SnowCron SnowCron Algoritmo Genético em Sistemas de Negociação FOREX Usando Algoritmo Genético para criar rentável FOREX Estratégia de Negociação. Algoritmo Genético em Cortex Redes Neurais Software Feedforward Backpropagation Neural Network Aplicação para computações genéticas baseado Forex trading. Este exemplo usa conceitos e idéias do artigo anterior, por isso, leia Neural Network Genetic Algorithm em FOREX Trading Systems em primeiro lugar, embora não seja obrigatório. Sobre este texto Em primeiro lugar, leia o aviso de isenção de responsabilidade. Este é um exemplo de usar a funcionalidade de algoritmo genético de Software de Redes Neurais de Cortex, não um exemplo de como fazer negociação rentável. Eu não sou seu guru, nem eu deveria ser responsável por suas perdas. Cortex Neural Networks Software tem redes neurais nele, e FFBP discutimos antes é apenas uma maneira de escolher uma estratégia de negociação forex. É uma boa técnica, poderosa e quando aplicada adequadamente, muito promicing. No entanto, ele tem um problema - para ensinar a Rede Neural. Precisamos saber a saída desejada. É bastante fácil de fazer quando fazemos aproximação de função, apenas tomamos o valor real de uma função, porque sabemos o que deveria ser. Quando fazemos previsão de redes neurais. Nós usamos a técnica (descrita em artigos anteriores) de ensinar a Rede Neural sobre a história, novamente, se nós prevemos, digamos, uma taxa de câmbio, sabemos (durante o treinamento) qual é a previsão correta. No entanto, quando estamos construindo um sistema de negociação, não temos idéia de qual é a decisão de negociação correta, mesmo se nós conhecemos a taxa de câmbio Como a questão de fato, temos muitas estratégias de negociação forex que podemos usar em qualquer ponto do tempo, e Nós precisamos encontrar um bom - como O que devemos alimentar como a saída desejada de nossa rede Neural Se você seguiu nosso artigo anterior, você sabe, que temos traído para lidar com este problema. Nós ensinamos a Rede Neural para fazer previsão de taxa de câmbio (ou taxa de câmbio baseado) e, em seguida, usou essa previsão para fazer negociação. Então, fora da parte da Rede Neural do programa, nós tomamos uma decisão sobre qual Rede Neural é a melhor. Algoritmos genéticos podem lidar com este problema diretamente, eles podem resolver o problema declarado como encontrar os melhores sinais de negociação. Neste artigo vamos usar o Cortex Neural Networks Software para criar tal programa. Usando Algoritmo Genético Algoritmos Genéticos são muito bem desenvolvidos, e muito diversificada. Se você quiser aprender tudo sobre eles, eu sugiro que você use a Wikipedia, como este artigo é apenas sobre o que Cortex Neural Networks Software pode fazer. Tendo Cortex Neural Networks Software. Podemos criar uma Rede Neural que leva alguns dados, digamos, valores de um indicador, e produz alguns sinais de saída, digamos, de negociação (comprar, vender, segurar) e parar a perda / tomar níveis de lucro para posições a serem abertas. Claro, se nós semente desta Rede Neural s pesos ao acaso, os resultados comerciais serão terríveis. No entanto, vamos dizer que criamos uma dúzia de tais NNs. Então podemos testar o desempenho de cada um deles, e escolher o melhor, o vencedor. Esta foi a primeira geração de NNs. Para continuar para a segunda geração, precisamos permitir que nosso vencedor procreate, mas para evitar a obtenção de cópias idênticas, vamos somar alguns ruídos aleatórios para ele s descentants pesos. Na segunda geração, temos o nosso vencedor de primeira geração e é imperfeito (mutado) cópias. Vamos fazer o teste novamente. Teremos outro vencedor, que é melhor do que qualquer outra Rede Neural da geração. E assim por diante. Simplesmente permitimos que os vencedores se reproduzam e eliminem os perdedores, assim como na evolução da vida real, e obteremos nossa Rede Neural de melhor negociação. Sem qualquer conhecimento prévio sobre o que o sistema de negociação (algoritmo genético) deve ser como. Rede Neural Algoritmo Genético: Exemplo 0 Este é o primeiro exemplo de algoritmo genético. E um muito simples. Nós vamos percorrê-lo passo a passo, para aprender todos os truques que os seguintes exemplos usarão. O código tem comentários inline, por isso vamos focar apenas em momentos-chave. Primeiro, criamos uma rede neural. Ele está usando pesos aleatórios, e ainda não foi ensinado. Então, no ciclo, fazemos 14 cópias dele, usando MUTATION NN fumction. Esta função faz uma cópia de uma Rede Neural de origem. Adicionando valores aleatórios de 0 a (em nosso caso) 0,1 para todos os pesos. Nós mantemos as alças para resultar 15 NNs em uma matriz, podemos fazê-lo, como identificador é apenas um número inteiro. A razão pela qual usamos 15 NNs não tem nada a ver com negociação: Cortex Neural Networks Software pode plotar até 15 linhas em um gráfico simultaneamente. Podemos usar diferentes abordagens para o teste. Primeiro, podemos usar o conjunto de aprendizado, tudo de uma só vez. Em segundo lugar, podemos testar, digamos, 12000 restrições (de 100000), e percorrer o conjunto de aprendizado, do começo ao fim. Isso tornará os aprendizes diferentes, pois iremos procurar redes neurais que sejam rentáveis em qualquer dado dado, não apenas no conjunto. A segunda abordagem pode nos dar problemas, se os dados mudam, do começo ao fim. Em seguida, a rede vai evoluir, obtendo a capacidade de comércio no final do conjunto de dados, e perder a capacidade de comércio no seu início. Para resolver esse problema, vamos pegar aleatórios 12000 registros fragmentos de dados, e alimentá-lo para a Rede Neural. É simplesmente um ciclo infinito, já que 100000 ciclos nunca serão alcançados à nossa velocidade. Abaixo adicionamos uma criança para cada rede, com pesos ligeiramente diferentes. Note que 0,1 para mutação tange não é a única escolha, como a matéria de fato, mesmo este parâmetro pode ser otimizado usando algoritmo genético. NNs recém-criados são adicionados depois de 15 existentes. Desta forma, temos 30 NNs em uma matriz, 15 velhos e 15 novos. Então vamos fazer o próximo ciclo de testes, e matar perdedores, de ambas as gerações. Para fazer o teste, aplicamos a Rede Neural aos nossos dados, para produzir saídas e, em seguida, chamamos a função de Teste, que usa essas saídas para simular a negociação. Resultados de negociação são usados para deside, que NNs são melhores. Usamos um intervalo de registros nLearn, de nStart para nStart nLearn, onde nStart é um ponto aleatório dentro do conjunto de aprendizado. O código abaixo é um truque. A razão pela qual o usamos é para ilustrar o fato de que o algoritmo genético pode criar algoritmos genéticos. Mas não será necessariamente o melhor, e também, sugerir, que podemos melhorar o resultado, se implicarmos algumas limitações ao processo de aprendizagem. É possível, que o nosso sistema de comércio funciona muito bem em longos comércios, e muito pobre em curto, ou vice-versa. Se, digamos, longos comércios são MUITO bons, este algoritmo genético pode ganhar, mesmo com grandes perdas em negócios curtos. Para evitá-lo, atribuímos mais peso aos negócios longos em negócios curtos e curtos em ciclos pares. Este é apenas um exemplo, não há garantia, que vai melhorar algo. Mais sobre isso abaixo, em discussão sobre correções. Tecnicamente, você não tem que fazê-lo, ou pode torná-lo de forma diferente. Adicione lucro a uma matriz ordenada. Retorna uma posição de inserção, então usamos essa posição para adicionar identificador de rede neural, aprendendo e testando lucros para matrizes não-classificadas. Agora temos dados para a Rede Neural atual no mesmo índice de array que seu lucro. A idéia é chegar a matriz de NNs, classificados por rentabilidade. Como matriz é classifica por lucro, para remover a metade das redes, que são menos rentáveis, só precisamos remover NNs 0 a 14 As decisões de negociação são baseadas no valor do sinal de rede neural, a partir deste ponto de vista o programa é idêntico Exemplos do artigo anterior. Estratégia de negociação FOREX: Discutir o exemplo 0 Primeiro de tudo, vamos dar uma olhada em gráficos. O primeiro gráfico de lucro durante a primeira iteração não é bom em absoluto, como é de se esperar, a Rede Neural perde dinheiro (evolução da imagem 00 gen 0.png copiada após a primeira iteração da pasta de imagens): A imagem para lucro no ciclo 15 é Melhor, às vezes, algoritmo genético pode aprender muito rápido: No entanto, observe a saturação em uma curva de lucro. É interessante também olhar para a forma como os lucros individuais mudam, tendo em mente que o número da curva, digamos, 3 nem sempre é para a mesma Rede Neural. Como eles estão sendo nascidos e terminou o tempo todo: Note também que o pequeno sistema de comércio automatizado forex executa pobre em negociações curtas e muito melhor em longas, o que pode ou não estar relacionado com o fato de que o dólar estava caindo em comparação com Euros durante esse período. Também pode ter algo a ver com os parâmetros do nosso indicador (talvez, precisamos período diferente para shorts) ou a escolha de indicadores. Aqui está a história após 92 e 248 ciclos: Para nossa surpresa, o algoritmo genético falhou completamente. Vamos tentar descobrir por que, e como ajudar a situação. Em primeiro lugar, não é cada geração suposto ser melhor do que o previuos A resposta é não, pelo menos não dentro do modelo que usamos. Se tomarmos o ENTIRE aprendizado conjunto de uma vez, e usado repetidamente para ensinar NNs, então sim, eles irão melhorar em cada geração. Mas em vez disso, pegamos fragmentos aleatórios (12000 registros no tempo), e os usamos. Duas perguntas: por que o sistema falhou em fragmentos aleatórios do conjunto de aprendizagem, e por que haven t nós usamos todo o conjunto de aprendizagem bem. Para responder à segunda pergunta, eu fiz. NNs realizado muito - no conjunto de aprendizagem. E falharam no teste ajustado, pela mesma razão falha quando nós usamos o aprendizado de FFPB. Para colocá-lo de forma diferente, nossos NNs tem overspecialized, eles aprenderam a sobreviver no ambiente que eles estão acostumados, mas não fora dela. Isso acontece muito na natureza. A abordagem que tomamos em vez disso foi destinada a compensar isso, forçando NNs a executar bom em qualquer fragmento aleatório do conjunto de dados, de modo que, esperamos, eles também poderiam executar em um conjunto de testes desconhecidos. Em vez disso, eles falharam nos testes e no conjunto de aprendizado. Imagine animais, vivendo em um deserto. Muito sol, sem neve. Este é um metafor para rizing mercado, como para NNs nossos dados desempenham o papel do ambiente. Os animais aprenderam a viver num deserto. Imagine animais, que vivem em um clima frio. Neve e sem sol. Bem, eles se ajustaram. No entanto, em nosso experimento, colocamos aleatoriamente nossos NNs em um deserto, na neve, na água, nas árvores. Apresentando-os com diferentes fragmentos de dados (aleatoriamente aumentando, caindo, flat.). Animais morreram. Ou, para colocá-lo de forma diferente, nós selecionamos a melhor Rede Neural para o conjunto de dados aleatórios 1, que, digamos, foi para o mercado em ascensão. Então nós apresentamos, para os vencedores e seus filhos, uma queda dos dados do mercado s. NNs executado mal, tomamos o melhor dos artistas pobres, talvez, uma das crianças mutantes, que perdeu a capacidade de comércio no mercado em ascensão, mas tem alguma capacidade de lidar com a queda de um. Então nós giramos a tabela outra vez, e outra vez, nós começamos o mais melhor performer - mas melhor entre artistas pobres. Nós simplesmente não damos NNs nossas chances de se tornar universal. Existem técnicas que permitem que o algoritmo genético aprenda novas informações sem perder o desempenho em informações antigas (afinal, os animais podem viver no verão e no inverno, assim a evolução é capaz de lidar com mudanças repetidas). Podemos discutir essas técnicas mais tarde, embora este artigo é mais sobre o uso de Cortex Neural Networks Software. Do que sobre a construção de um sistema de comércio automatizado forex bem sucedido. Algoritmo Genético de Rede Neural: Exemplo 1 Agora é hora de falar sobre correções. Um algoritmo genético simples que criamos durante a etapa anterior tem duas falhas importantes. Primeiro, ele não negociou com lucro. É aprovado, nós podemos tentar usar o sistema parcialmente treinado (era rentável no começo). A segunda falha é mais séria: não temos controle sobre as coisas, que esse sistema faz. Por exemplo, ele pode aprender a ser rentável, mas com enormes drawsdowns. É um fato bem conhecido que, na vida real, a evolução pode otimizar mais de um parâmetro simultaneamente. Por exemplo, podemos obter um animal, que pode correr rápido E ser resistente ao frio. Por que não tentar fazer o mesmo em nosso sistema automatizado de negociação forex. Isso é quando usamos correções, que não são nada além do conjunto de punições adicionais. Digamos, nosso sistema negocia com drawdown 0.5, enquanto nós queremos confirmá-lo para 0 - 0.3 intervalo. Para dizer ao sistema que cometeu um erro, diminuímos seu lucro (um usado para determinar, qual algoritmo genético ganhou) ao grau, que é proporcional ao tamanho de DD. Então, o algoritmo de evolução cuida do resto. Há poucos fatores mais, que queremos levar em consideração: podemos querer ter mais ou menos igual número de operações de compra e venda, queremos ter mais de operações lucrativas, depois de falhas, podemos querer que o gráfico de lucro Ser linear e assim por diante. Na evolução 01.tsc implementamos um conjunto simples de correções. Em primeiro lugar, usamos um grande número para um valor de correção inicial. Multiplicamo-lo a um pequeno (geralmente, entre 0 e 1) valores, dependendo da punição que queremos aplicar. Então nós multiplicamos nosso lucro a esta correção. Como resultado, o lucro é corrigido, para refletir o quanto o algoritmo genético corresponde aos nossos outros critérios. Então usamos o resultado para encontrar uma Rede Neural vencedora. Estratégia de negociação FOREX: Discutir o exemplo 1 O exemplo 1 funciona muito melhor do que o exemplo 0. Durante os primeiros 100 ciclos, ele aprendeu muito e os gráficos de lucros parecem tranquilizadores. No entanto, como no exemplo 0, os negócios longos são muito mais rentáveis, o que provavelmente significa que há um problema em nossa abordagem. No entanto, o sistema encontrou um equilíbrio entre algumas condições iniciais contraditórias: Há alguma dinâmica positiva tanto no conjunto de aprendizagem e, mais importante, no conjunto de testes. Quanto ao aprendizado, no ciclo 278 podemos ver, que nosso sistema ficou super-treinado. Significa, ainda temos progresso no conjunto de aprendizagem: Mas o conjunto de testes mostra fraqueza: Este é um problema comum com NNs: quando ensiná-lo no conjunto de aprendizagem, aprende a lidar com ele, e às vezes, ele aprende muito bem - para o Grau, quando perde desempenho no conjunto de testes. Para lidar com esse problema, uma solução tradicional é usada: nós continuamos procurando a Rede Neural. Que executa melhor no conjunto de testes e salvá-lo, sobrescrevendo o anterior melhor, cada vez que o novo pico é alcançado. Esta é a mesma abordagem, que usamos no treinamento FFBP, exceto, desta vez temos que fazê-lo nós mesmos (adicionando código, que procura uma melhor Rede Neural em um conjunto de testes, e chamando SAVE NN, ou exportando pesos de Rede Neural para um arquivo). Desta forma, quando você parar o seu treinamento, você terá o melhor desempenho ON TESTING SET salvos e esperando por você. Note também, que não é o max. Lucro que você está procurando, mas o desempenho ideal, então considere usar correções, ao procurar um melhor desempenho em um conjunto de testes. Algoritmo Genético para FOREX Análise Técnica: Onde agora Depois que você tem o vencedor Rede Neural. Você pode seguir os passos, descritos no artigo anterior, para exportar pesos dessa Rede Neural. E depois usá-los em sua plataforma de negociação em tempo real, como Meta Trader, Trade Station e assim por diante. Alternativamente, você pode se concentrar em outras formas de otimizar a Rede Neural. Ao contrário do algoritmo FFBP, aqui você pode obter avay de usar conjuntos de aprendizagem e teste, e mover a aprendizagem seqüencial. Download Cortex Order Cortex Ver lista de preços A visibilidade é muito importante para este site. Se você gosta, por favor, ligue para este URL Um sistema de negociação Forex baseado em um algoritmo genético Referências Alvarez-Diaz, M. Alvarez, A. Previsão de taxas de câmbio usando algoritmos genéticos. Appl. Econ. Lett. 10 (6), 319 322 (2003) CrossRef Brabazon, A. O Neill, M. Evolução das regras técnicas de negociação para os mercados cambiais à vista utilizando a evolução gramatical. Comput. Manag. Sei. 1 (3), 311 327 (2004) MATH CrossRef Davis, L. Manual de Algoritmos Genéticos. Van Nostrand-Reinhold, Nova Iorque (1991) Dempster, M. A.H. Jones, C. M. Um sistema de comércio adaptativo em tempo real usando programação genética. Quant. Finance 1 (4), 397 413 (2001) CrossRef Dunis, C. Harris, A. et al. Otimização de modelos de negociação intraday com algoritmos genéticos. Rede Neural. A escolha da medida de desempenho influencia a avaliação dos fundos hedge J. Bank. Finanças 31 (9), 2632 2647 (2007) CrossRef Fama, E. F. Mercados de capital eficientes: uma revisão da teoria e do trabalho empírico. J. Finance 25 (2), 383 417 (1970) CrossRef Goldberg, D. Algoritmos Genéticos em Pesquisa, Otimização e Aprendizagem Automática. Addison-Wesley, Reading (1989) MATH Grefenstette, J. J. Algoritmos genéticos para mudar ambientes. In: Parallel Problem Solving from Nature 2, Bruxelas (1992) Harding, D. Nakou, G. et al. Os prós e os contras do levantamento como medida estatística de risco para investimentos. AIMA Journal, 16 de Abril 17 (2003) Hirabayashi, A. Aranha, C. et al. Otimização da regra de negociação em moeda estrangeira usando algoritmo genético. In: Processos da 11a Conferência Anual sobre Computação Genética e Evolutiva GECCO 09 (2009) Hryshko, A. Downs, T. Sistema para troca de moeda estrangeira usando algoritmos genéticos e aprendizado de reforço. Int. J. Sist. Sei. 35 (13), 763 774 (2004) MATH CrossRef Kaboudan, M. A. Previsão de programação genética dos preços das ações. Comput. Econ. 16 (3), 207 236 (2000) MATH CrossRef LeBaron, B. Rentabilidade técnica das regras de negociação e intervenção cambial. J. Int. Econ. 49 (1), 125 143 (1999) CrossRef LeBaron, B. Rentabilidade técnica de negociação nos mercados de câmbio nos anos 90 (2002) Levich, R. M. Thomas, L. R. A importância dos lucros técnicos das regras de negociação no mercado de câmbio: uma abordagem de bootstrap. J. Int. Dinheiro Financ. 12 (5), 451 474 (1993) CrossRef Lo, A. W. A hipótese dos mercados adaptativos. J. Portf. Manag. 30 (5), 15 29 (2004) CrossRef Menkhoff, L. Taylor, P. F. A paixão obstinada dos profissionais de câmbio: análise técnica. J. Econ. Aceso. 45 (4), 936 972 (2007) CrossRef Meyers, T. A. O Curso de Análise Técnica. McGraw-Hill, Nova Iorque (1989) Mitchell, M. Introdução aos Algoritmos Genéticos. MIT Press, Cambridge (1996) Neely, C. Weller, P. Negociação intraday técnica no mercado de câmbio. J. Int. Dinheiro Financ. 22 (2), 223 237 (2003) CrossRef Neely, C. Weller, P. et al. A análise técnica no mercado cambial é rentável Uma abordagem de programação genética. J. Financ. Quant. Anal. 32 (4), 405 426 (1997) CrossRef Neely, C. J. Weller, P. A. Et ai. A hipótese dos mercados adaptativos: evidência do mercado cambial. J. Financ. Quant. Anal. 44 (02), 467 488 (2009) CrossRef Olson, D. Os lucros das regras de negociação nos mercados cambiais declinaram ao longo do tempo J. Banco. Finance 28 (1), 85 105 (2004) CrossRef Osman, I. H. Kelly, J. P. Meta-Heurística: Aplicações Teóricas. Kluwer Academic, Dordrecht (1996) MATH Park, C.-H. Irwin, S. H. O que sabemos sobre a rentabilidade da análise técnica J. Econ. Surv. 21 (4), 786 826 (2007) CrossRef Pictet, O. V. Dacorogna, M. M. Et ai. Usando algoritmos genéticos para otimização robusta em aplicações financeiras. Rede Neural. World 5 (4), 573 587 (1995) Reeves, C. R. Utilizando algoritmos genéticos com pequenas populações. In: Procedimentos da Quinta Conferência Internacional sobre Algoritmos Genéticos. Morgan Kaufmann, San Mateo (1993) Rothlauf, F. Goldberg, D. Representações redundantes na computação evolutiva. Illinois Laboratório de Algoritmos Genéticos (IlliGAL) Relatório (2002) Schulmeister, S. Componentes da rentabilidade da negociação de moeda técnica. Appl. Financ. Econ. 18 (11), 917 930 (2008) CrossRef Sweeney, R. J. Superando o mercado de câmbio. J. Finanças 41 (1), 163 182 (1986) Wilson, G. Banzhaf, W. Interday troca de divisas usando programação genética linear. In: Processos da 12 ª Conferência Anual sobre Computação Genética e Evolutiva GECCO 10 (2018) Um sistema de negociação de Forex baseado em um algoritmo genético Citações Referências 7 Referências Referências 42 SUMÁRIO: Atualmente FOREX (mercado de câmbio) é o maior financeiro Mercado mundial. Normalmente, a análise do mercado Forex é baseada na previsão da série de tempo de Forex. No entanto, os sistemas especializados de negociação com base nessas previsões geralmente não fornecem resultados satisfatórios. Por outro lado, os sistemas de negociação de ações especializadas chamado sistemas de negociação mecânica, que são baseados na análise técnica, são muito populares e podem proporcionar bons lucros. Portanto, neste artigo propomos um sistema de negociação Forex com base em alguns novos indicadores de análise técnica e uma nova abordagem para o raciocínio probatório baseado em regras (RBER) (a síntese da lógica fuzzy ea teoria de Dempster Shafer). Verificou-se que as regras de lógica fuzzy tradicionais perdem uma informação importante, quando se lida com as classes fuzzy de intersecção, e. Tais como Baixo e Médio e temos demonstrado que esta propriedade pode levar a resultados controversos na prática. No quadro da nova abordagem proposta no presente documento, uma informação dos valores de todas as funções de membro que representam as classes fuzzy que se cruzam (concorrentes) é preservada e utilizada nas regras da lógica fuzzy. As vantagens da abordagem proposta são demonstradas utilizando o sistema especializado aperfeiçoado e testado nos dados reais do mercado Forex para os quatro pares de moedas e os prazos 15 m, 30 m, 1 h e 4 h. Artigo: Jun 2017 Ludmila Dymova Pavel Sevastjanov Direção: Krzysztof Kaczmarek Autor Resumo: Nós propomos uma arquitetura de programação genética para a geração de estratégias de troca de moeda estrangeira. As características principais do sistema são a evolução de estratégias de forma livre que não dependem de modelos anteriores e da utilização de séries de preços de múltiplos instrumentos como dados de entrada. Esta última característica constitui uma inovação em relação a trabalhos anteriores documentados na literatura. Neste artigo, utilizamos Open, High, Low, Close dados da barra em uma freqüência de 5 minutos para os pares de moeda AUD. USD, EUR. USD, GBP. USD e USD. JPY. Vamos testar a implementação analisando o desempenho na amostra e fora da amostra de estratégias para negociação do USD. JPY obtidos através de múltiplas corridas algoritmo. Avaliaremos também as diferenças entre as estratégias selecionadas de acordo com dois critérios diferentes: um baseia-se na aptidão obtida apenas no conjunto de treinamento, o segundo faz uso de um conjunto de dados de validação adicional. A atividade da estratégia e a precisão comercial são notavelmente estáveis entre os resultados da amostra e os resultados da amostra. De um aspecto de rentabilidade, os dois critérios resultam em estratégias bem sucedidas em dados fora da amostra, mas exibindo características diferentes. A estratégia global de melhor desempenho fora da amostra atinge um retorno anual de 19. Artigo Nov 2017 Problemas Matemáticos em Engenharia Simone Cirillo Stefan Lloyd Peter Nordin Resumo O mercado de futuros do petróleo cru desempenha um papel crítico no financiamento de energia. Para obter maior retorno do investimento, estudiosos e comerciantes usam indicadores técnicos ao selecionar estratégias de negociação no mercado futuro de petróleo. Neste artigo, os autores usaram os preços médios móveis de futuros de petróleo com algoritmos genéticos para gerar regras comerciais lucrativas. Definimos indivíduos com diferentes combinações de comprimentos de período e métodos de cálculo como regras de negociação média móvel e utilizaram algoritmos genéticos para procurar os comprimentos adequados de períodos de média móvel e os métodos de cálculo apropriados. Os autores usaram os preços diários do petróleo bruto dos futuros NYMEX de 1983 a 2017 para avaliar e selecionar regras de média móvel. Comparamos as regras de negociação geradas com a estratégia de compra e retenção (BH) para determinar se as regras de negociação média móvel geradas podem obter retornos excedentes no mercado de futuros de petróleo bruto. Através de 420 experiências, determinamos que as regras de negociação geradas ajudam os comerciantes a fazer lucros quando há flutuações de preços óbvias. As regras de negociação geradas podem obter retornos excessivos quando o preço cai e experimenta flutuações significativas, enquanto a estratégia BH é melhor quando o preço aumenta ou é suave, com poucas flutuações. Os resultados podem ajudar os comerciantes a escolher melhores estratégias em diferentes circunstâncias. Full-text Article May 2017 Os dados são fornecidos a título meramente informativo. Embora cuidadosamente coletadas, a precisão não pode ser garantida. O fator de impacto representa uma estimativa aproximada da política real da revista ou do contrato de licença pode ser aplicável. O autor pode arquivar uma versão pré-impressa O autor pode arquivar uma versão pós-impressão A pré-impressão do autor em servidores pré-impressos, como arXiv O site pessoal do autor imediatamente O autor s post-print em qualquer repositório de acesso aberto após 12 meses após a publicação Publisher Versão de publicação / PDF não pode ser usado Fonte publicada deve ser reconhecida Deve link para a versão do editor Definir frase para acompanhar o link para a versão publicada (ver política) Artigos em algumas revistas podem ser feitas Acesso aberto mediante pagamento de taxa adicional Última Atualização: 17 Jul 16
No comments:
Post a Comment