Melhorando os sistemas de negociação técnica usando um novo procedimento de algoritmo genético baseado em MATLAB Estudos recentes nos mercados financeiros sugerem que a análise técnica pode ser uma ferramenta muito útil para prever a tendência. Os sistemas de negociação são amplamente utilizados para a avaliação do mercado no entanto, a otimização de parâmetros desses sistemas atraiu pouco interesse. Neste artigo, para explorar o poder potencial do comércio digital, apresentamos uma nova ferramenta MATLAB baseada em algoritmos genéticos, a ferramenta é especializada na otimização de parâmetros de regras técnicas. Ele usa o poder dos algoritmos genéticos para gerar soluções rápidas e eficientes em termos comerciais reais. Nossa ferramenta foi testada extensivamente em dados históricos de um fundo UBS que investir em mercados de ações emergentes através de nosso sistema técnico específico. Os resultados mostram que o nosso GATradeTool proposto supera as ferramentas de software comumente usadas e não adaptativas em relação à estabilidade do retorno e economia de tempo durante todo o período de amostragem. No entanto, fornecemos provas de um possível efeito de tamanho populacional na qualidade das soluções. Mercados financeiros Previsão Algoritmos genéticos Investimento Regras técnicas 1. Introdução Os comerciantes e analistas de investimentos da Todayrsquos exigem ferramentas rápidas e eficientes em um mercado financeiro implacável. As batalhas na negociação agora são principalmente travadas na velocidade do computador. O desenvolvimento de novas tecnologias de software ea aparência de novos ambientes de software (por exemplo, MATLAB) fornecem a base para resolver problemas financeiros difíceis em tempo real. MATLABsquos vasta funcionalidade matemática e financeira integrada, o fato de ser uma linguagem de programação interpretada e compilada e sua independência de plataforma tornam-se adequados para o desenvolvimento de aplicações financeiras. Evidência sobre os retornos obtidos pelas regras técnicas, incluindo estratégias de momentum (por exemplo, 14. 15. 16. 16. 25 xA0andxA020), regras de movimentação média e outros sistemas de negociação 6. 2. 9 xA0andxA024 pode suportar a importância da análise técnica. No entanto, a maioria desses estudos ignorou a questão da otimização de parâmetros, deixando-os abertos a críticas ao snooping de dados e à possibilidade de viés de sobrevivência 7. 17 xA0andxA08. Tradicionalmente, os pesquisadores utilizavam a especificação ad hoc das regras de negociação. Eles usam uma configuração popular padrão ou tentam aleatoriamente alguns parâmetros diferentes e selecionam o melhor com critérios baseados principalmente no retorno. Papadamou e Stephanides 23. implementaram uma nova caixa de ferramentas baseada em MATLAB para comércio técnico auxiliado por computador que incluiu um procedimento para problemas de otimização de parâmetros. No entanto, o ponto fraco do seu procedimento de otimização é o tempo: a função objetivo (por exemplo, lucro) não é uma função de erro quadrada simples mas complicada (cada iteração de otimização passa pelos dados, gera sinais de negociação, calcula lucros, etc.). Quando os conjuntos de dados são amplos e você deseja re-optimizar seu sistema com freqüência e você precisa de uma solução o mais rápido possível, então, tentar todas as soluções possíveis para obter o melhor seria uma tarefa muito tediosa. Os algoritmos genéticos (GAs) são mais adequados, pois realizam pesquisas aleatórias de forma estruturada e convergem muito rápido em populações de soluções quase ótimas. O GA lhe dará um conjunto (população) de soluções ldquogoodrdquo. Os analistas estão interessados em obter algumas boas soluções o mais rápido possível, em vez da melhor solução global. A melhor solução global existe, mas é altamente improvável que continue a ser a melhor. O objetivo deste estudo é mostrar como os algoritmos genéticos, uma classe de algoritmos em computação evolutiva, podem ser empregados para melhorar o desempenho e a eficiência dos sistemas de negociação informatizados. Não é aqui o propósito de fornecer uma justificativa teórica ou empírica para a análise técnica. Demonstramos nossa abordagem em uma tarefa de previsão específica baseada em mercados de ações emergentes. Este artigo está organizado da seguinte forma. O trabalho anterior é apresentado na Seção 2. O conjunto de dados e nossa metodologia são descritos na Seção 3. Os resultados empíricos são discutidos na Seção 4. As conclusões seguem a Seção 5. 2. Trabalhos anteriores Há um grande corpo de trabalho GA nos campos de informática e engenharia, mas pouco trabalho foi feito em áreas relacionadas a negócios. Ultimamente, tem havido um crescente interesse no uso de GA em economia financeira, mas até agora tem havido pouca pesquisa sobre negociação automatizada. Para o nosso conhecimento, o primeiro documento publicado que liga os algoritmos genéticos aos investimentos foi de Bauer e Liepins 4. Bauer 5 em seu livro ldquo Algoritmos genéticos e Estratégias de investimento classificaram orientações práticas sobre como as AGs poderiam ser usadas para desenvolver estratégias comerciais atraentes baseadas em informações fundamentais. Essas técnicas podem ser facilmente estendidas para incluir outros tipos de informações, como dados técnicos e macroeconômicos, bem como preços passados. De acordo com Allen e Karjalainen 1. o algoritmo genético é um método apropriado para descobrir regras comerciais comerciais. Fernaacutendez-Rodriacuteguez et al. 11, ao adotar a otimização de algoritmos genéticos em uma simples regra de negociação, fornecem evidências para o uso bem-sucedido de GAs na Bolsa de Valores de Madri. Alguns outros estudos interessados são aqueles de Mahfoud e Mani 18 que apresentaram um novo sistema baseado em algoritmos genéticos e aplicou-o à tarefa de prever os desempenhos futuros de ações individuais por Neely et al. 21 e por Oussaidene et al. 22 que aplicou programação genética para previsão de câmbio e relatou algum sucesso. Uma das complicações na otimização GA é que o usuário deve definir um conjunto de parâmetros, como a taxa de cruzamento, o tamanho da população e a taxa de mutação. De acordo com De Jong 10, que estudou algoritmos genéticos na otimização de funções, o bom desempenho GA requer alta probabilidade de cruzamento (inversamente proporcional ao tamanho da população) e um tamanho de população moderado. Goldberg 12 e Markellos 19 sugerem que um conjunto de parâmetros que funcionam bem em muitos problemas é um parâmetro de cruzamento 0.6, tamanho da população 30 e parâmetro de mutação 0.0333. Bauer 4 realizou uma série de simulações sobre problemas de otimização financeira e confirmou a validade das sugestões de Goldbergrsquos. No presente estudo, realizaremos um estudo de simulação limitado testando várias configurações de parâmetros para o sistema de negociação escolhido. Nós também forneceremos provas para o GA proposto, comparando nossa ferramenta com outras ferramentas de software. Download Ebooks: 1 arquivo de arquivos de mecanismo de pesquisa multimídia corresponde a consultas de pesquisa de sites de terceiros, a redes de afiliados que oferecem acesso ilimitado ao conteúdo de entretenimento licenciado. O filesdock fornece aos visitantes que, de outra forma, estavam procurando conteúdo gratuito para desfrutar mais por menos. Fr es de it nl da jp ar ro sv zh Possíveis razões: O cartão de crédito inserido pode ter fundos insuficientes. O número do cartão de crédito ou CVV não foi inserido corretamente. Seu banco emissor não pôde igualar a CVV ou a data de validade ao cartão de crédito fornecido. Seu endereço de cobrança inserido não corresponde ao endereço de cobrança em seu cartão de crédito. O cartão de crédito enviado já está em uso. Tente usar outro cartão. Melhorar os sistemas de negociação técnica usando um novo procedimento de algoritmo genético baseado em MATLAB. Estudos recentes nos mercados financeiros sugerem que a análise técnica pode ser uma ferramenta muito útil para prever a tendência. Os sistemas de negociação são amplamente utilizados para a avaliação do mercado no entanto, a otimização de parâmetros desses sistemas atraiu pouco interesse. Neste artigo, para explorar o poder potencial do comércio digital, apresentamos uma nova ferramenta MATLAB baseada em algoritmos genéticos, a ferramenta é especializada na otimização de parâmetros de regras técnicas. Ele usa o poder dos algoritmos genéticos para gerar soluções rápidas e eficientes em termos comerciais reais. Nossa ferramenta foi testada extensivamente em dados históricos de um fundo UBS que investir em mercados de ações emergentes através de nosso sistema técnico específico. Os resultados mostram que o nosso GATradeTool proposto supera as ferramentas de software comumente usadas e não adaptativas em relação à estabilidade do retorno e economia de tempo durante todo o período de amostragem. No entanto, fornecemos provas de um possível efeito de tamanho populacional na qualidade das soluções. Mercados financeiros Previsão Algoritmos genéticos Investimento Regras técnicas 1. Introdução Os comerciantes e analistas de investimentos da Todayrsquos exigem ferramentas rápidas e eficientes em um mercado financeiro implacável. As batalhas na negociação agora são principalmente travadas na velocidade do computador. O desenvolvimento de novas tecnologias de software ea aparência de novos ambientes de software (por exemplo, MATLAB) fornecem a base para resolver problemas financeiros difíceis em tempo real. MATLABsquos vasta funcionalidade matemática e financeira integrada, o fato de ser uma linguagem de programação interpretada e compilada e sua independência de plataforma tornam-se adequados para o desenvolvimento de aplicações financeiras. Evidência sobre os retornos obtidos pelas regras técnicas, incluindo estratégias de momentum (por exemplo, 14. 15. 16. 16. 25 xA0andxA020), regras de movimentação média e outros sistemas de negociação 6. 2. 9 xA0andxA024 pode suportar a importância da análise técnica. No entanto, a maioria desses estudos ignorou a questão da otimização de parâmetros, deixando-os abertos a críticas ao snooping de dados e à possibilidade de viés de sobrevivência 7. 17 xA0andxA08. Tradicionalmente, os pesquisadores utilizavam a especificação ad hoc das regras de negociação. Eles usam uma configuração popular padrão ou tentam aleatoriamente alguns parâmetros diferentes e selecionam o melhor com critérios baseados principalmente no retorno. Papadamou e Stephanides 23. implementaram uma nova caixa de ferramentas baseada em MATLAB para comércio técnico auxiliado por computador que incluiu um procedimento para problemas de otimização de parâmetros. No entanto, o ponto fraco do seu procedimento de otimização é o tempo: a função objetivo (por exemplo, lucro) não é uma função de erro quadrada simples mas complicada (cada iteração de otimização passa pelos dados, gera sinais de negociação, calcula lucros, etc.). Quando os conjuntos de dados são amplos e você deseja re-optimizar seu sistema com freqüência e você precisa de uma solução o mais rápido possível, então, tentar todas as soluções possíveis para obter o melhor seria uma tarefa muito tediosa. Os algoritmos genéticos (GAs) são mais adequados, pois realizam pesquisas aleatórias de forma estruturada e convergem muito rápido em populações de soluções quase ótimas. O GA lhe dará um conjunto (população) de soluções ldquogoodrdquo. Os analistas estão interessados em obter algumas boas soluções o mais rápido possível, em vez da melhor solução global. A melhor solução global existe, mas é altamente improvável que continue a ser a melhor. O objetivo deste estudo é mostrar como os algoritmos genéticos, uma classe de algoritmos em computação evolutiva, podem ser empregados para melhorar o desempenho e a eficiência dos sistemas de negociação informatizados. Não é aqui o propósito de fornecer uma justificativa teórica ou empírica para a análise técnica. Demonstramos nossa abordagem em uma tarefa de previsão específica baseada em mercados de ações emergentes. Este artigo está organizado da seguinte forma. O trabalho anterior é apresentado na Seção 2. O conjunto de dados e nossa metodologia são descritos na Seção 3. Os resultados empíricos são discutidos na Seção 4. As conclusões seguem a Seção 5. 2. Trabalhos anteriores Há um grande corpo de trabalho GA nos campos de informática e engenharia, mas pouco trabalho foi feito em áreas relacionadas a negócios. Ultimamente, tem havido um crescente interesse no uso de GA em economia financeira, mas até agora tem havido pouca pesquisa sobre negociação automatizada. Para o nosso conhecimento, o primeiro documento publicado que liga os algoritmos genéticos aos investimentos foi de Bauer e Liepins 4. Bauer 5 em seu livro ldquo Algoritmos genéticos e Estratégias de investimento classificaram orientações práticas sobre como as AGs poderiam ser usadas para desenvolver estratégias comerciais atraentes baseadas em informações fundamentais. Essas técnicas podem ser facilmente estendidas para incluir outros tipos de informações, como dados técnicos e macroeconômicos, bem como preços passados. De acordo com Allen e Karjalainen 1. o algoritmo genético é um método apropriado para descobrir regras comerciais comerciais. Fernaacutendez-Rodriacuteguez et al. 11, ao adotar a otimização de algoritmos genéticos em uma simples regra de negociação, fornecem evidências para o uso bem-sucedido de GAs na Bolsa de Valores de Madri. Alguns outros estudos interessados são aqueles de Mahfoud e Mani 18 que apresentaram um novo sistema baseado em algoritmos genéticos e aplicou-o à tarefa de prever os desempenhos futuros de ações individuais por Neely et al. 21 e por Oussaidene et al. 22 que aplicou programação genética para previsão de câmbio e relatou algum sucesso. Uma das complicações na otimização GA é que o usuário deve definir um conjunto de parâmetros, como a taxa de cruzamento, o tamanho da população e a taxa de mutação. De acordo com De Jong 10, que estudou algoritmos genéticos na otimização de funções, o bom desempenho GA requer alta probabilidade de cruzamento (inversamente proporcional ao tamanho da população) e um tamanho de população moderado. Goldberg 12 e Markellos 19 sugerem que um conjunto de parâmetros que funcionam bem em muitos problemas é um parâmetro de cruzamento 0.6, tamanho da população 30 e parâmetro de mutação 0.0333. Bauer 4 realizou uma série de simulações sobre problemas de otimização financeira e confirmou a validade das sugestões de Goldbergrsquos. No presente estudo, realizaremos um estudo de simulação limitado testando várias configurações de parâmetros para o sistema de negociação escolhido. Nós também forneceremos provas para o GA proposto, comparando nossa ferramenta com outras ferramentas de software.
No comments:
Post a Comment