في عدة خطوات. أولا، لدينا لتنفيذ نظام التداول لدينا بناء على التحليل الفني. في تطوير نظام التداول، تحتاج إلى تحديد متى الدخول ومتى الخروج من السوق. إذا كان التاجر في السوق المتغير الثنائي يساوي واحد على خلاف ذلك هو صفر. حيث أن التجار موقف نبني غالبية من الدخول والخروج القرارات على الرسم البياني اليومي خلال إنشاء مؤشر الاتجاه التالي (Dimbeta). هذا المؤشر يحسب انحراف الأسعار الحالية من المتوسط ​​المتحرك لطول. المؤشرات المستخدمة في نظام التداول لدينا يمكن إضفاء الطابع الرسمي على النحو التالي: حيث هو سعر إغلاق الصندوق في وقت وظيفة MovAv بحساب المتوسط ​​المتحرك البسيط لإغلاق متغير مع طول الوقت. ويتكون نظام التداول لدينا اثنين من المؤشرات، مؤشر Dimbeta والمتوسط ​​المتحرك لDimbeta تعطى عن طريق المعادلة التالية: إذا عبر التصاعدي ثم أدخل فترة طويلة في السوق (أي إشارة للشراء). إذا عبر الأسفل ثم إغلاق صفقة شراء في السوق (أي إشارة للبيع). ثانيا، لدينا لتحسين استراتيجية التداول الخاصة بنا. ومن المعروف جيدا أن تحقيق أقصى قدر من وظائف موضوعية مثل الأرباح أو ثروة يمكن الاستفادة من أنظمة التداول. أكثر وظيفة الطبيعي والموضوعي للتاجر حساسة للخطر هو الربح. في أداة برنامجنا نعتبر الأرباح المضاعف. أرباح المضاعف مناسبة عندما يتم استثمار جزء ثابت من الثروة المتراكمة في كل صفقة طويلة. في برنامجنا ومنع أي مبيعات قصيرة، ومجموعة ثابتة عامل ضغط على، وبالنظر إلى وفرة في الوقت بالمعادلة التالية: حيث يتم احتساب العائد المتحقق للفترة المنتهية في الوقت، هي تكاليف المعاملات وهو متغير وهمية ثنائي مما يدل على أن موقف طويلة أو لا (أي 1 أو 0). وبالنظر إلى الربح عن طريق طرح من الثروة النهائية للثروة الأولية. تحسين نظام ينطوي على إجراء اختبارات متعددة أثناء متفاوتة معلمة واحدة أو أكثر (،) وفقا لقواعد التداول. عدد من الاختبارات يمكن أن تنمو بسرعة هائلة (ميتاستوك وبحد أقصى 000 32 الاختبارات). في FinTradeTool 23. ليس هناك حد، ولكن، على تجهيز الوقت اعتمادا على نظام الكمبيوتر المستخدمة. في هذا البحث دراسة إمكانية حل مشكلة الأمثل باستخدام الخوارزميات الجينية. الخوارزميات الجينية (الغاز) التي تم تطويرها من قبل هولندا 13 تشكل فئة من تقنيات البحث والتكيف والأمثل على أساس مبادئ التطور الطبيعي. الخوارزميات الجينية تصلح جيدا لمشاكل الأمثل منذ كانت معروفة لعرض متانة ويمكن أن تقدم مزايا هامة في منهجية حل والأداء الأمثل. الخوارزميات الجينية تختلف عن إجراءات التحسين والبحث الأخرى في بعض النواحي. أولا، انهم يعملون مع تشفير مجموعة المعلمة، وليس المعلمات أنفسهم. لذلك يمكن أن الغاز بسهولة التعامل مع المتغيرات الثنائية. الثاني، بحث الغاز من السكان من النقاط، وليس نقطة واحدة. لذلك يمكن أن الغاز يوفر مجموعة من الحلول المثلى على الصعيد العالمي. وأخيرا والغاز استخدام المعلومات وظيفة موضوعية فقط، وليس المشتقات أو المعرفة الإضافية الأخرى. لذلك يمكن أن الغاز تعامل مع وظائف غير مستمرة وغير قابل للاختلاف التي كانت موجودة فعلا في إيجاد الحل الأمثل لعملية. 4 المقترحة GATradeTool في GATradeTool. الخوارزمية الجينية تعمل على سكان الحلول المرشحة المشفرة (،). يتم ترميز كل متغير القرار في مجموعة المعلمة كسلسلة الثنائية وكلها متصلا لتشكيل كروموسوم. تمثيل كروموسوم هو متجه عنصر اثنين المحتوية على المعلمات في الترميز الوراثي bunary. دقة تمثيل ثنائي ثمانية بت لكل معلمة (أي 0 0 1 1 0 1 1 1 1 0 0 1 0 1 1 1). وهي تبدأ مع السكان شيدت عشوائيا من التخمينات الأولية. يتم تقييم هؤلاء المرشحين الحل من حيث لدينا دالة الهدف (المعادلة (4)). من أجل الحصول على المثالية كل التبادلات كروموسوم المعلومات باستخدام مشغلي (أي كروس الحسابي 1) اقترضت من علم الوراثة الطبيعية لإنتاج أفضل حل. دالة الهدف (المعادلة (4)) يستخدم لقياس مستوى أداء الأفراد في مجال المشكلة. في حالتنا، فإن معظم الأفراد المجهزة لديها أعلى قيمة عددية وظيفة الموضوعية المرتبطة بها. تحول وظيفة اللياقة البدنية قيم دالة الهدف الخام إلى أرقام غير السلبية الجدارة لكل فرد. الأداة تدعم طريقة موازن والتحجيم من غولدبرغ 12 وخوارزمية الترتيب الخطي بيكر 3. تقنية اختيارنا توظف آلية عجلة الروليت لتحديد احتماليا الأفراد بناء على أدائهم. يتم تحديد مبلغ الفاصل الحقيقي قيمتها كمجموع القيم اللياقة البدنية خلاف حول جميع الأفراد في عدد السكان الحالي. ثم يتم تعيين الأفراد 1-1 في فترات متجاورة في النطاق من 0، مجموع. حجم كل فاصل زمني الفردي مساويا لقيمة اللياقة البدنية للفرد المرتبطة بها. لتحديد الفرد يتم إنشاء رقم عشوائي في الفترة الفاصلة 0، المجموع والفرد الذي يمتد جزء من تحديد رقم عشوائي. وتتكرر هذه العملية حتى يتم اختيار العدد المطلوب من الأفراد 26. سمح هؤلاء المرشحين للمشاركة في عبور الحسابي، الإجراء الذي يعيد توحيد المرشحين الواعدين من أجل خلق جيل القادم. وتكررت هذه الخطوات حتى معيارا محددة جيدا راضية. لأن GA هو طريقة بحث عشوائية، فإنه من الصعب تحديد رسميا معايير التقارب. كما لياقة السكان قد تبقى ثابتة لعدد من الأجيال قبل أن يتم العثور على فرد متفوقة، وتطبيق معايير إنهاء التقليدية يصبح مشكلة. ونتيجة لذلك اقترحنا تحقيق عدد معين من التكرارات كمعيار الإنهاء. يمكن تقديمها لدينا الخوارزمية الجينية في إطار التالي: 5 النتائج التجريبية في هذا القسم، نحن نطبق منهجيتنا في UBS صناديق الاستثمار الاستثمار في أسواق الأوراق المالية الناشئة. 2 تحليل البيانات وتتألف من 2800 ملاحظات على أسعار الإغلاق اليومية من هذا الصندوق للفترة 1/5/98 25/6/04. يتم تعريف الفترة الأمثل بين 1/5/98 إلى 25/6/03. تم تقييم النظام الأمثل خلال الفترة الممتدة 25/6/03 25/6/04. يتم تعيين الحل الأمثل لتحديد أطوال المثلى للمؤشر Dimbeta ومتوسطه المتحرك لنموذج Dimbeta بسيطة من شأنها تعظيم الأرباح. أولا، سوف يتم دراسة تأثير مختلف تكوينات المعلمة GA. وبشكل أكثر تحديدا ونحن مهتمون لقياس تأثير حجم السكان والمعلمة كروس في أداء الإجراء الأمثل الخوارزمية الجينية أساس. وبناء على غولدبرغ ق 12 و باور الصورة التوصيات 4، يجب أن يكون حجم السكان يساوي 30، وينبغي أن يكون معدل كروس 0.6 (القيم الافتراضية). تم تعيين عدد التكرارات إلى 300 لجميع عمليات المحاكاة. ثانيا، نحن مقارنة الحلول لمشكلة التحسين التي أجرتها أدوات البرمجيات المختلفة لقياس صحة GATradeTool المقترحة. ويقدم الجدول 1 نتائج الأمثل GA لأحجام مختلفة من السكان. الصف الأول من الجدول يبين أفضل المعلمات للمؤشر Dimbeta والمتوسط ​​المتحرك لDimbeta. من أجل قياس تأثير حجم السكان في أفضل حل ندرس سلسلة من الإحصاءات المختلفة. الحل مع القصوى والدنيا في المقابل، بلغ متوسط ​​العائد، والانحراف المعياري لهذه الحلول، والوقت اللازم للتقارب الخوارزمية، ومؤشر الكفاءة تحسب بقسمة الحل عودة أقصى من الانحراف المعياري من الحلول. الجدول 1. سكان حجم التأثير من خلال النظر في الجدول 1 يمكننا أن نقول أنه طالما قمت بزيادة حجم السكان في أحسن الأحوال، ومتوسط ​​حلول هي أعلى. ومع ذلك، بعد حجم السكان من 30 انخفض الأداء. من أجل أن تأخذ في الاعتبار تكاليف الحسابية تشارك منذ الزيادة في حجم السكان، ونحسب الوقت اللازم لحل المشكلة. انخفاض عدد السكان يؤدي إلى انخفاض الأداء ومنخفضة وقت الانتهاء. وفقا لمؤشر كفاءة أفضل حل هو أن تعطى حسب حجم السكان 20. من أجل إنشاء أداء قاعدة الخوارزمية، أجريت 30 تجربة من GA، مع مختلف السكان انطلاق عشوائي لكل محاكمة. تين. 1A. يدل على مدى تحسن الأداء مع مرور الوقت من خلال التخطيط متوسط ​​درجة اللياقة البدنية كنسبة مئوية من القيمة المثلى مقابل عدد جيل. علينا أولا القبض على القيمة القصوى اللياقة البدنية لكل من 30 محاكمات يتم ذلك عن كل جيل وفي كل محاكمة. نحن ثم بلغ متوسط ​​قيم الحد الأقصى لياقة بدنية وينقسم هذا العدد من قيمة اللياقة البدنية المثلى، التي تم الحصول عليها عن طريق البحث سردي (أداة FINTRADE، 23) هذا أعطانا متوسط ​​درجة اللياقة البدنية كنسبة مئوية من القيمة المثلى لكل جيل. تين. 1A. ضبط المعلمة الأساسية: نسبة الأمثل. كما يمكن أن يرى في الشكل. 1A. متوسط ​​اللياقة البدنية إلى أقصى حد من الجيل الأول حوالي 74 من القيمة المثلى. ومع ذلك، من قبل جيل الخمسين، وعادة ما توجد خوارزمية حل واحد على الأقل هذا كان ضمن 90 من القيمة المثلى. بعد جيل الخمسين، أن الحل تصل إلى 98 من القيمة المثلى. مع مقاييس الأداء من إعدادات قاعدتنا كنقطة مرجعية، درسنا التغيرات الممكنة في الإجراء الأساسي. درسنا تأثير التغيرات في حجم السكان ومعدل كروس. لكل إعداد المعلمة مختلفة، أجرينا 30 محاكمات الخوارزمية ثم مقارنة الرسوم البيانية متوسط ​​الحد الأقصى للياقة البدنية مع تلك التي حصلنا عليها من أجل إعداد قاعدة. أولا، حاولنا معدلات كروس 0.4 و 0.8. وتظهر النتائج في الشكل. 1B والشكل. 1C. وهي تشبه الشكل. 1A. ونتيجة لذلك المعلمات كروس لا تؤثر على الحل الأمثل لدرجة حرجة. ومع ذلك، فإن النتائج تكون مختلفة عندما تغير حجم السكان. ووفقا للالشكل. 1D والشكل. 1E. مع قلة عدد السكان كان لدينا النتائج الأكثر فقرا من مع عدد كبير من السكان. عندما اخترنا 80 مثل حجم السكان حققنا عوائد عالية في الأجيال المبكرة. تين. 1B. كروس 0.40: في المئة من المستوى الأمثل. تين. 1C. كروس 0.80: في المئة من المستوى الأمثل. تين. 1D. السكان 80: في المئة من المستوى الأمثل. تين. 1E. السكان: 20٪ من المستوى الأمثل. من خلال النظر في الجدول 2 يمكنك المقارنة بين نتائج التحسين من النظام التجاري من خلال استخدام ثلاث أدوات البرمجيات المختلفة. الصف الأول يعطي نتيجة للGATradeTool ضد ميتاستوك وFinTradeTool 23. لدينا أداة البرامج المقترحة (GATradeToo ل) يمكن أن تحل المشكلة الأمثل سريع جدا دون أي قيود محددة حول عدد من مجموع الاختبارات. الحد الأقصى لعدد الاختبارات التي يمكن القيام بها في برنامج ميتاستوك 32 000. FinTradeTool يحتاج الى مزيد من الوقت من أجل إيجاد الحل الأمثل. الحل التي قدمتها GATradeTool. هي قريبة من الحل الأمثل للFinTradeTool. الجدول 2. مقارنة بين ثلاث أدوات البرمجيات المختلفة إلى أقصى حد من المعلمات (Dimbeta. MovAv (DimBeta)) وأنظمة التداول مع المعلمات المثلى التي تم العثور عليها في الفترة 1/5/98 25/6/03 تم اختبارها في فترة التقييم 25 / 3/6 25/6/04. وقد تم زيادة أداء نظام التداول لدينا في جميع أدوات البرمجيات. ومع ذلك، فإن تكلفة الوقت لابد من النظر بجدية جدا (عمود 4). تين. 2 يصور تطور كحد أقصى، والحد الأدنى ومتوسط ​​العائد عبر 300 أجيال لنظام Dimbeta التداول (حجم السكان 80، ومعدل كروس 0.6). ويمكن ملاحظة أن أقصى عائد لديه اتجاه إيجابي. ويبدو أن تكون مستقرة نسبيا بعد 150 أجيال ويتحرك في نطاق بين 1.2 و 1 (أي 120 100 العودة). الحد الأدنى من اللياقة البدنية يبدو أي نمط من الوجود. لمتوسط ​​العائد السكان يمكن العثور اتجاها تصاعديا واضحا في الأجيال الأولى 180، وهذا هو إشارة إلى أن اللياقة البدنية العامة للسكان تحسن مع مرور الوقت. وفيما يتعلق تقلب الحلول والانحراف المعياري لحلول بعد زيادة في الأجيال الأولى يستقر في نطاق بين 0.3 و 0.6 تقديم دليل على وجود مجموعة مستقرة وفعالة من الحلول. تين. 2. تطور العديد من الإحصائيات أكثر من 300 الأجيال. تين. 3 يوفر مؤامرة ثلاثية الأبعاد من الحلول المثلى التي قدمها GATradeTool. في محاور ولدينا المعلمات، للمؤشر dimbeta والمتوسط ​​المتحرك ل. المحور 2 يدل على عودة النظام التجاري Dimbeta للمعلمات المثلى المحدد. كما يمكن أن يفهم بسهولة أداة لدينا توفر مساحة الحلول المثلى في تناقض مع FinTradeTool التي توفر فقط أفضل حل. تين. 3. مؤامرة 3-D في المنطقة المثلى. 6 الاستنتاجات بينما يستخدم التحليل الفني على نطاق واسع باعتبارها النهج الاستثماري بين الممارسين أو الأكاديميين، ونادرا ما ركزوا على مسألة التحسين المعلمة. فإنه ليس من دورنا في الدفاع عن التحليل الفني هنا، على الرغم من أن نتائجنا تظهر أن هناك بعض القدرة على التنبؤ في UBS صناديق الاستثمار الاستثمار في أسواق الأسهم استنادا إلى البيانات التاريخية وحدها الناشئة. هدفنا الرئيسي في هذه الورقة هو توضيح أن التكنولوجيا الجديدة من MATLAB يمكن أن تستخدم من أجل تنفيذ أداة الخوارزمية الجينية التي يمكن أن تحسن تعظيم الاستفادة من أنظمة التداول التقنية. تظهر لنا النتائج التجريبية أن GATradeTool يمكن أن تحسن التداول الرقمي من خلال توفير بسرعة مجموعة من الحلول المثلى القريب. بالنسبة لتأثير مختلف تكوينات المعلمة GA، وجدنا أن الزيادة في حجم السكان يمكن أن يحسن أداء النظام. لا يؤثر على المعلمة من معدل عبور خطيرا على نوعية من الحل. بمقارنة حلول للمشكلة الأمثل التي أجرتها أدوات البرمجيات المختلفة، وجدنا أن GATradeTool يمكن أن تؤدي بشكل أفضل، من خلال توفير سريع جدا مجموعة من الحلول المثلى التي تقدم الاتساق طوال فترة التقييم. وأخيرا، سيكون من المثير للاهتمام لمزيد من البحث لاختبار مجموعة من أنظمة مختلفة من أجل أن نرى العلاقة بين الوراثية خوارزمية ونظام العروض. في وقت التغييرات المتكررة في الأسواق المالية، والباحثين والتجار يمكن بسهولة اختبار النظم الخاصة بها في GATradeTool عن طريق تغيير فقط وظيفة التي تنتج إشارات التداول. شكر وتقدير هذا البحث كانت الورقة جزءا من أبحاث ما بعد الدكتوراه من الدكتور س. Papadamou الذي تم بتمويل من مؤسسة IKY اليونانية منح الدولة. المراجع 1 ف ألين. ر كارجالاينين ​​باستخدام خوارزميات الجينية للعثور على التداول الفني يحكم مجلة المالية والاقتصادية. حجم 51. 1999. ص. 245 271 2 H. L. ألين. M. P. تايلور استخدام التحليل الفني في مجلة سوق الصرف الأجنبي من المال الدولية والتمويل. حجم 11. 1992. ص 303 314 3 J. E. بيكر، طرق اختيار التكيف لالخوارزميات الجينية، في: وقائع المؤتمر الدولي الأول حول الخوارزميات الجينية، 1985، ص 101 111 4 R. J.. باور. G. E. خوارزميات Liepins الوراثية واستراتيجيات التداول المحوسبة الأنظمة الخبيرة في الشؤون المالية. D. E. يا ليري. P. R. واتكنز. 1992. إلسفير دار العلوم، أمستردام، هولندا 5 R. J. باور الابن الخوارزميات الجينية واستراتيجيات الاستثمار عام 1994. جون وايلي أولاده، شركة، نيويورك 6 جورج بروك. J. Lakonishok. B. يبارون بسيطة قواعد التجارة الفنية والخصائص العشوائية من الأسهم ترجع مجلة المالية. حجم 47. 1992. ص. 1731 1764 7 س براون. جورج Goetzmann. ر Ibbotson. التحيز سكوت روس الوراثة في مراجعة دراسات الأداء الدراسات المالية. حجم 5. 1992. ص. 553 580 8 س براون. جورج Goetzmann. س روس بقاء مجلة المالية. حجم 50. 1995. ص. 853 873 9 Y. W. تشيونغ. C. Y.P. وونغ أداء قواعد التداول على أربعة أسعار صرف العملات الآسيوية المتعددة الجنسيات المالية جورنال. حجم 1. 1997. ص 1 22 10 ك دي يونغ، تحليل سلوك فئة من أنظمة التكيف الوراثية، دكتوراه ديس. جامعة ميشيغان، جامعة ميكروفيلم رقم 76-9381، 1975 11 F. السرخس ndez-رودريغيز guez، C. غونزاليس ليز-مارتيل، S. Sosvilla-ريفيرو، الأمثل لقواعد الفنية التي الخوارزميات الجينية: شواهد من سوق الأسهم مدريد، أوراق العمل 2001-14، FEDEA، 2001. ftp://ftp. fedea. es/pub/Papers/2001/dt2001-14.pdf 12 DE غولدبرغ الخوارزميات الجينية في البحث، التحسين وآلة التعلم 1989. أديسون ويسلي 13 ج. ه. هولندا التكيف في الطبيعية والاصطناعية النظام 1975. جامعة ميشيغان الصحافة 14 N. Jegadeesh. س Titman يعود إلى شراء الفائزين والخاسرين بيع: الآثار المترتبة على كفاءة سوق الأسهم مجلة المالية. حجم 48. العدد 1. 1993. ص. 65 91 15 P. J. كوفمان الجديد تداول السلع أنظمة وطرق 1987. جون وايلي ابناء 16 B. N. ليمان البدعة، martingales، وكفاءة الأسواق ربع مجلة الاقتصاد. حجم 105. 1990. ص 1 28 17 A. W. لو. A. C. MacKinlay عندما تكون الأرباح متضاربة بسبب مراجعة رد فعل مبالغ فيه سوق الأسهم الدراسات المالية. حجم 3. 1990. ص. 175 206 18 س محفوظ. التنبؤ G. ماني المالية باستخدام الخوارزميات الجينية مجلة الذكاء الاصطناعي التطبيقية. حجم 10. العدد 6. 1996. ص. 543 565 19 ممرضة R. N. Markellos Backtesting أنظمة التداول مجلة المخابرات الحاسوبية في مجال التمويل. حجم 5. العدد 6. 1997. ص. 5 10 20 L. Menkhoff. م شلمبرجير الربحية الثابتة للتحليل الفني في أسواق الصرف الأجنبي BNL التقرير الربع سنوي. . حجم 193. 1995. ص 189 216 21 جيم نيلي، P. ويلر، R. Ditmar، هل التحليل الفني في سوق الصرف الأجنبي مربحة نهج البرمجة الجينية، في: (محرران) C. Dunis، B. رستم، ، وقائع، التنبؤ الأسواق المالية: التقدم لأسعار الصرف، أسعار الفائدة، وإدارة الأصول، لندن، 1997 م. 22 Oussaidene. B. شوبارد. O. بيكتيت. م Tomassini الجوانب العملية والخبرات البرمجة الجينية المتوازية وتطبيقه على نموذج التداول تحريض مجلة الحوسبة المتوازية. حجم 23. العدد 8. 1997. ص. 1183 1198 23 س Papadamou. G. ستيفانيديس والأدوات القائمة على ماتلاب جديدة لبمساعدة الحاسوب التداول الفني الديناميكي المالية أخبار الهندسة. قضية 31. 2003 24 س Papadamou. س Tsopoglou التحقيق ربحية أنظمة التحليل الفني في أسواق الصرف الأجنبي الإدارية المالية. حجم 27. العدد 8. 2001. ص. 63 78 25 F. M. ويرنر. د. Bondt. ر ثالر مزيد من الأدلة على رد فعل مبالغ فيه المستثمر وموسمية سوق الأوراق المالية مجلة المالية. حجم 42. العدد 3. 1987. ص 557 581 26 د ويتلي، وGenitor خوارزمية واختيار الضغط: لماذا المخصصات على أساس رتبة المحاكمات الإنجابية هي الأفضل، في: وقائع المؤتمر الدولي الثالث حول الخوارزميات الجينية، 1989، ص 116 121 الحسابي كروس نقطة واحدة، ويشمل قطع عشوائيا سلسلتين في نفس الموقف سلسلة تحدد بشكل عشوائي ومن ثم مبادلة أجزاء الذيل. كروس يمدد البحث عن حلول جديدة في اتجاهات بعيدة المدى. وصفت هيكل هذا الصندوق والمركز الرئيسي لها في 25/6/2004 في الشكل التالي. حقوق التأليف والنشر 2007 إلسفير المحدودة جميع الحقوق محفوظة.