Optimierung Des Systems Und Portfolios Pdf

Verfahren der Internationalen Konferenz über Computational Methoden in Wissenschaft und Technik 2004 Verbesserung der technischen Trading-Systeme mit Hilfe eines neuen MATLAB-basierten genetischen Algorithmus Verfahren Stephanos Papadamou a ,. George Stephanides b. Institut für Angewandte Informatik, Universität Mazedonien Wirtschafts - und Sozialwissenschaften, Egnatias 156, Thessaloniki 54006, Griechenland Erhalten am 18. Mai 2006. Angenommen am 15. Dezember 2006. Online verfügbar 24 Januar 2007. Jüngste Studien an den Finanzmärkten deuten darauf hin, dass die technische Analyse ein sehr nützliches Instrument zur Vorhersage des Trends sein kann. Trading-Systeme sind weit verbreitet für die Marktbewertung aber die Parameter-Optimierung dieser Systeme hat wenig Interesse angezogen. In diesem Papier, um die potenzielle Macht des digitalen Handels zu erforschen, präsentieren wir ein neues MATLAB-Tool basierend auf genetischen Algorithmen das Werkzeug ist spezialisiert auf Parameter-Optimierung 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 untersucht, der in Schwellenmärkte durch unser spezifisches technisches System getestet wurde. Die Ergebnisse zeigen, dass unser vorgeschlagenes GATradeTool die üblichen, nicht adaptiven Software-Tools hinsichtlich der Stabilität der Rückkehr und der Zeitersparnis über die gesamte Probenperiode übertrifft. Allerdings haben wir Beweise für eine mögliche Populationsgröße Wirkung in der Qualität der Lösungen. Finanzmärkte Vorhersage Genetische Algorithmen Investition Technische Regeln 1 Einleitung Heutige Händler und Investmentanalysten benötigen schnelle und effiziente Werkzeuge in einem rücksichtslosen Finanzmarkt. Schlachten im Handel werden heute hauptsächlich mit Computergeschwindigkeit geführt. Die Entwicklung neuer Softwaretechnologien und das Auftreten neuer Softwareumgebungen (z. B. MATLAB) bilden die Grundlage für die Lösung schwieriger finanzieller Probleme in Echtzeit. MATLABs umfassende integrierte mathematische und finanzielle Funktionalität, die Tatsache, dass es sowohl eine interpretierte und kompilierte Programmiersprache als auch ihre Plattformunabhängigkeit ist, eignet sie sich hervorragend für die Entwicklung von Finanzapplikationen. Beweise für die Erträge aus technischen Regeln, einschließlich Impulsstrategien (z. B. 14. 15. 16. 16. 25 und 20), können die gleitenden Durchschnittsregeln und andere Handelssysteme 6. 2. 9 und 24 die Bedeutung der technischen Analyse unterstützen. Allerdings haben die meisten dieser Studien das Problem der Parameter-Optimierung ignoriert, so dass sie offen für Kritik an Daten snooping und die Möglichkeit der Überlebens-Bias 7. 17 und 8. Traditionell Forscher verwendeten Ad-hoc-Spezifikation der Handelsregeln. Sie verwenden eine Standard-beliebte Konfiguration oder nach dem Zufallsprinzip ausprobieren ein paar verschiedene Parameter und wählen Sie die besten mit Kriterien auf der Grundlage der Rückkehr vor allem. Papadamou und Stephanides 23. implementierten eine neue MATLAB-basierte Toolbox für den computerunterstützten technischen Handel, die ein Verfahren für Parameteroptimierungsprobleme beinhaltet. Allerdings ist die Schwachstelle ihrer Optimierungsprozedur Zeit: Die Zielfunktion (z. B. Profit) ist keine einfache quadratische Fehlerfunktion, sondern eine komplizierte (jede Optimierungsiteration durchläuft die Daten, erzeugt Handelssignale, berechnet Gewinne usw.). Wenn die Datensätze groß sind und Sie möchten Ihr System oft wieder zu optimieren und benötigen Sie eine Lösung so schnell wie möglich, dann versuchen alle möglichen Lösungen, um die beste wäre eine sehr mühsame Aufgabe sein. Genetische Algorithmen (GAs) sind besser geeignet, da sie stichprobenweise Zufallsrecherchen durchführen und sehr schnell auf Populationen von nahezu optimalen Lösungen konvergieren. Die GA wird Ihnen ein Set (Bevölkerung) von guten Lösungen. Analysten sind daran interessiert, ein paar gute Lösungen so schnell wie möglich anstatt die weltweit beste Lösung. Die weltweit beste Lösung gibt es, aber es ist höchst unwahrscheinlich, dass es weiterhin die beste sein wird. Das Ziel dieser Studie ist, zu zeigen, wie genetische Algorithmen, eine Klasse von Algorithmen in der evolutionären Berechnung, eingesetzt werden können, um die Leistungsfähigkeit und die Effizienz von EDV-gestützten Handelssystemen zu verbessern. Es ist nicht der Zweck, theoretische oder empirische Begründung für die technische Analyse zu liefern. Wir zeigen unseren Ansatz in einer bestimmten Prognose auf der Basis von Schwellenmärkten. Dieses Papier ist wie folgt organisiert. Die bisherigen Arbeiten sind in Abschnitt 2 dargestellt. Der Datensatz und unsere Methodik sind in Abschnitt 3 beschrieben. Die empirischen Ergebnisse werden in Abschnitt 4 diskutiert. Die Schlussfolgerungen folgen Abschnitt 5. 2 Frühere Arbeiten Im Bereich der Informatik und der Ingenieurwissenschaften gibt es ein umfangreiches GA-Studium, aber es wurde wenig Arbeit in Bezug auf geschäftsbezogene Bereiche unternommen. In letzter Zeit gab es ein wachsendes Interesse an GA-Nutzung in der Finanzwirtschaft, aber bisher gab es wenig Forschung über automatisierte Handel. Nach unserer Kenntnis der ersten veröffentlichten Papier Verknüpfung von genetischen Algorithmen zu Investitionen von Bauer und Liepins 4. Bauer 5 in seinem Buch Genetic Algorithmen und Anlagestrategien bot praktische Anleitung darüber, wie GAs verwendet werden, um attraktive Handelsstrategien auf Basis fundamentaler Informationen zu entwickeln. Diese Techniken können leicht auf andere Arten von Informationen wie technische und makroökonomische Daten sowie vergangene Preise erweitert werden. Nach Allen und Karjalainen 1. genetischen Algorithmus ist eine geeignete Methode, um technische Handelsregeln zu entdecken. Fernndez-Rodrguez et al. 11 durch den Einsatz genetischer Algorithmen Optimierung in einer einfachen Handelsregel Beweise für die erfolgreiche Nutzung von GAs von der Madrider Börse. Einige andere interessierte Studien sind die von Mahfoud und Mani 18, die ein neues, auf genetischem Algorithmus basierendes System präsentierten und es auf die Aufgabe der Vorhersage der zukünftigen Leistungen einzelner Bestände durch Neely et al. 21 und von Oussaidene et al. 22, die genetische Programmierung auf Devisenprognosen angewendet und einige Erfolge gezeigt hatten. Eine der Komplikationen bei der GA-Optimierung besteht darin, dass der Benutzer einen Satz von Parametern wie etwa die Crossover-Rate, die Populationsgröße und die Mutationsrate definieren muss. Entsprechend De Jong 10, das genetische Algorithmen in der Funktionsoptimierung studierte, erfordert gute GA Leistung hohe Übergangswahrscheinlichkeit (umgekehrt proportional zur Bevölkerungsgröße) und eine gemäßigte Bevölkerungsgröße. Goldberg 12 und Markellos 19 legen nahe, dass ein Satz von Parametern, der bei vielen Problemen gut funktioniert, ein Crossover-Parameter 0,6, eine Populationsgröße 30 und ein Mutationsparameter 0,0333 ist. Bauer 4 führte eine Reihe von Simulationen zu finanziellen Optimierungsproblemen durch und bestätigte die Gültigkeit der Vorschläge von Goldbergs. In der vorliegenden Studie werden wir eine begrenzte Simulationsstudie durch Testen verschiedener Parameterkonfigurationen für das gewählte Handelssystem durchführen. Wir werden auch Beweise für die GA vorgeschlagen durch den Vergleich unseres Tools mit anderen Software-Tools. 3 Methodik Unsere Methodik wird in mehreren Schritten durchgeführt. Erstens müssen wir unser Handelssystem auf Basis technischer Analysen umsetzen. Bei der Entwicklung eines Handelssystems müssen Sie bestimmen, wann und wann der Markt verlassen werden soll. Wenn der Händler auf dem Markt ist, ist die binäre Variable gleich einer anderen ist Null. Als Positionsträger stützen wir die Mehrheit unserer Ein - und Ausstiegsentscheidungen auf Tagespläne, indem wir einen Trend nach Indikator (Dimbeta) aufbauen. Dieses Kennzeichen berechnet die Abweichung der aktuellen Kurse vom gleitenden Durchschnitt der Länge. Die Indikatoren, die in unserem Handelssystem verwendet werden, können wie folgt formalisiert werden: Wo ist der Schlusskurs des Fonds zu Zeit und Funktion MovAv berechnet den einfachen gleitenden Durchschnitt der Variablen Schließen mit Zeitlänge. Unser Handelssystem besteht aus zwei Indikatoren, dem Dimbeta-Indikator und dem Moving Average von Dimbeta, die durch die folgende Gleichung gegeben werden: Wenn Kreuz aufwärts, dann geben Sie lange in den Markt (d. H. Kaufsignal). Wenn Kreuz nach unten, dann schließen Sie die lange Position auf dem Markt (d. H. Verkaufssignal). Zweitens müssen wir unsere Handelsstrategie optimieren. Es ist bekannt, dass die Maximierung objektiver Funktionen wie Gewinn oder Vermögen den Handel optimieren kann. Die natürlichste Zielfunktion für einen risikounempfindlichen Händler ist der Gewinn. In unserem Software-Tool betrachten wir multiplikative Gewinne. Multiplikative Gewinne sind geeignet, wenn ein fester Bruchteil des kumulierten Vermögens in jeden langen Handel investiert wird. In unserer Software sind keine Leerverkäufe erlaubt und der Leverage-Faktor festgesetzt. Der Refinanzierungszeitpunkt ergibt sich aus der folgenden Formel: Wo ist die für die Periode realisierte Rendite, die Transaktionskosten und die binäre Dummy-Variable Was eine lange Position anzeigt (dh 1 oder 0). Der Gewinn wird durch Subtraktion aus dem letzten Reichtum der ursprünglichen Reichtum,. Die Optimierung eines Systems beinhaltet das Durchführen mehrerer Tests, während ein oder mehrere Parameter (,) innerhalb der Handelsregeln variiert werden. Die Zahl der Tests kann rasch wachsen (Metastock hat maximal 32 000 Tests). Im FinTradeTool 23. gibt es jedoch keine Begrenzung der Zeitverarbeitung, abhängig vom verwendeten Rechnersystem. In dieser Arbeit untersuchen wir die Möglichkeit, das Optimierungsproblem mit Hilfe von genetischen Algorithmen zu lösen. Genetische Algorithmen (GAs), die von Holland 13 entwickelt wurden, bilden eine Klasse von Such-, Anpassungs - und Optimierungstechniken, die auf den Prinzipien der natürlichen Evolution beruhen. Genetische Algorithmen eignen sich gut für Optimierungsprobleme, da sie bekanntermaßen Robustheit aufweisen und in der Lösungsmethodologie und Optimierungsleistung entscheidende Vorteile bieten können. GAs unterscheiden sich von anderen Optimierungs - und Suchprozeduren in gewisser Weise. Erstens arbeiten sie mit einer Codierung des Parametersatzes, nicht die Parameter selbst. Daher können GAs die binären Variablen leicht handhaben. Zweitens suchen GAs aus einer Population von Punkten, nicht einen einzigen Punkt. Daher können GAs eine Reihe von global 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 existieren. 4 Vorgeschlagenes GATradeTool im GATradeTool. Ein genetischer Algorithmus arbeitet auf einer Population von Kandidatenlösungen codiert (,). Jede Entscheidungsvariable in dem Parametersatz wird als binäre Zeichenfolge codiert, und alle werden verkettet, um ein Chromosom zu bilden. Die Chromosomendarstellung ist ein Zwei-Element-Vektor, der Parameter in der bunaren genetischen Kodierung enthält. Die Genauigkeit der binären Darstellung beträgt acht Bits pro Parameter (d. h. 1 0 0 1 0 1 1 1 1 0 0 1 0 1 1 1). Es beginnt mit einer zufällig konstruierten Bevölkerung der anfänglichen Vermutungen. Diese Lösungskandidaten werden nach unserer Zielfunktion ausgewertet (Gleichung (4)). Um die Optimalität zu erhalten, tauscht jedes Chromosom Informationen unter Verwendung von Operatoren (d. h. arithmetisches Crossover 1), die von der natürlichen Genetik entlehnt sind, um eine bessere Lösung zu erzeugen. Die Zielfunktion (Gleichung (4)) wird verwendet, um zu messen, wie Individuen in der Problemdomäne durchgeführt haben. In unserem Fall haben die am meisten angepassten Individuen den höchsten numerischen Wert der zugehörigen Zielfunktion. Die Fitness-Funktion wandelt die rohen objektiven Funktionswerte in nicht-negative Werte für jedes Individuum um. Das Tool unterstützt die Offset - und Skalierungsmethode von Goldberg 12 und den linearen Ranking-Algorithmus von Baker 3. Unsere Auswahl-Technik beschäftigt ein Roulette-Rad-Mechanismus, um probabilistisch auswählen Personen basierend auf ihrer Leistung. Ein reellwertiges Intervall Summe wird als die Summe der Zeilen-Fitnesswerte über alle Individuen in der aktuellen Population bestimmt. Individuen werden dann eins zu eins in zusammenhängende Intervalle im Bereich 0, Summe abgebildet. Die Größe jedes einzelnen Intervalls entspricht dem Fitnesswert des assoziierten Individuums. Zur Auswahl eines Individuums wird eine Zufallszahl im Intervall 0, Summe und die Einzelperson, deren Segment die Zufallszahl überspannt, erzeugt. Dieser Vorgang wird wiederholt, bis die gewünschte Anzahl von Personen ausgewählt worden ist 26. Diese Kandidaten wurden an einer arithmetischen Überkreuzung teilnehmen können, die Prozedur, die vielversprechende Kandidaten rekombiniert, um die nächste Generation zu erzeugen. Diese Schritte wurden wiederholt, bis ein wohldefiniertes Kriterium erfüllt ist. Da es sich bei der GA um eine stochastische Suchmethode handelt, ist es schwierig, Konvergenzkriterien formell festzulegen. Da die Fitness der Bevölkerung für eine Reihe von Generationen statisch bleiben kann, bevor ein überlegenes Individuum gefunden wird, wird die Anwendung herkömmlicher Abbruchkriterien problematisch. Als Ergebnis haben wir vorgeschlagen, eine bestimmte Anzahl von Iterationen als Abbruchkriterium zu erreichen. Unser genetischer Algorithmus kann im folgenden Rahmen vorgestellt werden: 5 Empirische Ergebnisse In diesem Abschnitt wenden wir unsere Methodik in einem UBS Investmentfonds an, der in Schwellenmärkten investiert. 2 Die analysierten Daten bestehen aus 2800 Beobachtungen zu den täglichen Schlusskursen des Fonds für den Zeitraum 1/5/9825/6/04. Der Optimierungszeitraum ist zwischen 1/5/98 und 25/6/03 festgelegt. Das optimierte System wurde im erweiterten Zeitraum 25/6/0325/6/04 ausgewertet. Das Optimierungsproblem wird festgelegt, um die optimalen Längen des Dimbeta-Indikators und seinen gleitenden Durchschnitt für das einfache Dimbeta-Modell zu bestimmen, das die Gewinne maximiert. Zuerst wird die Wirkung verschiedener GA-Parameter-Konfigurationen untersucht. Insbesondere sind wir daran interessiert, den Einfluss der Populationsgröße und des Crossover-Parameters auf die Performance des genetischen Algorithmus-basierten Optimierungsverfahrens zu messen. Basierend auf den Empfehlungen von Goldbergs 12 und Bauers 4 sollte die Populationsgröße gleich 30 sein und die Crossover-Rate sollte 0,6 (Standardwerte) betragen. Die Anzahl der Iterationen wurde für alle Simulationen auf 300 gesetzt. Zweitens verglichen wir die Lösungen der Optimierung Problem durch verschiedene Software-Tools durchgeführt, um die Gültigkeit des GATradeTool vorgeschlagen. Tabelle 1 liefert die GA-Optimierungsergebnisse für verschiedene Größen von Populationen. Die erste Zeile der Tabelle zeigt die besten Parameter für die Dimbeta-Anzeige und den gleitenden Durchschnitt von Dimbeta. Um die Wirkung der Populationsgröße in der besten Lösung zu messen, untersuchen wir eine Reihe verschiedener Statistiken. Die Lösung mit der maximalen und minimalen Rendite, der durchschnittlichen Rendite, der Standardabweichung dieser Lösungen, der Zeit, die für die Konvergenz des Algorithmus benötigt wird, und einen Effizienzindex, der durch Division der maximalen Rückkehrlösung durch die Standardabweichung von Lösungen berechnet wird. Tabelle 1: Populationsgrößeneffekt In Tabelle 1 können wir sagen, dass, solange Sie die Populationsgröße erhöhen, die besten und die durchschnittlichen Lösungen höher sind. Jedoch nach einer Bevölkerungsgröße von 30 sank die Leistung. Um die rechnerischen Kosten zu berücksichtigen, die seit der Zunahme der Bevölkerungsgröße einhergehen, berechnen wir die für die Lösung des Problems benötigte Zeit. Niedrige Populationsgröße führt zu niedriger Leistung und geringer Fertigstellungszeit. Entsprechend dem Wirkungsgradindex ist die beste Lösung diejenige, die durch die Populationsgröße 20 gegeben wird. Um eine Basisleistung des Algorithmus zu schaffen, wurden 30 Versuche des GA mit einer unterschiedlichen zufälligen Anfangspopulation für jeden Versuch durchgeführt. Feige. 1a. Zeigt, wie sich die Leistung im Laufe der Zeit verbessert hat, indem die durchschnittliche maximale Fitness als Prozentsatz des optimalen Wertes gegenüber der Erzeugungszahl angegeben wird. Zuerst haben wir den maximalen Fitnesswert für jede der 30 Versuche erhoben, die dies für jede Generation und jeden Versuch durchgeführt wird. Wir haben dann die maximalen Fitnesswerte gemittelt und diese Zahl dividiert durch den optimalen Fitnesswert, der durch enumerative Suche erzielt wurde (FinTrade-Tool, 23), was uns die durchschnittliche maximale Fitness als Prozentsatz des optimalen Wertes pro Generation verlieh. Feige. 1a. Basisparametereinstellungen: Prozentsatz des optimalen. Wie in Fig. 1a. Die durchschnittliche maximale Fitness der ersten Generation beträgt etwa 74 des optimalen Wertes. Jedoch hat der Algorithmus in der fünfzigsten Generation wenigstens eine Lösung gefunden, die innerhalb von 90 des optimalen Wertes lag. Nach der fünfzigsten Generation könnte die Lösung 98 des optimalen Wertes erreichen. Bei Leistungsmessungen aus unseren Grundeinstellungen als Bezugspunkt untersuchten wir die möglichen Abweichungen im Grundverfahren. Wir untersuchten den Effekt von Veränderungen der Populationsgröße und der Crossover-Rate. Für jede andere Parametereinstellung führten wir 30 Versuche des Algorithmus durch und verglichen dann die Graphen der durchschnittlichen maximalen Fitness mit denen, die für die Grundeinstellung erhalten wurden. Zuerst versuchten wir Crossover-Raten 0,4 und 0,8. Die Ergebnisse sind in Fig. 3 gezeigt. 1b und Fig. 1c. Die ähnlich Fig. 1a. Insofern beeinflussen Crossover-Parameter die optimale Lösung nicht kritisch. Allerdings sind die Ergebnisse unterschiedlich, wenn wir die Bevölkerungsgröße zu verändern. Gemß Fig. 1d und Fig. 1e ist. Mit einer kleinen Populationsgröße hatten wir schlechtere Ergebnisse als bei einer großen Population. Als wir 80 Populationsgröße wählten, erreichten wir hohe Erträge in frühen Generationen. Feige. 1b. Crossover 0,40: Prozent von optimal. Feige. 1c. Crossover 0,80: Prozent von optimal. Feige. 1d. Bevölkerung 80: Prozent der optimalen. Feige. 1e. Bevölkerung 20: Prozent der optimalen. Durch Betrachten von Tabelle 2 können Sie die Ergebnisse der Optimierung unseres Handelssystems mit Hilfe von drei verschiedenen Software-Tools vergleichen. Die erste Zeile gibt das Ergebnis für das GATradeTool gegen das Metastock und das FinTradeTool 23. Unser vorgeschlagenes Software-Tool (GATradeToo l) kann das Optimierungsproblem sehr schnell lösen, ohne dass die Anzahl der Tests insgesamt beschränkt werden muss. Die maximale Anzahl der Tests, die in der Metastock Software durchgeführt werden können, beträgt 32 000. Das FinTradeTool benötigt wesentlich mehr Zeit, um die optimale Lösung zu finden. Die Lösung des GATradeTools. Ist der optimalen Lösung des FinTradeTools nahe. Tabelle 2. Vergleich von drei verschiedenen Software-Tools Optimierte Parameter (Dimbeta MovAv (DimBeta)) Die Trading-Systeme mit den optimalen Parametern, die im Zeitraum 1/5/9825/6/03 gefunden wurden, wurden im Bewertungszeitraum 25/6 getestet / 0325/6/04. Die Performance unseres Handelssystems wurde in allen Software-Tools erhöht. Allerdings sind die Kosten der Zeit sehr ernst zu nehmen (Spalte 4). Feige. 2 zeigt die Entwicklung der maximalen, minimalen und durchschnittlichen Rendite über die 300 Generationen für das Dimbeta-Handelssystem (Bevölkerungsgröße 80, Crossover-Rate 0,6). Es kann beobachtet werden, dass die maximale Rendite einen positiven Trend aufweist. Sie scheint nach 150 Generationen relativ stabil zu sein und bewegt sich im Bereich zwischen 1,2 und 1 (d. h. 120100 Rückkehr). Für die minimale Fitness scheint kein Muster zu existieren. Für die durchschnittliche Bevölkerung gibt es einen deutlichen Aufwärtstrend in den ersten 180 Generationen zu finden, dies ist ein Hinweis darauf, dass die allgemeine Fitness der Bevölkerung im Laufe der Zeit verbessert. Hinsichtlich der Volatilität der Lösungen stabilisiert sich die Standardabweichung der Lösungen nach einer Zunahme der ersten Generationen in einem Bereich zwischen 0,3 und 0,6, was für einen stabilen und effizienten Lösungssatz spricht. Feige. 2. Entwicklung mehrerer Statistiken über 300 Generationen. Feige. Fig. 3 zeigt eine dreidimensionale Darstellung der optimalen Lösungen des GATradeTools. In Achsen haben wir die Parameter, für den Dimbeta-Indikator und seinen gleitenden Durchschnitt. Achse 2 zeigt die Rückkehr des Dimbeta-Handelssystems für die ausgewählten optimalen Parameter. Wie es leicht verständlich ist, bietet unser Werkzeug im Gegensatz zum FinTradeTool, das nur die beste Lösung bietet, einen Bereich von optimalen Lösungen. Feige. 3. Eine 3D-Darstellung der optimalen Fläche. 6 Schlussfolgerungen Während die technische Analyse weitgehend als Investmentansatz von Praktikern oder Akademikern verwendet wird, konzentrieren sie sich selten auf die Frage der Parameteroptimierung. Es ist nicht unsere Aufgabe, hier technische Analysen zu verteidigen, obwohl unsere Ergebnisse zeigen, dass es eine gewisse Vorhersagbarkeit in den UBS Investmentfonds gibt, die in Schwellenmärkte investieren, basierend auf historischen Daten allein. Unser Hauptziel in diesem Beitrag ist zu zeigen, dass die neue Technologie von MATLAB genutzt werden kann, um ein genetisches Algorithmen-Tool zu implementieren, das die Optimierung technischer Handelssysteme verbessern kann. Unsere experimentellen Ergebnisse zeigen, dass GATradeTool den digitalen Handel verbessern kann, indem schnell eine Reihe von nahezu optimalen Lösungen bereitgestellt wird. Hinsichtlich der Wirkung verschiedener GA-Parameterkonfigurationen haben wir festgestellt, dass eine Zunahme der Populationsgröße die Leistungsfähigkeit des Systems verbessern kann. Der Parameter der Crossover-Rate beeinflusst die Qualität der Lösung nicht ernsthaft. Durch Vergleich der Lösungen des Optimierungsproblems, die von verschiedenen Software-Tools durchgeführt wurden, haben wir festgestellt, dass das GATradeTool eine bessere Leistung erzielen kann, indem wir sehr schnell einen Satz von optimalen Lösungen bereitstellen, die eine Konsistenz während des gesamten Evaluierungszeitraums darstellen. Schließlich wäre es für die weitere Forschung interessant, eine Reihe verschiedener Systeme zu testen, um die Korrelation zwischen einem genetischen Algorithmus und den Systemleistungen zu sehen. In einer Zeit der häufigen Änderungen an den Finanzmärkten können Forscher und Händler ihre spezifischen Systeme in GATradeTool leicht testen, indem sie nur die Funktion ändern, die die Handelssignale erzeugt. Danksagungen Diese Forschungsarbeit war Teil der Postdoktoranden-Forschung von Dr. S. Papadamou, die von der IKY Griechischen Staatlichen Stipendien-Stiftung gefördert wurde. Referenzen 1 F. Allen. R. Karjalainen Mit Hilfe genetischer Algorithmen, um technische Handelsregeln zu finden Journal of Financial Economic. Volume 51, 1999. pp. 245271 2 H. L. Allen. Schmelzpunkt Taylor Der Einsatz von technischen Analyse im Devisenmarkt Journal of International Money and Finance. Band 11 1992. pp. 303314 3 J. E. Baker, Adaptive Selektionsverfahren für genetische Algorithmen, in: Proceedings of the first International Conference on Genetic Algorithms, 1985, S. 101111 4 R. J. Bauer. G. E. Liepins Genetische Algorithmen und computergestützte Handelsstrategien Expert Systems in Finance. D. E. OLeary. P. R. Watkins. 1992. Elsevier Science Publishers, Amsterdam, Niederlande 5 R. J. Bauer Jr. Genetische Algorithmen und Anlagestrategien 1994. John Wiley amp Sons, Inc, New York 6 W. Brock. J. Lakonishok. B. LeBaron Einfache technische Handelsregeln und die stochastischen Eigenschaften der Aktienrenditen Journal of Finance. Band 47, 1992. S. 17311764 7 S. Brown. W. Goetzmann. R. Ibbotson. S. Ross Survivorship Bias in Leistungsstudien Review of Financial Studies. Band 5, 1992. pp. 553580 8 S. Brown. W. Goetzmann. Zeitschrift für anorganische und allgemeine Chemie. Volume 50, 1995. pp. 853873 9 Y. W. Cheung C. Y.P. Wong Die Performance der Handelsregeln auf vier asiatische Wechselkurse Multinational Finance Journal. Band 1. 1997. p. 122 K. De Jong, Eine Analyse des Verhaltens einer Klasse von genetisch adaptiven Systemen, Ph. D. Diss. F. Fernndez-Rodrguez, C. Gonzlez-Martel, S. Sosvilla-Rivero, Optimierung technischer Regeln durch genetische Algorithmen: Nachweise aus der Madrider Börse, Working Papers 2001 -14, FEDEA, 2001. ftp://ftp. fedea. es/pub/Papers/2001/dt2001-14.pdf 12 DE Goldberg Genetische Algorithmen in der Suche, Optimierung und Machine Learning 1989. Addison-Wesley 13 J. H. Holland Anpassung in natürliches und künstliches System 1975. Universität von Michigan Presse 14 N. Jegadeesh. S. Titman Rückkehr zum Kauf Gewinner und Verkauf von Verlierern: Implikationen für Börseneffizienz Journal of Finance. Band 48. Ausgabe 1. 1993. pp. 6591 15 P. J. Kaufman Die neuen Warenhandelssysteme und - verfahren 1987. John Wiley amp Sons 16 B. N. Lehmann Fad, Martingales und Markteffizienz Quarterly Journal of Economics. Band 105. 1990. S. 128 17 A. W. Lo A. C. MacKinlay Wann sind contrarian Gewinne wegen der Börsenüberreaktion Überprüfung der Finanzstudien. Band 3, 1990. pp. 175206 18 S. Mahfoud. G. Mani Finanzprognose mit Hilfe genetischer Algorithmen Zeitschrift für Angewandte Künstliche Intelligenz. Band 10, Ausgabe 6, 1996. pp. 543565 19 R. N. Markellos Backtesting Handelssysteme Zeitschrift für Computational Intelligence in Finance. Band 5. Ausgabe 6. 1997. S. 510 20 L. Menkhoff. M. Schlumberger Anhaltende Rentabilität der technischen Analyse an den Devisenmärkten BNL Quartalsbericht. In: C. Dunis, B. Rustem, (Hrsg.), H. Weller, R. Ditmar, Prognosen, Prognosen der Finanzmärkte: Advances for Exchange Rates, Zinssätze und Vermögensverwaltung, London, 1997 22 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. 11831198 23 S. Papadamou. G. Stephanides Eine neue Matlab-basierte Toolbox für computergestützten dynamischen technischen Handel Financial Engineering News. Ausgabe 31. 2003 24 S. Papadamou. S. Tsopoglou Untersuchung der Wirtschaftlichkeit technischer Analysesysteme an den Devisenmärkten Managerial Finance. Band 27. Ausgabe 8. 2001. Seiten 6378 25 F. M. Werner. D. Bondt. R. Thaler Weitere Hinweise auf Investorenüberreaktion und Börsensaisonalität Journal of Finance. The Whitley, The Genitor Algorithmus und Selektionsdruck: Warum Rank-basierte Zuweisungen von Reproduktionstests am besten sind, in: Proceedings of the Dritte Internationale Konferenz über genetische Algorithmen, 1989, pp. 116121 Arithmetischer Einpunkt-Crossover beinhaltet das zufällige Schneiden von zwei Saiten an der gleichen zufällig bestimmten Saitenposition und dann Austauschen der Schwanzabschnitte. Crossover erweitert die Suche nach neuen Lösungen in weitreichenden Richtungen. Die Struktur dieses Fonds und seine Hauptposition am 25.6.2004 sind in der folgenden Abbildung dargestellt. Copyright 2007 Elsevier Ltd. Alle Rechte vorbehalten. Improving technischer Handelssysteme durch die Verwendung eines neuen MATLAB-basierten genetischen Algorithmus-Verfahren Aktuelle Studien an den Finanzmärkten deuten darauf hin, dass die technische Analyse kann ein sehr nützliches Werkzeug bei der Vorhersage des Trends sein. Trading-Systeme sind weit verbreitet für die Marktbewertung aber die Parameter-Optimierung dieser Systeme hat wenig Interesse angezogen. In diesem Papier, um die potenzielle Macht des digitalen Handels zu erforschen, präsentieren wir ein neues MATLAB-Tool basierend auf genetischen Algorithmen das Werkzeug ist spezialisiert auf Parameter-Optimierung 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 untersucht, der in Schwellenmärkte durch unser spezifisches technisches System getestet wurde. Die Ergebnisse zeigen, dass unser vorgeschlagenes GATradeTool die üblichen, nicht adaptiven Software-Tools hinsichtlich der Stabilität der Rückkehr und der Zeitersparnis über die gesamte Probenperiode übertrifft. Allerdings haben wir Beweise für eine mögliche Populationsgröße Wirkung in der Qualität der Lösungen. Finanzmärkte Vorhersage Genetische Algorithmen Investition Technische Regeln 1. Einleitung Todayrsquos Händler und Investmentanalysten benötigen schnelle und effiziente Werkzeuge in einem rücksichtslosen Finanzmarkt. Schlachten im Handel werden heute hauptsächlich mit Computergeschwindigkeit geführt. Die Entwicklung neuer Softwaretechnologien und das Auftreten neuer Softwareumgebungen (z. B. MATLAB) bilden die Grundlage für die Lösung schwieriger finanzieller Probleme in Echtzeit. MATLABrsquos umfangreiche integrierte mathematische und finanzielle Funktionalität, die Tatsache, dass es sich sowohl um eine interpretierte und kompilierte Programmiersprache und seine Plattform Unabhängigkeit ist es gut geeignet für die Entwicklung finanzieller Anwendungen. Beweis für die Erträge, die durch technische Regeln, einschließlich Impulsstrategien (z. B. 14. 15. 16. 16. 25 xA0andxA020), gleitende Durchschnittsregeln und andere Handelssysteme 6. 2. 9 xA0andxA024, die Bedeutung der technischen Analyse unterstützen können. Allerdings haben die meisten dieser Studien das Problem der Parameter-Optimierung ignoriert, so dass sie offen für Kritik an Daten snooping und die Möglichkeit der Überlebens-Bias 7. 17 xA0andxA08. Traditionell verwendeten Forscher Ad-hoc-Spezifikation der Handelsregeln. Sie verwenden eine Standard-beliebte Konfiguration oder nach dem Zufallsprinzip ausprobieren ein paar verschiedene Parameter und wählen Sie die besten mit Kriterien auf der Grundlage der Rückkehr vor allem. Papadamou und Stephanides 23. implementierten eine neue MATLAB-basierte Toolbox für den computerunterstützten technischen Handel, die ein Verfahren für Parameteroptimierungsprobleme beinhaltet. Der Schwachpunkt ihrer Optimierungsprozedur ist jedoch die Zeit: Die Zielfunktion (z. B. Profit) isnrsquot eine einfache quadratische Fehlerfunktion, aber eine komplizierte (jede Optimierungsiteration durchläuft die Daten, erzeugt Handelssignale, berechnet Profite usw.). Wenn die Datensätze groß sind und Sie möchten Ihr System oft wieder zu optimieren und benötigen Sie eine Lösung so schnell wie möglich, dann versuchen alle möglichen Lösungen, um die beste wäre eine sehr mühsame Aufgabe sein. Genetische Algorithmen (GAs) sind besser geeignet, da sie stichprobenweise Zufallsrecherchen durchführen und sehr schnell auf Populationen nahezu optimaler Lösungen konvergieren. Die GA wird Ihnen einen Satz (Bevölkerung) von ldquogoodrdquo Lösungen. Analysten sind daran interessiert, ein paar gute Lösungen so schnell wie möglich anstelle der weltweit besten Lösung. Die weltweit beste Lösung existiert, aber es ist höchst unwahrscheinlich, dass sie weiterhin die beste sein wird. Das Ziel dieser Studie ist, zu zeigen, wie genetische Algorithmen, eine Klasse von Algorithmen in der evolutionären Berechnung, eingesetzt werden können, um die Leistungsfähigkeit und die Effizienz von EDV-gestützten Handelssystemen zu verbessern. Es ist nicht der Zweck, theoretische oder empirische Begründung für die technische Analyse zu liefern. Wir zeigen unseren Ansatz in einer bestimmten Prognose auf der Basis von Schwellenmärkten. Dieses Papier ist wie folgt organisiert. Die bisherigen Arbeiten sind in Abschnitt 2 dargestellt. Der Datensatz und unsere Methodik sind in Abschnitt 3 beschrieben. Die empirischen Ergebnisse werden in Abschnitt 4 diskutiert. Die Schlussfolgerungen folgen Abschnitt 5. 2. Frühere Arbeiten Im Bereich der Informatik und der Ingenieurwissenschaften gibt es eine große Zahl von GA-Arbeiten, aber es wurden nur wenige Arbeiten in Bezug auf geschäftsbezogene Bereiche durchgeführt. In letzter Zeit gab es ein wachsendes Interesse an GA-Nutzung in der Finanzwirtschaft, aber bisher gab es wenig Forschung über automatisierte Handel. Nach unserer Kenntnis der ersten veröffentlichten Papier Verknüpfung von genetischen Algorithmen zu Investitionen von Bauer und Liepins 4. Bauer 5 in seinem Buch ldquoGenetic Algorithmen und Investment Strategiesrdquo bot praktische Anleitung darüber, wie GAs verwendet werden, um attraktive Handelsstrategien auf Basis fundamentaler Informationen zu entwickeln. Diese Techniken können leicht auf andere Arten von Informationen wie technische und makroökonomische Daten sowie vergangene Preise erweitert werden. Nach Allen und Karjalainen 1. genetischen Algorithmus ist eine geeignete Methode, um technische Handelsregeln zu entdecken. Fernaacutendez-Rodriacuteguez et al. 11 durch den Einsatz genetischer Algorithmen Optimierung in einer einfachen Handelsregel Beweise für die erfolgreiche Nutzung von GAs von der Madrider Börse. Some other interested studies are those by Mahfoud and Mani 18 that presented a new genetic-algorithm-based system and applied it to the task of predicting the future performances of individual stocks by Neely et al. 21 and by Oussaidene et al. 22 that applied genetic programming to foreign exchange forecasting and reported some success. One of the complications in GA optimization is that the user must define a set of parameters such as the crossover rate, population size and mutation rate. According to De Jong 10 who studied genetic algorithms in function optimization good GA performance requires high crossover probability (inversely proportional to population size) and a moderate population size. Goldberg 12 and Markellos 19 suggest that a set of parameters that works well across many problems is a crossover parameter 0.6, population size 30 and mutation parameter 0.0333. Bauer 4 performed a series of simulations on financial optimization problems and confirmed the validity of Goldbergrsquos suggestions. In the present study we will perform a limited simulation study by testing various parameter configurations for the chosen trading system. We will also provide evidence for the GA proposed by comparing our tool with other software tools.0. Start Here 8220Yes You Can Design Part Time Trading Plans That Make Money8221 There are hundreds of 8220trading gurus8221 who want to sell you get-rich-quick products for big bucks. Vielleicht hast du schon ein paar gekauft. Some of them work 8211 some of these programs are even great. Aber wo fast alle scheitern, ist in der Malerei ein Bild, wie der Handel funktioniert. Ich gestehe, insgesamt hatte I8217ve viel mehr Handelssysteme, die 8220losers8221 waren als 8220winners.8221 Aber heute ist fast jedes Handelssystem, das ich handele, rentabel. Warum Weil mein Versuch und Irrtum jetzt hinter mir ist. I know what works and what does not. Ich einfach nicht mit dem Hype, der nicht funktioniert Ich messe mit Handelspläne, die funktionieren zu halten. Nun, ich sage nicht, dies zu prahlen oder prahlen, aber viele Menschen kaufen in den 8220Holy Grail8221 Unsinn. Diese Form des Denkens hält Sie zurück. Auf die gleiche Weise möchte ich, dass ihr aufhört, mit den 8220losers zu kämpfen.8221 Wie ich, ihr werdet dies in der Vergangenheit schuldig gehabt haben. Vielleicht machst du es jetzt. If you are, then stick with me. Ich werde mit Ihnen weit besser und effektiver Wege, um profitable Handelssysteme zu gestalten. Die Tatsache ist, kann ich Ihnen zeigen, wie erfolgreich zu handeln, aber es wird Arbeit nehmen Lassen Sie mich mit Ihnen teilen meine Schritt-für-Schritt, Blaupause jeder kann folgen, um profitable, Teilzeit Handelssysteme 8211 zugeschnitten auf Ihre einzigartige Situation zu folgen. 7 Jahre in der Entwicklung und getestet mit Hunderten von meinem Coaching-Kunden, ist diese Blaupause nun bewiesen, mit Forex, Aktien, Optionen, Futures, cfds und allen anderen Märkten zu arbeiten. Perfekt für Anfänger / Fortgeschrittene geeignet, um intraday oder längere Zeitrahmen zu handeln, dies ist der vollständige Leitfaden für rentables Trading. Aber warum bin ich teilen diese Informationen an diesem Punkt können Sie denken 8220If David8217s so erfolgreichen Trading warum isn8217t er sitzt auf dem Strand selbstsüchtig halten diese Methodik zu sich8221 It8217s eine gemeinsame Frage und zu beantworten I8217ve erstellt Ihnen ein Video 8211 klicken Sie hier, um zu sehen es. Und damit habe ich einen letzten Kommentar zu make8230 Bitte verstehen Sie, ein erfolgreicher Händler nimmt Arbeit Wenn Sie glauben, können Sie einen Roboter, der automatisch für Sie handeln kann, hinterlegt große Summen in Ihr Bankkonto wie Uhrwerk, mit wenig oder Keine work8230 diese website isn8217t für sie. Trading isn8217t a get rich quick philosophy 8211 to succeed you will need passion, commitment, and a desire to win 8211 if you bring those attributes, I can take you the rest of the way. David presenting live his workshop. Ihr Trading-Coach, David Jenyns 8211 Dip Fin Professional Trader, Autor und Coach Klicken Sie hier um mehr über David zu erfahren.