Génétique Algorithme Une Application À Technique Trading Système Conception

Algorithme génétique: une application à la conception technique du système de négociation Des études récentes ont montré que dans le contexte des marchés financiers, l'analyse technique est un outil très utile pour prédire les tendances. Les règles de déménagement moyen sont généralement utilisées pour prendre des décisions d'achat ou de vente sur une base quotidienne. En raison de leur capacité à couvrir de grands espaces de recherche avec un effort de calcul relativement faible, Algorithmes génétiques (AG) pourrait être efficace dans l'optimisation des systèmes commerciaux commerciaux. Cet article étudie le problème: comment GA peut-il être utilisé pour améliorer la performance d'une règle commerciale particulière en optimisant ses paramètres et comment les changements dans la conception de l'AG elle-même peut affecter la qualité de la solution obtenue dans le contexte du système commercial commercial. Dans notre étude, nous nous sommes concentrés sur l'exploitation de la puissance des algorithmes génétiques pour ajuster les paramètres techniques des règles de négociation en arrière-plan des marchés financiers. Les résultats d'expériences basées sur des données de séries chronologiques en temps réel démontrent que la règle optimisée obtenue à l'aide de l'AG peut augmenter le bénéfice généré de façon significative par rapport aux règles traditionnelles de négociation de longueur moyenne mobile tirées de la littérature financière. Références V. Kapoor, S. Dey, A. P. Khurana Modélisation de l'influence des marchés boursiers mondiaux sur l'indice NSE indien. Publié dans les actes de la Conférence internationale sur la modélisation et la simulation (MS 09). Organisé par College of Engineering Trivandrum et AMSE. Thrivananthapuram, 1er-3 décembre 2009. Brock, W. Lakonishok, J. LeBaron, B. Règles techniques simples et propriétés stochastiques des rendements boursiers. Journal of Finance XLVII (5), 1731-1764. 1992. Xiaoqing Weng, Junyi Shen, Détection d'échantillons aberrants dans un ensemble de données temporelles multivariées. Systèmes basés sur la connaissance. Elsevier. 2008. Jarl Kallberg, Paolo Pasquariello, séries chronologiques et cotations en excès transverse dans les indices boursiers. Journal of Empirical Finance. Elsevier. 2007. Chang-Jin Kim, Jeremy Pigerc, Richard Startz, Estimation des modèles de régression à changement de régime de Markov avec commutation endogène. Journal of Econometrics. Elsevier. 2007. Nicolaas Groenewold, Sam Hak Kan Tang, Wu Yanrui. La rentabilité des règles de négociation basées sur la régression pour le marché boursier de Shanghai. Journal of Empirical Finance. Elsevier. 2007. Andras Heinen, Erick Rengifo, Modélisation autorégressive multivariée des données de comptage de séries chronologiques à l'aide de copules. Journal of Empirical Finance. Elsevier. P. Manchandaa, J. Kumara, A. H. Siddiqi, Méthodes mathématiques pour la modélisation des fluctuations des prix des séries financières. Journal de l'Institut Franklin. Elsevier. 2006. Michael D. McKenzie, Suk-Joong Kim, L'évidence d'une asymétrie dans la relation entre la volatilité et l'autocorrélation. Revue internationale de l'analyse financière. Elsevier. 2005. R. H. Loschi, P. L. Iglesias, R. B. Arellano-Valle, F. R.B. Cruz, Modélisation prédictive complète des données boursières: Application aux problèmes de points de changement. Revue européenne de recherche opérationnelle. Elsevier. 2006. Agarwal, S. K. Deb, Comprendre les interactions entre les paramètres des algorithmes génétiques In: Banzhaf, W. Reaves, C. Fondements des algorithmes génétiques. Vol 5. 1999. HE Aguirre, K. Tanaka, Algorithmes génétiques de mutations variables parallèles, transactions IEEE, 2002. DE Goldberg, Estimation des populations pour les algorithmes génétiques sériels et parallèles, In: Schaffer, JD (Ed), Proceedings of the Third International Conference Sur les algorithmes génétiques. Morgan Kaufmann, Los Altos, CA, pp. 7079, 1989. H. Muhlenbein, Comment les algorithmes génétiques fonctionnent réellement I. Mutation et Hill climbing, Fondation des algorithmes génétiques II pp. 15-25, 1992. En ligne. Disponible: muehlenbein. orgmut92.pdf D. E. Goldberg. Algorithme génétique dans la recherche, optimisation de l'apprentissage machine. New York: Addison Wisley, 1989. V. Kapoor, S. Dey, A. P. Khurana, Analyse empirique et recombinaison respectueuse et aléatoire du croisement et de la mutation dans les algorithmes génétiques. International Journal of Computer Application. Numéro spécial sur le calcul évolutif (1): 2530, 2010. Publié par la Fondation de l'Informatique. Une étude empirique sur le rôle des paramètres de contrôle des algorithmes génétiques dans les problèmes d 'optimisation des fonctions............ International Journal of Computer Application. Volume 31 (Numéro 6): 20-26, numéro d'octobre 2011. Disponible en ligne: ijcaonline. orgarchivesvolume31number63828-5319 R. J. Bauer Jr. Algorithmes génétiques et stratégies d'investissement, John Wiley Sons, Inc, New York, 1994. R. J. Bauer, G. E. Liepins, Algorithmes génétiques et stratégies de négociation informatisées. Dans D. E. OLeary, P. R. Watkins (Eds.), Systèmes experts en finance, Elsevier Science éditeurs, Amsterdam, Pays-Bas, 1992. F. Allen, R. Karjalainen. Utiliser des algorithmes génétiques pour trouver des règles techniques de négociation. Journal of Financial Economics 51 (1999) 245-271. S. Mahfoud, G. Mani, Prévision financière utilisant des algorithmes génétiques Jouranal d'Intelligence artificielle appliquée. 10 (6) (1996) 543-565. De Jong, K. A. Analyse du comportement d'une classe de systèmes adaptatifs génétiques. Dissertation Abstracts International 36 (10): 5140B. (Microfilms universitaires n ° 76-9381.) 1975. Ramon Lawrence, Utilisation de réseaux neuronaux pour prévoir les cours boursiers. Korczak, J. Roger, P. Chronologie des stocks utilisant des algorithmes génétiques. Modèles stochastiques appliqués dans les entreprises et l'industrie. Pp. 121-134. 2002. Jin Li, Edward P. K. Tsang, Amélioration de l'analyse technique Prédiction: Une application de GP. Association américaine d'IA. (1999). Laura Nunez-Letamendia, Pramètres de contrôle d'ajustement d'un algorithme génétique: une application à la conception technique du système commercial. Revue européenne de recherche opérationnelle. 2005. R. J. Kuo, C. H. Chen, Y. C. Hwang Un stock intelligent de négociation système de soutien décision par l'intégration de l'algorithme génétique basé réseau neural floue et réseau neuronal artificiel. Systèmes de jeux flous 118 (2001) 21-45. Index TermsComparaison des algorithmes génétiques pour les stratégies de négociation Les prix bruts finaux peuvent varier selon la TVA locale. Dans cette contribution, nous décrivons et comparons deux systèmes génétiques qui créent des stratégies commerciales. Le premier système est basé sur l'idée que la matrice de poids de connexion d'un réseau neuronal représente le génotype d'un individu et peut être modifiée par un algorithme génétique. Le deuxième système utilise la programmation génétique pour dériver les stratégies de négociation. Comme données d'entrée dans nos expériences, nous avons utilisé des indicateurs techniques des stocks NASDAQ. Comme sortie, les algorithmes génèrent des stratégies de négociation, c'est-à-dire acheter, détenir et vendre des signaux. Notre hypothèse selon laquelle les stratégies obtenues par programmation génétique apporte de meilleurs résultats que la stratégie buy-and-hold a été prouvée statistiquement significative. Nous discutons nos résultats et les comparons à nos expériences antérieures avec la technologie floue, l'approche fractale, et avec la stratégie d'indicateur technique simple. Algorithmes génétiques approche neurogénétique système neuroevolutionnaire programmation génétique réseau neuronal investissement prévisionnel modélisation financière analyse technique