SnowCron SnowCron genetischen Algorithmus in FOREX Trading Systems mit genetischen Algorithmus zu profitable FOREX Trading-Strategie zu schaffen. Genetischer Algorithmus in Cortex Neuronale Netze Software Feedforward Backpropagation Neuronales Netz Anwendung für genetische Berechnungen basierte Forex Trading. Dieses Beispiel verwendet Konzepte und Ideen des vorherigen Artikels, also lesen Sie bitte Neural Network Genetic Algorithm in Forex Trading Systems zuerst, obwohl es nicht obligatorisch ist. Zu diesem Text Zuerst lesen Sie bitte den Haftungsausschluss. Dies ist ein Beispiel für die Verwendung von Cortex Neural Networks Software genetischen Algorithmus-Funktionalität, nicht ein Beispiel, wie man profitabel Handel tun. Ich bin nicht euer Guru, und ich sollte auch nicht für eure Verluste verantwortlich sein. Cortex Neural Networks Software hat neuronale Netzwerke in ihr, und FFBP wir diskutiert, bevor ist nur eine Möglichkeit der Auswahl eines Forex Trading-Strategien. Es ist eine gute Technik, leistungsstark und wenn richtig angewendet, sehr vielversprechend. Allerdings hat es ein Problem - das Neuronale Netz zu lehren. Müssen wir die gewünschte Ausgabe wissen. Es ist ziemlich einfach zu tun, wenn wir Funktion Näherung tun, nehmen wir nur den realen Wert einer Funktion, weil wir wissen, was es sein sollte. Wenn wir neuronale Netzwerk-Prognose. Verwenden wir die in früheren Artikeln beschriebene Technik des Neuronalen Netzes über die Geschichte, wenn wir, wie wir sagen, einen Wechselkurs voraussagt, wissen wir (während des Trainings), was die richtige Vorhersage ist. Allerdings, wenn wir ein Handelssystem zu bauen, haben wir keine Ahnung, was die richtige Handelsentscheidung ist, auch wenn wir wissen, der Wechselkurs Wie die Tatsache, wir haben viele Forex Trading-Strategien können wir zu jedem Zeitpunkt verwenden, und Müssen wir eine gute finden - wie Was sollten wir als die gewünschte Leistung des Neuronalen Netzes füttern Wenn Sie unserem vorherigen Artikel gefolgt sind, wissen Sie, dass wir betrogen haben, um mit diesem Problem umzugehen. Wir lehrten das Neuronale Netz zu tun Wechselkurs (oder Wechselkurs-basierte Indikator) Vorhersage, und dann verwendet diese Vorhersage zu tun Handel. Dann, außerhalb der Neural Network Teil des Programms, haben wir eine Entscheidung, auf die Neural Network ist die beste. Genetische Algorithmen können mit diesem Problem direkt umgehen, können sie lösen das Problem als die besten Trading-Signale finden. In diesem Artikel werden wir Cortex Neural Networks Software verwenden, um ein solches Programm zu erstellen. Mit genetischen Algorithmen genetische Algorithmen sind sehr gut entwickelt und sehr vielfältig. Wenn Sie alles über sie lernen wollen, schlage ich vor, Sie verwenden Wikipedia, da dieser Artikel nur darüber, was Cortex Neural Networks Software tun kann. Mit der Cortex Neural Networks Software. Können wir ein Neuronales Netz schaffen, das einige Werte, zB Werte eines Indikators, annimmt und einige Outputs erzeugt, zB Handelssignale (Kauf, Verkauf, Halten) und Stop-Loss / Take-Profit für Positionen, die geöffnet werden sollen. Natürlich, wenn wir diese Neural Network s Gewichte zufällig seed, werden die Handelsergebnisse schrecklich sein. Wir wollen aber sagen, dass wir ein Dutzend solcher NNs geschaffen haben. Dann können wir testen Leistung von jedem von ihnen, und wählen Sie die beste, der Gewinner. Dies war die erste Generation von NNs. Um mit der zweiten Generation fortzufahren, müssen wir unserem Sieger erlauben, sich zu formen, aber um zu vermeiden, identische Kopien zu erhalten, lassen wir s einige zufällige Geräusche zu s s Abkömmlinge Gewichte. In der zweiten Generation haben wir unsere erste Generation Gewinner und es ist unvollkommen (mutierte) Kopien. Lassen Sie uns noch einmal testen. Wir haben einen weiteren Sieger, der BESSER ist als jedes andere Neuronale Netzwerk in der Generation. Und so weiter. Wir erlauben es den Gewinnern, zu züchten und die Verlierer zu eliminieren, genau wie in der wirklichen Evolution, und wir werden unser bestes Trading Neural Network bekommen. Ohne vorheriges Wissen über das, was das Handelssystem (genetischer Algorithmus) sein sollte. Neuronales Netzwerk Genetischer Algorithmus: Beispiel 0 Dies ist das erste Beispiel eines genetischen Algorithmus. Und eine sehr einfache. Wir werden Schritt für Schritt durch sie gehen, um alle Tricks zu lernen, die folgende Beispiele nutzen werden. Der Code hat Inline-Kommentare, so lassen s nur auf wichtige Momente konzentrieren. Zuerst haben wir ein neuronales Netzwerk geschaffen. Es ist mit zufälligen Gewichten, und wurde noch nicht unterrichtet. Dann, im Zyklus, machen wir 14 Kopien davon, mit MUTATION NN fumction. Diese Funktion macht eine Kopie eines Quell-Neuronalen Netzes. Zufallswerte von 0 bis (in unserem Fall) 0,1 zu allen Gewichten addieren. Wir halten Griffe zu resultierenden 15 NNs in einem Array, können wir es tun, da Handle ist nur eine ganze Zahl. Der Grund, warum wir 15 NNs verwenden, hat nichts mit dem Handel zu tun: Cortex Neural Networks Software kann bis zu 15 Zeilen auf einem Chart gleichzeitig darstellen. Wir können verschiedene Ansätze für die Prüfung verwenden. Zuerst können wir das Lernset verwenden, alles auf einmal. Zweitens können wir auf 12000 Resonanzen (von 100000) testen und durch das Lernset gehen, von Anfang bis Ende. Das wird lernen, verschiedene, wie wir für Neural Network s, die profitabel sind, auf einem bestimmten Teil der Daten, nicht nur auf den gesamten Satz zu suchen. Der zweite Ansatz kann uns Probleme, wenn Daten ändern, von Anfang bis Ende. Dann wird das Netzwerk entwickeln, die Fähigkeit zu erwerben, am Ende des Datensatzes handeln, und verlieren Fähigkeit, den Handel an seinem Anfang. Um dieses Problem zu lösen, werden wir zufällige 12000 Datensätze Fragmente aus Daten zu nehmen, und füttern sie an das neuronale Netzwerk. Ist einfach ein endloser Zyklus, da 100000 Zyklen nie bei unserer Geschwindigkeit erreicht werden. Darunter fügen wir ein Kind für jedes Netzwerk, mit etwas anderen Gewichten. Beachten Sie, dass 0,1 für Mutation Tange ist nicht die einzige Wahl, wie die Tatsache, auch dieser Parameter kann mit Hilfe von genetischen Algorithmus optimiert werden. Neu erstellte NNs werden nach 15 bestehenden hinzugefügt. Auf diese Weise haben wir 30 NNs in einem Array, 15 alte und 15 neue. Dann werden wir den nächsten Testzyklus durchführen und Verlierer von beiden Generationen töten. Um Tests durchzuführen, wenden wir Neuronales Netz an unsere Daten an, um Ausgänge zu erzeugen und dann Testfunktion aufzurufen, die diese Ausgänge zur Simulation des Handels verwendet. Die Ergebnisse des Handels werden verwendet, um zu entwerten, welche NNs am besten sind. Wir verwenden ein Intervall von nLearn-Datensätzen, von nStart bis nStart nLearn, wobei nStart ein zufälliger Punkt innerhalb des Lernsatzes ist. Der Code unten ist ein Trick. Der Grund, warum wir es verwenden, ist die Tatsache zu veranschaulichen, dass genetischer Algorithmus einen genetischen Algorithmus erzeugen kann. Aber es wird nicht notwendigerweise die beste sein, und auch, um vorzuschlagen, dass wir das Ergebnis verbessern können, wenn wir einige Einschränkungen des Lernprozesses implizieren. Es ist möglich, dass unser Handelssystem sehr gut auf langen Trades funktioniert und sehr schlecht auf kurzem, oder umgekehrt. Wenn, sagen wir, lange Trades SEHR gut sind, kann dieser genetische Algorithmus gewinnen, auch mit großen Verlusten auf Short Trades. Um es zu vermeiden, weisen wir den Long-Trades in ungeraden und kurzen Trades in gleichmäßigen Zyklen mehr Gewicht zu. Dies ist nur ein Beispiel, es gibt keine Garantie, dass es etwas verbessern wird. Mehr darüber unten, in der Diskussion über Korrekturen. Technisch, Sie don t haben, es zu tun, oder kann es anders machen. Fügen Sie einem sortierten Array einen Gewinn hinzu. Es gibt eine Einfügeposition zurück, dann verwenden wir diese Position, um Neural Network Griff hinzuzufügen, Lernen und Testen von Gewinnen in nicht sortierte Arrays. Jetzt haben wir Daten für das aktuelle Neuronale Netzwerk mit dem gleichen Array-Index wie sein Gewinn. Die Idee ist, zu Array von NNs, sortiert nach Rentabilität zu gelangen. Da Array nach Gewinn sortiert ist, um 1/2 von Netzwerken zu entfernen, die weniger rentabel sind, müssen wir nur NNs 0 bis 14 entfernen. Entscheidungen für den Handel basieren auf dem Wert des Neuronalen Netzwerksignals, von diesem Standpunkt aus ist das Programm identisch Beispiele aus dem vorherigen Artikel. FOREX Trading-Strategie: Diskussion Beispiel 0 Zunächst einmal, lassen Sie uns einen Blick auf Charts. Das erste Diagramm für den Gewinn während der ersten Iteration ist nicht gut, wie zu erwarten ist, verliert das Neuronale Netz Geld (image evolution 00 gen 0.png kopiert nach der ersten Iteration aus dem Bilderordner): Das Bild für Profit auf Zyklus 15 ist Besser, manchmal genetischen Algorithmus kann wirklich schnell lernen: Allerdings bemerken die Sättigung auf einer Gewinn-Kurve. Interessant ist auch, wie sich einzelne Profite verändern, wobei man bedenkt, dass die Kurvenzahl, sagen wir, 3 nicht immer für dasselbe Neuronale Netz gilt. Wie sie geboren und beendet werden die ganze Zeit: Beachten Sie auch, dass aus kleinen Forex-automatisierte Handelssystem führt schlechte auf kurze Trades, und viel besser auf longs, die möglicherweise mit der Tatsache, dass der Dollar im Vergleich zu sinken In diesem Zeitraum. Es kann auch etwas mit den Parametern unseres Indikators zu tun haben (vielleicht brauchen wir verschiedene Zeit für Shorts) oder die Wahl der Indikatoren. Hier ist die Geschichte nach 92 und 248 Zyklen: Zu unserer Überraschung, genetischen Algorithmus völlig versagt. Lassen Sie uns versuchen, herauszufinden, warum, und wie die Situation zu helfen. Zunächst einmal ist nicht jede Generation besser als die vorherrschende Die Antwort ist nein, zumindest nicht innerhalb des Modells, das wir verwendet haben. Wenn wir ENTIRE Lernen auf einmal gesetzt und es immer wieder verwendet, um unsere NNs zu lehren, dann ja, werden sie auf jede Generation zu verbessern. Stattdessen nahmen wir zufällige Fragmente (12000 Datensätze in der Zeit), und verwendet sie. Zwei Fragen: Warum das System auf zufälligen Fragmenten des Lernsatzes fehlgeschlagen ist und warum haben wir das gesamte Lernset gut genutzt. Um die zweite Frage zu beantworten, habe ich. NNs durchgeführt sehr - auf Lern-Set. Und sie fehlgeschlagen beim Testen Set, aus dem gleichen Grund scheitert es, wenn wir FFPB-Lernen verwendet. Um es anders auszudrücken, wurden unsere NNs überspezialisiert, sie haben gelernt, in der Umgebung zu überleben, die sie gewohnt sind, aber nicht draußen. Das geschieht sehr viel in der Natur. Der Ansatz, den wir stattdessen beabsichtigten, war zu kompensieren, dass durch die zwingende NNs, um gut auf jedem zufälligen Fragment des Datensatzes durchzuführen, so dass hoffentlich konnten sie auch auf einem unbekannten Test-Set. Stattdessen scheiterten sie sowohl beim Testen als auch beim Lernsatz. Stellen Sie sich vor, Tiere, die in einer Wüste leben. Viel Sonne, kein Schnee. Dies ist eine Metafor für rizing Markt, wie für unsere NNs Daten spielen die Rolle der Umwelt. Tiere lernten, in einer Wüste zu leben. Stellen Sie sich vor, Tiere, die in einem kalten Klima zu leben. Schnee und keine Sonne. Nun, sie stellten sich. Allerdings haben wir in unserem Experiment zufällig unsere NNs in einer Wüste, im Schnee, im Wasser, an den Bäumen platziert. Indem man sie mit verschiedenen Datenfragmenten (zufällig steigend, fallend, flach) präsentiert. Tiere starben. Um es anders auszudrücken, haben wir das beste Neuronale Netzwerk für den Zufallsdatensatz 1 ausgewählt, der zum Beispiel für den steigenden Markt war. Dann stellten wir den Gewinnern und ihren Kindern eine sinkende Marktsituation vor. NNs schlecht durchgeführt haben, nahmen wir am besten von schlechten Leistungsträgern, vielleicht, einer der mutierten Kinder, die Fähigkeit verloren, auf dem steigenden Markt zu handeln, aber bekam einige Fähigkeit, mit fallender zu bewältigen. Dann drehten wir den Tisch wieder um, und wieder haben wir den besten Spieler - aber am besten unter schlechten Künstlern. Wir geben unseren NNs keine Chancen, universal zu werden. Es gibt Techniken, die den genetischen Algorithmus erlauben, neue Informationen zu erlernen, ohne die Leistung auf alten Informationen zu verlieren (schließlich können die Tiere im Sommer und im Winter leben, richtig, so Evolution ist in der Lage, wiederholende Änderungen zu behandeln). Wir können diese Techniken später zu diskutieren, obwohl dieser Artikel ist mehr über die Verwendung von Cortex Neural Networks Software. Als über den Aufbau eines erfolgreichen Forex-automatisierten Handelssystems. Neuronales Netz Genetischer Algorithmus: Beispiel 1 Jetzt ist es Zeit, über Korrekturen zu sprechen. Ein einfacher genetischer Algorithmus, den wir im vorigen Schritt erstellt haben, hat zwei Hauptfehler. Erstens gelang es nicht, mit Gewinn zu handeln. Es ist ok, wir können versuchen, teilweise geschultes System zu benutzen (es war am Anfang rentabel). Der zweite Fehler ist ernster: wir haben keine Kontrolle über Dinge, die dieses System tut. Zum Beispiel kann es lernen, rentabel zu sein, aber mit riesigen Drawdowns. Es ist eine bekannte Tatsache, dass Evolution im wirklichen Leben mehr als einen Parameter gleichzeitig optimieren kann. Zum Beispiel können wir ein Tier bekommen, das schnell laufen kann und resistent gegen Kälte sein kann. Warum nicht zu versuchen, das Gleiche in unserem Forex-automatisierten Handelssystem. Das ist, wenn wir Korrekturen, die nichts anderes als die Menge der zusätzlichen Strafen sind. Sagen wir, unser System handelt mit Drawdown 0.5, während wir es auf 0 - 0.3 Intervall bestätigen wollen. Um dem System zu sagen, dass es einen Fehler gemacht hat, verringern wir seinen Profit (einer verwendet, um zu bestimmen, welcher genetische Algorithmus gewonnen hat) in dem Grad, der proportional zur Größe von DD ist. Dann kümmert sich der Evolutionsalgorithmus um den Rest. Es gibt nur wenige weitere Faktoren, die wir in Betracht ziehen wollen: Vielleicht möchten wir mehr oder weniger gleich viele Kauf - und Verkaufsgeschäfte haben, wir wollen mehr rentable Geschäfte haben, dann von Ausfällen, können wir die Gewinndiagramm wollen Linear sein und so weiter. In der Evolution 01.tsc implementieren wir einen einfachen Satz von Korrekturen. Zuerst verwenden wir eine große Zahl für einen anfänglichen Korrekturwert. Wir multiplizieren es mit einem kleinen (in der Regel zwischen 0 und 1) Werte, abhängig von der Strafe, die wir anwenden möchten. Dann multiplizieren wir unseren Gewinn mit dieser Korrektur. Als Ergebnis wird der Gewinn korrigiert, um zu reflektieren, wie viel der genetische Algorithmus unseren anderen Kriterien entspricht. Dann verwenden wir das Ergebnis, um einen Gewinner Neural Network zu finden. FOREX Handelsstrategie: Beispiel 1 Beispiel 1 arbeitet viel besser als Beispiel 0. Während der ersten 100 Zyklen hat es viel gelernt, und Gewinndiagramme sehen beruhigend aus. Allerdings sind, wie in Beispiel 0, lange Trades viel mehr rentabel, was wahrscheinlich bedeutet, dass es ein Problem in unserem Ansatz. Dennoch hat das System eine Balance zwischen zwei widersprüchlichen Anfangsbedingungen gefunden: Es gibt einige positive Dynamiken sowohl beim Lernsatz als auch, noch wichtiger, beim Testen. Wie für das weitere Lernen, bei Zyklus 278 können wir sehen, dass unser System übertraf. Es bedeutet, dass wir noch Fortschritte beim Lernen haben: Aber Testset zeigt Schwäche: Dies ist ein häufiges Problem mit NNs: Wenn wir es lernen, lernen, lernt es, damit umzugehen, und manchmal lernt es zu gut - um die Grad, wenn es verliert Leistung auf Testsatz. Um dieses Problem zu lösen, wird eine herkömmliche Lösung verwendet: Wir suchen das Neuronale Netz. Die am besten auf dem Test-Set durchgeführt wird, und speichern Sie es, überschreiben vorherige beste, jedes Mal, wenn neue Spitze erreicht wird. Dies ist der gleiche Ansatz, den wir im FFBP-Training verwendet haben, außer, diesmal müssen wir es selbst tun (Code hinzufügen, der nach einem besten Neuronalen Netzwerk auf einem Test-Set sucht und mit SAVE NN aufruft oder die Gewichte von Neural Network exportiert eine Datei). Auf diese Weise, wenn Sie Ihr Training zu stoppen, haben Sie die besten Darsteller auf TESTING SET gespeichert und warten auf Sie. Beachten Sie auch, dass es nicht die max. Profitieren Sie nach, aber optimale Leistung, so betrachten Korrekturen, bei der Suche nach einem besten Darsteller auf einem Test-Set. Genetischer Algorithmus für FOREX Technische Analyse: Wo jetzt Nachdem Sie Ihre Gewinner erhalten Neuronales Netzwerk. Können Sie die im vorherigen Artikel beschriebenen Schritte ausführen, um die Gewichte dieses Neuronalen Netzwerks zu exportieren. Und dann nutzen sie in Ihrer Echtzeit-Handelsplattform, wie Meta Trader, Trade Station und so weiter. Alternativ können Sie sich auf andere Möglichkeiten der Optimierung des Neuronalen Netzes konzentrieren. Anders als mit FFBP-Algorithmus, hier können Sie Avay aus mit Lern-und Test-Sets zu erhalten, und verschieben sequentiellen Lernen. Download Cortex Order Cortex Preisliste ansehen Die Sichtbarkeit ist für diese Seite sehr wichtig. Wenn Sie möchten, wenden Sie sich bitte Link zu dieser URL Ein Forex Trading-System auf einem genetischen Algorithmus basiert Referenzen Alvarez-Diaz, M. Alvarez, A. Forecasting Wechselkurse mit genetischen Algorithmen. Appl. Econ. Lette. 10 (6), 319 322 (2003) CrossRef Brabazon, A. O Neill, M. Entwicklung der technischen Handelsregeln für Spot-Devisenmärkte mittels grammatischer Evolution. Berechnet. Manag. Sci 1 (3), 311 327 (2004) MATH CrossRef Davis, L. Handbuch der genetischen Algorithmen. Van Nostrand-Reinhold, New York (1991) Dempster, M. A.H. Jones, C. M. Ein adaptives Echtzeit-System mit genetischer Programmierung. Quant. Finanzen 1 (4), 397 413 (2001) CrossRef Dunis, C. Harris, A. et al. Optimierung von Intraday-Handelsmodellen mit genetischen Algorithmen. Neuronales Netz. Welt 9 (3), 193 223 (1999) Eling, M. Schuhmacher, F. Hat die Wahl der Leistungsmaßnahme Einfluss auf die Bewertung von Hedgefonds J. Bank. Finanzen 31 (9), 2632 2647 (2007) CrossRef Fama, E. F. Effiziente Kapitalmärkte: eine Überprüfung der Theorie und empirischen Arbeit. J. Finance 25 (2), 383 417 (1970) CrossRef Goldberg, D. Genetische Algorithmen in der Suche, Optimierung und dem maschinellen Lernen. Addison-Wesley, Reading (1989) MATH Grefenstette, J. J. Genetische Algorithmen für wechselnde Umgebungen. In: Parallele Problemlösung aus der Natur 2, Brüssel (1992) Harding, D. Nakou, G. et al. Die Vor-und Nachteile von Drawdown als statistisches Maß für das Risiko für Investitionen. AIMA Journal, 16. April 17 (2003) Hirabayashi, A. Aranha, C. et al. Optimierung der Handelsregel in Devisen mit dem genetischen Algorithmus. In: Verfahren der 11. Jahrestagung zur genetischen und evolutionären Berechnung GECCO 09 (2009) Hryshko, A. Downs, T. System für den Devisenhandel unter Verwendung genetischer Algorithmen und Verstärkungslernen. Int. J. Syst. Sci 35 (13), 763 774 (2004) MATH CrossRef Kaboudan, M. A. Genetische Programmierung Vorhersage der Aktienkurse. Berechnet. Econ. 16 (3), 207 236 (2000) MATH CrossRef LeBaron, B. Technische Handelsregel Rentabilität und Devisenintervention. J. Int. Econ. 49 (1), 125 143 (1999) CrossRef LeBaron, B. Technische Trading-Rentabilität an den Devisenmärkten in den 1990er Jahren (2002) Levich, R. M. Thomas, L. R. Die Bedeutung der technischen Handelsregel profitiert im Devisenmarkt: ein Bootstrap-Ansatz. J. Int. Geld Financ. 12 (5), 451 474 (1993) CrossRef Lo, A. W. Die Anpassungsmärkte Hypothese. J. Portf. Manag. 30 (5), 15 29 (2004) CrossRef Menkhoff, L. Taylor, M. P. Die hartnäckige Leidenschaft der Devisenfachleute: technische Analyse. J. Econ. Lit. 45 (4), 936 972 (2007) CrossRef Meyers, T. A. Der technische Analysekurs. McGraw-Hill, New York (1989) Mitchell, M. Eine Einführung in genetische Algorithmen. MIT Press, Cambridge (1996) Neely, C. Weller, P. Intraday Technischer Handel am Devisenmarkt. J. Int. Geld Financ. 22 (2), 223 237 (2003) CrossRef Neely, C. Weller, P. et al. Ist die technische Analyse in der Devisenmarkt profitabel Eine genetische Programmierung Ansatz. J. Financ. Quant. Anal. 32 (4), 405 426 (1997) CrossRef Neely, C. J. Weller, P. A. Et al. Die Anpassungsmärkte Hypothese: Beweise aus dem Devisenmarkt. J. Financ. Quant. Anal. 44 (02), 467 488 (2009) CrossRef Olson, D. Haben die Handelsregel Gewinne in den Devisenmärkten im Laufe der Zeit sank J. Bank. Finanzierung 28 (1), 85 105 (2004) CrossRef Osman, I. H. Kelly, J. P. Meta-Heuristik: Theoretische Anwendungen. Kluwer Academic, Dordrecht (1996) MATH Park, C.-H. Irwin, S. H. Was wissen wir über die Rentabilität der technischen Analyse J. Econ. Surv. 21 (4), 786 826 (2007) CrossRef Pictet, O. V. Dacorogna, M. M. Et al. Mit genetischen Algorithmen für eine robuste Optimierung in Finanzanwendungen. Neuronales Netz. Welt 5 (4), 573 587 (1995) Reeves, C. R. Verwendung genetischer Algorithmen mit kleinen Populationen. In: Proceedings of the Fünfte Internationale Konferenz über genetische Algorithmen. Morgan Kaufmann, San Mateo (1993) Rothlauf, F. Goldberg, D. Redundante Darstellungen in der evolutionären Berechnung. Illinois Genetische Algorithmen Labor (IlliGAL) Bericht (2002) Schulmeister, S. Komponenten der Rentabilität des technischen Devisenhandels. Appl. Financ. Econ. 18 (11), 917 930 (2008) CrossRef Sweeney, R. J. Schlagen der Devisenmarkt. J. Finance 41 (1), 163 182 (1986) Wilson, G. Banzhaf, W. Interday Devisenhandel mit linear genetischer Programmierung. In: Verfahren der 12. Jahrestagung zur genetischen und evolutionären Berechnung GECCO 10 (2010) Ein Devisenhandelssystem, das auf einem genetischen Algorithmus basiert Zitate Zitate 7 Referenzen Referenzen 42 Abstract anzeigen Zusammenfassung verstecken ABSTRACT: Derzeit ist Forex (Devisenmarkt) der größte finanzielle Markt auf der ganzen Welt. In der Regel die Forex-Marktanalyse basiert auf der Forex-Zeitreihe Vorhersage. Trotzdem liefern handelskompetente Expertensysteme, die auf solchen Vorhersagen basieren, in der Regel keine zufriedenstellenden Ergebnisse. Auf der anderen Seite, Aktienhandel Expertensysteme genannt auch mechanische Handelssysteme, die auf der technischen Analyse basieren, sind sehr beliebt und kann gute Gewinne liefern. Daher schlagen wir in diesem Beitrag ein Forex Trading Expertensystem vor, das auf einigen neuen Indikatoren der technischen Analyse beruht und einen neuen Ansatz für die regelbasierte Evidence-Argumentation (RBER) (Synthese der Fuzzy-Logik und der Dempster Shafer-Theorie der Evidenz). Wir haben festgestellt, daß die herkömmlichen Fuzzy-Logikregeln eine wichtige Information verlieren, wenn man sich mit den sich überschneidenden Fuzzy-Klassen, z. B. Wie Low und Medium, und wir haben gezeigt, dass diese Eigenschaft zu den umstrittenen Ergebnissen in der Praxis führen kann. Im Rahmen des im aktuellen Papierkonzept vorgeschlagenen Ansatzes wird eine Information über die Werte aller Zugehörigkeitsfunktionen, die die sich überschneidenden (konkurrierenden) Fuzzy-Klassen repräsentieren, erhalten und in den Fuzzy-Logikregeln verwendet. Die Vorteile des vorgeschlagenen Ansatzes werden unter Verwendung des entwickelten Expertensystems, das auf den realen Daten aus dem Forex-Markt für die vier Währungspaare und den Zeitrahmen 15 m, 30 m, 1 h und 4 h optimiert und getestet wurde, demonstriert. Artikel Juni 2016 Ludmila Dymowa Pavel Sevastjanov Krzysztof Kaczmarek Abstract Zusammenfassung Abstrakt ABSTRACT: Wir schlagen eine genetische Programmierung Architektur für die Erzeugung von Devisenhandel Strategien. Die wesentlichen Merkmale des Systems sind die Entwicklung von Freiform-Strategien, die sich nicht auf vorherige Modelle und die Nutzung von Preisreihen aus mehreren Instrumenten als Eingangsdaten stützen. Dieses letztere Merkmal stellt eine Innovation gegenüber früheren Arbeiten dar, die in der Literatur dokumentiert sind. In diesem Artikel verwenden wir Open, High, Low, Close Bar Daten in einer 5 Minuten Frequenz für die AUD. USD, EUR. USD, GBP. USD und USD. JPY Währungspaare. Wir werden die Implementierung analysieren, die die In-Sample - und Out-of-Sample-Performance von Strategien für den Handel der USD. JPY analysiert, die über mehrere Algorithmusläufe erhalten werden. Wir werden auch die Unterschiede zwischen den Strategien, die nach zwei verschiedenen Kriterien ausgewählt werden, bewerten: Einer stützt sich auf die Eignung, die nur auf dem Trainingsset erhalten wird, die zweite auf einen zusätzlichen Validierungsdatensatz. Die Strategieaktivität und die Handelsgenauigkeit sind bemerkenswert stabil. Aus einem Profitabilitätsaspekt ergeben sich bei beiden Kriterien beide Strategien, die auf Out-of-Sample-Daten erfolgreich sind, aber unterschiedliche Eigenschaften aufweisen. Die insgesamt beste Out-of-Sample-Strategie erreicht eine jährliche Rendite von 19. Artikel Nov 2014 Mathematische Probleme im Maschinenbau Simone Cirillo Stefan Lloyd Peter Nordin Abstract Abstract Zusammenfassung ABSTRACT: Der Rohöl-Futures-Markt spielt eine entscheidende Rolle bei der Energiefinanzierung. Um eine höhere Investitionsrendite zu erhalten, nutzen Wissenschaftler und Händler technische Indikatoren bei der Auswahl von Handelsstrategien im Öl-Futures-Markt. In diesem Papier verwendeten die Autoren gleitende Durchschnittspreise von Öl-Futures mit genetischen Algorithmen, um rentable Handelsregeln zu generieren. Wir definierten Personen mit unterschiedlichen Kombinationen von Periodenlängen und Berechnungsmethoden als gleitende durchschnittliche Handelsregeln und verwendeten genetischen Algorithmen, um die geeigneten Längen der gleitenden Durchschnittsperioden und die entsprechenden Berechnungsmethoden zu suchen. Die Autoren verwendeten täglich Rohölpreise von NYMEX Futures von 1983 bis 2013 zu bewerten und wählen Sie gleitende durchschnittliche Regeln. Wir haben die generierten Handelsregeln mit der Buy-and-Hold-Strategie (BH) verglichen, um zu ermitteln, ob generierte bewegliche durchschnittliche Handelsregeln im Rohöl-Futures-Markt überdurchschnittliche Renditen erzielen können. Durch 420 Experimente bestimmen wir, dass die generierten Handelsregeln Händler helfen, Gewinne zu machen, wenn es offensichtliche Preisschwankungen gibt. Generierte Handelsregeln können überschüssige Renditen realisieren, wenn der Kurs sinkt und erhebliche Fluktuationen erfährt, während die BH-Strategie besser ist, wenn die Preise steigen oder mit wenigen Schwankungen glatt ist. Die Ergebnisse können Händler helfen, bessere Strategien unter verschiedenen Umständen zu wählen. Vollständiger Text Mai 2014 Die bereitgestellten Daten dienen lediglich zu Informationszwecken. Obgleich sorgfältig gesammelt, kann Genauigkeit nicht garantiert werden. Der Einflussfaktor stellt eine grobe Schätzung der tatsächlichen Politik oder der Lizenzvereinbarung der Zeitschrift dar. Autor kann eine Vorabdruck-Version archivieren Autor kann archivieren eine Post-Print-Version Autor s Pre-Print auf Pre-Print-Servern wie arXiv Autor s persönliche Website sofort Autor s post-print auf einem Open Access Repository nach 12 Monaten nach der Veröffentlichung S Version / PDF kann nicht verwendet werden Veroeffentlichte Quelle muss quittiert werden Muss Link zur Publisher-Version Setzen Sie den Satz, um den Link zur verffentlichten Version zu begleiten (siehe Politik) Artikel in einigen Zeitschriften kann gemacht werden Open Access gegen Zahlung von Zuschlag Last Updated: 17 Jul 16
No comments:
Post a Comment