Bruke genetiske algoritmer til å prognose finansielle markeder. Bourur foreslo i sin bok, En tilfeldig Walk Down Wall Street, 1973 at En blindfoldet ape kaste dart på en avisens finansielle sider kunne velge en portefølje som ville gjøre like godt som en nøye utvalgt av eksperter Mens evolusjonen kanskje har gjort mannen ikke mer intelligent til å plukke aksjer, har Charles Darwins teori ganske effektive når de brukes mer direkte. For å hjelpe deg med å velge aksjer, sjekk ut hvordan du velger en aksje. Hva er genetiske algoritmer. Genetiske algoritmer GAs er problemløsende metoder eller heuristikker som etterligner prosessen med naturlig utvikling I motsetning til kunstige nevrale nettverk ANNs, designet for å fungere som neuroner i hjernen, bruker disse algoritmene konseptene naturlig valg for å bestemme den beste løsningen for et problem. Som et resultat blir GA vanligvis brukt som optimizers som justerer parametere for å minimere eller maksimere noen tilbakemelding, som deretter kan brukes uavhengig eller i konstruksjonen av en ANN. In finansmarkedene er de genetiske algoritmer oftest brukt til å finne de beste kombinasjonsverdiene til parametere i en handelsregel, og de kan bygges inn i ANN-modeller designet for å velge aksjer og identifisere fag. Flere studier har vist at disse metodene kan vise seg å være effektive , inkludert Genetic Algorithms Genesis of Stock Evaluation 2004 av Rama, og applikasjoner av genetiske algoritmer i Stock Market Data Mining Optimization 2004 av Lin, Cao, Wang, Zhang For å lære mer om ANN, se Neural Networks Forecasting Profits. How Genetic Algorithms Work. Genetiske algoritmer er opprettet matematisk ved hjelp av vektorer, hvilke mengder som har retning og størrelse Parametre for hver handelsregel er representert med en endimensjonal vektor som kan betraktes som et kromosom i genetiske termer. I mellomtiden kan verdiene som brukes i hver parameter være tenkt på som gener, som deretter modifiseres ved naturlig valg. For eksempel kan en handelsregel innebære bruk av pa rameters som Moving Average Convergence-Divergens MACD Eksponensiell Flytende Gjennomsnittlig EMA og Stokastikk En genetisk algoritme vil da legge inn verdier i disse parametrene med målet om å maksimere nettoresultatet Over tid blir små endringer introdusert og de som gir en ønsket innvirkning, beholdes for neste generasjon. Det er tre typer genetiske operasjoner som kan da utføres. Crossovers representerer reproduksjon og biologisk crossover sett i biologi, hvor et barn tar på seg visse egenskaper hos sine foreldre. Mutasjoner representerer biologisk mutasjon og brukes til å opprettholde genetisk mangfold fra en generering av en befolkning til den neste ved å introdusere tilfeldige små endringer. Valg er scenen der individuelle genomene er valgt fra en populasjon for senere avl av rekombinasjon eller crossover. Disse tre operatørene blir da brukt i en fem-trinns prosess. Initialiser en tilfeldig befolkning , hvor hvert kromosom er n-lengde, med n er antall parametere Det vil si at et tilfeldig antall parametere er etablert med n elementer hver. Velg kromosomene, eller parametrene, som øker ønskelige resultater, antagelig nettofortjeneste. Bruk mutasjoner eller overføringsoperatører til de valgte foreldrene og generer et avkom. Rekombinere avkom og gjeldende befolkning for å danne en ny befolkning med seleksjonsoperatøren. Gjenta trinn to til fire. Over tid vil denne prosessen resultere i stadig gunstigere kromosomer eller parametere for bruk i en handelsregel. Prosessen avsluttes da når et stoppkriterium er oppfylt, hvilket kan inkludere kjøretid, kondisjon, antall generasjoner eller andre kriterier. For mer om MACD, les Trading The MACD Divergence. Using Genetic Algorithms in Trading. Mens genetiske algoritmer primært brukes av institusjonelle kvantitative handelsmenn, kan enkelte handelsmenn utnytte kraften til genetiske algoritmer - uten grad i avansert matematikk - ved hjelp av flere programvarepakker på markedet Disse løsningene varierer fra stan dalone-programvarepakker rettet mot finansmarkedene til add-ons fra Microsoft Excel som kan legge til rette for mer praktisk analyse. Når du bruker disse programmene, kan handelsfolk definere et sett med parametere som deretter optimaliseres ved hjelp av en genetisk algoritme og et sett med historiske data. Noen applikasjoner kan optimalisere hvilke parametere som brukes og verdiene for dem, mens andre primært er fokusert på å optimalisere verdiene for et gitt sett med parametere. For å lære mer om disse programbaserte strategiene, se Kraften til programhandler. Viktige optimaliseringstips og triks. Curve montering over montering, designe et handelssystem rundt historiske data i stedet for å identifisere repeterbar oppførsel, representerer en potensiell risiko for handelsfolk ved hjelp av genetiske algoritmer. Et handelssystem som bruker GA, bør testes på papir før levende bruk. Å velge parametere er en viktig del av prosessen, og handelsmenn bør søke parametere som korrelerer med endringer i prisen på en gitt sikkerhet For eksempel kan du prøve ulike indikatorer og se om det ser ut til å korrelere med store markedssvingninger. Genetiske algoritmer er unike måter å løse komplekse problemer ved å utnytte naturens kraft. Ved å bruke disse metodene for å forutsi verdipapirpriser kan handelsmenn optimalisere handelsregler ved å identifisere de beste verdiene som skal brukes for hver parameter for en gitt sikkerhet. Disse algoritmene er imidlertid ikke den hellige gral, og handelsmenn bør være forsiktig med å velge de riktige parametrene og ikke kurvepasse over passform. For å lese mer om markedet, sjekk ut Lytt til Markedet, ikke dets pundits. Renten som en depositarinstitusjon låner midler til på Federal Reserve til en annen depotinstitusjon.1 Et statistisk mål for spredning av avkastning for en gitt sikkerhet eller markedsindeks Volatilitet kan enten måles. An handle den amerikanske kongressen vedtatt i 1933 som bankloven, som forbyde kommersielle banker å delta i investeringen. nonfarm lønn refer s til enhver jobb utenfor gårder, private husholdninger og nonprofit sektor. Det amerikanske presidiet for arbeid. Den valuta forkortelse eller valutasymbol for den indiske rupee INR, valutaen til India Rupee består av 1.An første bud på en konkurs selskapets eiendeler fra en interessert kjøper valgt av konkursfirmaet Fra et bønnbasseng. Genetisk algoritme i R Trend Følg. Vil være lager Facebook-strategi Eksponentiell Flytende Gjennomsnittlig paramA 10 paramB 45. Strategireguleringene er enkle hvis den bevegelige gjennomsnittlige lengde paramA flytte gjennomsnittlig lengde paramB så gå lang og omvendt. Fitness-funksjonen. Et gen er kvantifisert som et godt eller dårlig gen ved hjelp av en treningsfunksjon. Suksessen til en genetisk handelsstrategi er avhengig av ditt valg av treningsfunksjon og om det er fornuftig med strategiene du har tenkt å bruke Du vil handle hver av strategiene som er skissert av dine aktive gener og deretter rangere dem etter deres egnethet. Et godt utgangspunkt ville være å bruke det skarpe forholdet som e treningsfunksjon. Du må være forsiktig med at du bruker treningsfunksjonen til statistisk signifikante data. For eksempel hvis du brukte en gjennomsnittlig tilbakestillingsstrategi som kan handle en gang i måneden eller hva som helst ditt omskolingsvindu er, blir treningen bestemt av 1 eller 2 datapoints Dette vil resultere i dårlig genetisk optimalisering i koden min. Jeg har kommentert en gjennomsnittlig reverseringsstrategitest for deg selv. Vanligvis skjer skjærforholdet ditt fra 2 datapoints veldig veldig høyt bare ned til flaks. Du markerer dette som et godt gen og handle det neste måned med forferdelige resultater. Utbredelsen av genene. Med en genetisk algo må du avle gener, for resten av dette innlegget vil jeg anta at du avl en gang i måneden. Under avl tar du alle gener i genpuljen og rangere dem i henhold til treningsfunksjonen Du velger deretter de øverste N-gener og avler dem, kaster bort alle de andre generene de ikke bruker. Bøyning består av to deler. Hybridisering Ta et gen og kutte et stykke av meg t, kan du bruke hvilken som helst tilfeldig tallgenerator du vil bestemme kuttstedene, bytte denne chunken med en tilsvarende chunk fra et annet gen. Eg gammelt gen 00 1100 10 og 11 1001 10 rødt er tilfeldig valgt biter for å kutte nytt gen 00 1001 10 og 11 1100 10.Du gjør dette for alle mulige par gener i din topp N liste. Mutasjon Etter hybridisering gå gjennom alle dine gener og tilfeldig vri bitene med en fast sannsynlighet. Mutasjonen forhindrer at strategien din blir låst inn i en hver krympende gen pool. For en mer detaljert forklaring med diagrammer, se. bla ned til genetiske algoritmer og dets søknad i trading. nnualized Sharpe Ratio Rf 0 1 15.Matematiske problemer i Engineering. Generating Moving Gjennomsnittlig Trading Regler på Oil Futures Market med genetiske algoritmer.1 School of Humanities and Economic Management, Kina University of Geosciences , Beijing 100083, Kina 2 Nøkkeltall for bærekapasitet Vurdering for ressurs og miljø, Landbruks - og ressursdepartementet, Beijing 100083, Kina 3 Litteratur for ressurser og miljøledelse, Kina Universitet for geovitenskap, Beijing 100083, Kina 4 Institute of China s Economic Reform og utvikling, Renmin University of China, Beijing 100872, Kina. Mottatt 19. februar 2014 Revidert 4. mai 2014 Godkjent 7. mai 2014 Publisert 26. mai 2014.Kademisk redaktør Wei Chen. Copyright 2014 Lijun Wang et al Dette er en åpen tilgangsartikel distribuert under Creative Commons Attribution License som tillater ubegrenset bruk, distribusjon og reproduksjon i noe medium, gitt ori ginal arbeid er riktig sitert. råolje futures markedet spiller en kritisk rolle i energifinansiering for å få større investeringsavkastning, forskere og handelsmenn bruker tekniske indikatorer når du velger handelsstrategier i olje futures markedet i dette papiret brukte forfatterne flytte gjennomsnittlige priser på olje futures med genetiske algoritmer for å generere lønnsomme handelsregler Vi definerte personer med ulike kombinasjoner av periodelengder og beregningsmetoder som å flytte gjennomsnittlige handelsregler og brukte genetiske algoritmer for å søke etter passende lengder av bevegelige gjennomsnittlige perioder og de riktige beregningsmetodene. Forfatterne brukte daglig råolje oljeprisen på NYMEX futures fra 1983 til 2013 for å evaluere og velge bevegelige gjennomsnittlige regler Vi sammenlignet de genererte handelsreglene med BH-strategien for kjøp og vedlikehold for å avgjøre om genererte flytende gjennomsnittlige handelsregler kan få meravkastning i råoljeterminemarkedet Gjennom 420 eksperimenter, bestemmer vi at de genererte handelsreglene hjelpehandlerne gir fortjeneste når det er åpenbare prisvekst. Genererte handelsregler kan realisere meravkastning når pris faller og opplever store svingninger, mens BH-strategien er bedre når prisøkningen eller er jevn med få svingninger. Resultatene kan hjelpe handelsmenn til å velge bedre strategier under ulike omstendigheter .1 Innledning. Energi er avgjørende for økonomisk utvikling. Hushjelpsaktiviteter, industriell produksjon og infrastrukturinvesteringer spiser alle energier direkte eller indirekte, uansett i utviklingsland eller utviklede land. 1 Spørsmål knyttet til energibransjen 2, energieffektivitet 3, energipolitikk 4 6, energiforbruk 7 og energifinansiering 8 har fått større betydning de siste årene Råolje futures markedet er en viktig del av energifinansiering innenfor det globale energimarkedet. Traders og forskere benytter tekniske analyseverktøy for å identifisere lønnsomme handelsregler i finansmarkeder. , glidende gjennomsnittlige indikatorer er co mmonly brukt i teknisk analyse for å realisere større avkastning Dette papiret forsøker å svare på om i virkeligheten en investor kan bruke bevegelige gjennomsnittlige tekniske handelsregler for å oppnå meravkastning ved å søke etter lønnsomme bevegelige gjennomsnittlige handelsregler med genetiske algoritmer i råolje futures markedet. Genetisk algoritmer er mye brukt i samfunnsvitenskapene 9 10, spesielt i visse komplekse problemer hvor det er vanskelig å utføre nøyaktige beregninger Det er en trend å anvende fysiske eller matematiske metoder i energi og ressursøkonomi 11 16 Forskere har anvendt genetiske algoritmer til å forutsi kull Produksjon-miljøforurensning 17, den interne utvalgs - og markedsvalgsadferd i markedet 18, etterspørselen etter råoljen 19, minimering av drivstoffkostnader og gassutslipp av elektrisk kraftproduksjon 20 og Forex trading system 21 Med hensyn til den finansielle tekniske analyseproblemer, lærde bruker genetiske algoritmer for å søke st handelsregler og lønnsomme tekniske indikatorer når man tar investeringsbeslutninger 22 25 Genetiske algoritmer kombineres med andre verktøy som agentbasert modell 26, fuzzy matte teori 27 og nevrale nettverk 28 Det er også noen studier som har brukt genetiske algoritmer til å prognose prisutviklingen i finansmarkedet 29 30 eller valutamarkedet 31 Som det finnes et stort antall tekniske handelsregler og tekniske indikatorer tilgjengelig i råolje futures markedet, er det upraktisk å bruke ergodiske beregninger eller visse andre nøyaktige beregningsmetoder Derfor er bruk av genetiske algoritmer en mulig måte å løse dette problemet på. Gjennomsnittlige indikatorer har blitt mye brukt i studier av aksjer og futures-markeder 32 37 To glidende gjennomsnitt av forskjellige lengder sammenlignes med å forutse prisutviklingen på forskjellige markeder Kort Flytte gjennomsnitt er mer følsomme for prisendringer enn lange. Hvis en kort flytende gjennomsnittspris er høy r enn en lang periode med gjennomsnittlig pris, vil handelsmenn tro at prisen vil stige og ta lange posisjoner Når den korte flytende gjennomsnittsprisen faller og krysser med den lange, vil motsatte handelsaktiviteter bli tatt 38 Allen og Karjalainen AK 39 brukte genetiske algoritmer til å identifisere tekniske handelsregler på aksjemarkeder med daglige priser på SP 500 Den glidende gjennomsnittsprisen ble brukt som en av de mange indikatorene på de tekniske reglene Andre indikatorer, som gjennomsnittlig verdi og maksimumsverdi, brukes også når investeringsbeslutninger fattes 40 gjennomførte lignende undersøkelser på spot - og futuresmarkeder ved hjelp av genetisk programmering, mens How 41 brukte AKs metode til forskjellige cap-aksjer for å bestemme relevansen av størrelse William, sammenligne ulike tekniske regler og kunstige nevrale nettverk ANN-regler vedrørende olje futures markedet, fastslått at ANN er et godt verktøy, og danner dermed tvil om oljemarkedets effektivitet 38 Alle disse studiene kombinerer glidende gjennomsnittlige indi cators med andre indikatorer for å generere handelsregler. I dette papiret bruker vi imidlertid bevegelige gjennomsnitt for å generere handelsregler, noe som kan være en enkel og effektiv tilnærming. Resultatet av en bevegelig gjennomsnittlig handelsregel er påvirket vesentlig av perioden lengder 42 Derfor, Å finne optimale lengder av de to periodene ovenfor er et sentralt tema i teknisk analyselitteratur. En rekke lengder har blitt forsøkt i eksisterende forskningsprosjekter 43 48 I den eksisterende forskningen bruker de fleste bevegelige gjennomsnittlige regler faste flytende gjennomsnittlige lengder og enkeltgjennomsnittlig beregning metode Det er imidlertid bedre å benytte variabel lengde for ulike investeringsperioder 49 50 og det finnes ulike typer flytende gjennomsnittlig beregningsmetode som kan brukes i teknisk analyse. I dette papiret vurderes den optimale lengden på de bevegelige gjennomsnittsperioder og beste beregningsmetode kan variere fra en anledning til en annen, vi bruker genetiske algoritmer for å bestemme passende len gth av den bevegelige gjennomsnittlige perioden og riktig metode Seks glidende gjennomsnittlige beregningsmetoder vurderes i dette papiret, og genetiske algoritmer kan hjelpe oss med å finne ut den beste metoden og passende periode lengder for forskjellige forhold. Vi kan derfor presentere det mest egnede glidende gjennomsnittet handelsregler for handelsfolk i råolje futures markedet.2 Data og metode. Vi bruker de daglige prisene på fremtidig kontrakt for råolje 1 for perioden 1983 til 2013 fra New York Mercantile Exchange Datakilde pri fut s1 Vi velger 20 grupper av Prøvedata som hver inneholder 1000 daglige priser I de 1000 daglige prisene brukes en 500-dagers prisserie til å utdanne handelsregler i hver generasjon. Følgende 200 priser brukes til å velge den beste genererte handelsregelen fra alle generasjoner, og de siste 300 Daglige priser brukes til å avgjøre om den genererte regelen kan skaffe meravkastning. Den første gruppen begynner i 1985, den siste gruppen slutter i 2013, og hver 1000-dagers pris s går med et trinn på 300 er valgt Vi må også inkludere 500 flere daglige priser før hver utvalgsserie for å beregne de bevegelige prisene for prøveperioden. Hvert uavhengig eksperiment krever en 1500-dagers prisserie. De dataene vi bruker presenteres i figur 1.Figure 1 Data selection. Moving gjennomsnittlige handelsregler forenkler beslutningsprosesser for handelsfolk ved å sammenligne to bevegelige gjennomsnitt av forskjellige perioder På denne måten kan handelsmenn forutse prisutviklingen ved å analysere volatiliteten til de bevegelige gjennomsnittlige prisene. Det er seks bevegelige gjennomsnittlige indikatorer som regel brukt i teknisk analyse, enkel glidende gjennomsnittlig SMA, vektet glidende gjennomsnittlig WMA, eksponentiell glidende gjennomsnittlig EMA, adaptiv glidende gjennomsnittlig AMA, typisk prisflytende gjennomsnittlig TPMA og trekantet glidende gjennomsnittlig TMA. Beregningsmetodene for bevegelige gjennomsnittlige indikatorer er presentert i tabell 1. Tabel 1 Detaljer om de seks glidende gjennomsnittlige indikatorene. For å bruke en flytende gjennomsnittlig handelsregel i olje futures markedet, minst tre stk måler må settes for å etablere en handelsstrategi Disse parametrene inkluderer lengdene på to bevegelige gjennomsnittlige perioder og valget av den bevegelige gjennomsnittlige metoden fra de seks seks typene. Andre forskere har brukt forskjellige lengder av prøveperioder i deres studier I dette papiret bruker vi genetiske algoritmer for å bestemme passende lengder av den bevegelige gjennomsnittlige perioden Ifølge eksisterende litteratur er den lange perioden vanligvis mellom 20 og 200 dager svært få studier bruker perioder som er lengre enn 200 dager 38 39, og den korte perioden er vanligvis ikke lenger enn 60 dager. Hvis den lange gjennomsnittskursen er lavere enn den korte gjennomsnittsprisen, vil en næringsdrivende ta en lang posisjon. Det følger at i motsatte situasjoner vil motsatte strategier bli vedtatt. Notere prisvolatiliteten i futuresmarkedet, ta en lang posisjon når den korte gjennomsnittsprisen overstiger den lange gjennomsnittsprisen med minst ett standardavvik i kort periode kan være en god regel Omvendt kan det ta en kort posisjon som o være en god regel Derfor utformet vi de to reglene i våre første handelsregler. De detaljerte beregningsmetodene for de seks bevegelige gjennomsnittene er presentert i Figur 2.Figur 2 Struktur av handelsregler. En 17-binær streng brukes til å representere en handel regelen der en sju binær substring representerer MN. is den lange perioden lengden og. den korte perioden lengden en seks-binær substring tilhører området 1 til 64 en tre-binær substring representerer beregningsmetoden for gjennomsnittspriser i dette papiret, rekkevidden er til 5 til 132 Det siste binæret bestemmer om man bare skal endre handelsstrategier når det er mer enn en standardavviksforskjell mellom to glidende gjennomsnittspriser. Strukturen til handelsreglene er presentert i figur 2 Treningen i en handel regelen beregnes i henhold til fortjenesten det kan skje i råoljeprismarkedet. For å sammenligne genererte handelsregler med BH buy-and-hold, ta den lange posisjonen i hele perioden strategien, pro Passe på en generert regel er overskytdsraten som overstiger BH-strategien. Beregningsmetoden for returrentehenvisninger AK s-metoden Forskjellen er at vi tillater en næringsdrivende å holde en stilling i lang tid, og vi beregner ikke returnere hver dag Consider. is Merverdien av en langsiktig strategi, det vil si summen av avkastningen på den lange posisjonen og kort posisjon Rf er risikofri avkastning når det ikke er ute av markedet, og Rbh er avkastningsraten til den BH-strategi i utvalgsperioden Rm er margenforholdet på futuresmarkedet Parameteret angir enveiskransaksjonsprisen og representerer åpningspris og sluttkurs for en stilling lang eller kort, henholdsvis er prisen på den første dagen i en hele perioden og er prisen på den siste dagen Som vi ignorerer mengden av endring i hverdagsmarginen og kontraktens frist, kan en næringsdrivende opprettholde sin strategi ved å ta nye stillinger når en kontrakt nærmer seg sluttdato. Treningsverdien eret tall mellom 0 og 2 beregnet ut fra ikke-lineær konvertering i henhold til Ra. Fitnessberegning, valg, crossover og mutasjon av enkeltpersoner implementeres ved hjelp av GA-verktøykassen til Sheffield i Matlab-plattformen. I hver generasjon for å unngå overfitting av treningsdata, Den beste handelsregelen i hver generasjon vil bli testet i en utvalgsprøveperiode 200-dagers prisserien Kun når treningsverdien er høyere enn den beste verdien i den siste generasjonen eller når de to verdiene er nesten like.0 05 kan Handelsregelen blir merket som den beste så langt. I hver generasjon vil 90 prosent av befolkningen bli valgt for å danne en ny generasjon, mens de andre 10 prosent vil bli tilfeldig generert. Følgelig utviklingen av individer som bruker genetiske algoritmer i et enkelt uavhengig eksperiment kan oppsummeres som følger. Steg 1 initialiser populasjon Tilfeldig opprett en innledende befolkning på 20 bevegelige gjennomsnittlige handelsregler. Steg 2 vurder individer T Kvaliteten til hver enkelt person beregnes i evalueringstrinnet. Programmet beregner de bevegelige gjennomsnittsprisene i to forskjellige skalaer i treningsperioden ved hjelp av tilleggsdataene og bestemmer posisjonene på hver handelsdag. Merverdien av hver enkelt person beregnes da til slutt. Treningsverdien til hver enkelt person beregnes i henhold til overskytdsraten. Steg 3 husk den beste handelsregelen Velg regelen med høyest treningsverdi og vurder den for valgperioden for å oppnå returfrekvensen dersom den er bedre enn eller ikke dårligere til dagens beste regel, vil den bli merket som den beste handelsregelen Hvis returverdien er lavere enn eller mindre enn 0 05 høyere enn dagens sats, beholder vi gjeldende regel som den beste. Steg 4 genererer ny befolkning Velger 18 individer i henhold til deres treningsverdier, kan samme person velges mer enn en gang. Derfor skaper tilfeldig 2 andre handelsregler med en sannsynlighet o f 0 7, utfør en rekombinationsoperasjon for å generere en ny befolkning Følgelig vil alle rekombinationsreglene bli muteret med en sannsynlighet for 0 05.Step 5 Gå tilbake til trinn 2 og gjenta 50 ganger. Steg 6 test den beste handelsregelen Test det beste handelsregel som identifisert av det ovennevnte programmet Dette vil generere avkastningsraten og angi om genetiske algoritmer kan hjelpe handelsmenn til å realisere meravkastning i denne utvalgsperioden. Fordi i dette papiret ikke har tatt hensyn til mengden eiendeler, antar vi marginalforholdet å være 0 05 Faktisk, siden parameteren ikke har noen signifikant effekt på våre eksperimentresultater, økes returfrekvensen tyve ganger. Med 20 forsøk i hver periode gjennomføres 420 uavhengige eksperimenter for å bestemme nyttige bevegelige gjennomsnittlige handelsregler i råolje futures marked Prisene vi brukte for de 21 periodene er vist i Figur 3.Figurer 3 Eksempeldata. Basert på tidligere studier 39 40 51 og på beslutningen om å velge en mellomverdi for denne studen y er transaksjonsprisen satt til 0 1 for 420 eksperimenter. Den risikofrie avkastningsrenten er 2, som hovedsakelig er basert på kortsiktig statsobligasjonsrente 41. Av 420 forsøkene tjener 226 fortjeneste Med en gjennomsnittlig avkastningshastighet av 1 446 konkluderes det med at genetiske algoritmer kan lette handelsmenn å få avkastning på råolje futuresmarkedet. Flytte gjennomsnittlige handelsregler som er identifisert av genetiske algoritmer, resulterer ikke i meravkastning, da det kun er 8 perioder der genererte handelsregler resulterte I handelsfolk som mottar meravkastning Gitt at prisen på råolje futures økte mange ganger i prøveperioden, bekrefter vi videre at genetiske algoritmer er nyttige for investeringer. For bedre forståelse deler vi de 21 perioder i 4 kategorier i henhold til resultatene se siste kolonne i tabell 2.Table 2 Resultater av eksperiment. Kategori 1 perioder 2, 3 og 9 I disse perioder hjelper genererte handelsregler ikke bare handelsmenn å få avkastning, men også hjelp dem til å realisere meravkastning Genererte handelsregler genererer mer fortjeneste enn BH-strategien i perioder 3 og 9 I periode 2 mister BH-strategien penger, mens de genererte handelsreglene, som bestemt av de genetiske algoritmer, resulterer i fortjeneste. Dermed genereres den genererte Handelsreglene er langt bedre enn BH-strategien i denne perioden. En felles egenskap i disse tre periodene i kategori 1 er at råoljeprisene falt i testperioden og opplevde betydelige fluktuasjoner. Kategorien 2 perioder 5, 8, 12, 16 og 18 Genererte flytende gjennomsnittlige handelsregler gir ikke overskudd i løpet av disse fem perioderne. Likevel har de genererte reglene utført bedre enn BH-strategien, da de vesentlig reduserte tapene. I disse perioder gikk prisene svakt og opplevde små svingninger i løpet av prosessen. Kategori 3 Perioder 1, 6, 7, 10, 11, 14, 15 og 17 I disse åtte prøvetidsperioder kan genetiske algoritmer hjelpe handelsmenn til å identifisere passende bevegelige gjennomsnittlige handelsregler Howev Er traffikerne mislyktes med å oppnå meravkastning. Mens prisene øker jevnt i disse periodene, er det også noen mindre svingninger, noe som fører til at de genetiske algoritmene er dårligere enn BH-strategien i disse periodene. Kategorien 4 perioder 4, 13, 19, 20 og 21 handelsreguleringer for genetisk algoritme viser dårlig ytelse i disse fem periodene. I periode 21 gir bH-strategien negativ avkastning. Våre genetiske handelsregler gir mer alvorlige tap. BH-strategien anses å være overlegen til de genererte handelsreglene i de øvrige fire perioder som BH-strategien gir noen avkastning Mens det ikke er noen vesentlige endringer i prisnivået i disse periodene, er prisene i volatile stater gjennom de fem perioder. Lette prisendringer uten tilsynelatende trender gjør de genererte handelsreglene hjelpeløse til å forutse prisendringer og gi avkastning. Vi bruker genetiske algoritmer til å søke godt bevegelige gjennomsnittlige handelsregler for handelsfolk i råoljemarkedet Tabell 3 som viser avera gi antall og for hver periode indikerer at verdien av lang periode har et nært forhold til volatiliteten av prisene i prøveperioden. Et stort er angitt i perioder med betydelige svingninger og en liten er valgt for perioder hvor prisen er relativt stabilt. Tabel 3 Gjennomsnittlig verdi av og i hver periode. Fordelingen av er vist i Figur 4 Verdien av Sannsynlighet er svært liten og følger ikke normalfordeling Figuren presenterer en typisk fetstrekskarakteristikk med en kurtose på 2 36 Sammenlignet med normal distribusjon, er det flere verdier plassert i fordelene i distribusjonen i resultatene. Bare i halvparten av 420 eksperimenter er mellom 70 dager og 130 dager. Verdiene er desentraliserte, og vi tror det er mer vitenskapelig å velge de beste lengdene av to perioder ved hjelp av en treningsprosess som vi har brukt i dette papiret i faktisk investering. Figur 4 Distribusjon av. I de seks bevegelige gjennomsnittlige beregningsmetodene benyttes AMA og TMA mor e ofte enn de andre fire, se tabell 4, ettersom mer enn halvparten av de genererte flytende gjennomsnittlige handelsreglene bruker AMA eller TMA. Et lite antall genererte handelsregler bruker WMA og EMA, mens TPMA og SMA, som er enkle å beregne, ofte brukes i noen perioder, for eksempel perioder 1, 2, 3, 12, 19 og 21. Tabel 4 Beregningsmetoder for å flytte gjennomsnittspris i hver periode. Valget av beregningsmetode er knyttet til prisutviklingen og volatiliteten Figur 5 viser at TPMA brukes 31 ganger i 60 uavhengige eksperimenter i perioder 2, 3 og 9 Kategori 1 Ulike den totale andelen er TPMA den mest populære beregningsmetoden når prisfallet i perioden og erfarne betydelige fluktuasjoner. AMA er den mest populære metoden i de andre tre kategoriene EMA er aldri brukt i kategori 1 og 4 Det tar imidlertid en 24 prosentandel i kategori 2, mer enn TMA, SMA, TPMA og WMA. Forholdene til TMA og SMA har ingen signifikante forskjeller i forskjellige kategorier I kategori 4 endres prisene uten tilsynelatende trender. Ingen metode har åpenbar fordel i forhold til de andre. Figur 5 Proportioner av metoder i forskjellige kategorier. Resultatene fra 20 eksperimenter i samme periode indikerer høy konsistens på verdien sd Tabell 5 Når prisene svinger , som i perioder 1, 2, 7, 8, 13, 19 og 20, så åpner ikke posisjoner til en gjennomsnittspris overstiger en annen med minst ett standardavvik er det beste alternativet Når prisen er relativt stabil, bør gjøres umiddelbart så lenge de to bevegelige gjennomsnittene krysser. Tabel 5 Antall handelsregler der sd 1.4 Diskusjon. Dette papiret forsøker å generere bevegelige gjennomsnittlige handelsregler på olje futures markedet ved hjelp av genetiske algoritmer. Ulike andre studier, bruker vi bare Flytte gjennomsnitt som tekniske indikatorer for å identifisere nyttige bevegelige gjennomsnittlige handelsregler, uten noen andre komplekse tekniske analysverktøy eller indikatorer. Flytte gjennomsnittlige handelsregler er enkle for handelsmenn å operere, og de er rettferdige uavhengig av situasjonen. For å identifisere de beste handelsreglene i råolje futuresmarkedet bruker vi genetiske algoritmer til å velge alle parametrene i de bevegelige gjennomsnittlige handelsreglene dynamisk i stedet for å gjøre det på en fast måte. Våre genetiske beregninger ved å bruke genetiske algoritmer for å finne ut de beste lengdene av de to glidende gjennomsnittlige perioder, er foreslo fordi de genererte lengdene avviger fra hverandre i forskjellige prisutviklinger. Statiske glidende gjennomsnittlige handelsregler med faste perioderlengder kan ikke tilpasse seg komplekse svingninger av pris i forskjellige perioder En treningsprosess som imidlertid tar hensyn til dynamiske trekkfluktuasjoner, kan hjelpe handelsmenn å finne ut de optimale lengdene av de to bevegelige perioder av en handelsregel. I de seks bevegelige gjennomsnittlige metodene er AMA og TMA de mest populært blant de genererte handelsreglene, da disse to metodene har evnen til å tilpasse seg prisutviklingen. AMA ca n change the weights of the current price according to the volatility in the last several days As the TMA is the average of the SMA, it more accurately reflects the price level However, the selection of best moving average calculation method is affected by price trends Traders can choose methods more scientifically according to the price trends and fluctuations Based on our experiment results, TPMA is an optimal choice when price experiences a decline process with significant fluctuations, and generating moving average trading rules are outstanding compared with BH strategy in these occasions Although EMA takes a very small proportion in the total 420 experiments, it is also an applicable method other than AMA when price falls smoothly. For the periods in which the price volatility is apparent, decisions will not be made until the difference between the two averages exceeds the standard deviation of the short sample prices, thereby reducing the transaction risk However, this method is n ot suitable for a period in which the price is relatively stable In these situations, hesitation may sometimes cause traders to miss possible profit opportunities. As a whole, generated moving average trading rules can help traders make profits in the long term However, genetic algorithms cannot guarantee access to additional revenue in every period as they are only useful in acquiring excess returns in special situations The generated moving average trading rules demonstrate outstanding performance when the crude oil futures price falls with significant fluctuations The BH strategy will lose on these occasions, while the generated trading rule can help traders foresee a decline in price and reduce losses Our trading rules also yield positive returns during the fluctuations by the timely changing of positions. When the price falls smoothly with few fluctuations in the process, generated trading rules can yield excess returns compared to the BH strategy Although genetic algorithms cannot help traders receive positive returns during these periods, the algorithms can help traders reduce loss by changing positions with the change of price trends When the price is stable or rising smoothly, the generated rules may generate returns However, they cannot generate more returns than the BH strategy Limited returns cannot afford the transaction costs When the price falls, the generated rules may be superior to the BH strategy Genetic algorithms can also help traders make profits in the process of price increases with small fluctuations In these periods, the BH strategy is better than generated trading rules because the transactions in the process generate transaction costs and may miss some profit opportunities Generated moving average trading rules have poor performance if there are no notable trends in the price change In these periods, moving average indicators cannot find profit opportunities because the volatility is too small The trends of price changes are delayed by the moving average method Therefore, when a decision is made, the price trend must also change, and as a result, there is no doubt that the trader will experience deficits. Using genetic algorithms, moving average trading rules do help traders to gain returns in the actual futures market We also identified the best lengths for the two periods with respect to moving average rules and recommend the moving average calculation method for the crude oil futures market Technical trading rules with only moving average indicators generated by genetic algorithms demonstrate no sufficient advantages compared to the BH strategy because the overall price increased during the 30-year period Nevertheless, generated moving trading rules are beneficial for traders under certain circumstances, especially when there are significant changes in prices. In this paper, we search best trading rules according to the return rate of each one without regard to asset conditions and open interest, which proves to be the greatest limitation of the study To improve the accuracy of the results, a simulation with actual assets is recommended Accordingly, we will undertake this endeavor in a subsequent research.5 Concluding Remarks. We conclude that the genetic algorithms identify better technical rules that allow traders to actualize profits from their investments While we have no evidence to demonstrate that generated trading rules result in greater returns than does the BH strategy, our conclusion is consistent with the efficient market hypothesis While generated trading rules facilitate traders in realizing excess returns with respect to their investing activities under specific circumstances, they cannot, at least by using moving average trading rules, ensure more long-term excess returns than the BH strategy With respect to the selection of two periods, finding out optimal lengths using genetic algorithms is helpful for making more profits Of the six moving average indicators, AMA and TMA are the most popular moving average calculation methods for the crude oil futures market in total, while TPMA is an outstanding method in some occasion When the crude oil prices demonstrate notable volatility, a trader is advised to wait until the difference of the two moving averages exceeds the standard deviation of the short period and vice versa. Based on the above analysis, it is better to use BH strategy when the price increases or is stable However, generated moving average trading rules are better than BH strategy when crude oil futures price decreases With respect to the moving average calculation method, it is advocated to use TPMA when price falls with significant fluctuations and AMA when price falls smoothly, although TPMA is not a popular method overall We propose variable moving average trading rules generated by training processes rather than static moving average trading rules in the crude oil futures markets. Conflict of Interests. The authors declare that there is no conflict of in terests regarding the publication of this paper. Authors Contribution. Model design was done by Haizhong An, Lijun Wang, and Xuan Huang, program development and experiments performance were done by Xiaojia Liu and Lijun Wang, data analysis was done by Haizhong An, Xiaohua Xia, and Xiaoqi Sun, paper composition was done by Lijun Wang, Xiaohua Xia, and Xiaojia Liu, and literature retrieval and manuscript editing were done by Xiaojia Liu, Xuan Huang, and Xiaoqi Sun. This research was partly supported by the NSFC China Grant no 71173199 and Humanities and the Social Sciences planning funds project under the Ministry of Education of the PRC Grant no 10YJA630001 The authors would like to acknowledge valuable suggestions from Wei Fang, Xiaoliang Jia, and Qier An. Z M Chen and G Q Chen, Demand-driven energy requirement of world economy 2007 a multi-region input-output network simulation, Communications in Nonlinear Science and Numerical Simulation vol 18, no 7, pp 1757 1774, 2013 View at Publisher View at Google Scholar. G Wu, L - C Liu, and Y - M Wei, Comparison of China s oil import risk results based on portfolio theory and a diversification index approach, Energy Policy vol 37, no 9, pp 3557 3565, 2009 View at Publisher View at Google Scholar View at Scopus. X H Xia, G T Huang, G Q Chen, B Zhang, Z M Chen, and Q Yang, Energy security, efficiency and carbon emission of Chinese industry, Energy Policy vol 39, no 6, pp 3520 3528, 2011 View at Publisher View at Google Scholar View at Scopus. X H Xia and G Q Chen, Energy abatement in Chinese industry cost evaluation of regulation strategies and allocation alternatives, Energy Policy vol 45, pp 449 458, 2012 View at Publisher View at Google Scholar. N Cui, Y Lei, and W Fang, Design and impact estimation of a reform program of China s tax and fee policies for low-grade oil and gas resources, Petroleum Science vol 8, no 4, pp 515 526, 2011 View at Publisher View at Google Scholar View at Scopus. Y L Lei, N Cui, and D Y Pan, Economic and s ocial effects analysis of mineral development in China and policy implications, Resources Policy vol 38, pp 448 457, 2013 View at Publisher View at Google Scholar. Z M Chen and G Q Chen, An overview of energy consumption of the globalized world economy, Energy Policy vol 39, no 10, pp 5920 5928, 2011 View at Publisher View at Google Scholar View at Scopus. N Nomikos and K Andriosopoulos, Modelling energy spot prices empirical evidence from NYMEX, Energy Economics vol 34, no 4, pp 1153 1169, 2012 View at Publisher View at Google Scholar. G B Ning, Z J Zhen, P Wang, Y Li, and H X Yin, Economic analysis on value chain of taxi fleet with battery-swapping mode using multiobjective genetic algorithm, Mathematical Problems in Engineering vol 2012, Article ID 175912, 15 pages, 2012 View at Publisher View at Google Scholar. S Chai, Y B Li, J Wang, and C Wu, A genetic algorithm for task scheduling on NoC using FDH cross efficiency, Mathematical Problems in Engineering vol 2013, Article ID 708495, 16 pages, 2013 View at Publisher View at Google Scholar. G Q Chen and B Chen, Resource analysis of the Chinese society 1980 2002 based on exergy Part 1 fossil fuels and energy minerals, Energy Policy vol 35, no 4, pp 2038 2050, 2007 View at Publisher View at Google Scholar View at Scopus. Z Chen, G Chen, X Xia, and S Xu, Global network of embodied water flow by systems input-output simulation, Frontiers of Earth Science vol 6, no 3, pp 331 344, 2012 View at Publisher View at Google Scholar. Z M Chen and G Q Chen, Embodied carbon dioxide emission at supra-national scale a coalition analysis for G7, BRIC, and the rest of the world, Energy Policy vol 39, no 5, pp 2899 2909, 2011 View at Publisher View at Google Scholar View at Scopus. H Z An, X - Y Gao, W Fang, X Huang, and Y H Ding, The role of fluctuating modes of autocorrelation in crude oil prices, Physica A vol 393, pp 382 390, 2014 View at Publisher View at Google Scholar. X - Y Gao, H - Z An, H - H Liu, and Y - H Ding, Analysis on the topologi cal properties of the linkage complex network between crude oil future price and spot price, Acta Physica Sinica vol 60, no 6, Article ID 068902, 2011 View at Google Scholar View at Scopus. X - Y Gao, H Z An, and W Fang, Research on fluctuation of bivariate correlation of time series based on complex networks theory, Acta Physica Sinica vol 61, no 9, Article ID 098902, 2012 View at Publisher View at Google Scholar. S Yu and Y - M Wei, Prediction of China s coal production-environmental pollution based on a hybrid genetic algorithm-system dynamics model, Energy Policy vol 42, pp 521 529, 2012 View at Publisher View at Google Scholar View at Scopus. S Geisendorf, Internal selection and market selection in economic genetic algorithms, Journal of Evolutionary Economics vol 21, no 5, pp 817 841, 2011 View at Publisher View at Google Scholar View at Scopus. R Tehrani and F Khodayar, A hybrid optimized artificial intelligent model to forecast crude oil using genetic algorithm, African Journal of Bu siness Management vol 5, pp 13130 13135, 2011 View at Google Scholar. A M Elaiw, X Xia, and A M Shehata, Minimization of fuel costs and gaseous emissions of electric power generation by model predictive control, Mathematical Problems in Engineering vol 2013, Article ID 906958, 15 pages, 2013 View at Publisher View at Google Scholar View at MathSciNet. L Mendes, P Godinho, and J Dias, A Forex trading system based on a genetic algorithm, Journal of Heuristics vol 18, no 4, pp 627 656, 2012 View at Publisher View at Google Scholar. M C Roberts, Technical analysis and genetic programming constructing and testing a commodity portfolio, Journal of Futures Markets vol 25, no 7, pp 643 660, 2005 View at Publisher View at Google Scholar View at Scopus. J - Y Potvin, P Soriano, and V Maxime, Generating trading rules on the stock markets with genetic programming, Computers and Operations Research vol 31, no 7, pp 1033 1047, 2004 View at Publisher View at Google Scholar View at Scopus. A Esfahanipour an d S Mousavi, A genetic programming model to generate risk-adjusted technical trading rules in stock markets, Expert Systems with Applications vol 38, no 7, pp 8438 8445, 2011 View at Publisher View at Google Scholar View at Scopus. M A H Dempster, T W Payne, Y Romahi, and G W P Thompson, Computational learning techniques for intraday FX trading using popular technical indicators, IEEE Transactions on Neural Networks vol 12, no 4, pp 744 754, 2001 View at Publisher View at Google Scholar View at Scopus. T Nakashima, Y Yokota, Y Shoji, and H Ishibuchi, A genetic approach to the design of autonomous agents for futures trading, Artificial Life and Robotics vol 11, no 2, pp 145 148, 2007 View at Publisher View at Google Scholar View at Scopus. A Ghandar, Z Michalewicz, M Schmidt, T - D To, and R Zurbrugg, Computational intelligence for evolving trading rules, IEEE Transactions on Evolutionary Computation vol 13, no 1, pp 71 86, 2009 View at Publisher View at Google Scholar View at Scopus. W L Tu ng and C Quek, Financial volatility trading using a self-organising neural-fuzzy semantic network and option straddle-based approach, Expert Systems with Applications vol 38, no 5, pp 4668 4688, 2011 View at Publisher View at Google Scholar View at Scopus. C - H Cheng, T - L Chen, and L - Y Wei, A hybrid model based on rough sets theory and genetic algorithms for stock price forecasting, Information Sciences vol 180, no 9, pp 1610 1629, 2010 View at Publisher View at Google Scholar View at Scopus. P - C Chang, C - Y Fan, and J - L Lin, Trend discovery in financial time series data using a case based fuzzy decision tree, Expert Systems with Applications vol 38, no 5, pp 6070 6080, 2011 View at Publisher View at Google Scholar View at Scopus. G A Vasilakis, K A Theofilatos, E F Georgopoulos, A Karathanasopoulos, and S D Likothanassis, A genetic programming approach for EUR USD exchange rate forecasting and trading, Computational Economics vol 42, no 4, pp 415 431, 2013 View at Publisher View at G oogle Scholar. I A Boboc and M C Dinica, An algorithm for testing the efficient market hypothesis, PLoS ONE vol 8, no 10, Article ID e78177, 2013 View at Publisher View at Google Scholar. W Cheung, K S K Lam, and H F Yeung, Intertemporal profitability and the stability of technical analysis evidences from the Hong Kong stock exchange, Applied Economics vol 43, no 15, pp 1945 1963, 2011 View at Publisher View at Google Scholar View at Scopus. H Dewachter and M Lyrio, The economic value of technical trading rules a nonparametric utility-based approach, International Journal of Finance and Economics vol 10, no 1, pp 41 62, 2005 View at Publisher View at Google Scholar View at Scopus. A Fern ndez-P rez, F Fern ndez-Rodr guez, and S Sosvilla-Rivero, Exploiting trends in the foreign exchange markets, Applied Economics Letters vol 19, no 6, pp 591 597, 2012 View at Publisher View at Google Scholar View at Scopus. M Metghalchia, J Marcucci, and Y - H Chang, Are moving average trading rules profitabl e Evidence from the European stock markets, Applied Economics vol 44, no 12, pp 1539 1559, 2012 View at Publisher View at Google Scholar View at Scopus. C J Neely, P A Weller, and J M Ulrich, The adaptive markets hypothesis evidence from the foreign exchange market, Journal of Financial and Quantitative Analysis vol 44, no 2, pp 467 488, 2009 View at Publisher View at Google Scholar View at Scopus. W E Shambora and R Rossiter, Are there exploitable inefficiencies in the futures market for oil Energy Economics vol 29, no 1, pp 18 27, 2007 View at Publisher View at Google Scholar View at Scopus. F Allen and R Karjalainen, Using genetic algorithms to find technical trading rules, Journal of Financial Economics vol 51, no 2, pp 245 271, 1999 View at Google Scholar View at Scopus. J Wang, Trading and hedging in S P 500 spot and futures markets using genetic programming, Journal of Futures Markets vol 20, no 10, pp 911 942, 2000 View at Google Scholar View at Scopus. J How, M Ling, and P Verhoeve n, Does size matter A genetic programming approach to technical trading, Quantitative Finance vol 10, no 2, pp 131 140, 2010 View at Publisher View at Google Scholar View at MathSciNet. F Wang, P L H Yu, and D W Cheung, Combining technical trading rules using particle swarm optimization, Expert Systems with Applications vol 41, no 6, pp 3016 3026, 2014 View at Publisher View at Google Scholar. J Andrada-F lix and F Fern ndez-Rodr guez, Improving moving average trading rules with boosting and statistical learning methods, Journal of Forecasting vol 27, no 5, pp 433 449, 2008 View at Publisher View at Google Scholar View at MathSciNet View at Scopus. T T - L Chong and W - K Ng, Technical analysis and the London stock exchange testing the MACD and RSI rules using the FT30, Applied Economics Letters vol 15, no 14, pp 1111 1114, 2008 View at Publisher View at Google Scholar View at Scopus. I Cialenco and A Protopapadakis, Do technical trading profits remain in the foreign exchange market Evidence from 14 currencies, Journal of International Financial Markets, Institutions and Money vol 21, no 2, pp 176 206, 2011 View at Publisher View at Google Scholar View at Scopus. A E Milionis and E Papanagiotou, Decomposing the predictive performance of the moving average trading rule of technical analysis the contribution of linear and non-linear dependencies in stock returns, Journal of Applied Statistics vol 40, no 11, pp 2480 2494, 2013 View at Publisher View at Google Scholar. Y S Ni, J T Lee, and Y C Liao, Do variable length moving average trading rules matter during a financial crisis period Applied Economics Letters vol 20, no 2, pp 135 141, 2013 View at Publisher View at Google Scholar. V Pavlov and S Hurn, Testing the profitability of moving-average rules as a portfolio selection strategy, Pacific-Basin Finance Journal vol 20, no 5, pp 825 842, 2012 View at Publisher View at Google Scholar. C Chiarella, X - Z He, and C Hommes, A dynamic analysis of moving average rules, Journal of Ec onomic Dynamics Control vol 30, no 9-10, pp 1729 1753, 2006 View at Publisher View at Google Scholar View at Zentralblatt MATH View at MathSciNet. X - Z He and M Zheng, Dynamics of moving average rules in a continuous-time financial market model, Journal of Economic Behavior and Organization vol 76, no 3, pp 615 634, 2010 View at Publisher View at Google Scholar View at Scopus. C Neely, P Weller, and R Dittmar, Is Technical Analysis in the Foreign Exchange Market Profitable A Genetic Programming Approach Cambridge University Press, 1997.
No comments:
Post a Comment