الأمثل من بين أنظمة المتاجرة و المحافظ ، قوات الدفاع الشعبي

تعزيز التعلم عن أنظمة التداول والمحافظ: فوري مقابل المكافآت المستقبلية المراجع كريتس R. H. أمب بارتو A. G. (1996)، تحسين أداء المصعد باستخدام التعلم التعزيز، في D. S. توريتسكي، M. C. موزر أمب M. E. هاسيلمو، إدس، أدفانسس إن نيبس، فول. 8، ب. 10171023. مودي J. أمب وو L. (1997)، أوبتيميزاتيون أوف ترادينغ سيستمز أند بورتفوليوس، إن Y. أبو-مصطفى، أن ريفينس أمب أس ويجيند، إدس، نيورال نيتوركس إن ذي كابيتال ماركيتس، وورد سسينتيفيك، لندن . مودي J. وو L. لياو Y. أمب سافيل M. (1998)، بيرفورمانس فونكتيونس أند إنهانسيمنت ليارنينغ فور ترادينغ سيستمز أند بورتفوليوس، جورنال أوف فوريكاستينغ 17. للظهور. نيونيه R. (1996)، التوزيع الأمثل للأصول باستخدام البرمجة الديناميكية التكيفية، في D. S. توريتسكي، M. C. موزر أمب M. E. هاسيلمو، إدس، أدفانسس إن نيبس، فول. 8، ب. 952958. شارب W. F. (1966)، موتشال فوند بيرفورمانس، جورنال أوف بوسينيس ب. 119138. تيسورو G. (1989)، نيوروغامون يفوز أوليمبياد الكمبيوتر، الحساب العصبي 1. 321323. كروسرف واتكينز C. J. H. (1989)، ليارنينغ ويث ديلايد ريواردز، ديكتوريس ثيسيس، كامبريدج ونيفرزيتي، يسيكولوغي ديبارتمنت. تشانغ W. أمب ديتريش T. G. (1996)، هاي-بيرفورمانس جوب-شوب شكدولينغ ويث تايم-ديلاي تد () نيتورك، إن D. S توريتسكي، M. C موزر أمب M. E. هاسيلمو، إدس، أدفانسس إن نيبس، فول. 8، ب. 10241030.Particle سوارم الأمثل من البولنجر باندس ذيس بابر أس: بتلر M. كازاكوف D. (2010) سرب الجسيمات الأمثل من البولنجر باندز. إن: دوريغو M. إت آل. (إدس) سرب الذكاء. أنتس 2010. محاضرات في علوم الحاسوب، المجلد 6234. سبرينغر، برلين، هايدلبرغ استخدام المؤشرات الفنية لاستخلاص إشارات تداول الأسهم هو أساس التحليل الفني المالي. ولكثير من هذه المؤشرات عدة معلمات تخلق مشكلة صعبة للتحسين نظرا للطابع غير الخطية وغير الثابت لسلسلة زمنية مالية. هذه الدراسة تحقق مؤشر مالي شعبية، بولينجر باند، وضبط دقيق من معالمها عن طريق تحسين سرب الجسيمات تحت 4 وظائف اللياقة البدنية المختلفة: الربحية، نسبة شارب، نسبة سورتينو والدقة. أظهرت نتائج التجربة أن المعلمات المثلى من خلال بسو باستخدام وظيفة اللياقة الربحية أنتجت نتائج تداول أعلى من العينة والتي تتضمن تكاليف المعاملات عند مقارنتها بالمعلمات الافتراضية. سرب الجسيمات الأمثل بولينجر باندز نسبة شارب نسبة سورتينو وتحسين المعلمة المراجع لي، J. S. لي، S. تشانغ، S. أهن، B. H. مقارنة بين غا و بسو لتقييم العائد الزائد في أسواق الأسهم. إن: ميرا، J. لفاريز، J. R. (إدس.) إويناك 2005، بارت إي. لكس، فول. 3562، ب. 221230. سبرينجر، هايدلبرغ (2005) لينتو، C. غرادوجيفيك، N. ربحية قواعد التداول الفنية: نهج إشارة مجتمعة. جورنال أوف أبليد بوسينيس ريزارتش 23 (1)، 1327 (2007) غوغل سشولار لينتو، C. غرادوجيفيك، N. رايت، C. إنفورماتيون إنفورماتيون كونتنت إن بولينجر باندز أبليد فينانسيال إكونوميكس ليترز 3 (4)، 263267 (2007) كروسريف غوغل سشولار ليونغ، J. تشونغ، T. مقارنة تجريبية للمغلفات المتوسطة المتحركة وبولينجر باندز. الاقتصاد التطبيقي رسائل 10 (6)، 339341 (2003) كروسريف الباحث العلمي غوغل مودي، J. وو، L. لياو، Y. سافيل، M. وظائف الأداء والتعلم التعزيز لنظم التداول والمحافظ. تطبيق الاقتصاد المالي رسائل 17، 441470 (1998) جوجل الباحث العلمي شي، Y. إيبرهارت، R. تعديل سرب الجسيم محسن. إن: بروسيدينغس أوف ذي 1998 إيي إنترناشونال كونفيرانس أون فولوتيوناري كومبوتاتيون، إيي وورد كونغريس أون كومبريتيف إنتليجانس، ب. 6973 (1998) ويليامز، O. إمبريكال أوبتيميزاتيون أوف بولينجر باندز فور بروفيتابيليتي. جامعة سيمون فريزر (2006) معلومات حقوق الطبع والنشر سبرينجر-فيرلاغ برلين هايدلبرغ 2010 المؤلفين والانتماءات ماثيو بتلر 1 ديميتار كازاكوف 1 1. كلية علوم الحاسب الآلي، مجموعة الذكاء الاصطناعي جامعة يورك المملكة المتحدة حول هذه الورقةفلكسادفانتاج مدونة محفظة تجارة تخطي التحسين الخاص بك كبيرة فإن صناديق المؤشرات وصناديق الاستثمار المشتركة التي تتداول بشكل سلبي تحظى بشعبية في هذه الأيام، إلا أن تحريك مواقف كبيرة دون تكبد تأثير على السوق يمكن أن يكون أمرا صعبا. صناديق المعاشات وأموال المؤشرات التي تقوم بإعادة التوازن بين محافظها مرة واحدة في الشهر أو مرة واحدة في الربع الواحد يمكن أن تواجه مخاطر تداول محفظة مماثلة. فليكستس (محفظة جدولة التجارة) لحل هذه المشكلة، فليكستراد بناء فليكستس. أداة التحسين المتطورة التي تحدد أفضل جدول التداول للمحافظ. بعد قائمة التداول محفظة لها مع أهداف لشراء وبيع، فليكسبتس يولد جدولا من أوامر البيع والبيع مقسمة إلى نوافذ 15 دقيقة، بحيث يتم الوفاء أحجام الهدف في نهاية التجارة. تمثل المحطة الثالثة من الشركة فليكسيدج تقدم تحليلات متقدمة، تم تصميم فليكسبتس للنوافذ الوقت متعددة وإدارة المحافظ العالمية. يستخدم عبس مكتبة تحسين الرياضية الشهيرة إيلوغ كبليكس تحت غطاء محرك السيارة. ويستهدف المنتج شركات البيع أو البيع التي تتاجر على مدى نصف يوم أو يوم واحد أو عدة أيام من الزمن لأن أجزاء من قائمة التجارة غير سائلة. وقال ران هيلاي، نائب رئيس تحسين المحفظة في فليكس تريد، إن "إليكيد" تعني أن المبلغ الذي يجب تداوله في أسماء المحفظة مرتفع مقارنة بالمتوسط ​​اليومي للأحجام. كيفية عمل فليكستس لتجنب تكاليف تأثير السوق، يمكن للشركات شراء وبيع الجانب تشغيل أفكارهم من خلال فليكستس محسن، والذي يولد ثم جدول التداول كم في كل اسم لشراء وبيع. يتم توفير الجدولة التجارية القائمة على المحفظة من خلال خوارزميات التحسين الحديثة، وتحليل مخاطر المحفظة ونمذجة تأثير السوق. تستخدم فليكستس من قبل مكاتب التداول البرنامج، وتستخدم خوارزمية التداول محفظة نقص التنفيذ لمساعدة التجار على تحقيق مؤشر سعر الوصول. العجز في التنفيذ هو مقياس للفرق بين متوسط ​​سعر التنفيذ والسعر عند وصول الطلب على مكتب التداول. بالإضافة إلى ذلك، يحتاج التجار إلى تقليل مخاطر الأسعار، ولكن يمكن أن تكون هذه الأهداف متضاربة، كما يوضح هيلاي. إذا كان شخص ما يريد تقليل التكلفة بالنسبة لسعر الوصول، فإنها تحتاج إلى أن تأخذ وقتا طويلا من خلال التداول بشكل سلبي. ولكن إذا أراد شخص ما أن يتداول بالقرب من سعر الوصول من أجل الحد من مخاطره، فإنهم يحتاجون إلى التداول بقوة قبل التغيرات في الأسعار، كما يضيف. ويؤدي التداول ببطء إلى تأثير سوقي منخفض ولكنه ينطوي على مخاطر أسعار مرتفعة. ومع ذلك، التداول بسرعة يقلل من مخاطر الأسعار، ولكن النتائج في تأثير كبير، كما يفسر. الهدف من فليكستس هو العثور على الجدول الزمني الذي يمثل أفضل مقايضة بين هذين الهدفين المتضاربة، مع الحفاظ على القيود العملاء. على سبيل المثال، يمكن للعملاء تحديد القيود الخاصة بهم، مثل القيود النقدية: قيود محددة على عدم التوازن بين قيم الشراء والبيع للجزء الذي لم ينفذ بعد من المحفظة. قيود المشاركة: يتم تطبيق حد تجاري من حيث نسبة مئوية من متوسط ​​حجم النافذة اليومي (أدف) على كل فاصل زمني مدته 15 دقيقة. مراقبة مخاطر المحفظة في حين يمكن تطبيق نقص التنفيذ على التداول بأسماء واحدة، فإن جدولة محفظة كاملة هي وسيلة أكثر فعالية للحد من المخاطر، خاصة إذا كانت محفظة طويلة. وهذا صحيح لأن المجدول يستخدم الارتباطات السعر لاحظ للحد من خطر التجارة. إذا كان هذا هو إعادة التوازن صندوق، لديك عادة محفظة بيع وبيع الجانب، يوضح هيلاي. من خلال التمسك بجدول التداول، يمكنك الدخول إلى المحفظة والقيام ببعض التداول في وقت مبكر من شأنه أن يحسن من خطأ التتبع للشراء بالنسبة للبيع، كما يقول هيلاي. ثم، بمجرد أن يتم تقليل خطأ التتبع، يمكنك أن تأخذ المزيد من الوقت والتجارة بشكل أكثر سلبية منذ كنت قد التحوط في المحفظة ولا تحتاج لقضاء المزيد من الوقت على التحوط، ويوضح هيلاي. السيطرة على المخاطر هي النقطة الكاملة. فليكستس تمكن التاجر للسيطرة على المخاطر عبر محفظة بأكملها. ويقدر برنامج جدولة التجارة تقلب أي محفظة باستخدام نموذج مخاطر المحفظة والذي يقدم بدوره تقديرات تقلب كل سهم والارتباط بين عوامل الخطر مثل القطاعات والصناعات والأساسيات والعوامل الإحصائية. نماذج المخاطر تتضمن فليكسبتس نموذج الخطر اليومي من نورثفيلد إنفورماتيون سيرفيسز، إنك .. أو يمكن استبدال هذا النموذج بأي نموذج من عملاء أو طرف ثالث. وينظر نموذج المخاطر في الحافظة بأكملها، ويرتبط كل اسم بأسماء أخرى في المحفظة. تتم إزالة بعض الأسماء على الفور، لأن القيام بذلك سوف يزيل الخطر. جدولة الصفقات الخاصة بك من حيث جدولة المحفظة، إذا تخلص المتداول من الأسماء التي تضيف المخاطر، ثم تتحسن العائدات. ومع ذلك، فإن العوائد، وخاصة على المدى الطويل، تعتمد على اختيار مديري المحفظة من الحيازات. فلكسبت تتعامل فقط مع تكلفة التداول بالنسبة لسعر الوصول. المخاطر لها علاقة كبيرة بالعلاقة بين الأسماء في المحفظة، كما يشرح هيلاي. نتيجة لتشغيل فليكستس، فإن التاجر الحصول على جدول التداول لاستكمال التجارة. وفي حين لا تحدد الأمانة أسماء التجارة، فإنها تقترح مجرد تجارة. إذا كان التاجر يذهب سطر تلو الآخر، فإن الأسماء التي سيتم الانتهاء في وقت مبكر ستكون أسماء السائل، في حين سيتم الانتهاء من أسماء غير سائلة الماضي، ويوضح هيلاي. إذا كان التجار ينحرفون عن الجدول الزمني المقترح لأسباب مثل مباراة تجمع داكن في اسم غير سائل، فليكسبتس محسن يمكن استدعاء عدة مرات لإعادة تحسين الجدول الزمني المتبقي. على عكس معظم الخوارزميات المتاحة، فليكستس، الذي يعالج يوم واحد، يوم واحد أو جداول متعددة اليوم، ويمكن تلقائيا تحديد الطول الأمثل لنافذة التجارة. تحت غطاء محرك السيارة منذ فليكسبتس هو محسن، لديها وظيفة فائدة مع القيود. وتعرف وظيفة المرافق بأنها تقليل التكلفة المتوقعة لتأثير السوق بالإضافة إلى مخاطر السوق المتوقعة. بنيت الأداة مع وظيفتين: تأثير السوق المتوقع استنادا إلى النموذج الذي فليكستس يستخدم على كامل محفظة ومدة التجارة. فليكسبتس يضع المخاطر، وهو الجذر التربيعي للتباين في وظيفة المرافق وتداول قبالة التكلفة المتوقعة. وقد تستخدم أنظمة أخرى التباين لأن أسهل من الناحية الرياضية ولكن يعطي نتائج رديئة، وفقا لهيلاي. العملية في العمل عند قياس المخاطر عبر المحفظة بأكملها، يمكن أن يعطي جدول زمني ليوم واحد تعليمات للتاجر بتنفيذ 26 معاملة مختلفة على فترات 15 دقيقة. وسيوفر نموذج المخاطر التباين. ثم فليكستس سوف تضيف الفروق من جميع الصفقات 26، ثم تأخذ الجذر التربيعي للمجموع. ويؤدي هذا إلى التباين المتوقع بالنسبة لسعر الوصول، وفقا لهيلاي. في نهاية الجدول، سواء كان جانب الشراء أو البيع، على التاجر أن يكمل إجمالي كمية التنفيذ المطلوبة من قبل مدير المحفظة، كما يقول هيلاي. هذه هي القيود ووظيفة المرافق هناك لتقليل القيمة المعرضة للخطر، كما يقول. السرية للحفاظ على سرية استراتيجيتها، يمكن شراء المتداولين الجانبيين تحسين صفقاتهم دون تعريض قائمتهم بالكامل إلى جانب البيع. بدلا من إرسال القائمة بأكملها، يمكن أن يتم توجيه الصفقات إلى مكاتب البيع أو خوادم خوارزمية في أوامر أصغر بعد الجدول الزمني الأمثل التي تقدمها فلكسبتس. الاستنتاج يمكن للمستخدمين الوصول إلى إجراءات فلكسبتس من شريط الأدوات في فلكسترادر ​​إمس. بعد أن يتم تحسين المحفظة، يمكن أن يصبح الجدول الزمني الناتج جزءا متكاملا من أي استراتيجية تنفيذ في فليكسترادر، بما في ذلك استخدام خوارزميات التداول المخصصة وجميع برك الظلام المتاحة. خلال التداول، والتحليلات فليكستس مختلفة باستمرار تحديث على فليكستس الأمامية. لمزيد من المعلومات حول فليكستس ودمجها مع النظام الخاص بك، يرجى الاتصال بنا على ساليسفلكستريد. إجراءات المؤتمر الدولي للطرق الحسابية في العلوم والهندسة 2004 تحسين النظم التجارية التقنية باستخدام ماتلاب القائم على طريقة خوارزمية الجينات الجديدة ستيفانوس بابادامو a ،. جورج ستيفانيدس ب. قسم الاقتصاد، جامعة ثيسالي، أرغونوتون وفيلينون، فولوس، اليونان b قسم المعلوماتية التطبيقية، جامعة مقدونيا العلوم الاقتصادية والاجتماعية، إغناتياس 156، تيسالونيكي 54006، اليونان تلقى 18 مايو 2006. قبل 15 ديسمبر 2006. متاح على الإنترنت 24 يناير 2007. وتشير الدراسات الحديثة في الأسواق المالية إلى أن التحليل التقني يمكن أن يكون أداة مفيدة جدا في التنبؤ بالاتجاه. وتستخدم نظم التداول على نطاق واسع لتقييم السوق ومع ذلك، فإن الاستفادة من المعلمة الأمثل لهذه النظم قد جذبت القليل من الاهتمام. في هذه الورقة، لاستكشاف القوة المحتملة للتجارة الرقمية، نقدم أداة ماتلاب جديدة على أساس الخوارزميات الجينية أداة متخصصة في تحسين المعلمة من القواعد التقنية. ويستخدم قوة الخوارزميات الجينية لتوليد حلول سريعة وفعالة في شروط التداول الحقيقية. وقد تم اختبار أداة لدينا على نطاق واسع على البيانات التاريخية لصندوق أوبس الاستثمار في أسواق الأسهم الناشئة من خلال نظامنا الفني محددة. وتظهر النتائج أن غاتراديتول المقترحة لدينا يتفوق استخداما، غير التكيف، وأدوات البرمجيات فيما يتعلق استقرار العودة وتوفير الوقت على مدى فترة العينة بأكملها. ومع ذلك، قدمنا ​​أدلة على احتمال تأثير حجم السكان في نوعية الحلول. الأسواق المالية التنبؤ الخوارزميات الجينية الاستثمار القواعد الفنية 1 المقدمة يحتاج التجار ومحللو الاستثمار اليوم أدوات سريعة وفعالة في سوق مالية لا يرحم. وتجري المعارك في التجارة الآن بشكل رئيسي في سرعة الحاسوب. ويتيح تطوير تكنولوجيا برمجيات جديدة وظهور بيئات برامجية جديدة (مثل ماتلاب) الأساس لحل المشاكل المالية الصعبة في الوقت الحقيقي. ماتلابس شاسعة المدمج في وظائف رياضية والمالية، وحقيقة أنه على حد سواء لغة البرمجة المترجمة والمجمعة واستقلال منصة جعلها مناسبة تماما لتطوير التطبيقات المالية. أدلة على العائدات التي تجنيها القواعد التقنية، بما في ذلك استراتيجيات الزخم (مثلا 14 - 15 16 - 16 - 25 و 20) - متوسط ​​القواعد المتحركة والنظم التجارية الأخرى 6 - يمكن أن يدعم 9 و 24 أهمية التحليل التقني. ومع ذلك، فإن غالبية هذه الدراسات قد تجاهل مسألة الأمثل المعلمة، وتركهم مفتوحة لانتقادات من التطفل البيانات وإمكانية التحيز البقاء 7. 17 و 8. تقليديا استخدم الباحثون مواصفات مخصصة لقواعد التداول. أنها تستخدم التكوين الشعبي الافتراضي أو محاولة عشوائيا من عدد قليل من المعلمات المختلفة واختيار أفضل مع المعايير القائمة على العودة أساسا. بابادامو وستيفانيدس 23. نفذت ماتلاب الأدوات الجديدة القائمة على الحاسوب بمساعدة التقنية التي تضمنت إجراءات لمشاكل الأمثل المعلمة. ومع ذلك، فإن النقطة الضعيفة من الإجراء الأمثل هو الوقت: وظيفة الهدف (على سبيل المثال الربح) ليست بسيطة وظيفة الخطأ التربيعي ولكن واحدة معقدة (كل التكرار الأمثل يمر من خلال البيانات، ويولد إشارات التداول، ويحسب الأرباح، وما إلى ذلك). عندما تكون مجموعات البيانات كبيرة وكنت ترغب في إعادة تشغيل النظام الخاص بك في كثير من الأحيان وتحتاج إلى حل في أقرب وقت ممكن، ثم محاولة الخروج من جميع الحلول الممكنة للحصول على أفضل واحد سيكون مهمة شاقة جدا. الخوارزميات الجينية (غاس) هي أكثر ملاءمة لأنها تؤدي عمليات البحث العشوائي بطريقة منظمة وتتلاقى بسرعة كبيرة على السكان من الحلول الأمثل القريب. سوف غا تعطيك مجموعة (السكان) من حلول جيدة. المحللون مهتمون بالحصول على عدد قليل من الحلول الجيدة بأسرع وقت ممكن بدلا من الحل الأفضل عالميا. الحل الأفضل عالميا موجود، ولكن من المستبعد جدا أن تستمر في أن تكون أفضل واحد. والهدف من هذه الدراسة هو إظهار كيف يمكن استخدام الخوارزميات الجينية، وهي فئة من الخوارزميات في الحساب التطوري، لتحسين أداء وكفاءة أنظمة التداول المحوسبة. وليس الغرض هنا تقديم مبرر نظري أو تجريبي للتحليل الفني. نحن نبرهن على نهجنا في مهمة تنبؤية معينة على أساس أسواق الأسهم الناشئة. ويتم تنظيم هذه الورقة على النحو التالي. ويرد العمل السابق في القسم 2. ويرد وصف مجموعة البيانات ومنهجيتنا في القسم 3. وتناقش النتائج التجريبية في القسم 4. الاستنتاجات يلي القسم 5. 2 العمل السابق هناك مجموعة كبيرة من العمل غا في علوم الكمبيوتر والهندسة المجالات ولكن تم القيام بعمل قليل بشأن المجالات التجارية ذات الصلة. لاتيلي، كان هناك اهتمام متزايد في استخدام غا في الاقتصاد المالي، ولكن حتى الآن لم يكن هناك سوى القليل من البحوث بشأن التداول الآلي. على حد علمنا أول ورقة نشرت ربط الخوارزميات الجينية للاستثمارات كانت من بور و ليبينز 4. باور 5 في كتابه الخوارزميات الوراثية واستراتيجيات الاستثمار قدمت إرشادات عملية حول كيفية غاس يمكن استخدامها لوضع استراتيجيات تجارية جذابة على أساس المعلومات الأساسية. ويمكن توسيع هذه التقنيات بسهولة لتشمل أنواعا أخرى من المعلومات مثل البيانات التقنية وبيانات الاقتصاد الكلي وكذلك الأسعار السابقة. وفقا ألين وكارجالينن 1. الخوارزمية الجينية هي الطريقة المناسبة لاكتشاف قواعد التداول الفنية. فرنانديز-رودريغيز إت آل. 11 من خلال اعتماد الخوارزميات الجينية الأمثل في قاعدة تداول بسيطة توفر أدلة على الاستخدام الناجح لل غاس من بورصة مدريد. بعض الدراسات الأخرى المهتمة هي تلك التي قام بها محفوظ و ماني 18 التي قدمت نظاما جديدا يستند إلى الخوارزمية الجينية وطبقته على مهمة التنبؤ بالأداء المستقبلي للأسهم الفردية بواسطة نيلي إت آل. (21) وسوسيدين وآخرون. 22 الذي طبق البرمجة الجينية على التنبؤ بالنقد الأجنبي وأبلغ عن بعض النجاح. واحدة من مضاعفات في غا الأمثل هو أنه يجب على المستخدم تحديد مجموعة من المعلمات مثل معدل كروس، وحجم السكان ومعدل الطفرة. وفقا ل دي جونغ 10 الذين درسوا الخوارزميات الجينية في وظيفة الأمثل أداء جيد غا يتطلب ارتفاع احتمال كروس (يتناسب عكسيا مع حجم السكان) وحجم السكان المعتدل. غولدبيرغ 12 و ماركيلوس 19 تشير إلى أن مجموعة من المعلمات التي تعمل بشكل جيد عبر العديد من المشاكل هو كروس المعلمة 0.6، وحجم السكان 30 ومعلمة طفرة 0.0333. أجرى باور 4 سلسلة من المحاكاة حول مشاكل التحسين المالي وأكد صحة اقتراحات غولدبرغس. في هذه الدراسة سوف نقوم بإجراء دراسة محاكاة محدودة من خلال اختبار تكوينات المعلمة المختلفة لنظام التداول المختار. وسوف نقدم أيضا أدلة للجمعية العامة المقترحة من خلال مقارنة أداة لدينا مع أدوات البرمجيات الأخرى. 3 المنهجية يتم تنفيذ منهجيتنا في عدة خطوات. أولا، علينا أن ننفذ نظام التداول لدينا على أساس التحليل الفني. في تطوير نظام التداول، تحتاج إلى تحديد متى للدخول ومتى للخروج من السوق. إذا كان التاجر في السوق المتغير الثنائي يساوي واحد خلاف ذلك هو صفر. كما التجار موقف نحن أساس غالبية قراراتنا الدخول والخروج على الرسوم البيانية اليومية من خلال بناء مؤشر الاتجاه التالي (ديمبيتا). يحسب هذا المؤشر انحراف الأسعار الحالية عن متوسطه المتحرك. المؤشرات التي تستخدم في نظام التداول لدينا يمكن أن تكون رسمية على النحو التالي: أين هو سعر إغلاق الصندوق في الوقت والوظيفة موفاف بحساب المتوسط ​​المتحرك البسيط للمتغير إغلاق مع طول الوقت. ويتكون نظام التداول لدينا من مؤشرين، مؤشر ديمبيتا والمتوسط ​​المتحرك من ديمبيتا المعطاة بالمعادلة التالية: إذا تعبر صعودا ثم أدخل طويلا في السوق (أي إشارة شراء). إذا تعبر لأسفل ثم أغلق الموقف الطويل في السوق (أي إشارة البيع). ثانيا، علينا أن نحسن استراتيجية التداول لدينا. ومن المعروف أن تعظيم المهام الموضوعية مثل الربح أو الثروة يمكن أن تحسن نظم التداول. وظيفة الهدف الأكثر طبيعية للتاجر غير حساس للخطر هو الربح. في أداة البرمجيات لدينا نعتبر الأرباح المضاعفة. وتكون الأرباح المضاعفة مناسبة عندما يستثمر جزء ثابت من الثروة المتراكمة في كل صفقة تجارية طويلة. في برنامجنا لا يسمح بالمبيعات قصيرة ويتم تعيين عامل الرافعة المالية ثابتة في، وتعطى الثروة في الوقت المحدد من خلال الصيغة التالية: أين هو العائد تتحقق للفترة المنتهية في الوقت المحدد، هي تكاليف المعاملات ومتغير دمية وهمية مما يدل على موقف طويل أو لا (أي 1 أو 0). وتعطى الأرباح عن طريق طرح من الثروة النهائية الثروة الأولية،. تحسين نظام ينطوي على إجراء اختبارات متعددة في حين متغير واحد أو أكثر من المعلمات (،) ضمن قواعد التداول. عدد الاختبارات يمكن أن تنمو بسرعة هائلة (ميتاستوك لديه بحد أقصى 32 000 الاختبارات). في فينتراديتول 23. لا يوجد حد، ومع ذلك، على معالجة الوقت اعتمادا على نظام الكمبيوتر المستخدمة. في هذا البحث نحن ندرس إمكانية حل مشكلة التحسين باستخدام الخوارزميات الجينية. الخوارزميات الجينية (غاس) التي تم تطويرها من قبل هولندا 13 تشكل فئة من تقنيات البحث والتكيف والتحسين استنادا إلى مبادئ التطور الطبيعي. الخوارزميات الجينية نفسها جيدة لمشاكل التحسين لأنها معروفة أن تظهر متانة ويمكن أن تقدم مزايا كبيرة في منهجية الحل والأداء الأمثل. تختلف غاس عن إجراءات التحسين والبحث الأخرى في بعض النواحي. أولا، أنها تعمل مع ترميز مجموعة المعلمة، وليس المعلمات أنفسهم. لذلك غاس يمكن التعامل بسهولة مع المتغيرات الثنائية. ثانيا، البحث غاس من عدد السكان من النقاط، وليس نقطة واحدة. لذلك يمكن أن توفر غاس مجموعة من الحلول المثلى عالميا. وأخيرا، غاس استخدام فقط وظيفة وظيفة موضوعية، وليس المشتقات أو غيرها من المعرفة المساعدة. لذلك يمكن أن غاس التعامل مع الوظائف غير المستمرة وغير التفاضلية التي توجد في الواقع في مشكلة الأمثل العملي. 4 غاتراديتول المقترحة في غاتراديتول. خوارزمية وراثية تعمل على عدد من الحلول المرشحة ترميز (،). يتم ترميز كل متغير قرار في مجموعة المعلمات كسلسلة ثنائية وكلها متسلسلة لتشكيل كروموسوم. تمثيل الكروموسوم هو متجه مكون من عنصرين يحتوي على معلمات في التشفير الجيني. دقة التمثيل الثنائي هي ثمانية بت لكل معلمة (أي 1 0 0 1 0 1 1 1 1 0 0 1 0 1 1 1). ويبدأ مع السكان شيدت عشوائيا من التخمينات الأولية. يتم تقييم هؤلاء المرشحين الحل من حيث وظيفة هدفنا (مكافئ (4)). من أجل الحصول على المثلى كل كروموسوم تبادل المعلومات باستخدام المشغلين (أي الحسابية كروس 1) اقترضت من الوراثة الطبيعية لإنتاج حل أفضل. يتم استخدام الدالة الهدف (المقياس (4)) لقياس كيفية أداء الأفراد في مجال المشكلة. في حالتنا، فإن معظم الأفراد المجهزة لديها أعلى قيمة عددية من وظيفة الهدف المرتبطة بها. وظيفة اللياقة البدنية يحول القيم وظيفة الهدف الخام إلى أرقام غير سلبية من الجدارة لكل فرد. الأداة تدعم طريقة المقاصة والتحجيم من غولدبيرغ 12 وخوارزمية الترتيب الخطي من بيكر 3. لدينا تقنية اختيار توظف آلية عجلة الروليت لتحديد الاحتمالية الأفراد على أساس أدائها. يتم تحديد قيمة الفاصل الزمني الحقيقي كمجموع قيم اللياقة البدنية الصف على جميع الأفراد في السكان الحاليين. ثم يتم تعيين الأفراد واحد إلى واحد في فترات متجاورة في النطاق 0، مجموع. حجم كل فاصل زمني الفردية يتوافق مع قيمة اللياقة البدنية للفرد المرتبطة بها. لتحديد شخص يتم إنشاء رقم عشوائي في الفاصل الزمني 0، يتم تحديد سوم والفرد الذي تمتد شريحة رقم عشوائي. وتكرر هذه العملية إلى أن يتم اختيار العدد المطلوب من الأفراد 26 - وقد سمح لهؤلاء المرشحين بالمشاركة في عملية حسابية، وهو الإجراء الذي يجمع بين المرشحين الواعدين من أجل خلق الجيل القادم. وكررت هذه الخطوات إلى أن يتم استيفاء معيار محدد جيدا. لأن غا هو أسلوب البحث العشوائي، فإنه من الصعب تحديد معايير التقارب رسميا. وبما أن اللياقة البدنية للسكان قد تظل ثابتة لعدد من الأجيال قبل العثور على فرد متفوق، وتطبيق معايير إنهاء التقليدية يصبح إشكالية. ونتيجة لذلك، اقترحنا تحقيق عدد محدد من التكرارات كمعيار الإنهاء. ويمكن عرض خوارزمية الجينات لدينا في الإطار التالي: 5 النتائج التجريبية في هذا القسم، نطبق منهجيتنا في صندوق استثمار أوبس الاستثمار في أسواق الأسهم الناشئة. 2 البيانات التي تم تحليلها تتكون من 2800 ملاحظة عن أسعار الإغلاق اليومي لهذا الصندوق للفترة 159825604. تم تحديد فترة التحسين بين 1598 إلى 25603. تم تقييم النظام الأمثل خلال الفترة الممتدة 2560325604. تم تحديد مشكلة التحسين لتحديد أطوال الأمثل من مؤشر ديمبيتا ومتوسطه المتحرك لنموذج ديمبيتا بسيط من شأنها تحقيق أقصى قدر من الأرباح. أولا، سيتم دراسة تأثير تكوينات معلمات غا المختلفة. وبشكل أكثر تحديدا نحن مهتمون لقياس تأثير حجم السكان ومعلمة كروس في أداء إجراء التحسين القائم على الخوارزمية الجينية. بناء على توصيات غولدبرغس 12 و باورز 4، يجب أن يكون حجم السكان مساويا ل 30، ويجب أن يكون معدل كروس 0.6 (القيم الافتراضية). تم تعيين عدد التكرارات إلى 300 لجميع المحاكاة. ثانيا، قارنا الحلول من مشكلة التحسين التي أجرتها أدوات البرمجيات المختلفة من أجل قياس صحة غاتراديتول المقترحة. الجدول 1 يوفر نتائج التحسين غا لأحجام مختلفة من السكان. يظهر الصف الأول من الجدول أفضل المعلمات لمؤشر ديمبيتا والمتوسط ​​المتحرك ل ديمبيتا. من أجل قياس تأثير حجم السكان في أفضل حل ندرس سلسلة من الإحصاءات المختلفة. الحل مع الحد الأقصى والحد الأدنى للعائد، ومتوسط ​​العائد، والانحراف المعياري لهذه الحلول، والوقت اللازم لتقارب الخوارزمية، ومؤشر كفاءة محسوبة عن طريق تقسيم الحد الأقصى حل العودة عن طريق الانحراف المعياري للحلول. الجدول 1. تأثير حجم السكان من خلال النظر في الجدول 1 يمكننا القول أنه طالما كنت زيادة حجم السكان أفضل ومتوسط ​​الحلول أعلى. ومع ذلك، بعد أن انخفض عدد السكان من 30 انخفض الأداء. ولكي نأخذ في الاعتبار التكاليف الحسابية التي تنطوي عليها الزيادة في حجم السكان، نحسب الوقت اللازم لحل المشكلة. انخفاض حجم السكان يؤدي إلى انخفاض الأداء وانخفاض وقت الانتهاء. ووفقا لمؤشر الكفاءة فإن أفضل حل هو الذي يعطى من قبل حجم السكان 20. من أجل إنشاء قاعدة أداء الخوارزمية، أجريت 30 تجربة للجمعية العامة، مع مختلف السكان بدءا عشوائي لكل تجربة. الشكل 1 أ. يبين كيف تحسنت الأداء بمرور الوقت عن طريق التآمر متوسط ​​الحد الأقصى للياقة البدنية كنسبة مئوية من القيمة المثلى مقابل رقم الجيل. نحن أول القبض على قيمة اللياقة البدنية القصوى لكل من التجارب 30 يتم ذلك لكل جيل وكل محاكمة. ثم قمنا بحساب متوسط ​​قيم اللياقة البدنية القصوى وقسمنا هذا العدد من خلال القيمة المثلى لللياقة البدنية، والتي تم الحصول عليها من خلال البحث التعدادي (أداة فينتراد، 23)، وهذا أعطانا متوسط ​​اللياقة القصوى كنسبة مئوية من القيمة المثلى لكل جيل. الشكل 1 أ. إعدادات المعلمة الأساسية: النسبة المئوية الأمثل. وكما يتبين من الشكل 1 أ. فإن متوسط ​​اللياقة القصوى للجيل الأول هو حوالي 74 من القيمة المثلى. ومع ذلك، من خلال الجيل الخمسين، وعادة ما وجدت الخوارزمية على الأقل حل واحد كان في حدود 90 من القيمة المثلى. وبعد جيل الخمسين، يمكن أن يصل الحل إلى 98 من القيمة المثلى. مع مقاييس الأداء من إعدادات قاعدة لدينا كنقطة مرجعية، فحصنا الاختلافات المحتملة في الإجراء الأساسي. قمنا بدراسة تأثير التغيرات في حجم السكان ومعدل التقاطع. لكل إعداد معلمة مختلفة، أجرينا 30 تجربة للخوارزمية ومن ثم قارنت الرسوم البيانية لمتوسط ​​اللياقة البدنية القصوى مع تلك التي تم الحصول عليها لإعداد قاعدة. أولا، حاولنا معدلات كروس 0.4 و 0.8. وتظهر النتائج في الشكل 1 ب والشكل 1 ج. والتي تشبه الشكل 1 أ. ونتيجة لذلك المعلمات كروس لا تؤثر على الحل الأمثل لدرجة حرجة. ومع ذلك، فإن النتائج تختلف عندما نقوم بتغيير حجم السكان. وفقا للشكل 1d والشكل 1e. مع حجم سكاني صغير كان لدينا نتائج أكثر فقرا من مع عدد كبير من السكان. عندما اخترنا 80 حجم السكان حققنا عوائد عالية في الأجيال الأولى. الشكل 1 ب. كروس 0.40: في المئة من الأمثل. الشكل 1 ج. كروسوفر 0.80: في المئة من الأمثل. الشكل 1 د. السكان 80: في المئة من الأمثل. الشكل 1e. السكان 20: في المئة من الأمثل. من خلال النظر في الجدول 2 يمكنك مقارنة نتائج التحسين من نظام التداول لدينا باستخدام ثلاثة أدوات البرمجيات المختلفة. الصف الأول يعطي نتيجة ل غاتراديتول ضد ميتاستوك و فينتراديتول 23. لدينا أداة البرمجيات المقترحة (غاتراديتو ل) يمكن أن تحل مشكلة التحسين بسرعة كبيرة دون أي قيود محددة حول عدد من الاختبارات الإجمالية. الحد الأقصى لعدد الاختبارات التي يمكن القيام بها في برنامج ميتاستوك هو 32 000. و فينتراديتول يحتاج الى مزيد من الوقت من أجل العثور على الحل الأمثل. الحل الذي توفره غاتراديتول. على مقربة من الحل الأمثل من فينتراديتول. الجدول 2: مقارنة ثلاث أدوات مختلفة للبرمجيات (ديمبيتا. MovAv (ديمبيتا) تم اختبار أنظمة التداول ذات المعايير المثلى التي تم العثور عليها في الفترة 159825603 في فترة التقييم 2560325604. تم زيادة أداء نظام التداول لدينا في جميع أدوات البرمجيات. ومع ذلك، يجب النظر إلى تكلفة الوقت على محمل الجد (العمود 4). الشكل 2 يصور تطور الحد الأقصى، والحد الأدنى ومتوسط ​​العائد عبر 300 أجيال لنظام التداول ديمبيتا (حجم السكان 80، معدل كروس 0.6). ويمكن ملاحظة أن العائد الأقصى له اتجاه إيجابي. ويبدو أنه مستقر نسبيا بعد 150 أجيال ويتحرك في المدى ما بين 1.2 و 1 (أي 120100 العودة). للحد الأدنى اللياقة البدنية لا يوجد نمط يبدو أن الوجود. وبالنسبة لمتوسط ​​عدد السكان، يمكن العثور على اتجاه تصاعدي واضح في الأجيال ال 180 الأولى، وهذا مؤشر على أن اللياقة العامة للسكان تتحسن بمرور الوقت. وفيما يتعلق بتقلب الحلول، فإن الانحراف المعياري للحلول بعد الزيادة في الأجيال الأولى يستقر في نطاق يتراوح بين 0،3 و 0،6 يوفر دليلا على وجود مجموعة مستقرة وفعالة من الحلول. الشكل 2. تطور عدة إحصاءات أكثر من 300 أجيال. يوفر الشكل 3 مؤامرة ثلاثية الأبعاد من الحلول المثلى التي تقدمها غاتراديتول. في المحاور ولدينا المعلمات، لمؤشر ديمبيتا ومتوسطه المتحرك. المحور 2 يظهر عودة نظام التداول ديمبيتا للمعلمات المثلى المختارة. كما يمكن فهمها بسهولة أداة لدينا يوفر مجالا من الحلول المثلى على النقيض من فينتراديتول التي توفر فقط أفضل حل. الشكل 3. مؤامرة 3-D من المنطقة المثلى. 6 الاستنتاجات في حين أن التحليل التقني يستخدم على نطاق واسع كنهج استثماري بين الممارسين أو الأكاديميين، إلا أنه نادرا ما يركز على مسألة تحسين البارامترات. ليس دورنا هو الدفاع عن التحليل الفني هنا، على الرغم من أن نتائجنا تظهر أن هناك بعض القدرة على التنبؤ في صندوق أوبس المشترك للاستثمار في أسواق الأسهم الناشئة استنادا إلى البيانات التاريخية وحدها. هدفنا الرئيسي في هذه الورقة هو توضيح أن التكنولوجيا الجديدة من ماتلاب يمكن استخدامها من أجل تنفيذ أداة الخوارزمية الجينية التي يمكن أن تحسن الاستفادة المثلى من أنظمة التداول التقنية. تظهر نتائجنا التجريبية أن غاتراديتول يمكن أن يحسن التداول الرقمي من خلال توفير بسرعة مجموعة من الحلول المثلى القريبة. وفيما يتعلق بتأثير تكوينات معلمات غا المختلفة، وجدنا أن زيادة حجم السكان يمكن أن تحسن أداء النظام. المعلمة من معدل كروس لا يؤثر بجدية على نوعية الحل. من خلال مقارنة الحلول لمشكلة التحسين التي أجرتها أدوات البرمجيات المختلفة، وجدنا أن غاتراديتول 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 إجراء مزيد من البحوث لاختبار سلسلة من النظم المختلفة من أجل رؤية الارتباط بين الخوارزمية الجينية وأداء النظام. في وقت من التغيرات المتكررة في الأسواق المالية، يمكن للباحثين والتجار بسهولة اختبار نظم محددة في غاتراديتول من خلال تغيير فقط وظيفة التي تنتج إشارات التداول. Acknowledgements وكانت هذه الورقة البحثية جزءا من البحوث ما بعد الدكتوراه من الدكتور S. بابادامو التي تم تمويلها من قبل مؤسسة المنح الدراسية الحكومية إيكي اليونانية. المراجع 1 واو. R. كارجالينن باستخدام الخوارزميات الجينية للعثور على قواعد التداول الفنية مجلة الاقتصادية الاقتصادية. فولوم 51. 1999. ب. 245271 2 H. L. ألين. M. P. تايلور استخدام التحليل الفني في سوق الصرف الأجنبي مجلة المالية الدولية والمالية. المجلد 11، 1992. ص 303314 3 ج. بيكر، أساليب اختيار التكيف للخوارزميات الجينية، في: وقائع المؤتمر الدولي الأول بشأن الخوارزميات الجينية، 1985، ص 101111 4 R. J. باور. G. E. ليبينز الخوارزميات الجينية واستراتيجيات التداول المحوسبة نظم الخبراء في المالية. D. E. أوليري. P. R. واتكينز. 1992. إلزيفير سسينس بوبليشرز، أمستردام، هولندا 5 R. J. باور الابن الخوارزميات الوراثية واستراتيجيات الاستثمار 1994. جون وايلي أمب أبناء، المؤتمر الوطني العراقي، نيويورك 6 W. بروك. J. لاكونيشوك. B. ليبارون قواعد التداول الفنية البسيطة وخصائص ستوكاستيك من عوائد الأسهم مجلة المالية. فولوم 47. 1992. ب. 17311764 7 S. براون. W. غوتزمان. ر. إبوتسون. S. روس البقاء على قيد الحياة التحيز في دراسات الأداء استعراض الدراسات المالية. فولوم 5. 1992. ب. 553580 8 S. براون. W. غوتزمان. S. روس مجلة البقاء على قيد الحياة المالية. فولوم 50. 1995. ب. 853873 9 Y. W. تشيونغ. C. Y.P. وونغ أداء قواعد التداول على أربعة أسعار صرف العملات الآسيوية مجلة المالية متعددة الجنسيات. فولوم 1. 1997. ب. 122 10 K. دي جونغ، تحليل لسلوك فئة من النظم التكيفية الوراثية، دكتوراه. ديس. 76-9381، 1975 11 F. فرنانديز-رودريغيز، C. غونزليز-مارتل، S. Sosvilla-ريفيرو، أوبتيميزاتيون أوف تيشنيكال رولز بي جينيتيك ألغوريثمز: إيفيدنس فروم ذي مادريد ستوك ماركيت، وركينغ بابس 2001 -14، فيديا، 2001. فتب: ftp. fedea. espubPapers2001dt2001-14.pdf 12 دي خوارزميات جولدبيرج الجينية في البحث والتحسين وتعلم الآلة 1989. أديسون-ويسلي 13 J. H. هولندا التكيف في النظام الطبيعي والاصطناعي 1975. جامعة ميشيغان الصحافة 14 N. جيغاديش. S. تيتمان يعود إلى شراء الفائزين وبيع الخاسرين: الآثار المترتبة على كفاءة سوق الأسهم مجلة المالية. فولوم 48. إيسو 1. 1993. ب. 6591 15 P. J. كوفمان ذي نيو كوموديتي ترادينغ سيستمز أند ميثودس 1987. جون ويلي أمب سونس 16 B. N. ليمان فاد، مارتينغالس، وكفاءة السوق الفصلية مجلة الاقتصاد. فولوم 105. 1990. ب. 128 17 A. W. لو. ماكنلاي عندما تكون الأرباح مناقضة بسبب سوق الأوراق المالية المبالغ فيه مراجعة الدراسات المالية. المجلد 3. 1990. ص. 175206 18 S. محفوظ. G. ماني التنبؤ المالي باستخدام الخوارزميات الجينية مجلة الذكاء الاصطناعي التطبيقي. فولوم 10. إيسو 6. 1996. ب. 543565 19 R. N. ماركيلوس نظم التداول باكتستينغ مجلة الذكاء الحسابي في المالية. فولوم 5. إيسو 6. 1997. ب. 510 20 L. مينخوف. M. سكلومبرجر الربحية المستمرة للتحليل الفني لأسواق الصرف الأجنبي بنل مراجعة ربع سنوية. فولوم 193. 1995. ب. 189216 21 C. نيلي، P. ويلر، R. ديتمار، هل التحليل الفني في سوق الصرف الأجنبي مربح نهج البرمجة الوراثية، في: C. دنيس، B. روستم، (إدس.)، الإجراءات والتنبؤ بالأسواق المالية: التقدم في أسعار الصرف، وأسعار الفائدة وإدارة الأصول، لندن، 1997 22 M. أوسيدين. B. شوبارد. O. بيكتيت. M. توماسيني الجوانب العملية والخبرات البرمجة الوراثية المتوازية وتطبيقها على نموذج التداول التعريفي مجلة الحوسبة المتوازية. Volume 23. Issue 8. 1997. pp. 11831198 23 S. Papadamou. G. Stephanides A new matlab-based toolbox for computer aided dynamic technical trading Financial Engineering News. Issue 31. 2003 24 S. Papadamou. S. Tsopoglou Investigating the profitability of technical analysis systems on foreign exchange markets Managerial Finance. Volume 27. Issue 8. 2001. pp. 6378 25 F. M. Werner. D. Bondt. R. Thaler Further evidence on investor overreaction and stock market seasonality Journal of Finance. Volume 42. Issue 3. 1987. pp. 557581 26 D. Whitley, The Genitor algorithm and selection pressure: Why rank-based allocations of reproductive trials are best, in: Proceedings of the Third International Conference on Genetic Algorithms, 1989, pp. 116121 Arithmetic single-point crossover, involves randomly cutting two strings at the same randomly determined string position and then swapping the tail portions. Crossover extends the search for new solutions in far-reaching directions. The structure of this fund and its major position at 2562004 are depicted in the following figure. Copyright 2007 Elsevier Ltd. All rights reserved.