무역 전략 matlab에

+

양적 선물, 주식 및 자기 소개 옵션 (MATLAB 자유 계약 가능) 무역 내가 이전 현재 양적 선물 트레이더로 근무하고있다 TradingwithMatlab은 기금의 헤지 펀드에 양적 전략 팀에서 분석가로 작동합니다. 교환 시스템 Inc와 함께 I. 는 MATLAB2IB라는 MATLAB 기반의 도구를 만들었습니다. 나는 전기 공학, 제어 시스템의 특허에서 석사 학위, 및 비즈니스의 시카고 대학원의 대학에서 MBA를 개최합니다. 나는 다른 사람에게 유용 할 것, 엔지니어링 및 현재 금융 모두 MATLAB을 사용하여 경험의 나의 10 년 바랍니다. 존 볼린저 (볼린저 밴드) : 나는 흥미로운 topics. I가 내 프로필 볼린저 밴드 모멘텀 모델 트레이딩 전략 (설치) I. 무역 전략 개발자보기 tradingwithmatlab 야후에 연락 할 수 당신을 제시하도록하겠습니다. 개념 : 동향 - 다음 볼린저 밴드를 기반으로 무역 전략. 연구 목표 : 3 상 모델 (장기 / 단기 / 중성)의 성능 검증. 사양 : 표 1. 결과 : 그림 1-2. 무역 설정 : 긴 무역 닫기 전 1 낮은 밴드 난 1. 인덱스 : 내가 현재 바. 무역 항목 : 긴 거래 : 오픈에서의 구매는 강세 설치 후 배치됩니다. 짧은 거래는 : 오픈에서의 판매는 약세 설치 후 배치됩니다. 무역 출구 표 1. 포트폴리오 : 네 개의 주요 시장 부문 (상품, 통화, 금리 및 주식 인덱스) 42 선물 시장. 데이터 : MATLAB : 삼십육년 1980 테스트 플랫폼입니다. II. 감도 시험 모든 3-D 차트 이익 요인, 샤프 비율, 궤양 성과 지표, CAGR, 최대의 자본 감소, 비율 수익성 무역, 및 평균 2-D 윤곽 차트 뒤에 있습니다. 승 / 평균. 손실 비율. 마지막 사진은 자본 곡선의 민감도를 보여줍니다. 테스트 변수 : MA 길이 세인트 데브 (정의 : 표 1) 그림 1 포트폴리오 실적 (입력 : 표 1위원회 불이행 : 0). 새로운 MATLAB 기반의 유전자 알고리즘 과정 A 스테파노 Papadamou를 사용하여 기술 거래 시스템 개선 국제 과학 계산 방법에 회의 공학 2004 논문집 ,. 조지 STEPHANIDES 나. 경제 부서, 테살 리아, Argonauton 및 Filelinon, 볼 로스, 응용 정보학 교실, 마케도니아 경제 사회 과학 대학, Egnatias (156), 테살로니키 54,006 B 그리스의 대학, 그리스 (18)에게 2006 년 5 월 허용 (15) 2006 년 12 월 사용 가능한 온라인 (24) 수상 금융 시장의 2007 년 1 월 추상 최근 연구는 기술적 분석의 추세를 예측하는데 매우 유용한 도구가 될 수 있음을 시사한다. 거래 시스템은 널리 이러한 시스템의 파라미터 최적화는 거의 관심을 끌고있다, 그러나 시장 평가에 사용됩니다. 본 논문에서는 디지털 거래의 잠재력을 탐구하기 위해, 우리는 도구 기술 규칙의 매개 변수 최적화를 전문으로 유전자 알고리즘을 기반으로 새 MATLAB 도구를 제시한다. 그것은 실제 거래 측면에서 신속하고 효율적인 솔루션을 생성하는 유전자 알고리즘의 전원을 사용합니다. 우리의 도구는 우리의 특정 기술 시스템을 통해 주식 시장을 신흥의 UBS 펀드 투자의 역사적 데이터에 광범위하게 테스트되었습니다. 결과 제안 GATradeTool 일반적으로 샘플 전체에 걸쳐 저장 복귀 시간의 안정성에 대해, 비 - 적응 적, 소프트웨어 툴을 사용하여보다 더 좋은 성능을 보여준다. 그러나, 우리는 솔루션의 품질이 가능 인구 크기 효과의 증거를 제공했다. 키워드 금융 소개 오늘의 상인과 투자 분석가들은 무자비한 금융 시장에서 신속하고 효율적인 도구를 필요로 한 예측 유전자 알고리즘 투자 기술 규칙을 판매하고있다. 거래의 전투는 이제 주로 컴퓨터 속도 벌였다된다. 새로운 소프트웨어 기술 개발과 새로운 소프트웨어 환경의 외관 (예를 들어, MATLAB)은 실시간으로 어려운 금융 문제점을 해결하기위한 기초를 제공한다. MATLAB의 방대한 내장 된 수학 및 금융 기능, 그것이 해석 및 컴파일 프로그래밍 언어와 플랫폼 독립성 모두 금융 애플리케이션 개발이 적합하다는 사실. 모멘텀 전략을 포함하여 기술 규칙 (예를 들어 14. 15. 16. 16. 25, 20), 평균 규칙 및 기타 거래 시스템 (6)를 이동하여 얻은 수익에 증거. 2. 도 9 및도 24는 기술적 분석의 중요성을 지원할 수있다. 그러나, 이러한 연구의 대부분은 데이터 스누핑의 비판 생존 바이어스 (7)의 개방 가능성을두고 파라미터 최적화 문제를 무시하고있다. (17) 8. 전통적으로 연구자들은 무역 규칙의 특별 사양을 사용했다. 그들은 기본 인기있는 구성을 사용하거나 무작위로 몇 가지 다른 매개 변수를 시도하고 주로 수익을 기반으로 기준을 최선을 선택합니다. Papadamou 및 STEPHANIDES 23. 파라미터 최적화 문제를위한 절차를 포함하고있다 컴퓨터 지원 기술 거래에 대한 새로운 MATLAB 기반의 도구 상자를 구현했습니다. 그러나, 그들의 최적화 절차의 단점은 시간 : 목적 함수 (예를 들어 이익) t에게 간단한 제곱 오차 함수를 외설하지만 복잡한 온 (각 최적화 반복 데이터 통과 등 거래 신호를 생성하는 이익을 계산한다). 데이터 세트가 크고 자주 시스템을 다시 최적화하려는 당신은 최고의 하나는 매우 지루한 작업이 될 것 얻기 위해 모든 가능한 해결 방법을 시도하고, 가능한 한 빨리 솔루션이 필요합니다. 그들은 구조화 된 방식으로 무작위 검색을 수행하고 가까운 최적의 솔루션 인구에 매우 빠르게 수렴하기 때문에 유전자 알고리즘 (가스)이 더 적합합니다. 조지아는 당신에게 좋은 솔루션 세트 (인구)를 제공합니다. 분석가들은 오히려 전 세계적으로 최적의 솔루션보다 가능한 한 빨리 몇 가지 좋은 솔루션을 얻기에 관심이 있습니다. 세계적으로 가장 좋은 방법은 존재하지만, 가장 하나로 계속 희박하다. 본 연구의 목적은, 진화 연산의 알고리즘의 종류, 성능 및 전산 거래 시스템의 효율성을 개선하기 위해 사용될 수있는 방법을 유전 알고리즘을 보여주고있다. 기술적 분석에 대한 이론적 또는 경험적 정당성을 제공하기 위해 여기를 목적으로하지 않습니다. 우리는 신흥 주식 시장을 기반으로 특정 예측 작업에 우리의 접근 방식을 보여줍니다. 본 논문의 구성은 다음과 같다. 이전 작업은 2 절에서 설정 한 데이터를 제시하고 우리의 방법론은 경험적 결과 섹션에서 결론을 논의 제 5 항을 다음과하는 3 절에 설명되어 있습니다. 2 이전 작업은 비즈니스 관련 분야에 관한 수행 된 컴퓨터 과학 및 공학 분야 그러나 작은 일에 GA 작업의 큰 몸이있다. 후반으로, 금융 경제학 GA 사용에 대한 관심이 증가되고있다, 하지만 지금까지 자동화 된 거래에 관한 약간의 연구가 있었다. 우리의 지식에 투자에 유전자 알고리즘을 연결하는 최초의 출판 논문은 바우어와 Liepins 4에서였다. 그의 책 유전자 알고리즘 및 투자 전략 바우어 (5)는 가스가 기본적인 정보를 기반으로 매력적인 거래 전략을 개발하는 데 사용할 수있는 방법에 관한 실제적인 지침을 제공했다. 이러한 기술은 용이하게 기술 및 거시 데이터와 같은 다른 유형의 정보뿐만 아니라 과거 가격 정보를 포함하도록 확장 될 수있다. 알렌과 카르 얄라이 넨 1에 따르면. 유전자 알고리즘 기술 거래 규칙을 발견 할 수있는 적절한 방법이다. 펀 ndez-Rodr guez 등. 11 간단한 거래 규칙에 유전자 알고리즘 최적화를 채택하여 마드리드 증권 거래소에서 가스의 성공적인 사용에 대한 증거를 제공합니다. 다른 관심이 연구는 새로운 유전 알고리즘 기반 시스템을 제공하고 닐리 등 개별 주식의 미래 성과를 예측하는 작업에 적용하는 Mahfoud와 마니 (18)에 의해 그입니다. 21 Oussaidene 등의 알에 의해. 외환 예측에 유전 프로그래밍을 적용하고 약간의 성공을보고 22. GA 최적화의 부작용 중 하나는 사용자가 이러한 교차 레이트 인구 크기 돌연변이율로 파라미터 세트를 정의해야한다. 기능 최적화에 유전자 알고리즘을 공부 드 종 (10)에 따르면 좋은 GA 성능이 높은 크로스 오버 확률 (인구 크기에 반비례)과 적당한 인구 규모가 필요합니다. 골드버그 (12)와 Markellos (19)는 많은 문제에서 잘 작동 매개 변수 세트는 크로스 오버 매개 변수 0.6, 인구 규모 30 돌연변이 매개 변수 0.0333 있음을 시사한다. 바우어 (4)는 금융 최적화 문제에 대한 시뮬레이션의 시리즈를 수행 골드버그의 제안의 유효성을 확인했다. 본 연구에서 우리는 선택 거래 시스템에 대한 다양한 매개 변수 구성을 테스트하여 제한된 시뮬레이션 연구를 수행합니다. 또한 다른 소프트웨어 툴 우리 공구와 비교하여 제안 된 GA에 대한 증거를 제공한다. 3 방법론 우리의 방법은 여러 단계로 수행된다. 먼저, 기술적 분석에 기초하여 우리의 거래 시스템을 구현할 수있다. 거래 시스템을 개발, 당신​​은 때 입력하는 때 시장을 종료 결정해야합니다. 상인은 시장에있는 경우 이진 변수는 하나, 그렇지 않으면 제로와 동일하다. 위치 상인으로 우리는 추세 다음과 같은 표시 등 (Dimbeta)를 구성하여 매일 차트에 우리의 입구와 출구 의사 결정의 대부분을 기반으로. 이 표시등은 길이의 이동 평균에서 현행 가격의 편차를 계산합니다. 우리 거래 시스템에 사용되는 지표 아래 공식화 될 수있다 : 타임에 기금 종가이고 기능 MovAv 시간 길이 변수 근접 단순한 이동 평균을 계산 곳. 우리의 거래 시스템은 두 지표의 Dimbeta 표시하고 다음 식에 의해 주어진 Dimbeta의 이동 평균으로 구성 위로 크로스는 다음 (즉, 신호를 구입) 시장에 긴 입력합니다. 십자가 아래 다음 시장 (즉, 매도 신호)에 긴 위치를 닫으면. 둘째, 우리는 우리의 무역 전략을 최적화 할 수 있습니다. 잘 같은 이익 또는 재산 등의 목적 함수를 극대화하는 거래 시스템을 최적화 할 수있는 것으로 알려져있다. 위험 구분하지 상인을위한 가장 자연스러운 목적 함수는 이익이다. 우리의 소프트웨어 도구에서 우리는 곱셈의 이익을 고려한다. 축적 된 재산의 고정 부분이 각각의 긴 무역에 투자 할 때 곱셈 이익 적합합니다. 우리의 소프트웨어에는 짧은 판매가 허용하고 활용 인자는 고정 설정되어시 재산은 다음 식으로 주어진다 : 복귀 시간에 종료되는 기간 동안 실현되고, 거래 비용이며 진 더미 변수 긴 위치를 나타내는 여부 (예 : 1 또는 0). 이익은 최종 부의 초기 자산에서 차감하여 제공됩니다. 시스템 최적화 거래 규칙 내의 하나 이상의 매개 변수 (,)를 변화시키면서 다수의 테스트를 수행하는 것을 포함한다. 시험 수는 빠르게 (Metastock 32 000 시험 최대 있음) 엄청난 성장을 할 수있다. FinTradeTool 23. 제한없이 사용하는 컴퓨터 시스템에 따라 처리 시간에하지만 없다. 본 논문에서는 유전 적 알고리즘을 이용하여 최적화 문제를 해결할 가능성을 조사. 네덜란드 (13)에 의해 개발 된 유전자 알고리즘 (가스)는 자연 진화의 원리에 따라 검색, 수정 및 최적화 기술의 종류를 구성한다. 그들은 안정성을 나타내는 것으로 알려져있다 및 솔루션 방법론 및 최적화 성능에 상당한 이점을 제공 할 수 있기 때문에 유전자 알고리즘은 최적화 문제에 자신을 잘 빌려. 가스는 어떤면에서 다른 최적화 및 검색 절차 다르다. 첫째, 파라미터 세트의 부호화하지 파라미터 자체로 작동한다. 따라서 가스가 용이 이진 변수를 처리 할 수​​있다. 포인트가 아닌 단일 지점의 인구에서 두 번째로, 가스 검색 할 수 있습니다. 따라서 가스 전역 최적해의 세트를 제공 할 수있다. 마지막으로, 가스는 목적 함수 정보가 아닌 파생 상품이나 기타 보조 기술을 사용합니다. 따라서, 가스는 실제로 실질적인 최적화 문제에 존재하는 비 - 연속, 비 미분 함수를 처리 할 수​​있다. 4 GATradeTool에서 GATradeTool 제안. 유전 알고리즘 (,)로 인코딩 후보 솔루션의 인구에서 작동합니다. 파라미터 세트의 각각의 결정 변수를 바이너리 스트링으로 인코딩되고, 모든 염색체를 형성하도록 연결된다. 염색체 표현 bunary 유전자 코딩 매개 변수를 포함하는 2 요소의 벡터이다. 이진 표현의 정밀도는 파라미터 당 8 비트 (즉, 1 0 0 1 0 1 1 1 1 0 0 1 0 1 1 1)이다. 그것은 초기 추측을 무작위로 생성 인구로 시작합니다. 이 솔루션 후보는 우리의 목적 함수의 관점에서 평가된다 (식. (4)). 최적 더 나은 솔루션을 생산하는 자연 유전학 차용 사업자 (즉, 산술 교차 1)을 사용하여 각 염색체 교환 정보를 얻기 위해. 목적 함수 (당량. (4))는 개인 문제 도메인에서 수행했는지를 측정하는 데 사용된다. 우리의 경우, 가장 적합 개인 관련 목적 함수의 가장 높은 수치를 가질 것이다. 피트니스 기능은 각 개인에 대한 장점의 음이 아닌 수치로 원시 목적 함수 값을 변환합니다. 이 도구는 골드버그 (12)의 상쇄 및 스케일링 방법 및 베이커 3의 선형 순위 알고리즘을 지원합니다. 우리의 선택 방법은 확률 적 실적에 따라 개인을 선택하는 룰렛 메커니즘을 사용한다. 실제 값 구간 합은 현재 집단 내의 모든 개인에 걸쳐 행 체력 값의 합으로 결정된다. 개인은 다음의 범위는 0, 합계에서 연속 간격으로 1-1을 매핑됩니다. 각 구간의 크기는 관련 개인의 체력 값에 대응한다. 난수는 간격 0에서 생성 된 개인을 선택하려면, 그 합 세그먼트 개개의 난수 선택에 걸쳐있다. 개인의 원하는 번호 26을 선택했을 때까지이 프로세스가 반복된다. 이들 후보는 연산 오버 차세대를 생성하기 위해 유망한 후보 재결합 과정을 참여시켰다. 잘 정의 된 기준이 만족 될 때까지 이들 스텝을 반복 하였다. 유전자 알고리즘은 확률 적 탐색 방법이므로 정식 수렴 기준을 지정하는 것이 곤란하다. 뛰어난 개인이 발견되기 전에 인구의 피트니스 세대의 수에 대한 정적 남아있을 때, 기존의 종료 기준의 적용은 문제가된다. 그 결과 우리는 종료 기준으로 반복 특정 수의 업적을 제안했다. 우리의 유전자 알고리즘은 다음 프레임에 표시 할 수 있습니다 :이 섹션에서는 5 실증 결과, 우리는 신흥 주식 시장에서 UBS 뮤추얼 펀드 투자 우리의 방법론을 적용 할 수 있습니다. 이 분석 자료는 기간 1/5/98 25/6/04에 대한 해당 펀드의 매일 종가에 2,800 관찰로 구성되어 있습니다. 최적화 기간은 25/6/03에 1/5/98 사이에 정의된다. 최적화 된 시스템은 장기간 25/6/03 25/6/04 통해 평가 하였다. Dimbeta 표시하고 이익을 극대화 할 간단한 Dimbeta 모델에 대한 이동 평균의 최적의 길이를 결정하기로 최적화 문제는 설정됩니다. 첫째, 다른 GA 파라미터 구성의 효과를 연구한다. 구체적으로 우리는 모집단의 크기 및 유전 적 알고리즘에 기초하여 최적화 절차의 성능 크로스 오버 파라미터의 효과를 측정하기 위해 관심을 갖고있다. 골드버그 S 12, S 바우어 4 추천 정보에 기초하여 모집단 크기 30 같아야과 교차 레이트 0.6 (기본값)이어야한다. 반복 횟수는 모든 시뮬레이션 (300)로 설정 하였다. 둘째, 제안 GATradeTool의 유효성을 측정하기 위해 다른 소프트웨어 툴에 의해 수행 최적화 문제의 해결 방법을 비교 하​​였다. 표 1은 인구의 서로 다른 크기의 GA 최적화 결과를 제공합니다. 테이블의 첫 번째 행은 Dimbeta 표시 및 Dimbeta의 이동 평균에 가장 적합한 매개 변수를 보여줍니다. 최상의 해결책 인구 크기의 효과를 측정하기 위해 우리는 서로 다른 통계 일련의 검사. 최대 및 최소 복귀 평균 창 이러한 솔루션의 표준 편차, 알고리즘의 수렴을 위해 필요한 시간, 용액의 표준 편차가 최대 수익 용액을 나누어 계산 효율 지수 용액. 표 1. 인구의 크기 효과는 표 1에 보면 우리는 당신이 인구의 크기를 증가로 최고의 평균 솔루션은 높은 말할 수 있습니다. 그러나 30의 인구 크기 후 성능이 감소했다. 고려 인구 대형화 이후 관련된 비용을 계산하기 위해, 우리는이 문제를 해결하기 위해 필요한 시간을 계산한다. 낮은 인구 크기 낮은 성능과 낮은 완료 시간에 이어집니다. 최상의 해결책이 알고리즘의 기본 성능을 확립하기 위해 모집단의 크기 (20)에 의해 주어진 것이다 효율 지수에 따르면, GA 30 시험은 각 시험에 대한 다른 임의의 시작 인구 하였다. 무화과. (1A). 성능은 생성 번호 대 최적 값의 ​​비율로 평균 최대 체력을 음모에 의해 시간이 지남에 따라 개선하는 방법을 보여줍니다. 우리는 먼저이 모든 세대와 모든 시험에 대해 수행 된 30 시험의 각의 최대 피트니스 가치를 붙 잡았다. 우리는 그 다음 최대 체력 값 평균이이 세대마다 최적 값의 ​​백분율로 우리에게 평균 최대 체력을 준 (FINTRADE 도구, 23) 열거 체 검색을 얻었다 최적의 피트니스 값에 의해 그 번호를 나누었다. 무화과. (1A). 기본 파라미터 설정 : 최적의 비율입니다. 마찬가지로도에서 볼 수있다. (1A). 1 세대의 평균 최대 니스는 약 74 최적 값이다. 그러나 오십 생성하여, 알고리즘은 일반적으로 최적 값의 ​​90 이내 적어도 하나의 솔루션을 발견했다. 오십 생성 한 후, 용액은 최적 값 98에 도달 할 수있다. 기준점 우리의 기본 설정과 성과 측정, 우리는 기본적인 절차의 가능한 변화를 조사했다. 우리는 인구의 크기와 오버 속도의 변화의 효과를 연구 하였다. 서로 다른 파라미터의 설정을 위해, 우리는 알고리즘의 30 시험을 수행하고 기본 설정에서 수득 된 것과 평균 최대 니스의 그래프를 비교 하​​였다. 첫째, 우리는 크로스 오버 비율을 0.4과 0.8을 시도했다. 그 결과를도에 나타내었다. 1B 및도. 1C. 도 유사있다. (1A). 결과적으로 크로스 오버 파라미터는 중요한 정도는 최적의 솔루션에 영향을주지 않는다. 우리는 인구의 크기를 변경할 때, 결과는 다르다. 도 방법. 1D 및도. 1E. 작은 인구 규모로 우리는 많은 인구에 비해 가난한 결과를 가지고 있었다. 우리는 인구 규모로 80을 선택하면 우리는 초기 세대에서 높은 수익을 달성했다. 무화과. (1B). 크로스 오버 0.40 : 최적의 퍼센트. 무화과. 1C. 크로스 오버 0.80 : 최적의 퍼센트. 무화과. 1D. 인구 80 : 최적의 퍼센트. 무화과. 1E. 인구 20 : 최적의 퍼센트. 표 2에서 보면 세 다양한 소프트웨어 툴을 사용하여 우리 거래 시스템의 최적의 결과를 비교할 수있다. 첫 번째 행은 Metastock에 대한 GATradeTool과 FinTradeTool (23)에 대한 결과를 제공합니다. 제안 된 소프트웨어 툴 (GATradeToo 리터)를 총 테스트 수에 대한 어떠한 특정 제한없이 매우 빠른 최적화 문제를 해결할 수있다. Metastock 소프트웨어에서 수행 될 수있는 테스트의 최대 수는 32 000 FinTradeTool 최적 해결책을 찾기 위해 많은 시간이 필요하다. GATradeTool에서 제공하는 솔루션이다. FinTradeTool의 최적의 솔루션에 가깝습니다. 표 2. 세 가지 소프트웨어 도구의 비교 최적화 된 매개 변수 (Dimbeta. MovAv (DimBeta)) 평가 기간 25에서 테스트 된 기간 1/5/98 25/6/03에서 발견 된 최적의 매개 변수를 사용하는 거래 시스템 / 6월 3일 25/6/04. 우리 거래 시스템의 성능은 모든 소프트웨어 툴이 증가되었다. 그러나, 시간의 비용은 매우 심각한 (칼럼 4)로 간주되어야한다. 무화과. 2 Dimbeta 거래 시스템 (인구 규모 80, 크로스 오버 비율 0.6)의 300 세대에 걸쳐 최대, 최소, 평균 수익률의 진화를 보여줍니다. 최대 수익이 증가 경향을 갖는 것을 알 수있다. 1.2과 1 사이의 범위에서 150 세대 이동 (즉 120 100 귀국일) 이후 비교적 안정적인 것으로 나타납니다. 최소 피트니스에 대한 패턴이 존재하는 것 같다. 분명한 상승 경향은 제 180 세대에서 찾을 수 평균 인구 복귀, 이는 인구의 전체 헬스 시간 경과 향상되었다는 표시이다. 제 세대의 증가 후 용액, 용액의 표준 편차의 변동에 관한 것은 용액의 안정하고 효율적인 세트의 증거를 제공하는 0.3 내지 0.6의 범위에서 안정. 무화과. 300 세대에 비해 여러 가지 통계 2. 진화. 무화과. 3 GATradeTool에 의해 주어진 최적의 솔루션의 3 차원 플롯을 제공합니다. 및 축에서 우리는 dimbeta 지표와 이동 평균의 파라미터를 갖는다. 축이 선택한 최적의 매개 변수에 대한 Dimbeta 거래 시스템의 반환을 보여줍니다. 쉽게 이해할 수있는 바와 같이, 우리의 도구는 최적의 솔루션을 제공 FinTradeTool 대조적 최적 솔루션의 영역을 제공한다. 무화과. 최적의 영역 (3), 3-D 플롯. 기술적 분석 널리 실무자 나 학자들 사이에서 투자 방식으로 사용됩니다 6 결론 있지만, 그들은 거의 매개 변수 최적화의 문제에 초점을 맞추고되지 않습니다. 우리의 결과 만 기록 데이터를 기반으로 주식 시장을 신흥의 UBS 뮤추얼 펀드 투자의 일부 예측 가능성이 있음을 보여하지만 여기에 기술적 분석을 방어하기 위해 우리의 역할이 아니다. 이 논문에서 우리의 주요 목적은 MATLAB 새로운 기술이 기술 거래 시스템의 최적화를 향상시킬 수있는 유전자 알고리즘 도구를 구현하기 위해 사용될 수 있다는 것을 설명하는 것이다. 우리의 실험 결과 GATradeTool 신속 가까운 최적의 솔루션 세트를 제공하여 디지털 거래를 향상시킬 수 있음을 보여준다. GA 상이한 파라미터 구성의 효과에 관하여, 우리는 인구수가 증가하여 시스템의 성능을 향상시킬 수 있음을 발견 하였다. 교차 레이트의 파라미터는 심각 용액의 질에 영향을 미치지 않는다. 다른 소프트웨어 툴에 의해 수행되는 최적화 문제의 솔루션과 비교하여, 우리는 GATradeTool 매우 빠르게 평가 기간에 걸쳐 일관성을 제공 최적 솔루션을 설치함으로써, 더 수행 할 수있는 것을 발견했다. 추가 연구는 유전자 알고리즘 및 시스템 성능 사이의 상관 관계를보고하기 위해 다른 시스템의 일련의 테스트를 위해 마지막으로 흥미로운 것이다. 쉽게 거래 신호를 생성하는 유일한 기능을 변경하여 GATradeTool에서 특정 시스템을 테스트 할 수 있습니다 금융 시장, 연구자와 상인에 자주 변경의시. 이 연구 감사의 논문은 IKY 그리스어 국가 장학금 재단이 자금을 지원 한 박사 S. Papadamou의 박사 연구의 일부였다. 참고 문헌 F. 알렌 1. 기술 거래를 찾기 위해 유전자 알고리즘을 사용하여 R. 카르 얄라이 넨은 금융 경제의 저널 규칙. 볼륨 (51) 1999 쪽. 245 271 2 H. L. 알렌. M. P. 테일러 국제 자금 및 금융의 외환 시장 저널의 기술적 분석의 사용. 볼륨 11. 1992 쪽 (303) (314) 3 J. E. 베이커, 유전자 알고리즘에 대한 적응 선택 방법 :.. 유전자 알고리즘, 1985 권, 101 (111) 4 제이의 첫 번째 국제 학술 대회 바우어. G. E. Liepins 유전자 알고리즘과 금융 전산 거래 전략 전문가 시스템. D. E. O 리어리. P. R. 왓킨스. 1992 엘스 비어 과학 출판사, 암스테르담, 네덜란드 (5) 제이 바우어 주니어 유전자 알고리즘 및 투자 전략 1994 년 존 와일리 아들, Inc의 뉴욕 6 W. 브록. J. Lakonishok. B. LeBaron 간단한 기술 거래 규칙 및 주식의 확률 적 특성은 금융의 저널을 반환합니다. 볼륨 47 1992 쪽. 1731 1764 7 S. 브라운. W. Goetzmann. R. 쓰레딩. 금융 연구 성과 연구 검토에 S. 로스 생존자 바이어스. 볼륨 5. 1992 쪽. (553) 580 8 S. 브라운. W. Goetzmann. 금융 S. 로스 생존 저널. 볼륨 (50) 1995 쪽. 853 873 9 Y. W. 청. C. Y.P. 웡 넷 아시아 환율 다국적 금융 저널에 거래 규칙의 성능을 제공합니다. 1 권 1997 쪽. 1 22 10 K. 드 종, 유전 적 적응 시스템의 클래스 박사의 행동 분석 DISS. 미시간 대학, 대학 마이크로 필름 번호 76-9381 1975 년 11 F. 펀 ndez-Rodr의 guez, C. Gonz LEZ - 마르텔, S. Sosvilla - 리베로, 유전자 알고리즘에 의한 기술 규칙의 최적화 : 마드리드 주식 시장에서 증거, 연구 보고서 2001-14, FEDEA, 2001 ftp://ftp. fedea. es/pub/Papers/2001/dt2001-14.pdf 12 DE 검색 최적화에 골드버그 유전자 알고리즘과 기계 학습 1989 년 애디슨 - 웨슬리 (13) J. H. 자연 네덜란드 적응과 인공 시스템 1975 년 미시간 대학을 눌러 14 N. Jegadeesh. 금융의 주식 시장의 효율성 저널에 대한 시사점 : S. Titman는 패자 우승자를 사고 파는로 돌아갑니다. 권 48​​ 호 1. 1993 쪽. 65 91 15 P. J. 카우프만 새 상품 거래 시스템 및 방법 1987 년 존 와일리 아들 (16) B. N. 레만의 유행, martingales, 경제의 시장 효율성 분기 별 저널. 볼륨 (105) 1990 쪽. 1 28 17 A. W. 봐라. 의 교류 MacKinlay 인해 금융 연구의 주식 시장의 과잉 반응의 검토에 역 투자 수익 경우이다. 볼륨 3. 1990 쪽. (175) 206 18 S. Mahfoud. G. 마니 재무 응용 인공 지능의 유전 적 알고리즘 저널을 사용하여 예측. 볼륨 10 호 제 1996 쪽. (543) 565 19 R. N. 금융 전산 지능의 Markellos 백 테스팅 거래 시스템 저널. 볼륨 5. 문제 6. 1997 쪽. 5 10 20 L. Menkhoff. M. Schlumberger의 외환 시장 BNL 분기 검토에서 기술적 분석의 지속적인 수익성. . 볼륨 193 1995 쪽 189 216 21 C. 닐리, P. 웰러, R. Ditmar이는 외환 시장의 기술적 분석입니다 수익성 유전 프로그래밍 접근 방식에서 (. EDS가) C. Dunis, B. rustem에, , 절차, 금융 시장을 예측 : 환율, 금리 및 자산 관리, 런던, 1997 (22) M. Oussaidene에 대한 진보. B. 쇼파드. O. 픽텟. M. Tomassini 실용적인 측면과 경험을 병렬 유전 프로그래밍과 병렬 컴퓨팅의 거래 모델을 유도 저널에의 응용. 볼륨 23 호 제 1997 쪽. 1183 1198 23 S. Papadamou. 컴퓨터를 이용한 동적 기술 거래 금융 공학 뉴스 G. STEPHANIDES 새로운 MATLAB 기반의 도구 상자. 문제 31 2003 24 S. Papadamou. S. Tsopoglou는 외환 시장 경영 금융에 대한 기술 분석 시스템의 수익성을 조사. 볼륨 27 호 제 2001 쪽. 63 78 25 F. M. 베르너. D. Bondt. 금융 투자 과잉 반응과 주식 시장의 계절성 저널에 R. 탈러 또한 증거. 볼륨 42 문제 3. 1987 쪽 557 581 26 D. 휘 틀리의 Genitor 알고리즘과 선택 압력 :. 생식 시험의 순위 기반 할당이에, 최고 이유 : 유전자 알고리즘, 1989, PP의 세 번째 국제 학술 대회 . 116 121 산술 단일 포인트 교차은 임의로 동일 임의로 결정된 캐릭터의 위치에 두 문자열을 절단 후 꼬리 부분을 스와핑 포함한다. 크로스 오버는 광범위한 방향으로 새로운 솔루션에 대한 검색을 확장합니다. 다음은이 펀드의 구조와 25/6/2004에서 주요 위치는 다음 그림에 묘사되어있다. 저작권 2007 엘스 비어 (주) 모든 권리 보유.