Genetic algoritmo um aplicativo para técnico trading sistema de design

Algoritmo Genético Uma Aplicação ao Design Técnico do Sistema de Negociação. Algoritmo Genético Uma Aplicação ao Design Técnico do Sistema de Negociação V Instituto Kapoor de Tecnologia de Engenharia, Universidade Devi Ahilya, Indore S Dey Instituto Indígena de Administração Indore AP Escola Khurana de Ciência da Computação Devi Ahilya University, Indore RESUMO Estudos recentes têm demonstrado que, no contexto dos mercados financeiros, a análise técnica é uma ferramenta muito útil para prever as tendências. As regras da média móvel são geralmente usadas para fazer decisões de compra ou venda em uma base diária Devido à sua capacidade de cobrir grandes espaços de pesquisa com relativamente baixa Este artigo estuda o problema de como o GA pode ser usado para melhorar o desempenho de uma determinada regra comercial, otimizando seus parâmetros, e como as mudanças no projeto do próprio GA podem Afetar a qualidade da solução obtida no contexto do sistema de comércio técnico Em nosso s Os resultados de experimentos baseados em dados de timeseries reais demonstram que a regra otimizada obtida usando o GA pode aumentar o lucro gerado significativamente como comparar a Tradicional INTRODUÇÃO Os investidores no mercado de ações estão preocupados em maximizar a taxa de retorno ou lucro Nos últimos anos os mercados de ações globais foram bullish na tendência, E houve um aumento significativo no número de pesquisas com foco no mercado de ações investindo Devido à enorme quantidade de dados disponíveis, os investidores enfrentam dificuldade em tomar decisões, sobre como ganhar maiores lucros de negociação de ações Muitos especialistas em teoria financeira falharam em suas tentativas de Prever a tendência no mercado completamente, Devido à tendência barulhenta e flutuante dos preços A Hipótese de Mercado Eficiente EMH é um dos fundamentos mais importantes da teoria das finanças modernas que afirma que é impossível vencer o mercado Análise técnica é um método popular usado na negociação de ações Há um monte de Literatura dedicada a regras de análise técnica que supostamente são capazes de identificar tendências de alta ou baixa ou reversões em trajetórias de preços 4, 8, 9, 0 A análise técnica pressupõe que tendências futuras podem ser reconhecidas como função de preços passados. Anos, tem havido uma discussão concentrada entre os praticantes e acadêmicos sobre a utilidade das regras técnicas de negociação e da Hipótese de Mercado Eficiente EMH As primeiras tentativas de usar indicadores técnicos foram baseadas em filtros simples 2 Ao analisar literatura sobre análise técnica disponível pode-se sentir desconfortável às vezes, A disponibilidade de praticamente um número infinito de regras técnicas de negociação a multiplicidade de maneiras em que eles podem b E aplicado Mais recentemente as médias móveis foram usadas por Brock 2, seu trabalho mostra que os resultados rentáveis ​​poderiam ser obtidos usando este método Um sistema simples da média movente, usado geralmente em simuladores negociando, e tem o dois jogo dos parâmetros os comprimentos de duas médias móveis As Os comprimentos médios móveis podem cobrir vários períodos de tempo do dia a 500 dias etc., o uso dos parâmetros corretos isto é os comprimentos em construir regras negociando é imensamente importante Também, existe um número grande de várias combinações de parâmetros para a mudança de regras médias que fazem impossível Testar todos eles manualmente como uma parte do processo de tomada de decisão Portanto, é imperativo desenvolver métodos automatizados para otimizar sistemas de negociação Otimização é um processo de busca pelo qual a melhor solução pode ser descoberto É simplesmente um método ou algoritmo que nos permite Encontrar o melhor ou perto de melhor solução possível para um determinado problema Em caso de sistema de negociação ou otimização de regra isso pode ser feito Para encontrar um determinado conjunto de parâmetros de regra A melhor solução existente ou aptidão para um determinado problema pode ser descoberto em uma série de maneiras Alguns problemas simples são resolvidos por tentativa e erro, muitas vezes guiado pela percepção humana desde cérebro humano é um dos Sistemas de otimização heurística mais poderosos na Terra Em alguns casos, a otimização analítica, como o desenvolvimento de modelos de regressão múltipla, 3, 5, 6, 7 ou procedimentos baseados em cálculos são usados. Para sistemas mais complexos são necessários métodos complicados ou algoritmos. Em termos reais é um algoritmo Implementado com código de programação em alguma linguagem de computador em caso de uso de computadores Simular o processo de evolução como algoritmos genéticos não é uma maneira muito nova para descobrir ou encontrar soluções de alta qualidade para problemas complexos GAs são algoritmos heurísticos baseados na sobrevivência do princípio mais apto, E não garantem uma solução globalmente ótima, apenas uma aproximada à óptima. Eles têm sido formalmente mostrados como sendo uma abordagem extremamente eficiente para Otimização das funções não-lineares 4, 8 e 9 A função de aptidão utilizada nos AGs é um bloco de código de programação que reflete a atratividade de uma solução particular. No caso do nosso problema, a aptidão é interpretada como lucro líquido para intenso drawdown. O trabalho descrito neste artigo é investigar como algoritmos genéticos, uma classe de algoritmos em computação evolutiva podem ser usados ​​para melhorar o desempenho de uma determinada regra de negociação, e como mudanças no design do próprio GA podem afetar a qualidade da solução obtida no contexto Do sistema de comércio técnico Aqui o nosso principal objectivo é descobrir um 44.2 conjunto ideal de parâmetros de regra de negociação avaliados em uma série de tempo financeiro real, ou seja, dados históricos Não é nosso propósito de fornecer justificação teórica ou experimental de análise técnica Este artigo é estruturado no seguinte Os Algoritmos Genéticos e os trabalhos relacionados são apresentados na secção 2, O conjunto de dados ea metodologia são então descritos na secção 3, Secção 4 Explica o sistema GA proposto, a Seção 5 é dedicada ao estudo de desempenho desta abordagem Conclusões e algumas extensões propostas seguem Seção LITERATURA SURVEY Algoritmos Genéticos são busca e otimização global procedimento baseado nos princípios de evolução biológica natural GA é uma tentativa de combinar computador Ciência e evolução natural É uma tentativa de imitar o poder da evolução natural no programa de computador Darwin teoria da seleção natural é a inspiração para GA GA é de natureza estocástica, de tal forma que eles aproveitam chance aleatória em sua operação GA começa com aleatória escolhida população de Algoritmo Genético Figura Algoritmo Genético A partir da geração aleatória, a meta da GA é melhorar a aptidão das soluções à medida que a geração passa Por A condição de parada é especificada Como alguns número fixo de gerações alcançado ou realização de nível de aptidão satisfatória O raciocínio por trás crossover é que se dois pais são representados por alto nível de aptidão, cruzando-os levará a melhores soluções prole Como o espaço de busca é grande, uma certa quantidade de aleatoriedade é mantida Através das gerações pelo operador da mutação aplicada infrequënte, assim que a população não perde sua diversidade genética O objetivo principal de GA é descobrir quase os peritos ou as soluções ideais GA é caracterizado pela velocidade É muitas vezes mais rapidamente do que o método da optimização da força bruta especialmente quando confrontado com a explosão combinatorial Aplicação de GA para negociação de ações já foi avaliada por um número de pesquisadores GA sobre aplicações financeiras têm mostrado resultados promissores Bauer 8 usado GA para gerar regras de negociação que são expressão booleana Para minha consciência o primeiro papel ligando GA s para investimentos foi de Bauer e Liepins 9 Baur 9 em seu livro Genetic Algorithms and Investment strategie De acordo com Allen e Karjalainen 20, a genética pode ser usada para desenvolver estratégias de negociação marcantes baseadas em informações fundamentais. Algum outro estudo interessado é feito por Mahfoud e Mani 2 que apresentam um novo sistema baseado em algoritmo genético e aplicaram-na à tarefa de prever o desempenho futuro de ações individuais e programação genética para previsão de câmbio e Relataram algum sucesso Goldberg 5 e De Jong 22 sugerem que um conjunto de parâmetros de controle Crossover 0 6, tamanho da população de mutação 300 funciona bem em muitos problemas Bauer 8 realizou uma série de simulações sobre problemas de otimização financeira e estabeleceu o vigor de sugestões Goldberg Ramon Lawrence 23 estudou Métodos de usar GA s para treinar uma rede neural Sistema de negociação Korczak 24 usado GA para procurar um conjunto de regras de negociação que dá sinais de compra e venda em ações individuais Jin Li 25 usou programação genética para melhorar as previsões técnicas de análise Laura Nu ez-letamendia 26 e muitos outros 27 GA aplicado para otimizar os parâmetros De uma regra de negociação De acordo com Laura Nu ez-letamendia 26 GA s trabalho melhor em crossover alto e probabilidade de mutação baixa e um tamanho de população moderada Veja também 6, 7 3 METODOLOGIA Embora nós podemos construir um número interminável de regras de negociação por combinação de grandes Número de indicadores técnicos e operadores aritméticos, algumas destas regras são populares e são amplamente utilizados pelos profissionais e atraiu a atenção dos acadêmicos Uma dessas regras bem conhecidas é Crossing of Moving Average A média é definida como o preço médio dos últimos n dias The Palavra Movendo significa que o conjunto de preços que estão sendo promediados está continuamente movendo-se através do tempo A média movente é um indicador atrasado que seja usado para aplainado Os dados imprevisíveis ou estridente, a fim de obter a verdadeira tendência de preços A regra de negociação chamada Cruzamento de médias móveis é baseada nos sinais gerados pelo cruzamento de MA s de comprimentos diferentes A média móvel para n dias é dada por n Pt n i0 Onde P ti É o preço de fechamento para o dia ti e n denota o número de dias passados ​​tomadas para a média móvel construída, ou seja, o comprimento de MA Comprar e vender sinais são gerados no seguinte Um sinal de compra ou posição longa de acordo com a conversa de mercado é tomada quando MA mais curto É maior que MA 2 Pt i Pt i eq 2 i0 2 i0 Onde 2 Um sinal de venda ou posição curta de acordo com o discurso de mercado é tomado quando MA mais curto é menor do que MA 2 Pt i Pt i 3 2 i0 45.3 Onde 2 O Parâmetros ie comprimentos de duas médias móveis e 2 são escolhidos heuristicamente ou instintivamente pelo comerciante Pode haver muitas combinações possíveis se limitarmos o número de dias para MA construído para 500, ou seja, haverá 2, 50.000 número de configurações de parâmetros para a regra com base Em cro Ssing de médias móveis Assim, desta forma o espaço de pesquisa aumenta exponencialmente ou seja, o número de parâmetros a serem ajustados com a inclusão de indicadores técnicos no sistema de negociação, como cada indicador consistem de pelo menos um parâmetro No caso do sistema de negociação temos de encontrar combinação De parâmetros que dá o melhor ou o melhor desempenho ou lucro Em caso de cruzamento do sistema de negociação baseado MA, nosso principal objetivo é encontrar parâmetros ou seja, comprimentos de dois MA e 2 dos quais os sinais comerciais comprar ou vender nos dá melhor retorno Assim, Significa maximizar a nossa função de aptidão, tal como o lucro, que é dado por TRf 4 i DRi Pi Pi eq 5 TR f é o retorno total para o período de amostra DR i é o retorno diário para o dia i, P i denota o preço das ações para o Dia i é a variável dummy que gera valor para comprar sinais longos e - para venda de sinais curtos Sistema de negociação leva vender e comprar posições, mas sem posições fora do mercado Os custos de transação não estão incluídos como nosso mai O objetivo deste trabalho é encontrar a possibilidade de resolver um problema de otimização usando o algoritmo genético em relação à mudança no tamanho da população mantendo o número de avaliações de função constante e provar a robustez do Algoritmo Genético 4 SISTEMA PROPOSTO DE ALGORITMO GENÉTICO UTILIZANDO C E VISUAL BÁSICO O Algoritmo Genético foi desenvolvido pela Holland é um procedimento de busca e otimização baseado nos princípios da evolução biológica natural GA s diferem com outros procedimentos de otimização em poucas maneiras GA s trabalham com uma codificação de parâmetros não com os parâmetros individualmente Assim GA s pode lidar com variáveis ​​binárias GA s pesquisa a partir da população de pontos, não um único ponto Assim eles podem oferecer globalmente ótimas soluções Finalmente GA s trabalha na função de aptidão não em qualquer outro conhecimento secundário Assim GA s são úteis na busca de soluções globais para funções não-contínuas e não diferenciáveis Que realmente existem em problemas de otimização prática A arquitetura do sistema em nossa pesquisa é Dividido em duas partes Módulo de Algoritmo Genético em C e módulo de função de fitness em Visual Basic Nossos dados sobre qual experiência é realizada são armazenados em Microsoft Excel Não Inicializar População de Cromossomos Avaliar valor de função de aptidão Aplicar operador de seleção Aplicar Crossover operador Aplicar Mutação operador Avaliar fitness função valor A população atual satisfaz a condição de parada predeterminada Módulo de GA em C Módulo de função de Fitness em Visual Basic Teste de Dados Trading Módulo de geração de sinal Módulo de Simulação de comércio Função de aptidão ou resultado de lucro Sim Melhor Cromossoma ou regra de negociação Cada parâmetro em Algoritmo Genético é codificado como binário String e concatenados para formar um cromossomo menor média móvel vai de sessão para 256 sessão, ou seja, comprimento de seqüência de 8 bits ex 0000, maior média móvel vai de sessão para 52 sessão, ou seja, comprimento de cadeia de 9 bits ex 0000 Assim, o espaço de busca total é de 7 bits Ex 0000 0000 ie 2 7 Em nosso estudo temos Recursos computacionais limitados empregados pela escolha do número total de avaliações de função para Nós executamos cada experimento com 20, 50, 70 e 00 tamanhos de população, mantendo constante o número de avaliações de função Começa com população gerada aleatoriamente Estas soluções são testadas de acordo com a função de aptidão dada na equação 4 e 46.4 Maximum Fitness International Journal de Aplicações de Computadores 5 A fim de obter uma melhor solução para a próxima geração cada cromossomo troca informações usando operador de crossover imitado de genética natural para obter melhor solução Operador de mutação é usado para adicionar diversidade aleatória na solução 6 A aptidão Função é usada para medir a qualidade da solução de cada cromossomo na população que nós usamos o método de seleção da roda de roleta que seleciona o probabilistically individualmente baseado em seu desempenho No caso da roda de roleta a soma da seleção da função da aptidão de cromossomas individuais é calculada Os indivíduos são mapeados então, Para um em Intervalos contínuos no intervalo o, soma Para selecionar um indivíduo, um número aleatório é gerado de 0 a soma eo indivíduo cujas amplitudes o número aleatório é selecionado Este processo é repetido até que o número desejado de indivíduos seja selecionado Após este individual candidatos são autorizados a participar Em crossover e mutação para produzir próxima geração Em nosso problema mantivemos crossover e mutação probabilidades 90 e ou seja 0 90 e RESULTADOS EMPÍRICOS Nesta seção, aplicamos nossa metodologia para Banco de dados da Índia estoque dados extraídos da National Stock Exchange of India Os dados Analisados ​​consistem em 36 observações sobre os preços diários de fechamento de ações para o período 2 08 200 a 29 2 2006 O período de otimização é definido entre 2 08 200 a 29 2 2006 Tabela População tamanho efeito População Tamanho 2 235 44 4 40 2 73 9 22 Max Lucro Rs - Rs - Rs 936 - Rs 947 - Lucro Média Rs - Rs - Rs - Rs - Retorno Máximo 6 60 4 27 60 39 50 38 Std dev de Lucros Max profit st dev Figura 3 Função média de fitness Resultados de Algoritmo Genético Crossover 0 90, Mutação 0 0 População 20 População 50 População 70 população Gerações Figura 4 Desempenho máximo da função de aptidão para GA aplicada para diferentes tamanhos de população Nosso problema de otimização é determinar comprimentos ótimos de Médias Móveis E 2 que gera maximizar os lucros Mais particularmente, estamos interessados ​​em medir o efeito das mudanças no tamanho da população 20, 50, 70, 00 no desempenho do método de otimização baseado em GA mantendo o número de avaliações de função constante para Nossa pesquisa anterior 6,7 expressa a Preocupação sobre a falta de estudo em determinado assunto 47,5 Tabela forneceu otimização GA resultados para diferentes tamanhos de população A fim de medir o efeito da mudança no tamanho da população na obtenção de melhor solução temos examinar uma série de estatísticas diferentes ou seja, a população de 20, 50, 70,00 com uma geração de 25, 50, 35, 25 mantendo o número da avaliação da função Ns constante para A primeira linha da tabela mostra os melhores parâmetros ou seja, MA s Comprimentos e 2 de duas médias móveis para experimento realizado em diferentes tamanhos de população A segunda, terceira e quarta linha mostra lucro máximo ou fitness, lucro médio ou fitness e desvio padrão de soluções Obtidos para diferentes tamanhos de população Nós também calculamos um índice de eficiência dividindo a aptidão máxima por desvio padrão de toda a solução para diferentes tamanhos de população como mostrado na tabela Ao olhar para a tabela podemos dizer que, enquanto o tamanho da população é aumentado o melhor possível A solução obtida é maior No caso de aptidão média, ela aumenta após o tamanho da população de 20 e depois em diante após o tamanho da população de 50 diminui mostrando significativamente que a série de solução se torna ruidosa na natureza e há mais diversidade na solução obtida à medida que o tamanho da população aumenta O índice de melhor eficiência é obtido pela população de 20%. Ze leva a um desempenho mais baixo, isto é, uma aptidão máxima mais baixa obtida Desvio padrão calculado é a medida da diversidade ou dispersão na população É visto a partir da tabela e das figuras 3 e 4 que para grandes populações a diversidade da população é grande ea melhor A solução obtida está próxima do valor ótimo O valor de dispersão aumenta à medida que o tamanho da população aumenta, o que significa que a volatilidade na solução aumenta com o tamanho da população. A partir das figuras 3 e 4, observa-se que esta aptidão média e valor de aptidão máxima ficam estagnadas após poucas gerações Para baixa população tamanho 20 Isto é devido ao fato de que há menos diversidade na população devido a este poder de exploração do algoritmo genético torna-se limitada, portanto, resultando menor aptidão máxima Da tabela e as figuras 3 e 4 observa-se que à medida que o tamanho da população aumenta solução Qualidade Máxima aptidão também aumenta Assim, no caso de grande população há uma maior probabilidade de havi Ng indivíduos em população com valor de aptidão ou perto do valor ótimo É de nosso interesse conhecer o efeito da mudança no tamanho da população em relação ao número de gerações mantendo o número de avaliações de função constante, até que um equilíbrio adequado seja atingido Isso nos ajudará Para limitar o uso intensivo de recursos computacionais usados ​​por GA, reduzindo assim o tempo de execução e permitindo a busca de espaços maiores em menor tempo e recurso computacional. De nossos resultados ver fig 3 e 4 é visto para menor tamanho da população e mais número de gerações, Em contraste, se aumentar o tamanho da população e diminuir o número de gerações, haverá dificuldade de adaptação da população ao ambiente. Assim, é necessário um equilíbrio adequado entre o tamanho da população eo número de gerações. Vimos a partir da figura 4 Que em caso de tamanho de população de 00 que atingiu a máxima aptidão ou perto de solução ideal em uma geração precoce No entanto, é ver N da tabela e as figuras 3 e 4 que mudar tamanho de população de 50 a 70 não afeta os resultados obtidos de forma significativa A partir das figuras 3 e 4 observa-se que a aptidão máxima e média segue uma tendência positiva à medida que as gerações passam e se torna estável após poucos Gerações para todos os tamanhos de população É visto Figura 3 e 4 aptidão média e máxima melhora ao longo do tempo Relativo à volatilidade no desvio padrão da solução aumenta de para como o tamanho da população aumenta de 20 para 00 Devido a esta aptidão máxima também aumenta de Rs - para Rs 947 - e taxa global de taxa de retorno também aumenta de 6 para 50 Isso é devido ao fato de que a diversidade aumenta com o tamanho da população e, portanto, algoritmo genético capacidade de encontrar global ótima solução Verifica-se que o investidor financeiro ou chartists geralmente testar curto prazo , Médio e longo prazo médias móveis sobre os dados anteriores antes de tomar qualquer decisão Três médias médias móveis são derivados de regras em finanças literatu Como Brock 2 Verifica-se que os comprimentos de médias móveis, como 0,30, 30,60, 50,50, são populares como comprimentos de médias móveis de curto prazo, médio e longo prazo na comunidade financeira. As regras geradas pela GA foram testadas contra Estes três tamanhos de médias móveis Resultados são mostrados na tabela 2 Entre estes três médias móveis métricas MA 30,60 realiza melhor Conseguir um retorno máximo de 90 02 e um lucro máximo de Rs 535 - GA sistema baseado alcançar o retorno máximo de 60 39 e um O lucro máximo de Rs 947 -, que é melhor do que a regra baseada MA 30,60 Na verdade, a GA mais pobre com uma população de 20 de um lucro máximo de RS - e um retorno máximo de 6 60 é alcançado que é melhor do que estes curto , Médio e longo prazo baseado em médias médias regras Tabela 2 Comparações de desempenho entre os resultados gerados GA para diferentes tamanhos de população e três médias populares médias comprimentos sobre os dados de teste Genetic Algoritmo GA Resultados Tamanho 20 Tamanho 50 Tamanho 70 Max Lucro Max Return Rs - 6 60 Rs - 4 27 Rs 936 Rs 947 Tamanho 00 Maior Rs 947 Menor Rs - 6 60 Média Rs Std Dev Técnica Moving Average MA Regras o melhor resultado em cada coluna é destacado MA 0,30 Rs MA 30,60 Rs 535 MA 50,50 Rs 326 Em todos nós conseguimos o sucesso na aplicação de GA para alcançar otimizar parâmetros de sistemas de negociação técnica geral alta taxa de retorno e lucro foram obtidos Máxima superioridade de GA é confirmada em termos de alta taxa de retorno geral para o conjunto de teste, ilustrando o poder da evolução Algoritmos e inteligência artificial em engenharia financeira 48.6 Examinando os resultados acima e dados experimentais obtidos a partir de grande número de testes realizados, não conseguimos falsificar a teoria da força Algoritmo Genético na busca de solução global ótima em relação aos parâmetros de controle do Algoritmo Genético, isto é, tamanho da população e número de Gerações Em grande medida, somos capazes de bater a hipótese de mercado eficiente EMH que afirma que qualquer informação pública é refletida no preço das ações e D é impossível vencer o mercado 6 CONCLUSÕES E TRABALHOS FUTUROS Uma vez que a análise técnica é amplamente utilizada como uma ferramenta na negociação de ações, raramente é focada na questão da otimização de parâmetros Nosso principal objetivo neste artigo é demonstrar como novos avanços no computador Engenharia e computação soft pode ser usado para melhorar a otimização das regras técnicas Este sistema é particularmente aplicado para prever o desempenho de ações individuais, ou seja, banco estatal da Índia, dados da National Stock Exchange da Índia que mostra que há alguma expectativa em dados históricos sozinho Com conceito de médias móveis que é um versátil, simples e mais popular indicador técnico usado na análise de mercado de ações Eu introduzo idéias de representar estratégias de investimento como regras, quando comprar e quando vender que é unido em declarações condicionais que envolvem a diferença de médias móveis Comprimento de médias móveis são codificados como seqüências binárias ou cromossomos Aplicando GA assim Peradores como roda de roleta, crossover, mutação, conseguimos usar Algoritmo Genético para resolver a otimização de parâmetros de regra de negociação técnica com maior lucro global e retorno obtido Nossos resultados experimentais mostram que GA s ajuda a encontrar soluções globais ótimas Também descobrimos que a solução A qualidade da aptidão máxima aumenta à medida que o tamanho da população aumenta Dentro do confinamento de experimentos de conjunto de dados limitados com todos os tamanhos de população, mostra resultados semelhantes, isto é, alta taxa global de retorno É observado a partir da tabela 2 há um aumento no máximo retorno e lucro máximo, A média de comprimentos obtidos de vários GAs, em comparação com o popular média móvel comprimentos obtidos a partir de literatura financeira Analisando os dados experimentais de um grande número de testes realizados, a nossa conclusão é que a proposição de GA robustez permanece razoável para ajuste de Um grande número de experimentos, mas permanecem Limitado como o número de teste que podemos realizar em relação ao tamanho da população e número de gerações é infinito Portanto, as conclusões são cautelosos Nós somos capazes de vencer EMH em grande medida e mostrar que a análise técnica tem um certo valor Finalmente seria motivador para o avanço Pesquisa para testar uma série de diferentes sistemas de negociação complexos e ver como GA executa em outros sistemas de negociação Este poderia ser o nosso tema de investigação futura 7 REFERÊNCIAS V Kapoor, S Dey, AP Khurana Modelagem da Influência das Bolsas de Valores mundiais sobre Indian NSE Index Publicado em Os procedimentos da Conferência Internacional sobre Modelagem e Simulação MS 09 Organizado por College of Engineering Trivandrum e AMSE Thrivananthapuram, 3 de dezembro Brock, W Lakonishok, J LeBaron, B Regras técnicas simples e propriedades estocásticas dos retornos de ações Journal of Finance XLVII 5 , 3 Xiaoqing Weng, Junyi Shen, Detectando amostras outlier em datas séries multivariadas dataset Sistemas Baseados em Conhecimento Elsevier 4 Jarl Kallberg, P Aolo Pasquariello, Time-series e crosssectional excesso de comovimento em índices de ações Jornal de Economia Empírica Elsevier 5 Chang-Jin Kim, Jeremy Pigerc, Richard Startz, Estimação de modelos de regressão de mudança de regime de Markov com comutação endógena Hak Kan Tang, Yanrui Wu, A rentabilidade das regras de negociação baseadas em regressão para o mercado de ações de Xangai Jornal de Empírico Finanças Elsevier 7 Pt Andr como Heinen, Erick Rengifo, Multivariada modelagem autorregressiva de dados de contagem de séries de tempo usando cópulas Manchandaa, J Kumara, AH Siddiqi, Métodos matemáticos para modelar as flutuações de preços da série de tempos financeiros Journal of the Franklin Institute Elsevier 9 Michael D McKenzie, Suk-Joong Kim, Evidência de uma assimetria na relação entre volatilidade e autocorrelação International Review of Financial Analysis Elsevier 0 RH Loschi, PL Iglesias, RB Arellano-Valle, FRB Cruz, Modelagem preditiva completa de dados de mercado de ações Aplicação a problemas de ponto de mudança Revista Europeia de Pesquisa Operacional Elsevier Agarwal, SK Deb, Entendendo as interações entre parâmetros de algoritmos genéticos Em Banzhaf, W Reaves, C Fundamentos de algoritmos genéticos Vol 2 HE Aguirre, K Tanaka, Algoritmos genéticos de mutação, transações IEEE, 3 DE Goldberg, populações de dimensionamento para algoritmos genéticos em série e paralelos, In Schaffer, JD Ed, Proceedings of the Third International Conference on Genetic Algorithms, 4 H Muhlenbein, How Algoritmos genéticos realmente funcionam I Mutação e Hill climbing, Fundação de algoritmos genéticos II pp 5-25, 992 Online Disponível 5 DE Goldberg Algoritmo genético na busca, otimização de aprendizagem de máquina New York Addison Wisley, 989 6 V Kapoor, S Dey, AP Khurana, Análise Empírica e Recombinação Respeitadora Aleatória de Crossover e Mutação em Algoritmos Genéticos International Journal of Computer A Edição Especial em Computação Evolucionária 25 30, 200 Publicado por Foundation of Computer Science Disponível Online 49.7 7 V Kapoor, S Dey, AP Khurana Um Estudo Empírico do Papel dos Parâmetros de Controle de Algoritmos Genéticos em Problemas de Otimização de Funções International Journal of Computer Application Volume RJ Bauer, GE Liepins, Algoritmos genéticos e estratégias de negociação informatizadas em DEO Leary, PR A utilização de algoritmos genéticos para encontrar as regras técnicas de negociação é uma ferramenta útil para a elaboração de algoritmos genéticos. Jornada de Inteligência Artificial Aplicada 0 6 996 22 De Jong, KA Uma análise do comportamento de uma classe de sistemas adaptativos genéticos Di Ssertation Abstracts International 36 0 540B Universidade Microfilmes Não 975 23 Ramon Lawrence, usando redes neurais para prever os preços de mercado de ações 24 Korczak, J Roger, P Tempo de estoque usando algoritmos genéticos Modelos estocásticos aplicados em negócios e indústria Pp 25 Jin Li, Edward PK Tsang, Melhorar Análise Técnica Predição Uma aplicação de GP Associação Americana de AI 999 26 Laura Nu ez-letamendia, Prameters de controle de montagem de um algoritmo genético Uma aplicação para o design de sistema de comércio técnico Revista Europeia de Pesquisa Operacional 27 RJ Kuo, Chen Chen, YC Hwang An Inteligentes stock trading sistema de apoio à decisão através da integração de algoritmo genético baseado em rede neural fuzzy e rede neural artificial sistemas de conjuntos Fuzzy 8 Comparação de Algoritmos Genéticos para Trading Strategies. Cite este artigo como Kroha P Friedrich M 2017 Comparação de Algoritmos Genéticos para Estratégias de Negociação Em Geffert V Preneel B Rovan Bullier J Tjoa AM eds SOFSEM 2017 Teoria e Prática de Neste primeiro artigo, descrevemos e comparamos dois sistemas genéticos que criam estratégias de negociação. O primeiro sistema é baseado na idéia de que a matriz de peso de conexão de uma rede neural representa a Genótipo de um indivíduo e pode ser alterado por algoritmo genético O segundo sistema usa programação genética para derivar estratégias de negociação Como dados de entrada em nossos experimentos, usamos indicadores técnicos de ações NASDAQ Como saída, os algoritmos geram estratégias de negociação, ou seja, comprar, segurar e sell signals Our hypothesis that strategies obtained by genetic programming bring better results than buy-and-hold strategy has been proven as statistically significant We discuss our results and compare them to our previous experiments with fuzzy technology, fractal approach, and with simple technical indicator strategy. Genetic algorithms neurogenetic approach neuroevolutionary system genetic programming neural network investment forecast trading financial modeling technical analysis. Allen, F Karjalainen, R Using genetic algorithms to find technical trading rules Journal of Financial Economics 51, 245 271 1999 CrossRef Google Scholar. Azzini, A Tettamanzi, A Evolving Neural Networks for Static Single-Position Automated Trading Journal of Artificial Evolution and Applications, 1 17 2008.Brabazon, A O Neill, M Biological Inspired Algorithms for Financial Modelling Springer 2006.Brabazon, A O Neill, M Dempsey, I An Introduction to Evolutionary Computation in Finance IEEE Computational Intelligence Magazine, 42 55 2008.El-Henawy, I M Kamal, A H Abdelbary, H A Abas, A R Predicting Stock Index Using Neural Network Combined with Evolutionary Computation Methods In The 7th International Conference on Informatics and Systems INFOS , pp 1 6 2018.Fama, E Efficient capital markets A review of theory and empirical work Journal of Finance 25, 383 417 1970 CrossRef Google Scholar. Kapoor, V Dey, S Khurana, A P Genetic Algorithm An Application to Technical Trading System Design International Journal of Computer Applications 36 5 2017.Kroha, P Lauschke, M Using Fuzzy and Fractal Methods for Analyzing Market Time Series In Proceedings of the International Conference on Fuzzy Computation and International Conference on Neural Computation ICFC 2018 and ICNC 2018, pp 85 92 2018.Kwon, Y - K Moon, B - R A Hybrid Neurogenetic Approach for Stock Forecasting IEEE Transactions on Neural Networks 18, 851 864 2007 CrossRef Google Scholar. Li, R Xiong, Z A Modified Genetic Fuzzy Neural Network with Application to Financial Distress Analysis In International Conference on Computational Intelligence for Modeling, Control and Automation and International Conference on Intelligent Agents, Web Technologies and Internet Commerce 2006.Malkiel, B A Random Walk Down Wall Street W W Norton, New York 1996 Google Scholar. Matsui, K Sato, H Neighborhood Evaluation in Acquiring Stock Trading Strategy Using Genetic Algori thms International Journal of Computer Information Systems and Industrial Management Applications 4, 366 373 2017 Google Scholar. Murphy, J J Technical Analysis of the Financial Markets Prentice Hall 1999.Skabar, A Cloete, I Neural networks, Financial Trading and the Efficient Markets Hypothesis In Proceedings of the Twenty-Fifth Australasian Conference on Computer Science ACSC 2002, vol 4, pp 241 249 2002.Shleifer, A Inefficient Markets An Introduction to Behavioral Finance Oxford University Press 2000.Copyright information. Springer International Publishing Switzerland 2017.Authors and Affiliations. Matthias Friedrich.1 Faculty of Information Technology, Department of Software Engineering Czech Technical University in Prague Praha 6 Czech Republic.2 Chemnitz University of Technology Chemnitz Germany. About this paper. Using Genetic Algorithms To Forecast Financial Markets. Burton suggested in his book, A Random Walk Down Wall Street , 1973 that, A blindfolded monkey throwing darts at a newspaper s financial pages could select a portfolio that would do just as well as one carefully selected by experts While evolution may have made man no more intelligent at picking stocks, Charles Darwin s theory has quite effective when applied more directly To help you pick stocks, check out How To Pick A Stock. What Are Genetic Algorithms. Genetic algorithms GAs are problem solving methods or heuristics that mimic the process of natural evolution Unlike artificial neural networks ANNs , designed to function like neurons in th e brain, these algorithms utilize the concepts of natural selection to determine the best solution for a problem As a result, GAs are commonly used as optimizers that adjust parameters to minimize or maximize some feedback measure, which can then be used independently or in the construction of an ANN. In the financial markets genetic algorithms are most commonly used to find the best combination values of parameters in a trading rule, and they can be built into ANN models designed to pick stocks and identify trades Several studies have demonstrated that these methods can prove effective, including Genetic Algorithms Genesis of Stock Evaluation 2004 by Rama, and The Applications of Genetic Algorithms in Stock Market Data Mining Optimization 2004 by Lin, Cao, Wang, Zhang To learn more about ANN, see Neural Networks Forecasting Profits. How Genetic Algorithms Work. Genetic algorithms are created mathematically using vectors, which are quantities that have direction and magnitude Parameters f or each trading rule are represented with a one-dimensional vector that can be thought of as a chromosome in genetic terms Meanwhile, the values used in each parameter can be thought of as genes, which are then modified using natural selection. For example, a trading rule may involve the use of parameters like Moving Average Convergence-Divergence MACD Exponential Moving Average EMA and Stochastics A genetic algorithm would then input values into these parameters with the goal of maximizing net profit Over time, small changes are introduced and those that make a desirably impact are retained for the next generation. There are three types of genetic operations that can then be performed. Crossovers represent the reproduction and biological crossover seen in biology, whereby a child takes on certain characteristics of its parents. Mutations represent biological mutation and are used to maintain genetic diversity from one generation of a population to the next by introducing random small chan ges. Selections are the stage at which individual genomes are chosen from a population for later breeding recombination or crossover. These three operators are then used in a five-step process. Initialize a random population, where each chromosome is n - length, with n being the number of parameters That is, a random number of parameters are established with n elements each. Select the chromosomes, or parameters, that increase desirable results presumably net profit. Apply mutation or crossover operators to the selected parents and generate an offspring. Recombine the offspring and the current population to form a new population with the selection operator. Repeat steps two to four. Over time, this process will result in increasingly favorable chromosomes or, parameters for use in a trading rule The process is then terminated when a stopping criteria is met, which can include running time, fitness, number of generations or other criteria For more on MACD, read Trading The MACD Divergence. Using Genetic Algorithms in Trading. While genetic algorithms are primarily used by institutional quantitative traders individual traders can harness the power of genetic algorithms - without a degree in advanced mathematics - using several software packages on the market These solutions range from standalone software packages geared towards the financial markets to Microsoft Excel add-ons that can facilitate more hands-on analysis. When using these applications, traders can define a set of parameters that are then optimized using a genetic algorithm and a set of historical data Some applications can optimize which parameters are used and the values for them, while others are primarily focused on simply optimizing the values for a given set of parameters To learn more about these program derived strategies, see The Power Of Program Trades. Important Optimization Tips and Tricks. Curve fitting over fitting , designing a trading system around historical data rather than identifying repeatable beha vior, represents a potential risk for traders using genetic algorithms Any trading system using GAs should be forward-tested on paper before live usage. Choosing parameters is an important part of the process, and traders should seek out parameters that correlate to changes in the price of a given security For example, try out different indicators and see if any seem to correlate with major market turns. Genetic algorithms are unique ways to solve complex problems by harnessing the power of nature By applying these methods to predicting securities prices, traders can optimize trading rules by identifying the best values to use for each parameter for a given security However, these algorithms are not the Holy Grail, and traders should be careful to choose the right parameters and not curve fit over fit To read more about the market, check out Listen To The Market, Not Its Pundits. The maximum amount of monies the United States can borrow The debt ceiling was created under the Second Libert y Bond Act. The interest rate at which a depository institution lends funds maintained at the Federal Reserve to another depository institution.1 A statistical measure of the dispersion of returns for a given security or market index Volatility can either be measured. An act the U S Congress passed in 1933 as the Banking Act, which prohibited commercial banks from participating in the investment. Nonfarm payroll refers to any job outside of farms, private households and the nonprofit sector The U S Bureau of Labor. The currency abbreviation or currency symbol for the Indian rupee INR , the currency of India The rupee is made up of 1.