Optimalisering Of Handelssystemer Og Porteføljer Pdf

Forsterkningslæring for handelssystemer og porteføljer: Umiddelbar mot fremtidige belønninger Referanser Crites R. H. amp. Barto A. G. (1996), Forbedring av heisytelsen ved hjelp av forsterkningslæring, i D. S. Touretzky, M. C. Mozer amp M. E. Hasselmo, eds, Advances in NIPS, Vol. 8, s. 10171023. Moody J. amp Wu L. (1997), Optimalisering av handelssystemer og porteføljer, i Y. Abu-Mostafa, AN Refenes amp AS Weigend, eds, Neural Networks in Capital Markets, World Scientific, London . Moody J. Wu L. Liao Y. amp Saffell M. (1998), Ytelsesfunksjoner og forsterkningslæring for handelssystemer og porteføljer, Journal of Proecasting 17. Å vises. Neuneier R. (1996), Optimal ressursfordeling ved hjelp av adaptiv dynamisk programmering, i D. S. Touretzky, M. C. Mozer amp M. E. Hasselmo, eds, Advances in NIPS, Vol. 8, s. 952958. Sharpe W. F. (1966), Mutual Fund Performance, Journal of Business s. 119138. Tesauro G. (1989), Neurogammon vinner PC-OL, Neural Computation 1. 321323. CrossRef Watkins C. J. C. H. (1989), Læring med forsinket belønning, doktorgradsavhandling, Cambridge University, Psykologisk avdeling. Zhang W. amp Dietterich T. G. (1996), High-performance job-shop planlegging med en tidsforsinkelse td () nettverk, i D. S. Touretzky, M. C. Mozer amp M. E. Hasselmo, eds, Advances in NIPS, Vol. 8, s. 10241030.Partikkel Swarm Optimalisering av Bollinger Bands Sit dette papiret som: Butler M. Kazakov D. (2010) Particle Swarm Optimalisering av Bollinger Bands. I: Dorigo M. et al. (eds) Swarm Intelligence. ANTS 2010. Forelesningsnotater i datalogi, vol. 6234. Springer, Berlin, Heidelberg Bruken av tekniske indikatorer for å utlede aksjehandelssignaler er grunnlaget for økonomisk teknisk analyse. Mange av disse indikatorene har flere parametere som skaper et vanskelig optimeringsproblem gitt den svært ikke-lineære og ikke-stasjonære karakteren til en finansiell tidsserie. Denne studien undersøker en populær finansiell indikator, Bollinger Bands, og finjustering av parametrene via partikkelsvarmoptimalisering under 4 forskjellige treningsfunksjoner: lønnsomhet, Sharpe-forhold, Sortino-forhold og nøyaktighet. Eksperimentresultatene viser at parametrene som er optimalisert gjennom PSO ved hjelp av lønnsomhetstreningsfunksjonen, gir overlegen eksporteringsresultat som inkluderer transaksjonskostnader sammenlignet med standardparametrene. partikkel swarm optimalisering Bollinger Bands Sharpe forhold Sortino forhold og parameter optimalisering Referanser Lee, J. S. Lee, S. Chang, S. Ahn, B. H. En sammenligning av ga og pso for meravkastning på aksjemarkeder. I: Mira, J. lvarez, J. R. (eds.) IWINAC 2005, del II. LNCS, vol. 3562, s. 221230. Springer, Heidelberg (2005) Lento, C. Gradojevic, N. Lønnsomheten av tekniske handelsregler: En kombinert signalmetode. Journal of Applied Business Research 23 (1), 1327 (2007) Google Scholar Lento, C. Gradojevic, N. Wright, C. Investeringsinformasjon innhold i Bollinger Bands Anvendt finansiell økonomi Letters 3 (4), 263267 (2007) CrossRef Google Scholar Leung, J. Chong, T. En empirisk sammenligning av bevegelige gjennomsnittlige konvolutter og Bollinger Bands. Applied Economics Letters 10 (6), 339341 (2003) CrossRef Google Scholar Moody, J. Wu, L. Liao, Y. Saffell, M. Ytelsesfunksjoner og forsterkningslæring for handelssystemer og porteføljer. Anvendt finansiell økonomi Letters 17, 441470 (1998) Google Scholar Shi, Y. Eberhart, R. En modifisert partikkel swarm optimizer. I: Prosedyrer fra 1998 IEEE International Conference on Evolutionary Computation, IEEE World Congress on Computational Intelligence, s. 6973 (1998) Williams, O. Empirical Optimalisering av Bollinger Bands for lønnsomhet. Mastergradsoppgave, Simon Fraser University (2006) Opphavsrettsinformasjon Springer-Verlag Berlin Heidelberg 2010 Forfattere og tilknytninger Matthew Butler 1 Dimitar Kazakov 1 1. Fakultet for datavitenskap, kunstig intelligensgruppe University of York UK Om denne paperFlexAdvantage Blog Porteføljehandel Plotting optimering Big Indeksfond og verdipapirfond som handler passivt er i disse dager, men å flytte store posisjoner uten å påvirke markedsvirkningen kan være utfordrende. Pensjonsmidler og indeksfond som periodisk balanserer sine porteføljer en gang i måneden eller en kvart i kvartalet, kan stå overfor liknende porteføljehandelrisiko. FlexPTS (Portfolio Trade Scheduler) For å løse dette problemet, bygget FlexTrade FlexPTS. et sofistikert optimaliseringsverktøy som bestemmer den beste handelsplanen for porteføljer. Etter å ha gitt en porteføljehandelliste med mål for å kjøpe og selge, genererer FlexPTS en tidsplan for kjøp og salg av ordrer delt inn i 15 minutters vinduer, slik at målstørrelsene er oppfylt i slutten av handelen. Representerer det tredje etappen av selskapets FlexEdge avanserte analysetilbud, FlexPTS er utviklet for flerdags tidsvinduer og administrerer globale porteføljer. IBMs berømte matematiske optimaliseringsbibliotek ILOG CPLEX brukes under hetten. Produktet er rettet mot kjøp eller salgsselskaper som handler over en halvdag, en dag eller en flerdagers periode fordi deler av handelslisten er illikvide. Illikvide betyr at beløpet som må omsettes i navnene på porteføljen er høyt i forhold til gjennomsnittlige daglige volumer, forklarer Ran Hilai, visepresident for porteføljeoptimalisering hos FlexTrade. Hvordan FlexPTS Works For å unngå markedspåvirkningskostnader, kan kjøp og salgsselskaper kjøre sine ideer gjennom FlexPTSs optimizer, som deretter genererer en handelsplan for hvor mye i hvert navn å kjøpe og selge. Porteføljebasert handelsplanlegging tilbys gjennom toppmoderne optimaliseringsalgoritmer, portefølje-risikoanalyse og markedsvirkningsmodellering. Utnyttet av programhandler, benytter FlexPTS en implementeringsbrist porteføljehandel algoritme for å hjelpe handelsmenn å oppnå ankomstpris referanse. Implementeringsmangel er et mål på forskjellen mellom den gjennomsnittlige kjøpsprisen og prisen når bestillingen kommer på handelsbordet. I tillegg må handelsmenn minimere prisrisiko, men disse kan være motstridende mål, forklarer Hilai. Hvis noen ønsker å minimere kostnaden i forhold til ankomstprisen, må de ta lang tid ved å handle passivt. Men hvis noen ønsker å handle nær ankomstprisen for å redusere risikoen, må de handle aggressivt før prisendringer, legger han til. Handel gir sakte resultater i lav markedsvirkning, men medfører høy prisrisiko. Men handel reduserer prisrisikoen raskt, men resulterer i stor innvirkning, forklarer han. Målet med FlexPTS er å finne tidsplanen som representerer den beste avstanden mellom disse to motstridende målene, samtidig som klientene holdes begrensede. Klienter kan for eksempel sette sine egne begrensninger, for eksempel, Cash constraint: en begrensning som er angitt på ubalansen mellom kjøps - og salgsverdiene til den ennå ikke-utførte delen av porteføljen. Deltakelsesbegrensning: En handelsgrense i prosent av vinduets gjennomsnittlige daglige volum (ADV) på hvert 15 minutters handelsintervall. Portefølje Risikokontroll Mens implementeringsbrist kan brukes til single-name trading, planlegger en hel portefølje en mer effektiv måte å redusere risiko, spesielt hvis det er en longshort-portefølje. Dette er sant fordi planleggeren bruker observerte priskorrelasjoner for å redusere risikoen for handel. Hvis dette er en fondrebalanse, har du vanligvis en kjøp og salgssideportefølje, illustrerer Hilai. Ved å holde fast i en handelsplan, kan du komme inn i porteføljen og gjøre noe handel tidlig som kan forbedre sporingsfeilen for kjøpene i forhold til selger, sier Hilai. Så når sporingsfeilen er redusert, kan du ta mer tid og handle mer passivt siden du har sikret deg i porteføljen og ikke trenger å bruke mer tid på sikring, forklarer Hilai. Risikostyring er hele punktet. FlexPTS gjør det mulig for næringsdrivende å kontrollere risiko over hele porteføljen. En handelsplanlegger anslår volatiliteten til enhver portefølje ved hjelp av en porteføljemodell, som igjen gir estimater av volatiliteten til hver bestand og sammenhengen mellom risikofaktorer, som sektorer og næringer, grunnleggende og statistiske faktorer. Risikomodeller FlexPTS inkorporerer den daglige risikomodellen fra Northfield Information Services, Inc .. eller denne modellen kan erstattes av eventuelle kunder eller tredjeparts risikomodell. Risikomodellen ser på hele porteføljen, og hvert navn har sammenheng med andre navn i porteføljen. Noen navn blir fjernet umiddelbart, fordi dette vil fjerne risikoen. Planlegging av handler Når det gjelder porteføljeplanlegging, dersom en næringsdrivende blir kvitt navnene som legger til risiko, vil avkastningen bli bedre. Men avkastningen, spesielt på lang sikt, avhenger av porteføljeforvalteres utvalg av beholdninger. FlexPTS handler bare om handelskostnaden i forhold til ankomstprisen. Risiko har mye å gjøre med sammenhengen mellom navn i porteføljen, forklarer Hilai. Som et resultat av å kjøre FlexPTS, vil handelsmannen få en handelsplan for å fullføre handel. Mens PTS ikke velger navnene for handel, foreslår det bare en handel. Hvis handelsmannen går line-by-line, blir navnene som blir ferdige tidlig, de flytende navnene, mens de illikvide navnene blir ferdig sist, forklarer Hilai. Hvis handelsfolk avviker fra den foreslåtte tidsplanen på grunn av grunner som en mørkpoolskamp i et illikvitt navn, kan FlexPTS optimizer påberopes flere ganger for å optimalisere den gjenværende handelsplanen. I motsetning til de fleste tilgjengelige algoritmer, kan FlexPTS, som håndterer deltids-, enkeltdags - eller flerdagsplaner, automatisk bestemme den optimale lengden på handelsvinduet. Under Hood Siden FlexPTS er en optimaliserer, har den en funksjon med begrensninger. Verktøyfunksjonen er definert som minimering av forventet markedsvirkningskostnad pluss forventet markedsrisiko. Verktøyet er bygget med to funksjoner: Forventet markedsvirkning basert på modellen FlexPTS bruker over hele porteføljen og varighet av handelen. FlexPTS setter risikoen, som er kvadratroten av variansen i verktøyfunksjonen, og handler den mot forventet kostnad. Andre systemer kan bruke variansen fordi det er matematisk lettere, men gir dårligere resultater, ifølge Hilai. Prosessen i aksjon Når en måler risiko over hele porteføljen, kan en gitt engangsplan instruere næringsdrivende å utføre 26 forskjellige bransjer med 15 minutters intervaller. Risikomodellen vil gi variansen. Da vil FlexPTS legge til avvikene fra alle 26 handler, og deretter ta kvadratroten av summen. Dette resulterer i den forventede variansen i forhold til ankomstprisen, ifølge Hilai. På slutten av timeplanen, om det er buy-side eller selger-siden, må handelsmannen fullføre den totale utførelseskvantiteten som porteføljeforvalteren krever, sier Hilai. Det er begrensningene og nyttefunksjonen er der for å minimere verdien i fare, sier han. Fortrolighet For å bevare konfidensialiteten til strategien, kan sidehandlere optimalisere sine handler uten å utsette hele listen til selgesiden. I stedet for å sende hele listen, kan handler sendes til salgssidene eller algoritmiske servere i mindre ordrer etter den optimale timeplanen som tilbys av FlexPTS. Konklusjon Brukere kan få tilgang til FlexPTS-handlinger fra verktøylinjen i FlexTRADER EMS. Etter at en portefølje er optimalisert, kan den resulterende tidsplanen bli en integrert del av enhver utførelsesstrategi i FlexTRADER, inkludert bruken av tilpassede handelsalgoritmer og alle tilgjengelige mørke bassenger. Under handel oppdateres ulike FlexPTS-analyser kontinuerlig på FlexPTS-fronten. For mer informasjon om FlexPTS og integrasjon med systemet, vennligst kontakt oss på salesflextrade. Proceedings of the International Conference on Computational Methods in Science and Engineering 2004 Forbedre tekniske handelssystemer ved å bruke en ny MATLAB-basert genetisk algoritmeprosedyre Stephanos Papadamou a ,. George Stephanides b. en avdeling for økonomi, Thessalys universitet, Argonauton og Filelinon, Volos, Hellas b Institutt for anvendt informatikk, Makedonske Universitet Økonomiske og sosiale fakultet, Egnatias 156, Thessaloniki 54006, Hellas Mottatt 18. mai 2006. Godkjent 15. desember 2006. Tilgjengelig online 24 Januar 2007. Nylige studier på finansmarkedene tyder på at teknisk analyse kan være et svært nyttig verktøy for å forutse utviklingen. Handelssystemer er mye brukt til markedsvurdering, men parameteroptimalisering av disse systemene har tiltrukket liten interesse. I dette papiret, for å utforske den potensielle kraften i digital handel, presenterer vi et nytt MATLAB verktøy basert på genetiske algoritmer verktøyet spesialiserer seg på parameter optimalisering av tekniske regler. Den bruker kraften til genetiske algoritmer for å generere raske og effektive løsninger i reelle handelsvilkår. Vårt verktøy ble testet grundig på historiske data fra et UBS-fond som investerer i nye aksjemarkeder gjennom vårt spesifikke tekniske system. Resultatene viser at vår foreslåtte GATradeTool overgår vanlige, ikke-adaptive programvareverktøy med hensyn til stabilitet av retur og tidsbesparelse over hele prøveperioden. Imidlertid ga vi bevis på en mulig befolkningsstørrelseeffekt i kvaliteten på løsningene. Finansielle markeder Prediksjon Genetiske algoritmer Investering Tekniske regler 1 Innledning Dagens handelsfolk og investeringsanalytikere krever raske og effektive verktøy i et hensynsløst finansmarked. Kampene i handel er nå hovedsakelig utført ved datahastighet. Utviklingen av ny programvareteknologi og utseendet til nye programvaremiljøer (for eksempel MATLAB) gir grunnlag for å løse vanskelige økonomiske problemer i sanntid. MATLABs store innebygde matematiske og finansielle funksjonalitet, det faktum at det både er et tolket og kompilert programmeringsspråk og dets plattformuavhengighet, gjør det godt egnet for økonomisk applikasjonsutvikling. Bevis på avkastning opptjent av tekniske regler, inkludert momentumstrategier (for eksempel 14. 15. 16. 16. 25 og 20), bevegelige gjennomsnittsregler og andre handelssystemer 6. 2. 9 og 24 kan støtte betydningen av teknisk analyse. Imidlertid har flertallet av disse studiene ignorert spørsmålet om parameteroptimalisering, slik at de er åpne for kritikk av datasnøping og muligheten for overlevelsesforstyrrelser 7. 17 og 8. Tradisjonelt brukte forskere ad hoc-spesifikasjon av handelsregler. De bruker en standard populær konfigurasjon eller tilfeldig prøve ut noen få forskjellige parametere og velg det beste med kriterier basert på retur hovedsakelig. Papadamou og Stephanides 23. Implementert en ny MATLAB-basert verktøykasse for datamaskinstøttet teknisk handel som har inneholdt en prosedyre for parameteroptimaliseringsproblemer. Det svake punktet i optimaliseringsprosedyren er imidlertid tid: objektivfunksjonen (for eksempel fortjeneste) er ikke en enkel kvadratfeilfunksjon, men en komplisert (hver optimaliseringsherreasjon går gjennom dataene, genererer handelssignaler, beregner fortjeneste, etc.). Når datasettene er store og du ofte vil gjenoptimere systemet ditt, og du trenger en løsning så snart som mulig, kan du prøve alle mulige løsninger for å få det beste. Det vil være en veldig kjedelig oppgave. Genetiske algoritmer (GAs) er bedre egnet ettersom de utfører tilfeldige søk på en strukturert måte og konvergerer veldig fort på populasjoner av næroptimale løsninger. GA vil gi deg et sett (populasjon) av gode løsninger. Analytikere er interessert i å få noen gode løsninger så fort som mulig, i stedet for den globalt beste løsningen. Den globalt beste løsningen finnes, men det er svært lite sannsynlig at det vil fortsette å være det beste. Målet med denne studien er å vise hvordan genetiske algoritmer, en klasse av algoritmer i evolusjonær beregning, kan benyttes for å forbedre ytelsen og effektiviteten til datastyrte handelssystemer. Det er ikke hensikten her å gi teoretisk eller empirisk begrunnelse for den tekniske analysen. Vi demonstrerer vår tilnærming i en bestemt prognostiseringsoppgave basert på nye aksjemarkeder. Dette papiret er organisert som følger. Tidligere arbeid presenteres i del 2. Datasettet og metodikken er beskrevet i avsnitt 3. De empiriske resultatene er omtalt i avsnitt 4. Konklusjonene følger avsnitt 5. 2 Tidligere arbeid Det er en stor del av GA-arbeidet innen datavitenskap og ingeniørfag, men lite arbeid har blitt gjort om forretningsmessige områder. Senere har det vært en økende interesse for GA-bruk i finansøkonomi, men så langt har det vært lite forskning om automatisert handel. Etter vår kunnskap var de første publiserte papirbindende genetiske algoritmer til investeringer fra Bauer og Liepins 4. Bauer 5 i sin bok Genetiske algoritmer og investeringsstrategier ga praktisk veiledning om hvordan GAs kan brukes til å utvikle attraktive handelsstrategier basert på grunnleggende informasjon. Disse teknikkene kan enkelt utvides til å inkludere andre typer informasjon, for eksempel tekniske og makroøkonomiske data samt tidligere priser. Ifølge Allen og Karjalainen er 1. genetisk algoritme en hensiktsmessig metode for å oppdage tekniske handelsregler. Fernndez-Rodrguez et al. 11 ved å vedta genetiske algoritmer optimalisering i en enkel handelsregel gi bevis for vellykket bruk av GA fra Madrid Børs. Noen andre interesserte studier er de av Mahfoud og Mani 18 som presenterte et nytt genetisk algoritmbasert system og brukte det til å forutsi fremtidige forestillinger av individuelle aksjer av Neely et al. 21 og av Oussaidene et al. 22 som brukte genetisk programmering til prognoser for utenlandsk valuta og rapporterte noe suksess. En av komplikasjonene i GA-optimalisering er at brukeren må definere et sett med parametere som kryssfrekvens, populasjonsstørrelse og mutasjonsrate. Ifølge De Jong 10 som studerte genetiske algoritmer i funksjonsoptimalisering, krever god GA-ytelse høy crossover-sannsynlighet (omvendt proporsjonal med befolkningsstørrelse) og en moderat befolkningsstørrelse. Goldberg 12 og Markellos 19 antyder at et sett med parametere som fungerer godt over mange problemer er en crossover-parameter 0,6, populasjonsstørrelse 30 og mutasjonsparameter 0,0333. Bauer 4 utførte en serie simuleringer på økonomiske optimaliseringsproblemer og bekreftet gyldigheten av Goldbergs forslag. I den nåværende studien skal vi utføre en begrenset simuleringsstudie ved å teste ulike parameterkonfigurasjoner for det valgte handelssystemet. Vi vil også gi bevis for GA foreslått ved å sammenligne verktøyet vårt med andre programvareverktøy. 3 Metodikk Vår metodikk utføres i flere trinn. Først må vi implementere vårt handelssystem basert på teknisk analyse. Ved å utvikle et handelssystem må du bestemme når du skal inn og når du skal gå ut av markedet. Hvis handelsmannen er i markedet, er den binære variabelen lik en ellers er null. Som posisjonshandlere baserer vi hovedparten av våre inn - og utgangsbeslutninger på daglige diagrammer ved å bygge en trend-indikator (Dimbeta). Denne indikatoren beregner avviket av nåværende priser fra det bevegelige gjennomsnitt av lengden. Indikatorene som brukes i vårt handelssystem kan formaliseres som følger: Hvor er sluttkursen til fondet på tidspunkt og funksjon MovAv beregner det enkle glidende gjennomsnittet av variabelen Lukk med tidslengde. Vårt handelssystem består av to indikatorer, Dimbeta-indikatoren og Moving Average of Dimbeta gitt av følgende ligning: Hvis kryss oppover, kommer den da langt inn i markedet (dvs. kjøpesignal). Hvis kryss nedover, lukk den lange posisjonen i markedet (dvs. selgesignal). For det andre må vi optimalisere vår handelsstrategi. Det er velkjent at maksimering av objektive funksjoner som fortjeneste eller formue kan optimalisere handelssystemene. Den mest naturlige objektive funksjonen for en risikofølende næringsdrivende er fortjeneste. I vårt programvareverktøy ser vi multipliserende fortjeneste. Multiplikativ fortjeneste er hensiktsmessig når en fast brøkdel av akkumulert formue er investert i hver lang handel. I programvaren vår er det ikke tillatt å selge innløsningsfaktoren, og inntjeningsfaktoren er fastsatt til, rikdom til tiden er gitt med følgende formel: Hvor er avkastningen realisert for perioden som slutter til tiden, er transaksjonskostnadene og er den binære dummy-variabelen Indikerer en lang posisjon eller ikke (dvs. 1 eller 0). Profitten er gitt ved å trekke fra den endelige rikdom den opprinnelige rikdom,. Optimalisering av et system innebærer å utføre flere tester mens man varierer en eller flere parametere (,) innenfor handelsreglene. Antall tester kan raskt vokse enormt (Metastock har maksimalt 32 000 tester). I FinTradeTool 23. er det imidlertid ingen grense på tidsbehandlingen avhengig av hvilket datasystem som brukes. I dette papiret undersøker vi muligheten for å løse optimeringsproblemet ved å bruke genetiske algoritmer. Genetiske algoritmer (GAs) som ble utviklet av Holland 13 utgjør en klasse av søk, tilpasning og optimaliseringsteknikker basert på prinsippene om naturlig evolusjon. Genetiske algoritmer gir seg godt til optimaliseringsproblemer siden de er kjent for å vise robusthet og kan tilby betydelige fordeler i løsningsmetodikk og optimaliseringsytelse. GA er forskjellig fra andre optimaliserings - og søkeprosedyrer på noen måter. Først arbeider de med en koding av parameter settet, ikke parameterne selv. Derfor kan GAs enkelt håndtere de binære variablene. For det andre, GAs søke fra en befolkning av poeng, ikke et enkelt punkt. Derfor kan GAs tilby et sett med globalt optimale løsninger. Til slutt bruker GAs bare objektiv funksjonsinformasjon, ikke derivater eller annen tilleggskunnskap. Derfor kan GAs håndtere de ikke-kontinuerlige og ikke-differensierbare funksjonene som faktisk eksisterte i et praktisk optimaliseringsproblem. 4 Foreslått GATradeTool I GATradeTool. en genetisk algoritme opererer på en populasjon av kandidatløsninger kodet (,). Hver avgjørelsesvariabel i parametersettet er kodet som en binær streng og alle sammenkobles for å danne et kromosom. Kromosomrepresentasjon er en to-elementvektor som inneholder parametere i bunary genetisk koding. Presisjonen av binær representasjon er åtte biter per parameter (dvs. 1 0 0 1 0 1 1 1 1 0 0 1 0 1 1 1). Den begynner med en tilfeldig konstruert befolkning av innledende gjetninger. Disse løsningskandidatene blir vurdert i forhold til vår objektive funksjon (Eq. (4)). For å oppnå optimalitet, utveksler hver kromosom informasjon ved å bruke operatører (dvs. aritmetisk overgang 1) lånt fra naturlig genetikk for å gi en bedre løsning. Målfunksjonen (Eq. (4)) brukes til å måle hvordan enkeltpersoner har utført i problemdomenet. I vårt tilfelle vil de mest tilpassede individer ha den høyeste numeriske verdien av den tilhørende objektivfunksjonen. Treningsfunksjonen forvandler de objektive målverdiene til ikke-negative verdier for hver enkelt person. Verktøyet støtter forskydnings - og skaleringsmetoden til Goldberg 12 og den lineære algoritmen til Baker 3. Vårt utvalgsteknikk anvender en roulettehjulsmekanisme for å probabilistisk velge individer basert på deres ytelse. Et virkelig verdsatt intervall Sum er bestemt som summen av radets treningsverdier over alle individer i den nåværende befolkningen. Enkeltpersoner blir deretter kartlagt en til en i sammenhengende intervaller i området 0, Sum. Størrelsen på hvert enkelt intervall tilsvarer treningsverdien til den tilknyttede personen. For å velge et individ genereres et tilfeldig tall i intervallet 0, Sum og individet hvis segment spenner over tilfeldig tallet er valgt. Denne prosessen gjentas til ønsket antall personer er blitt valgt 26. Disse kandidatene fikk lov til å delta i en aritmetisk crossover, prosedyren som rekombinerer lovende kandidater for å skape neste generasjon. Disse trinnene ble gjentatt til et godt definert kriterium er tilfredsstilt. Fordi GA er en stokastisk søkemetode, er det vanskelig å formelt spesifisere konvergenskriterier. Ettersom befolkningens egnethet kan forbli statisk i flere generasjoner før et overordnet individ blir funnet, blir anvendelsen av konvensjonelle termineringskriterier problematisk. Som et resultat foreslo vi at det ble oppnådd et bestemt antall iterasjoner som termineringskriteriet. Vår genetiske algoritme kan presenteres i følgende ramme: 5 Empiriske resultater I dette avsnittet bruker vi vår metodikk i et UBS-fond som investerer i nye aksjemarkeder. 2 Dataene som analyseres består av 2800 observasjoner på dagens sluttkurs for fondet for perioden 159825604. Optimaliseringsperioden er definert mellom 1598 og 25603. Det optimaliserte systemet ble evaluert gjennom den forlengede perioden 2560325604. Optimaliseringsproblemet er satt til å bestemme optimale lengder på Dimbeta-indikatoren og dens bevegelige gjennomsnitt for den enkle Dimbeta-modellen som maksimerer fortjenesten. For det første vil effekten av forskjellige GA-parameterkonfigurasjoner bli studert. Mer spesifikt er vi interessert i å måle effekten av populasjonsstørrelsen og crossover-parameteren i utførelsen av den genetiske algoritmenbaserte optimaliseringsprosedyren. Basert på Goldbergs 12 og Bauers 4 anbefalinger, bør befolkningsstørrelsen være lik 30 og kryssfrekvensen skal være 0,6 (standardverdier). Antall iterasjoner ble satt til 300 for alle simuleringer. For det andre sammenlignet vi løsningene med optimaliseringsproblemet som ble utført av forskjellige programvareverktøy for å måle gyldigheten av GATradeTool som ble foreslått. Tabell 1 gir GA-optimaliseringsresultater for forskjellige størrelser av populasjoner. Den første raden i tabellen viser de beste parametrene for Dimbeta-indikatoren og det bevegelige gjennomsnittet for Dimbeta. For å måle effekten av populasjonsstørrelse i den beste løsningen, undersøker vi en rekke ulike statistikker. Løsningen med maksimal og minimumsavkastning, gjennomsnittlig avkastning, standardavviket for disse løsningene, tiden som trengs for konvergens av algoritmen, og en effektivitetsindeks beregnet ved å dele maksimal returløsning ved standardavviket av løsninger. Tabell 1. Befolkningsstørrelse effekt Ved å se i tabell 1 kan vi si at så lenge du øker populasjonsstørrelsen, er de beste og gjennomsnittlige løsningene høyere. Imidlertid, etter en befolkningsstørrelse på 30, ble ytelsen redusert. For å ta hensyn til beregningskostnadene som er involvert siden økning i befolkningsstørrelse, beregner vi tiden som trengs for å løse problemet. Lav befolkningsstørrelse fører til lav ytelse og lav sluttidstid. Ifølge effektivitetsindeksen er den beste løsningen gitt av populasjonsstørrelsen 20. For å etablere en basisprestasjon for algoritmen ble 30 forsøk av GA utført, med en annen tilfeldig startepopulasjon for hver prøveperiode. Fig. La. viser hvordan ytelsen forbedret over tid ved å plotte gjennomsnittlig maksimal kondisjon som prosent av optimal verdi versus generasjonsnummer. Vi fanget først den maksimale treningsverdien for hver av de 30 prøvene dette er gjort for hver generasjon og hvert forsøk. Vi gjennomsnittsdefinerte de maksimale treningsverdiene og delte det tallet med den optimale treningsverdien, som ble oppnådd ved enumerativ søk (FinTrade-verktøyet, 23), dette ga oss gjennomsnittlig maksimal kondisjon som prosent av optimal verdi per generasjon. Fig. La. Baseparameterinnstillinger: Prosent av optimal. Som det fremgår av figur 1a. Den gjennomsnittlige maksimale kondisjonen til den første generasjonen er omtrent 74 av den optimale verdien. Men ved den femtende generasjonen har algoritmen vanligvis funnet minst én løsning som var innenfor 90 av den optimale verdien. Etter den femtende generasjonen kunne løsningen nå 98 av den optimale verdien. Med ytelsesmålinger fra basisinnstillingene som referansepunkt, undersøkte vi mulige variasjoner i grunnprosedyren. Vi studerte effekten av endringer i befolkningens størrelse og crossover rate. For hver annen parameterinnstilling utførte vi 30 forsøk på algoritmen og sammenlignet deretter grafer med gjennomsnittlig maksimal kondisjon med de som ble oppnådd for grunninnstillingen. Først prøvde vi crossover-priser 0,4 og 0,8. Resultatene er vist i figur 1b og figur 1c. som ligner på fig. la. Som et resultat påvirker crossover-parametrene ikke den optimale løsningen i kritisk grad. Resultatene er imidlertid forskjellige når vi endrer befolkningens størrelse. I henhold til figur 1d og figur 1e. med en liten befolkningsstørrelse hadde vi dårligere resultater enn med en stor befolkning. Da vi valgte 80 som befolkningsstørrelse, oppnådde vi høy avkastning i tidlige generasjoner. Fig. 1b. Crossover 0,40: prosent av optimal. Fig. 1c. Crossover 0,80: prosent av optimal. Fig. 1d. Befolkning 80: prosent av optimal. Fig. 1e. Befolkning 20: prosent av optimal. Ved å se Tabell 2 kan du sammenligne resultatene av optimalisering av vårt handelssystem ved å bruke tre forskjellige programvareverktøy. Den første raden gir resultatet for GATradeTool mot Metastock og FinTradeTool 23. Vårt foreslåtte programvareverktøy (GATradeToo l) kan løse optimaliseringsproblemet veldig raskt uten noen spesifikke begrensninger for antall totale tester. Maksimalt antall tester som kan utføres i Metastock-programvare er 32 000. FinTradeTool trenger mye mer tid for å finne den optimale løsningen. Løsningen levert av GATradeTool. er nær den optimale løsningen av FinTradeTool. Tabell 2. Sammenligning av tre forskjellige programvareverktøy Optimerte parametere (Dimbeta. MovAv (DimBeta)) Handelssystemene med de optimale parametrene som ble funnet i perioden 159825603 ble testet i evalueringsperioden 2560325604. Utførelsen av vårt handelssystem har blitt økt i alle programvareverktøy. Men kostnaden av tid må vurderes som svært alvorlig (kolonne 4). Fig. 2 viser utviklingen av maksimal, minimum og gjennomsnittlig avkastning i løpet av de 300 generasjonene for Dimbeta-handelssystemet (befolkningsstørrelse 80, crossover rate 0.6). Det kan observeres at maksimal avkastning har positiv utvikling. Det ser ut til å være relativt stabilt etter 150 generasjoner og beveger seg i området mellom 1,2 og 1 (dvs. 120100 retur). For det minste er det ikke noe mønster som eksisterer. For den gjennomsnittlige befolkningsavkastningen finner man en klar oppadgående trend i de første 180 generasjonene, dette er en indikasjon på at befolkningens generelle kondisjon forbedrer seg over tid. Med hensyn til løsningenes volatilitet stabiliseres standardavviket av løsninger etter en økning i de første generasjonene i et område mellom 0,3 og 0,6 som gir bevis for et stabilt og effektivt sett med løsninger. Figur 2. Evolusjon av flere statistikker over 300 generasjoner. Fig. 3 gir et tredimensjonalt plott av de optimale løsningene gitt av GATradeTool. I akser og parametere, for dimbeta-indikatoren og dens bevegelige gjennomsnitt. Axis 2 shows the return of the Dimbeta trading system for the selected optimum parameters. As can be easily understood our tool provides an area of optimum solutions in contrast with the FinTradeTool that provides only the best solution. Fig. 3. A 3-D plot of the optimum area. 6 Conclusions While technical analysis is widely used as an investment approach among practitioners or academics, they are rarely focused on the issue of parameter optimization. It is not our role to defend technical analysis here, although our results show that there is some predictability in the UBS mutual fund investing in emerging stock markets based on historical data alone. Our main objective in this paper is to illustrate that the new technology of MATLAB can be used in order to implement a genetic algorithm tool that can improve optimization of technical trading systems. Our experimental results show that GATradeTool can improve digital trading by providing quickly a set of near optimum solutions. Concerning the effect of different GA parameter configurations, we found that an increase in population size can improve performance of the system. The parameter of crossover rate does not affect seriously the quality of the solution. By comparing the solutions of the optimization problem conducted by different software tools, we found that the GATradeTool can perform better, by providing very fast a set of optimum solutions that present a consistency throughout the evaluation period. Finally, it would be interesting for further research to test a series of different systems in order to see the correlation between a genetic algorithm and system performances. At a time of frequent changes in financial markets, researchers and traders can easily test their specific systems in GATradeTool by changing only the function that produces the trading signals. Acknowledgements This research paper was part of the postdoctoral research of Dr S. Papadamou that has been funded by IKY Greek State Scholarships Foundation. References 1 F. Allen. R. Karjalainen Using genetic algorithms to find technical trading rules Journal of Financial Economic. Volume 51. 1999. pp. 245271 2 H. L. Allen. M. P. Taylor The use of technical analysis in the foreign exchange market Journal of International Money and Finance. Volume 11. 1992. pp. 303314 3 J. E. Baker, Adaptive selection methods for genetic algorithms, in: Proceedings of the first International Conference on Genetic Algorithms, 1985, pp. 101111 4 R. J. Bauer. G. E. Liepins Genetic algorithms and computerized trading strategies Expert Systems in Finance. D. E. OLeary. P. R. Watkins. 1992. Elsevier Science Publishers, Amsterdam, The Netherlands 5 R. J. Bauer Jr. Genetic Algorithms and Investment Strategies 1994. John Wiley amp Sons, Inc, New York 6 W. Brock. J. Lakonishok. B. LeBaron Simple technical trading rules and the stochastic properties of stock returns Journal of Finance. Volume 47. 1992. pp. 17311764 7 S. Brown. W. Goetzmann. R. Ibbotson. S. Ross Survivorship bias in performance studies Review of Financial Studies. Volume 5. 1992. pp. 553580 8 S. Brown. W. Goetzmann. S. Ross Survival Journal of Finance. Volume 50. 1995. pp. 853873 9 Y. W. Cheung. C. Y.P. Wong The performance of trading rules on four asian currency exchange rates Multinational Finance Journal. Volume 1. 1997. pp. 122 10 K. De Jong, An analysis of the behavior of a class of genetic adaptive systems, Ph. D. Diss. University of Michigan, University Microfilms No. 76-9381, 1975 11 F. Fernndez-Rodrguez, C. Gonzlez-Martel, S. Sosvilla-Rivero, Optimisation of Technical Rules by Genetic Algorithms: Evidence from the Madrid Stock Market, Working Papers 2001-14, FEDEA, 2001. ftp:ftp. fedea. espubPapers2001dt2001-14.pdf 12 D. E. Goldberg Genetic Algorithms in Search, Optimization and Machine Learning 1989. Addison-Wesley 13 J. H. Holland Adaptation in Natural and Artificial System 1975. University of Michigan Press 14 N. Jegadeesh. S. Titman Returns to buying winners and selling losers: Implications for stock market efficiency Journal of Finance. Volume 48. Issue 1. 1993. pp. 6591 15 P. J. Kaufman The New Commodity Trading Systems and Methods 1987. John Wiley amp Sons 16 B. N. Lehmann Fad, martingales, and market efficiency Quarterly Journal of Economics. Volume 105. 1990. pp. 128 17 A. W. Lo. A. C. MacKinlay When are contrarian profits due to stock market overreaction Review of Financial Studies. Volume 3. 1990. pp. 175206 18 S. Mahfoud. G. Mani Financial forecasting using genetic algorithms Journal of Applied Artificial Intelligence. Volume 10. Issue 6. 1996. pp. 543565 19 R. N. Markellos Backtesting trading systems Journal of Computational Intelligence in Finance. Volume 5. Issue 6. 1997. pp. 510 20 L. Menkhoff. M. Schlumberger Persistent profitability of technical analysis on foreign exchange markets BNL Quarterly Review. Volume 193. 1995. pp. 189216 21 C. Neely, P. Weller, R. Ditmar, Is technical analysis in the foreign exchange market profitable A genetic programming approach, in: C. Dunis, B. Rustem, (Eds.), Proceedings, Forecasting Financial Markets: Advances for Exchange Rates, Interest Rates and Asset Management, London, 1997 22 M. Oussaidene. B. Chopard. O. Pictet. M. Tomassini Practical aspects and experiences Parallel genetic programming and its application to trading model induction Journal of Parallel Computing. Volume 23. Issue 8. 1997. pp. 11831198 23 S. Papadamou. G. Stephanides A new matlab-based toolbox for computer aided dynamic technical trading Financial Engineering News. Issue 31. 2003 24 S. Papadamou. S. Tsopoglou Investigating the profitability of technical analysis systems on foreign exchange markets Managerial Finance. Volume 27. Issue 8. 2001. pp. 6378 25 F. M. Werner. D. Bondt. R. Thaler Further evidence on investor overreaction and stock market seasonality Journal of Finance. Volume 42. Issue 3. 1987. pp. 557581 26 D. Whitley, The Genitor algorithm and selection pressure: Why rank-based allocations of reproductive trials are best, in: Proceedings of the Third International Conference on Genetic Algorithms, 1989, pp. 116121 Arithmetic single-point crossover, involves randomly cutting two strings at the same randomly determined string position and then swapping the tail portions. Crossover extends the search for new solutions in far-reaching directions. The structure of this fund and its major position at 2562004 are depicted in the following figure. Copyright 2007 Elsevier Ltd. All rights reserved.