Algoritmo genético: um aplicativo para o design do sistema de comércio técnico Estudos recentes mostraram que, no contexto dos mercados financeiros, a análise técnica é uma ferramenta muito útil para prever as tendências. As regras de Mudança média geralmente são usadas para fazer decisões de compra ou venda diariamente. Devido a sua capacidade de cobrir grandes espaços de busca com esforço computacional relativamente baixo, os Algoritmos Genéticos (GA) poderiam ser efetivos na otimização de sistemas de negociação técnica. Este artigo estuda o problema: como GA pode ser usado para melhorar o desempenho de uma determinada regra de negociação ao otimizar seus parâmetros e como as mudanças no design do próprio GA podem afetar a qualidade da solução obtida no contexto do sistema de negociação técnica. Em nosso estudo, nos concentramos em explorar o poder dos algoritmos genéticos para ajustar os parâmetros técnicos das regras de negociação no fundo dos mercados financeiros. Os resultados de experimentos com base em dados de séries temporais reais demonstram que a regra otimizada obtida usando o GA pode aumentar o lucro gerado de forma significativa, em comparação com os padrões tradicionais de transição de comprimento médio negociados extraídos da literatura financeira. Referências V. Kapoor, S. Dey, A. P. KhuranaModelando a influência dos mercados de ações mundiais no índice NSE indiano. Publicado nos trabalhos da Conferência Internacional sobre Modelagem e Simulação (MS 09). Organizado por College of Engineering Trivandrum e AMSE. Thrivananthapuram, 1 a 3 de dezembro de 2009. Brock, W. Lakonishok, J. LeBaron, B. Regras técnicas simples e propriedades estocásticas dos retornos de ações. Journal of Finance XLVII (5), 1731-1764. 1992. Xiaoqing Weng, Junyi Shen, Detectando amostras outrais em conjuntos de dados de séries temporais multivariados. Sistemas baseados no conhecimento. Elsevier. 2008. Jarl Kallberg, Paolo Pasquariello, Time-series e excesso de seção transversal em índices de ações. Journal of Empirical Finance. Elsevier. 2007. Chang-Jin Kim, Jeremy Pigerc, Richard Startz, Estimativa de modelos de regressão do regime de Markov com comutação endógena. Journal of Econometrics. Elsevier. 2007. Nicolaas Groenewold, Sam Hak Kan Tang, Yanrui Wu. A rentabilidade das regras de negociação baseadas em regressão para o mercado de ações de Xangai. Journal of Empirical Finance. Elsevier. 2007. Andras Heinen, Erick Rengifo, modelos autoregressivos multivariados de séries temporais contam dados usando copulas. Journal of Empirical Finance. Elsevier. P. Manchandaa, J. Kumara, A. H. Siddiqi, Métodos matemáticos para modelar as flutuações de preços da série de tempos financeiros. Jornal do Instituto Franklin. Elsevier. 2006. Michael D. McKenzie, Suk-Joong Kim, Evidência de uma assimetria na relação entre volatilidade e autocorrelação. Análise Internacional de Análise Financeira. Elsevier. 2005. R. H. Loschi, P. L. Iglesias, R. B. Arellano-Valle, F. R.B. Cruz, modelagem preditiva completa de dados do mercado de ações: aplicação para alterar os problemas dos pontos. European Journal of Operational Research. Elsevier. 2006. Agarwal, S. K. Deb, Compreensão das interações entre parâmetros de algoritmos genéticos Em: Banzhaf, W. Reaves, C. Fundamentos de algoritmos genéticos. Vol 5. 1999. HE Aguirre, K. Tanaka, Algoritmos genéticos de mutação variável paralela, transações IEEE, 2002. DE Goldberg, Dimensionando populações para algoritmos genéticos em série e paralelos, em: Schaffer, JD (Ed), Procedimentos da Terceira Conferência Internacional Em Algoritmos Genéticos. Morgan Kaufmann, Los Altos, CA, pp. 7079, 1989. H. Muhlenbein, Como os algoritmos genéticos realmente funcionam. Mutação e Hill climbing, Fundação de algoritmos genéticos II pp. 15-25, 1992. Online. Disponível: muehlenbein. orgmut92.pdf D. E. Goldberg. Algoritmo genético em pesquisa, otimização de aprendizagem de máquinas. Nova York: Addison Wisley, 1989. V. Kapoor, S. Dey, A. P. Khurana, Análise empírica e Recombinação Respeitável Aleatória de Crossover e Mutação em Algoritmos Genéticos. International Journal of Computer Application. Problema Especial em Computação Evolutiva (1): 2530, 2018. Published by Foundation of Computer Science. Disponível em linha: ijcaonline. orgspecialissuesecotnumber11530-133 V. Kapoor, S. Dey, A. P. Khurana Um estudo empírico sobre o papel dos parâmetros de controle de algoritmos genéticos em problemas de otimização de funções. International Journal of Computer Application. Volume 31 (Número 6): 20-26, edição de outubro de 2017. Disponível on-line: ijcaonline. orgarchivesvolume31number63828-5319 R. J. Bauer Jr. Algoritmos genéticos e estratégias de investimento, John Wiley Sons, Inc, Nova York, 1994. R. J. Bauer, G. E. Liepins, algoritmos genéticos e estratégias comerciais negociadas. Em D. E. OLeary, P. R. Watkins (Eds.), Expert Systems in Finance, Elsevier Science publishers, Amsterdam, Holanda, 1992. F. Allen, R. Karjalainen. Usando algoritmos genéticos para encontrar regras comerciais comerciais. Journal of Financial Economics 51 (1999) 245-271. S. Mahfoud, G. Mani, Previsão financeira usando algoritmos genéticos Jouranal of Applied Artificial Intelligence. 10 (6) (1996) 543-565. De Jong, K. A. Uma análise do comportamento de uma classe de sistemas adaptativos genéticos. Dissertation Abstracts International 36 (10): 5140B. (University Microfilms No. 76-9381.) 1975. Ramon Lawrence, usando redes neurais para prever os preços de mercado de ações. Korczak, J. Roger, P. Tempo de estoque usando algoritmos genéticos. Modelos estocásticos aplicados em negócios e indústrias. Pp. 121-134. 2002. Jin Li, Edward P. K. Tsang, Melhorando análise técnica Previsão: uma aplicação de GP. Associação americana de AI. (1999). Laura Nunez-Letamendia, Ajustando métodos de controle de um algoritmo genético: uma aplicação para o design do sistema de negociação técnica. Revista europeia de pesquisa operacional. 2005. R. J. Kuo, C. H. Chen, Y. C. Hwang Um sistema inteligente de suporte à decisão de negociação de ações através da integração de algoritmos genéticos baseados em rede neural fuzzy e rede neural artificial. Fuzzy sets systems 118 (2001) 21-45. Termos de ÍndiceComparação de Algoritmos Genéticos para Estratégias de Negociação Os preços brutos finais podem variar de acordo com o IVA local. Nesta contribuição, descrevemos e comparamos dois sistemas genéticos que criam estratégias de negociação. O primeiro sistema baseia-se na idéia de que a matriz de peso de conexão de uma rede neural representa o genótipo de um indivíduo e pode ser alterada por algoritmo genético. O segundo sistema usa programação genética para derivar estratégias de negociação. Como dados de entrada em nossas experiências, utilizamos indicadores técnicos dos estoques NASDAQ. Como resultado, os algoritmos geram estratégias de negociação, ou seja, compre, mantenha e venda sinais. Nossa hipótese de que as estratégias obtidas pela programação genética traz melhores resultados do que a estratégia de compra e retenção foi comprovada como estatisticamente significante. Nós discutimos nossos resultados e os comparamos com nossos experimentos anteriores com tecnologia difusa, abordagem fractal e com estratégia de indicadores técnicos simples. Algoritmos genéticos abordagem neurogenética sistema neuroevolutivo programação genética rede neural investimento previsão comercialização modelagem financeira análise técnica
No comments:
Post a Comment