Trading System Matlab

Trading Systems Coding. Trading-Systeme sind einfach Sätze von Regeln, die Händler verwenden, um ihre Einträge und Ausgänge aus einer Position zu bestimmen Entwickeln und Verwenden von Handelssystemen können Händler helfen, konsistente Renditen zu erreichen, während Begrenzung des Risikos In einer idealen Situation, Händler sollten wie Roboter, die Durchführung von Trades Systematisch und ohne Emotionen So, vielleicht hast du dich gefragt, was du einen Roboter vom Tragen meines Systems stoppen soll Die Antwort Nichts Dieses Tutorial stellt euch die Werkzeuge und Techniken vor, die du verwenden kannst, um dein eigenes automatisiertes Trading System zu erstellen Systeme erstellt Automatisierte Handelssysteme werden durch die Umwandlung Ihrer Trading-System s Regeln in Code, dass Ihr Computer verstehen kann Ihr Computer dann führt diese Regeln durch Ihre Trading-Software, die nach Trades, die sich an Ihre Regeln suchen Schließlich werden die Trades automatisch platziert mit Ihrem Broker. Dieses Tutorial konzentriert sich auf die zweite und dritte Teile dieses Prozesses, wo Ihre Regeln in einen Code umgewandelt werden, dass Ihre Trading-Software verstehen und verwenden kann. Was Trading Software unterstützt automatisierte Handelssysteme Es gibt viele Handelsprogramme, die automatisierte Handelssysteme unterstützen Einige werden automatisch generieren und platzieren Trades mit Ihrem Broker Andere werden automatisch Trades, die Ihren Kriterien entsprechen, aber verlangen, dass Sie die Aufträge mit Ihrem Makler manuell platzieren Darüber hinaus vollautomatische Handelsprogramme oft verlangen, dass Sie bestimmte Broker, die solche Funktionen, die Sie unterstützen können Müssen auch ein zusätzliches Berechtigungsformular ausfüllen. Advantages und Nachteile Automatisierte Handelssysteme haben mehrere Vorteile, aber sie haben auch ihre Nachteile Nach allem, wenn jemand ein Handelssystem hatte, das automatisch die ganze Zeit Geld verdient hat, würde er oder sie buchstäblich ein Geld besitzen Maschine. Ein automatisiertes System nimmt die Emotionen und beschäftigt-Arbeit aus dem Handel, die Ihnen erlaubt, auf die Verbesserung Ihrer Strategie und Geld-Management-Regeln konzentrieren. Wenn ein profitables System entwickelt ist, erfordert es keine Arbeit auf Ihrem Teil, bis es bricht, oder Marktbedingungen verlangen eine Änderung. Wenn das System nicht richtig codiert und getestet wird, können große Verluste sehr schnell auftreten. Manchmal ist es unmöglich, bestimmte Regeln in Code zu setzen, was es schwierig macht, ein automatisiertes Handelssystem zu entwickeln. In diesem Tutorial werden Sie Lernen, wie man ein automatisiertes Handelssystem plant und entwirft, wie man dieses Design in Code umwandelt, das dein Computer verstehen wird, wie man deinen Plan testet, um eine optimale Leistung zu gewährleisten und endlich wie du dein System benutzen kannst Pfad weniger gereist wird zu Ihren Gunsten arbeiten - oder gegen sie. Ein Trading-System kann Zeit sparen und nehmen die Emotionen aus dem Handel, aber die Annahme, man nimmt Geschick und Ressourcen - erfahren Sie mehr hier. Most Broker wird Ihnen mit Handelsrekorden, aber es S auch wichtig, um den Weg auf eigene Faust zu halten. Diese Schritte werden Sie ein disziplinierter, intelligenter und letztlich wohlhabender Händler. Häufig gestellte Fragen. Wenn Sie eine Hypothek Zahlung machen, ist der Betrag bezahlt eine Kombination aus einer Zinsgebühr und Kapitalgeber Rückzahlung Über die. Learn, um zwischen Investitionsgütern und Konsumgütern zu unterscheiden, und sehen, warum Investitionsgüter Einsparungen und Investitionen erfordert. Das Derivat ist ein Vertrag zwischen zwei oder mehr Parteien, deren Wert auf einem vereinbarten zugrunde liegenden finanziellen Vermögenswert basiert. Der Begriff wirtschaftlich Graben, geprägt und popularisiert von Warren Buffett, bezieht sich auf eine geschäftliche Fähigkeit, wettbewerbsfähige Vorteile zu halten. Häufig gestellte Fragen. Wenn Sie eine Hypothek Zahlung, ist der Betrag bezahlt eine Kombination aus einer Zinsgebühr und Hauptrückzahlung Über the. Learn, um zwischen zu unterscheiden Investitionsgüter und Konsumgüter, und sehen, warum Investitionsgüter Einsparungen und Investitionen erfordern. Derivat ist ein Vertrag zwischen zwei oder mehreren Parteien, deren Wert auf einem vereinbarten zugrunde liegenden finanziellen Vermögenswert basiert. Der Begriff Wirtschaftsgraben, geprägt und popularisiert von Warren Buffett , Bezieht sich auf eine Geschäftsfähigkeit, um wettbewerbsfähige Vorteile zu behaupten. Automated Trading System Entwicklung mit MATLAB. Stuart Kozola, MathWorks. Want zu lernen, wie man ein automatisiertes Handelssystem, das mehrere Trading-Konten, mehrere Asset-Klassen und Handel über mehrere Handelsplätze verarbeiten können Gleichzeitig werden wir in diesem Webinar einen beispielhaften Workflow für die Erforschung, Implementierung, Erprobung und Bereitstellung einer automatisierten Handelsstrategie vorstellen, die maximale Flexibilität bietet und was Sie mit Ihnen handeln, erfahren Sie, wie MATLAB-Produkte für Datenerfassung, Datenanalyse und Visualisierung eingesetzt werden können , Modellentwicklung und - kalibrierung, Backtesting, Walk-Forward-Tests, Integration in bestehende Systeme und letztlich Einsatz für Echtzeit-Handel Wir betrachten jeden der Teile in diesem Prozess und sehen, wie MATLAB eine einzige Plattform bietet, die eine effiziente Lösung aller Teile ermöglicht Von diesem Problem. Spezielle Themen sind. Daten-Sammel-Optionen, einschließlich der täglichen historischen, intraday und Echtzeit-Daten. Modell Gebäude und Prototyping in MATLAB. Backtesting und Kalibrierung eines Modells. Walk Vorwärts-Test-und Modell-Validierung. Interacting mit bestehenden Bibliotheken und Software Für die Handelsausführung. Deployment der endgültigen Anwendung in einer Reihe von Umgebungen, einschließlich JAVA und Excel. Tools für Hochfrequenz-Handel, einschließlich Parallel-Computing, GPUs und C-Code-Generierung von MATLAB. Produkt Focus. Select Your Country. Proceedings of the Internationale Konferenz über Computational Methods in Sciences and Engineering 2004.Improving technische Handelssysteme mit einem neuen MATLAB-basierten genetischen Algorithmus Verfahren. Stephanos Papadamou a. George Stephanides ba Department of Economics, Universität Thessalien, Argonauton und Filelinon, Volos, Greece. b Fachbereich Angewandte Informatik, Universität Mazedonien Wirtschafts - und Sozialwissenschaften, Egnatias 156, Thessaloniki 54006, Greece. Received 18. Mai 2006 Akzeptiert 15. Dezember 2006 Online verfügbar 24. Januar 2007.Konzertes Studium an Finanzmärkten deutet darauf hin, dass die technische Analyse ein sehr nützliches Instrument sein kann Bei der Vorhersage des Trends Trading-Systeme sind weit verbreitet für die Marktbewertung verwendet, aber die Parameteroptimierung dieser Systeme hat wenig Interesse geweckt In diesem Papier, um die potenzielle Macht des digitalen Handels zu erforschen, präsentieren wir ein neues MATLAB-Tool auf der Grundlage genetischer Algorithmen, auf die sich das Werkzeug spezialisiert hat Parametrierung der technischen Regeln Es nutzt die Macht der genetischen Algorithmen, um schnelle und effiziente Lösungen in echten Handelsbedingungen zu generieren. Unser Tool wurde ausführlich auf historische Daten eines UBS-Fonds getestet, der in unsere aufstrebenden Aktienmärkte durch unser spezifisches technisches System investiert. Ergebnisse zeigen, dass unser vorgeschlagenes GATradeTool Übertrifft häufig verwendete, nicht-adaptive, Software-Tools in Bezug auf die Stabilität der Rückkehr und Zeitersparnis über die gesamte Probezeit Allerdings haben wir Beweise für eine mögliche Populationsgröße Wirkung in der Qualität der Lösungen. Finanzmärkte. Genetische Algorithmen. Technische Regeln. 1 Einleitung. Today s Händler und Investment-Analysten erfordern schnelle und effiziente Werkzeuge in einem rücksichtslosen Finanzmarkt Kämpfe im Handel sind jetzt vor allem auf Computer-Geschwindigkeit geführt Die Entwicklung neuer Software-Technologie und das Auftreten neuer Software-Umgebungen zB MATLAB bilden die Grundlage für die Lösung schwierig Finanzielle Probleme in Echtzeit MATLAB s riesige integrierte mathematische und finanzielle Funktionalität, die Tatsache, dass es sowohl eine interpretierte und kompilierte Programmiersprache und ihre Plattform Unabhängigkeit machen es gut geeignet für die finanzielle Anwendung Entwicklung. Evidence auf die Renditen durch technische Regeln verdient, Einschließlich Impulsstrategien, z. B. 14 15 16 16 25 und 20, gleitende Durchschnittsregeln und andere Handelssysteme 6 2 9 und 24 können die Bedeutung der technischen Analyse unterstützen. Jedoch hat die Mehrheit dieser Studien die Frage der Parameteroptimierung ignoriert und lässt sie offen Zur Kritik an Daten-Snooping und die Möglichkeit der Überlebens-Bias 7 17 und 8 Traditionell Forscher verwendet Ad-hoc-Spezifikation von Handelsregeln Sie verwenden eine Standard-beliebte Konfiguration oder zufällig ausprobieren ein paar verschiedene Parameter und wählen Sie das Beste mit Kriterien auf der Grundlage der Rückkehr hauptsächlich. Papadamou Und Stephanides 23 implementiert eine neue MATLAB-basierte Toolbox für den computergestützten technischen Handel, der eine Prozedur für Parameteroptimierungsprobleme beinhaltet hat. Allerdings ist der Schwachpunkt ihres Optimierungsverfahrens die Zeit der Zielfunktion, zB der Profit ist eine einfache quadratische Fehlerfunktion, aber eine komplizierte Jede Optimierungs-Iteration durchläuft die Daten, erzeugt Handelssignale, kalkuliert Gewinne, etc. Wenn die Datensätze groß sind und Sie möchten Ihr System oft reoptimieren und Sie brauchen eine Lösung so schnell wie möglich, dann versuchen Sie alle möglichen Lösungen, um die Am besten wäre eine sehr langwierige Aufgabe. Genetische Algorithmen GAs sind besser geeignet, da sie zufällige sucht in einer strukturierten Weise und konvergieren sehr schnell auf Populationen von nahe optimalen Lösungen Die GA wird Ihnen eine Reihe von guten Lösungen Analysten sind interessiert zu bekommen Ein paar gute Lösungen so schnell wie möglich anstatt die weltweit beste Lösung Die weltweit beste Lösung existiert, aber es ist höchst unwahrscheinlich, dass es auch weiterhin das Beste sein wird. Das Ziel dieser Studie ist es zu zeigen, wie genetische Algorithmen, eine Klasse Von Algorithmen in der evolutionären Berechnungen, können eingesetzt werden, um die Leistungsfähigkeit und die Effizienz von computergesteuerten Handelssystemen zu verbessern. Es ist nicht der Zweck, theoretische oder empirische Rechtfertigung für die technische Analyse zu liefern. Wir zeigen unseren Ansatz in einer bestimmten Prognoseaufgabe auf der Basis von aufstrebenden Aktienmärkten. Dieses Papier ist wie folgt organisiert. Die bisherige Arbeit wird in Abschnitt 2 dargestellt. Der Datensatz und unsere Methodik sind in Abschnitt 3 beschrieben. Die empirischen Ergebnisse werden in Abschnitt 4 Schlussfolgerungen nach Abschnitt 5.2 vorherige Arbeit behandelt. Es gibt eine große Anzahl von GA-Arbeiten in der Informatik und Ingenieurbüros, aber wenig Arbeit wurde in Bezug auf geschäftsbezogene Gebiete getan. In letzter Zeit gab es ein wachsendes Interesse an der GA-Nutzung in der Finanzökonomie, aber bisher gab es wenig Forschung über den automatisierten Handel. Zu unserem Wissen die erste veröffentlichte Papierverknüpfung Genetische Algorithmen für Investitionen wurden von Bauer und Liepins 4 Bauer 5 in seinem Buch Genetische Algorithmen und Anlagestrategien angeboten praktische Anleitung, wie GAs verwendet werden könnten, um attraktive Trading-Strategien auf der Grundlage fundamentaler Informationen zu entwickeln Diese Techniken können leicht auf andere Arten von Informationen erweitert werden Wie technische und makroökonomische Daten sowie vergangene Preise. Nach Allen und Karjalainen 1 genetischen Algorithmus ist eine geeignete Methode, um technische Handelsregeln zu entdecken Fernndez-Rodrguez et al 11 durch die Annahme genetische Algorithmen Optimierung in einer einfachen Handelsregel bieten Beweise für eine erfolgreiche Nutzung Von GAs von der Madrider Börse Einige andere interessierte Studien sind die von Mahfoud und Mani 18, die ein neues genetisch-algorithmbasiertes System vorstellten und es auf die Aufgabe der Vorhersage der zukünftigen Aufführungen einzelner Aktien von Neely et al 21 und von Oussaidene anwendeten Et al 22, die genetische Programmierung auf Devisen-Prognose angewendet und berichtet einige Erfolg. Einer der Komplikationen in GA-Optimierung ist, dass der Benutzer eine Reihe von Parametern wie die Crossover-Rate, Populationsgröße und Mutationsrate definieren Laut De Jong 10 wer Untersuchte genetische Algorithmen bei der Funktionsoptimierung GA-Performance erfordert hohe Crossover-Wahrscheinlichkeit, die umgekehrt proportional zur Populationsgröße und einer moderaten Populationsgröße ist. Goldberg 12 und Markellos 19 deuten darauf hin, dass ein Satz von Parametern, die gut über viele Probleme hinweg funktioniert, ein Crossover-Parameter 0 6, Populationsgröße 30 ist Und Mutationsparameter 0 0333 Bauer 4 führte eine Reihe von Simulationen zu finanziellen Optimierungsproblemen durch und bestätigte die Gültigkeit von Goldbergs Anregungen In der vorliegenden Studie werden wir eine begrenzte Simulationsstudie durchführen, indem wir verschiedene Parameterkonfigurationen für das gewählte Handelssystem testen Für die GA vorgeschlagen durch den Vergleich unseres Tools mit anderen Software-Tools.3 Methodik. Unsere Methodik wird in mehreren Schritten durchgeführt Zuerst müssen wir unser Handelssystem auf der Grundlage von technischen Analyse implementieren Bei der Entwicklung eines Handelssystems müssen Sie bestimmen, wann zu geben und Wenn der Trader auf dem Markt ist Wenn der Trader auf dem Markt ist, ist die Binärvariable gleich eins ansonsten ist null Als Positionshändler stützen wir die Mehrheit unserer Ein - und Ausstiegsentscheidungen auf Tageskarten durch den Aufbau eines Trends nach Indikator Dimbeta Dieser Indikator berechnet die Abweichung Der aktuellen Preise aus dem gleitenden Durchschnitt der Länge Die Indikatoren, die in unserem Handelssystem verwendet werden, können wie folgt formalisiert werden. wo ist der Schlusskurs des Fonds zur Zeit und Funktion MovAv berechnet den einfachen gleitenden Durchschnitt der Variablen Close mit Zeitlänge. Unser Handel System besteht aus zwei Indikatoren, der Dimbeta-Indikator und dem Moving Average von Dimbeta, die durch die folgende Gleichung gegeben werden. Wenn Sie nach oben übergehen, dann geben Sie lange in den Markt ein, dh kaufen Sie das Signal Wenn Sie nach unten gehen, dann schließen Sie die lange Position auf dem Markt, dh verkaufen Sie das Signal , Wir müssen unsere Handelsstrategie optimieren Es ist bekannt, dass die Maximierung von objektiven Funktionen wie Profit oder Reichtum die Handelssysteme optimieren kann. Die natürlichste Zielfunktion für einen risikounempfindlichen Händler ist Gewinn In unserem Software-Tool betrachten wir multiplikative Gewinne Multiplikative Gewinne sind angemessen Wenn ein fester Bruchteil des kumulierten Vermögens in jeden langen Handel investiert wird In unserer Software sind keine Leerverkäufe erlaubt und der Leverage-Faktor wird festgesetzt, der Reichtum zum Zeitpunkt wird durch die folgende Formel gegeben. Wo ist die Rendite für den Periodenende realisiert Zur Zeit sind die Transaktionskosten und ist die Binär-Dummy-Variable, die eine Long-Position angibt oder nicht, dh 1 oder 0. Der Gewinn wird durch Subtrahieren von dem endgültigen Reichtum der anfängliche Reichtum gegeben. Optimierung eines Systems beinhaltet die Durchführung mehrerer Tests bei der Veränderung eines oder mehrerer Parameter , Innerhalb der Handelsregeln Die Anzahl der Tests kann schnell enorm wachsen Metastock hat maximal 32 000 Tests Im FinTradeTool 23 gibt es jedoch keine Begrenzung auf die Zeitverarbeitung abhängig vom verwendeten Computersystem In diesem Papier untersuchen wir die Möglichkeit, Die Lösung des Optimierungsproblems durch die Verwendung genetischer Algorithmen. Genetische Algorithmen GAs, die von Holland 13 entwickelt wurden, bilden eine Klasse von Such-, Anpassungs - und Optimierungstechniken, die auf den Prinzipien der natürlichen Evolution basieren. Genetische Algorithmen eignen sich gut für Optimierungsprobleme, da sie bekannt sind Robustheit und können wesentliche Vorteile in der Lösungsmethodik und Optimierungsleistung bieten GAs unterscheiden sich von anderen Optimierungs - und Suchprozeduren in mancher Hinsicht Zuerst arbeiten sie mit einer Codierung des Parametersatzes, nicht die Parameter selbst. Daher können GAs die Binärvariablen einfach handeln. Zweitens GAs Suche aus einer Population von Punkten, nicht ein einziger Punkt Daher können GAs eine Reihe von weltweit optimalen Lösungen bereitstellen. Schließlich verwenden GAs nur objektive Funktionsinformationen, nicht Ableitungen oder andere Hilfswissen. Daher können GAs mit den nicht kontinuierlichen und nicht differenzierbaren Funktionen umgehen Die tatsächlich in einem praktischen Optimierungsproblem existiert.4 Vorgeschlagene GATradeTool. In GATradeTool arbeitet ein genetischer Algorithmus an einer Population von Kandidatenlösungen, die codiert werden. Jede Entscheidungsvariable im Parametersatz wird als binärer String codiert und alle sind verkettet, um ein Chromosom Chromosom zu bilden Repräsentation ist ein Zwei-Element-Vektor, der Parameter in der bunaren genetischen Kodierung enthält. Die Präzision der binären Darstellung beträgt acht Bits pro Parameter, dh 1 0 0 1 0 1 1 1 1 0 0 1 0 1 1 1 Es beginnt mit einer zufällig konstruierten Population von initial Vermutungen Diese Lösungskandidaten werden in Bezug auf unsere Zielfunktion ausgewertet. Gleichung 4 Um die Optimalität zu erhalten, tauscht jeder Chromosom die Information aus, indem er Operatoren verwendet, dh Arithmetik-Crossover 1, die aus der Naturgenetik entlehnt ist, um eine bessere Lösung zu erhalten. Die Zielfunktion Eq 4 wird verwendet, um zu messen Einzelpersonen haben in der Problemdomäne durchgeführt In unserem Fall haben die am meisten ausgestatteten Personen den höchsten numerischen Wert der zugehörigen Zielfunktion Die Fitness-Funktion verwandelt die Rohobjekt-Funktionswerte in nicht-negative Leistungszahlen für jedes Individuum. Das Werkzeug unterstützt die Kompensation Und Skalierung Methode von Goldberg 12 und die Linear-Ranking-Algorithmus von Baker 3.Unsere Selektionstechnik verwendet einen Roulette-Rad-Mechanismus, um probabilistisch auswählen Personen basierend auf ihrer Leistung Ein reellwertiges Intervall Summe wird als die Summe der Zeile Fitness-Werte über alle bestimmt Die Individuen in der aktuellen Population Einzelpersonen werden dann eins zu eins in zusammenhängende Intervalle im Bereich 0 abgebildet, Summe Die Größe jedes einzelnen Intervalls entspricht dem Fitnesswert der zugehörigen Person. Zur Auswahl eines Individuums wird eine Zufallszahl im Intervall 0 erzeugt , Summe und die Person, deren Segment die Zufallszahl überspannt, wird ausgewählt Dieser Vorgang wird wiederholt, bis die gewünschte Anzahl von Personen ausgewählt worden ist 26 Diese Kandidaten konnten an einer arithmetischen Frequenzweiche teilnehmen, wobei das Verfahren, das vielversprechende Kandidaten rekombiniert, um das nächste zu schaffen Generation Diese Schritte wurden wiederholt, bis ein klar definiertes Kriterium erfüllt ist. Da die GA eine stochastische Suchmethode ist, ist es schwierig, Konvergenzkriterien formell festzulegen. Da die Eignung der Population für eine Reihe von Generationen statisch bleiben kann, bevor eine überlegene Person gefunden wird, Die Anwendung konventioneller Kündigungskriterien wird problematisch Als Ergebnis haben wir die Erreichung einer bestimmten Anzahl von Iterationen als Abbruchkriterium vorgeschlagen. Unser genetischer Algorithmus kann im folgenden Rahmen dargestellt werden.5 Empirische Ergebnisse In diesem Abschnitt wenden wir unsere Methodik in einem UBS-Investmentfonds, der in aufstrebende Aktienmärkte investiert 2 Die analysierten Daten bestehen aus 2800 Beobachtungen zu täglichen Schlusskursen dieses Fonds für den Zeitraum 1 5 98 25 6 04 Die Optimierungsperiode ist zwischen 1 5 98 und 25 6 03 definiert. Das optimierte System wurde ausgewertet Durch die erweiterte Periode 25 6 03 25 6 04 ist das Optimierungsproblem gesetzt, um die optimalen Längen des Dimbeta-Indikators und seinen gleitenden Durchschnitt für das einfache Dimbeta-Modell zu bestimmen, das die Gewinne maximiert. Zunächst wird der Effekt der verschiedenen GA-Parameterkonfigurationen untersucht Genauer gesagt sind wir interessiert, die Wirkung der Populationsgröße und des Crossover-Parameters in der Performance des genetischen algorithmbasierten Optimierungsverfahrens zu messen. Basierend auf den Empfehlungen von Goldberg s 12 und Bauer s 4 sollte die Populationsgröße gleich 30 und die Crossover-Rate sein Sollte 0 6 Standardwerte sein Die Anzahl der Iterationen wurde für alle Simulationen auf 300 gesetzt. Zweitens verglichen wir die Lösungen von Optimierungsproblemen, die von verschiedenen Software-Tools durchgeführt wurden, um die Gültigkeit des GATradeTool zu messen. Tabelle 1 liefert die GA-Optimierungsergebnisse für Verschiedene Größen der Populationen Die erste Zeile der Tabelle zeigt die besten Parameter für den Dimbeta-Indikator und den gleitenden Durchschnitt von Dimbeta Um die Wirkung der Populationsgröße in der besten Lösung zu messen, untersuchen wir eine Reihe von verschiedenen Statistiken Die Lösung mit dem Maximum und Minimale Rückkehr, die durchschnittliche Rendite, die Standardabweichung dieser Lösungen, die Zeit, die für die Konvergenz des Algorithmus benötigt wird, und einen Effizienzindex, der durch Division der maximalen Rücklauflösung durch die Standardabweichung von Lösungen berechnet wird. Tabelle 1 Populationsgrößeneffekt 1 können wir sagen, dass, solange Sie die Bevölkerungsgröße erhöhen die besten und die durchschnittlichen Lösungen höher sind Allerdings, nach einer Populationsgröße von 30 die Leistung sank Um zu berücksichtigen, die Rechenkosten beteiligt seit Erhöhung der Populationsgröße, berechnen wir Die Zeit, die für die Lösung des Problems benötigt wird. Niedrige Bevölkerungsgröße führt zu einer niedrigen Leistung und einer niedrigen Vollendungszeit. Entsprechend dem Effizienzindex ist die beste Lösung diejenige, die von der Populationsgröße 20 gegeben wird. Um eine Basisleistung des Algorithmus zu etablieren, werden 30 Versuche der GA wurden mit einer anderen zufälligen Startpopulation für jede Studie durchgeführt Abb. 1a zeigt, wie sich die Leistung im Laufe der Zeit verbessert hat, indem sie die durchschnittliche maximale Fitness als Prozentsatz des optimalen Wertes gegenüber der Erzeugungsnummer verzeichnet. Wir haben zuerst den maximalen Fitnesswert für jeden der 30 Versuche dieses erfasst Ist für jede Generation und jeden Versuch getan Wir haben dann die maximalen Fitnesswerte gemittelt und diese Zahl durch den optimalen Fitnesswert geteilt, der durch die enumerative Suche FinTrade Werkzeug erhalten wurde, 23 das gab uns die durchschnittliche maximale Fitness als Prozentsatz des optimalen Wertes pro Generation. Fig 1a Basisparameter-Einstellungen Prozentsatz von optimal. As kann in Abb. 1a gesehen werden die durchschnittliche maximale Fitness der ersten Generation ist etwa 74 der optimalen Wert Allerdings hat die Algorithmus in der fünfzigsten Generation in der Regel mindestens eine Lösung gefunden, die War innerhalb von 90 des optimalen Wertes Nach der fünfzigsten Generation konnte die Lösung 98 des optimalen Wertes erreichen. Mit Leistungsmaßen aus unseren Basiseinstellungen als Referenzpunkt untersuchten wir die möglichen Variationen im Grundverfahren. Wir untersuchten die Auswirkungen von Änderungen in Populationsgröße und Crossover-Rate Für jede andere Parametrierung führten wir 30 Versuche des Algorithmus durch und verglichen dann die Graphen der durchschnittlichen maximalen Fitness mit denen, die für die Basiseinstellung erhalten wurden. Zuerst haben wir die Übergangsraten 0 4 und 0 8 versucht. Die Ergebnisse werden gezeigt In Fig. 1b und Fig. 1c, die ähnlich zu Fig. 1a sind. Infolgedessen beeinflussen die Übergangsparameter nicht die optimale Lösung in einem kritischen Grad. Jedoch sind die Ergebnisse unterschiedlich, wenn wir die Populationsgröße gemäß Fig. 1d und Fig. 1e mit einer kleinen Population verändern Größe hatten wir schlechtere Ergebnisse als bei einer großen Population Wenn wir 80 als Bevölkerungsgröße ausgewählt haben, erreichten wir in früheren Generationen hohe Renditen. Fig 1b Crossover 0 40 Prozent optimal. Fig 1c Crossover 0 80 Prozent optimal. Fig 1d Population 80 Prozent optimal. Fig 1e Population 20 Prozent optimal. Mit Blick auf Tabelle 2 können Sie die Ergebnisse der Optimierung unseres Handelssystems mit drei verschiedenen Software-Tools vergleichen Die erste Zeile gibt das Ergebnis für die GATradeTool gegen die Metastock und die FinTradeTool 23 Unsere vorgeschlagene Software Tool GATradeToo Ich kann das Optimierungsproblem sehr schnell ohne spezifische Einschränkungen über die Anzahl der Gesamttests lösen Die maximale Anzahl der Tests, die in Metastock Software durchgeführt werden können, beträgt 32 000 Das FinTradeTool benötigt viel mehr Zeit, um die optimale Lösung zu finden Die Lösung Die vom GATradeTool zur Verfügung gestellt wird, liegt in der Nähe der optimalen Lösung des FinTradeTool. Table 2 Vergleich von drei verschiedenen Software-Tools. Optimierte Parameter Dimbeta MovAv DimBeta. Die Handelssysteme mit den optimalen Parametern, die in der Periode 1 5 98 25 6 03 gefunden wurden, wurden getestet Im Auswertungszeitraum 25 6 03 25 6 04 Die Leistungsfähigkeit unseres Handelssystems wurde in allen Software-Tools erhöht. Allerdings ist die Zeitaufwand als sehr ernst zu betrachten Spalte 4.Fig 2 zeigt die Entwicklung des Maximums, des Minimums und des Durchschnitts Rückkehr über die 300 Generationen für das Dimbeta-Handelssystem Bevölkerungsgröße 80, Übergangsrate 0 6 Es kann beobachtet werden, dass die maximale Rendite einen positiven Trend hat. Es scheint, dass sie nach 150 Generationen relativ stabil ist und sich im Bereich zwischen 1 2 und 1 bewegt 120 100 Rückkehr Für die minimale Fitness scheint kein Muster zu existieren Für die durchschnittliche Bevölkerung gibt es einen deutlichen Aufwärtstrend, der in den ersten 180 Generationen gefunden werden kann. Dies ist ein Indiz dafür, dass sich die Gesamtnote der Bevölkerung im Laufe der Zeit im Hinblick auf die Volatilität der Lösungen verbessert , Standardabweichung von Lösungen nach einer Zunahme der ersten Generationen stabilisiert in einem Bereich zwischen 0 3 und 0 6, die Beweise für eine stabile und effiziente Reihe von Lösungen. Fig 2 Evolution von mehreren Statistiken über 300 Generationen. Fig 3 bietet eine dreidimensionale Handlung Der optimalen Lösungen der GATradeTool In-Achsen und wir haben die Parameter für den dimbeta-Indikator und den gleitenden Durchschnitt Axis 2 zeigt die Rückkehr des Dimbeta-Handelssystems für die ausgewählten optimalen Parameter. Wie leicht verständlich ist, bietet unser Tool einen Bereich von Optimale Lösungen im Gegensatz zu den FinTradeTool, die nur die beste Lösung bietet. Fig 3 Ein 3-D-Plot des optimalen Bereichs.6 Schlussfolgerungen. Während die technische Analyse weithin als Investitionsansatz bei Praktikern oder Akademikern verwendet wird, sind sie selten auf die Frage der Parameteroptimierung Es ist nicht unsere Aufgabe, die technische Analyse hier zu verteidigen, obwohl unsere Ergebnisse zeigen, dass es eine Vorhersagbarkeit im UBS-Investmentfonds gibt, der in aufstrebende Aktienmärkte auf der Grundlage von historischen Daten allein investiert. Unser Hauptziel in dieser Arbeit ist es, zu verdeutlichen, dass die Neue Technologie von MATLAB kann verwendet werden, um ein genetisches Algorithmus-Tool zu implementieren, das die Optimierung von technischen Handelssystemen verbessern kann. Unsere experimentellen Ergebnisse zeigen, dass GATradeTool den digitalen Handel verbessern kann, indem er schnell eine Reihe von nahezu optimalen Lösungen in Bezug auf die Wirkung verschiedener GA-Parameter bereitstellt Konfigurationen haben wir festgestellt, dass eine Erhöhung der Populationsgröße die Leistung des Systems verbessern kann. Der Parameter der Crossover-Rate beeinflusst die Qualität der Lösung nicht ernst. Durch den Vergleich der Lösungen des Optimierungsproblems, die von verschiedenen Software-Tools durchgeführt wurden, haben wir festgestellt, dass das GATradeTool Kann durch die Bereitstellung sehr schnell eine Reihe von optimalen Lösungen, die eine Konsistenz während des gesamten Evaluierungszeitraums präsentieren. Finally wäre es interessant für weitere Forschung, um eine Reihe von verschiedenen Systemen zu testen, um die Korrelation zwischen einem genetischen Algorithmus und System zu sehen Aufführungen In einer Zeit häufiger Veränderungen an den Finanzmärkten können Forscher und Händler ihre spezifischen Systeme in GATradeTool leicht testen, indem sie nur die Funktion ändern, die die Handelssignale erzeugt. Diese Forschungsarbeit war Teil der Postdoktoratsforschung von Dr. S Papadamou, die gefördert wurde Von IKY griechischen staatlichen Stipendien Foundation. F Allen R Karjalainen. Using genetischen Algorithmen zu finden, technische Handelsregeln. Journal of Financial Economic Volume 51 1999 pp 245 271.HL Allen MP Taylor. Die Verwendung von technischen Analyse in der Devisenmarkt. Journal von Internationales Geld und Finanzen Band 11 1992 pp 303 314.JE Baker, Adaptive Selektionsmethoden für genetische Algorithmen, in Proceedings der ersten Internationalen Konferenz über genetische Algorithmen, 1985, S. 101 111.RJ Bauer GE Liepins. Genetische Algorithmen und computerisierte Handelsstrategien. Expert Systems in Finance DEO Leary PR Watkins 1992 Elsevier Science Publishers, Amsterdam, Niederlande. Genetische Algorithmen und Investment Strategien.1994 John Wiley Sons, Inc, New York. W Brock J Lakonishok B LeBaron. Einfache technische Handelsregeln und die stochastischen Eigenschaften von AktienrenditeJournal of Finance Volume 47 1992 pp 1731 1764.S Brown W Goetzmann R Ibbotson S Ross. Survivorship Bias in Leistungsstudien. Review von Finanzstudien Band 5 1992 pp 553 580.S Brown W Goetzmann S Ross. Journal of Finance Volume 50 1995 pp 853 873.YW Cheung CYP Wong. Die Performance der Handelsregeln auf vier asiatische Wechselkurse. Multinational Finance Journal Band 1 1997 pp 1 22.K De Jong, Eine Analyse des Verhaltens einer Klasse von genetischen adaptiven Systemen, Ph D Diss University of Michigan, Universität Mikrofilme Nr. 76-9381, 1975.F Fernndez-Rodrguez, C Gonzlez-Martel, S Sosvilla-Rivero, Optimierung der technischen Regeln durch genetische Algorithmen Beweis von der Madrid-Börse, Arbeitspapiere 2001-14 , FEDEA, 2001.DE Goldberg. Genetische Algorithmen in der Suche, Optimierung und Maschinelles Lernen.1989 Addison-Wesley. Adaptation im natürlichen und künstlichen System.1975 University of Michigan Press. N Jegadeesh S Titman. Returns zum Kauf von Gewinnen und Verkauf von Verlierern Implikationen für Börsen-Effizienz. Journal of Finance Volume 48 Ausgabe 1 1993 pp 65 91. Die neuen Rohstoff-Trading-Systeme und Methoden.1987 John Wiley Sons. Fad, Martingales und Markt-Effizienz. Quarterly Journal of Economics Volume 105 1990 pp 1 28.AW Lo AC MacKinlay. When sind contrarian Gewinne aufgrund der Börsenüberreaktion. Review von Finanzstudien Band 3 1990 pp 175 206.S Mahfoud G Mani. Finanzvorhersage mit genetischen Algorithmen. Journal of Applied Artificial Intelligence Volume 10 Issue 6 1996 pp 543 565.RN Markellos. Backtesting Trading Systems. Journal of Computational Intelligence in Finance Band 5 Ausgabe 6 1997 pp 5 10.L Menkhoff M Schlumberger. Persistente Profitabilität der technischen Analyse an Devisenmärkten. BNL Quartalsbericht Volumen 193 1995 pp 189 216.C Neely, P Weller, R Ditmar, Ist technische Analyse im Devisenmarkt profitabel Ein genetischer Programmierungsansatz in C Dunis, B Rustem, Eds, Proceedings, Forecasting Financial Markets Vorträge für Wechselkurse, Zinssätze und Asset Management, London, 1997.M Oussaidene B Chopard O Pictet M Tomassini. Praktische Aspekte und Erfahrungen Parallele genetische Programmierung und ihre Anwendung auf Handelsmodellinduktion. Journal of Parallel Computing Band 23 Ausgabe 8 1997 pp 1183 1198.S Papadamou G Stephanides. A neue Matlab-basierte Toolbox für computergestützte Dynamik Technischer Handel. Finanztechnik News Ausgabe 31 2003.S Papadamou S Tsopoglouinvestitionierung der Profitabilität von technischen Analysesystemen an Devisenmärkten. Managerial Finance Volume 27 Ausgabe 8 2001 pp 63 78.FM Werner D Bondt R Thaler. Weitere Beweise für Investoren-Überreaktion Und Börsen-Saisonalität. Journal of Finance Volume 42 Issue 3 1987 pp 557 581.D Whitley, The Genitor Algorithmus und Selektionsdruck Warum Rang-basierte Allokationen von reproduktiven Studien am besten sind, in Proceedings of the Dritte Internationale Konferenz über genetische Algorithmen, 1989, Pp 116 121.Arithmetische Einpunkt-Crossover, beinhaltet das zufällige Schneiden von zwei Strings an der gleichen zufällig bestimmten String-Position und dann Swapping der Schwanz-Teile Crossover erweitert die Suche nach neuen Lösungen in weitreichenden Richtungen. Die Struktur dieses Fonds und seine wichtigste Position Um 25 6 2004 sind in der folgenden Abbildung dargestellt. Copyright 2007 Elsevier Ltd Alle Rechte vorbehalten.