Verwendung von genetischen Algorithmen zur Prognose Finanzmärkte Laden des Spielers. Burton schlug in seinem Buch, Random Walk Down Wall Street, (1973) vor, dass ein mit verbundenen Augen Affe werfen Darts auf einer Zeitung Finanzseiten konnte ein Portfolio, das genauso gut wie ein sorgfältig von Experten ausgewählt zu wählen. Während die Evolution den Menschen nicht intelligenter zum Sammeln von Beständen gemacht haben kann, hat Charles Darwins Theorie ziemlich effektiv, wenn sie direkt angewandt wird. (Um zu helfen, wählen Sie Bestände, lesen Sie heraus, wie man eine Bestände auswählen.) Was sind genetische Algorithmen Genetische Algorithmen (GAs) sind Problemlösungsmethoden (oder Heuristiken), die den Prozess der natürlichen Evolution nachahmen. Anders als künstliche neuronale Netze (ANNs), entworfen, um wie Neuronen im Gehirn zu funktionieren, nutzen diese Algorithmen die Konzepte der natürlichen Selektion, um die beste Lösung für ein Problem zu bestimmen. Als Ergebnis werden GAs häufig als Optimierer verwendet, die Parameter anpassen, um ein Rückkopplungsmaß zu minimieren oder zu maximieren, das dann unabhängig oder im Aufbau eines ANN verwendet werden kann. An den Finanzmärkten. Genetische Algorithmen werden am häufigsten verwendet, um die besten Kombinationen von Parametern in einer Handelsregel zu finden, und sie können in ANN-Modelle gebaut werden, um Bestände auszuwählen und Trades zu identifizieren. Mehrere Studien haben gezeigt, dass sich diese Methoden als wirksam erweisen können, einschließlich genetischer Algorithmen: Genesis of Stock Evaluation (2004) von Rama und The Applications of Genetic Algorithms von Lin, Cao, Wang, Zhang. (Um mehr über ANN zu erfahren, siehe Neuronale Netze: Forecasting Profits.) Wie genetische Algorithmen arbeiten Genetische Algorithmen werden mathematisch unter Verwendung von Vektoren erzeugt, die Größen sind, die Richtung und Größe haben. Parameter für jede Handelsregel werden mit einem eindimensionalen Vektor dargestellt, der als ein Chromosom in genetischer Hinsicht gedacht werden kann. Inzwischen können die Werte, die in jedem Parameter verwendet werden, als Gene angesehen werden, die dann unter Verwendung einer natürlichen Selektion modifiziert werden. Beispielsweise kann eine Handelsregel die Verwendung von Parametern wie Moving Average Convergence-Divergence (MACD) beinhalten. Exponential Moving Average (EMA) und Stochastik. Ein genetischer Algorithmus würde dann Werte in diese Parameter mit dem Ziel der Maximierung des Nettogewinns. Im Laufe der Zeit werden kleine Veränderungen eingeführt, und diejenigen, die eine wünschenswerte Wirkung bewirken, bleiben für die nächste Generation erhalten. Es gibt drei Arten von genetischen Operationen, die dann durchgeführt werden können: Crossovers repräsentieren die Reproduktion und biologische Crossover in der Biologie gesehen, wobei ein Kind bestimmte Eigenschaften seiner Eltern übernimmt. Mutationen stellen die biologische Mutation dar und werden verwendet, um die genetische Diversität von einer Generation einer Population zur nächsten durch Einführung zufälliger kleiner Veränderungen zu erhalten. Selektionen sind die Stufe, in der einzelne Genome aus einer Population für die spätere Züchtung (Rekombination oder Crossover) ausgewählt werden. Diese drei Operatoren werden dann in einem fünfstufigen Prozess verwendet: Initialisieren einer zufälligen Population, wobei jedes Chromosom n-Länge ist, wobei n die Anzahl der Parameter ist. Das heißt, eine Zufallszahl von Parametern wird jeweils mit n Elementen hergestellt. Wählen Sie die Chromosomen, oder Parameter, die wünschenswerte Ergebnisse (vermutlich Nettogewinn) zu erhöhen. Anwenden von Mutations - oder Crossover-Operatoren auf die ausgewählten Eltern und Erzeugen eines Nachkommens. Rekombinieren Sie die Nachkommen und die aktuelle Bevölkerung, um eine neue Population mit dem Auswahloperator zu bilden. Wiederholen Sie die Schritte zwei bis vier. Im Laufe der Zeit führt dieses Verfahren zu immer günstigeren Chromosomen (oder Parametern) zur Verwendung in einer Handelsregel. Der Prozess wird dann beendet, wenn ein Stoppkriterium erfüllt ist, das Laufzeit, Fitness, Anzahl der Generationen oder andere Kriterien einschließen kann. (Für mehr auf MACD, lesen Sie Trading The MACD Divergence.) Verwenden genetischer Algorithmen im Handel Während genetische Algorithmen sind in erster Linie von institutionellen quantitative Händler verwendet. Einzelne Händler können die Macht der genetischen Algorithmen nutzen - ohne einen Abschluss in fortgeschrittene Mathematik - mit mehreren Software-Pakete auf dem Markt. Diese Lösungen reichen von eigenständigen Softwarepaketen, die auf die Finanzmärkte ausgerichtet sind, auf Microsoft Excel-Add-ons, die eine gründlichere Analyse ermöglichen. Wenn diese Anwendungen verwendet werden, können Händler einen Satz von Parametern definieren, die dann unter Verwendung eines genetischen Algorithmus und eines Satzes von historischen Daten optimiert werden. Einige Anwendungen können optimieren, welche Parameter verwendet werden und die Werte für sie, während andere in erster Linie auf einfache Optimierung der Werte für einen bestimmten Satz von Parametern konzentriert. Wichtige Optimierungstipps und Tricks Kurvenanpassung (Overfitting), die Entwicklung eines Handelssystems um historische Daten, anstatt wiederholbares Verhalten zu identifizieren, stellt ein potentielles Risiko für Händler dar genetische Algorythmen. Jedes Handelssystem, das GAs verwendet, sollte auf dem Papier vor dem Live-Einsatz vorgetestet werden. Die Auswahl von Parametern ist ein wichtiger Teil des Prozesses, und Händler sollten nach Parametern suchen, die mit Änderungen des Preises einer bestimmten Sicherheit korrelieren. Zum Beispiel, probieren Sie verschiedene Indikatoren und sehen, ob alle scheinen, um mit großen Marktabschwüngen zu korrelieren. The Bottom Line Genetische Algorithmen sind einzigartige Wege, um komplexe Probleme zu lösen, indem man die Kraft der Natur nutzt. Durch die Anwendung dieser Methoden auf die Vorhersage der Wertpapiere Preise können Händler die Handelsregeln zu optimieren, indem die besten Werte für jeden Parameter für eine bestimmte Sicherheit zu verwenden. Allerdings sind diese Algorithmen nicht der Heilige Gral, und Händler sollten darauf achten, die richtigen Parameter zu wählen und nicht Kurve fit (über fit). (Um mehr über den Markt zu erfahren, check out Listen to the Market, nicht seine Pundits.) Generating Moving Average Trading Regeln auf dem Öl-Futures-Markt mit genetischen Algorithmen 1 School of Humanities and Economic Management, China University of Geosciences, Peking 100083, China Peking 100083, China 3 Institut für Chinax2019s Wirtschaftsreform und Entwicklung, Renmin University, China 3 Institut für Chinax2019s Wirtschaftsreform und Entwicklung, Renmin Universität Von China, Beijing 100872, China Erhalten 19 Februar 2014 Überarbeitet 4. Mai 2014 Akzeptiert 7. Mai 2014 Veröffentlicht 26. Mai 2014 Akademischer Redakteur: Wei Chen Copyright xa9 2014 Lijun Wang et al. Dies ist ein Open Access Artikel unter der Creative Commons Attribution License. Die eine uneingeschränkte Nutzung, Verbreitung und Vervielfältigung in jedem Medium gestattet, vorausgesetzt, die ursprüngliche Arbeit ist richtig zitiert. Zusammenfassung Der Rohöl-Futures-Markt spielt eine entscheidende Rolle bei der Energiefinanzierung. Um eine höhere Investitionsrendite zu erhalten, nutzen Wissenschaftler und Händler technische Indikatoren bei der Auswahl von Handelsstrategien im Öl-Futures-Markt. In diesem Papier verwendeten die Autoren gleitende Durchschnittspreise von Öl-Futures mit genetischen Algorithmen, um rentable Handelsregeln zu generieren. Wir definierten Personen mit unterschiedlichen Kombinationen von Periodenlängen und Berechnungsmethoden als gleitende durchschnittliche Handelsregeln und verwendeten genetischen Algorithmen, um die geeigneten Längen der gleitenden Durchschnittsperioden und die entsprechenden Berechnungsmethoden zu suchen. Die Autoren verwendeten täglich Rohölpreise von NYMEX Futures von 1983 bis 2013 zu bewerten und wählen Sie gleitende durchschnittliche Regeln. Wir haben die generierten Handelsregeln mit der Buy-and-Hold-Strategie (BH) verglichen, um zu ermitteln, ob generierte bewegliche durchschnittliche Handelsregeln im Rohöl-Futures-Markt überdurchschnittliche Renditen erzielen können. Durch 420 Experimente bestimmen wir, dass die generierten Handelsregeln Händler helfen, Gewinne zu machen, wenn es offensichtliche Preisschwankungen gibt. Generierte Handelsregeln können überschüssige Renditen realisieren, wenn der Kurs sinkt und erhebliche Fluktuationen erfährt, während die BH-Strategie besser ist, wenn die Preise steigen oder mit wenigen Schwankungen glatt ist. Die Ergebnisse können Händler helfen, bessere Strategien unter verschiedenen Umständen zu wählen. 1. Einleitung Energie ist für die wirtschaftliche Entwicklung von entscheidender Bedeutung. Haushaltstätigkeiten, Industrieproduktion und Infrastrukturinvestitionen verbrauchen direkt oder indirekt Energie, egal in Entwicklungs - oder Industrieländern 1. Die Themen Energiehandel 2, Energieeffizienz 3, Energiepolitik 4 x20136, Energieverbrauch 7 und Energiefinanzierung 8 haben in den letzten Jahren zunehmend an Bedeutung gewonnen. Der Rohöl-Futures-Markt ist ein wichtiger Teil der Energiefinanzierung im Rahmen des globalen Energiemarktes. Händler und Forscher setzen technische Analysewerkzeuge ein, um erfinderische Handelsregeln an den Finanzmärkten zu ermitteln. Dementsprechend werden gleitende Durchschnittsindikatoren häufig in der technischen Analyse verwendet, um größere Renditen zu realisieren. Dieses Papier versucht zu beantworten, ob im realen Leben ein Investor können gleitende durchschnittliche technische Handelsregeln verwenden, um überschüssige Renditen durch die Suche nach profitablen gleitenden durchschnittlichen Handelsregeln mit genetischen Algorithmen in der Rohöl-Futures-Markt zu erhalten. Genetische Algorithmen sind weit verbreitet in der Sozialwissenschaften 9. 10, vor allem in bestimmten komplexen Fragen, wo es schwierig ist, präzise Berechnungen durchzuführen. Es ist ein Trend, physikalische oder mathematische Methoden in Energie - und Ressourcenökonomik anzuwenden 11 x201316. Forscher haben genetische Algorithmen auf die Vorhersage der Kohleproduktion-Umweltverschmutzung 17, die interne Auswahl und Markt Auswahl Verhalten auf dem Markt 18, die Rohöl Nachfrage Prognose 19, die Minimierung der Treibstoffkosten und gasförmige Emissionen der Stromerzeugung 20 angewendet Das Devisenhandelssystem 21. Im Hinblick auf die finanztechnische Analyse Fragen, nutzen Gelehrte genetische Algorithmen, um die besten Handelsregeln und profitablen technischen Indikatoren bei der Investitionsentscheidung 22 x201325 zu suchen. Genetische Algorithmen werden mit anderen Tools kombiniert, wie dem agentbasierten Modell 26, der Fuzzy-Mathe-Theorie 27 und den neuronalen Netzwerken 28. Es gibt auch einige Studien, die genetische Algorithmen zur Prognose der Preisentwicklung auf dem Finanzmarkt 29 30 oder der Wechselkurs des Devisenmarkts 31 verwendet haben. Da es eine Vielzahl von technischen Handelsregeln und technischen Indikatoren gibt, die im Rohöl-Futures-Markt verfügbar sind, ist es unpraktisch, ergodische Berechnungen oder bestimmte andere genaue Berechnungsmethoden zu verwenden. Daher ist mit genetischen Algorithmen ein möglicher Weg, um dieses Problem zu lösen. Gleitende durchschnittliche Indikatoren wurden weitgehend in Studien von Aktien und Futures-Märkten 32 x201337 verwendet. Zwei gleitende Durchschnitte verschiedener Längen werden mit der Prognose der Preisentwicklung in verschiedenen Märkten verglichen. Kurze gleitende Durchschnitte sind empfindlicher für Preisänderungen als lange. Wenn ein kurzer gleitender Durchschnittspreis höher ist als ein langer Zeitraum gleitender Durchschnittspreis, werden Händler glauben, dass der Preis steigt und lange Positionen nimmt. Wenn der kurzfristig fließende Durchschnittspreis sinkt und mit dem langen Kreuz kreuzt, werden entgegengesetzte Handelsaktivitäten getroffen 38. Allen und Karjalainen (AK) 39 verwendeten genetische Algorithmen zur Ermittlung von technischen Handelsregeln an den Börsen mit Tagespreisen des Sx26P 500. Der gleitende Durchschnittspreis wurde als einer der vielen Indikatoren der technischen Regeln verwendet. Weitere Indikatoren wie der Mittelwert und der Maximalwert werden auch bei Investitionsentscheidungen verwendet. Wang 40 führte ähnliche Forschung auf Spot-und Futures-Märkte mit genetischen Programmierung, während wie 41 angewendet AKx2019s Methode, um verschiedene Cap-Aktien, um die Relevanz der Größe zu bestimmen. William, vergleicht verschiedene technische Regeln und künstliche neuronale Netzwerk (ANN) Regeln für Öl-Futures-Markt, festgestellt, dass die ANN ist ein gutes Werkzeug, so Zweifel an der Effizienz des Ölmarktes 38. Alle diese Studien kombinieren gleitende Durchschnittsindikatoren mit anderen Indikatoren, um Handelsregeln zu erzeugen. Allerdings verwenden wir in diesem Papier bewegte Durchschnitte, um Handelsregeln zu generieren, was ein einfacher und effizienter Ansatz sein kann. Die Performance einer gleitenden durchschnittlichen Handelsregel wird wesentlich durch die Periodenlängen 42 beeinflusst. Daher ist das Finden der optimalen Längen der beiden obigen Perioden ein zentrales Thema in der Literatur der technischen Analyse. Eine Vielzahl von Längen wurden in bestehenden Forschungsprojekten 43 x201348 versucht. In der vorliegenden Forschung verwenden die meisten gleitenden Durchschnittsregeln feste gleitende mittlere Periodenlängen und eine gleitende Durchschnittsberechnungsmethode. Es ist jedoch besser, variable Längen für verschiedene Investitionsperioden zu verwenden 49. 50 und es gibt verschiedene Arten von gleitenden Durchschnittsberechnungsverfahren, die in der technischen Analyse verwendet werden können. In diesem Papier, unter Berücksichtigung, dass die optimale Länge der gleitenden durchschnittlichen Perioden und die beste Berechnungsmethode von einer Gelegenheit zu anderen variieren können, verwenden wir genetische Algorithmen, um die geeignete Länge der gleitenden durchschnittlichen Periode und die entsprechende Methode zu bestimmen. Sechs gleitende Durchschnitt Berechnungsmethoden werden in diesem Papier berücksichtigt und genetische Algorithmen können uns helfen, herauszufinden, die beste Methode und angemessene Periodenlängen für verschiedene Umstände. Dementsprechend sind wir in der Lage, die am besten geeigneten gleitenden durchschnittlichen Handelsregeln für Händler im Rohöl-Futures-Markt zu präsentieren. 2. Daten und Methode 2.1. Daten Für die Periode 1983 bis 2013 verwenden wir von der New York Mercantile Exchange (Datenquelle: www. eia. gov/dnav/pet/petx5fprix5ffutx5fs1x5fd. htm) die Tagespreise des Rohölkartellvertrags 1. Wir wählen 20 Stichprobengruppen mit jeweils 1000 Tagespreisen aus. In den 1000 Tagespreisen wird eine 500-tägige Preisserie eingesetzt, um in jeder Generation Handelsregeln auszubilden. Die folgenden 200 Preise werden verwendet, um die beste generierte Handelsregel aus allen Generationen auszuwählen, und die letzten 300 Tagespreise werden verwendet, um zu bestimmen, ob die erzeugte Regel Überrenditen erwerben kann. Die erste Gruppe beginnt 1985, die letzte Gruppe endet 2013 und jede 1000-tägige Preisreihe mit einem Schritt von 300 wird ausgewählt. Wir müssen auch 500 weitere Tagespreise vor jeder Stichprobenreihe aufnehmen, um die bewegten Preise für die Stichprobenperiode zu berechnen. So erfordert jedes unabhängige Experiment eine 1500-Tage-Preisreihe. Die von uns verwendeten Daten sind in Abbildung 1 dargestellt. Abbildung 1: Datenauswahl. 2.2. Methode Die Verschiebung der durchschnittlichen Handelsregeln erleichtert die Entscheidungsfindung für Händler durch Vergleich zweier gleitender Durchschnitte verschiedener Zeiträume. Auf diese Weise können Händler die Preisentwicklung vorhersagen, indem sie die Volatilität der gleitenden Durchschnittspreise analysieren. Es gibt sechs gleitende durchschnittliche Indikatoren, die normalerweise in der technischen Analyse verwendet werden: einfacher gleitender Durchschnitt (SMA), gewichteter gleitender Durchschnitt (WMA), exponentieller gleitender Durchschnitt (EMA), adaptiver gleitender Durchschnitt (AMA), typischer Preisgleitender Durchschnitt (TPMA) und dreieckiger Gleitenden Durchschnitt (TMA). Die Berechnungsmethoden der gleitenden Durchschnittsindikatoren sind in Tabelle 1 dargestellt. Tabelle 1: Angaben zu den sechs gleitenden Durchschnittsindikatoren. Um eine gleitende durchschnittliche Handelsregel im Öl-Futures-Markt zu verwenden, müssen mindestens drei Parameter festgelegt werden, um eine Handelsstrategie zu etablieren. Diese Parameter umfassen die Längen von zwei gleitenden Durchschnittsperioden und die Wahl der gleitenden Durchschnittsmethode aus den obigen sechs Typen. Andere Forscher haben unterschiedliche Längen von Probenperioden in ihren Studien verwendet. In diesem Papier verwenden wir genetische Algorithmen, um geeignete Längen der gleitenden durchschnittlichen Periode zu bestimmen. Entsprechend der vorhandenen Literatur ist die lange Periode im Allgemeinen zwischen 20 und 200 Tagen (sehr wenige Studien verwenden Perioden länger als 200 Tage) 38. 39 und die kurze Zeitdauer ist im Allgemeinen nicht länger als 60 Tage. Wenn der lange Durchschnittspreis niedriger ist als der kurze Durchschnittspreis, wird ein Händler eine lange Position einnehmen. Daraus folgt, dass in entgegengesetzten Situationen entgegengesetzte Strategien angenommen werden. In Anbetracht der Preisvolatilität im Terminmarkt, die eine Long-Position einnimmt, wenn der kurze Durchschnittspreis den langen Durchschnittspreis um mindestens eine Standardabweichung in der kurzen Periode übersteigt, kann eine gute Regel sein. Umgekehrt kann eine Short-Position auch eine gute Regel sein. Daher haben wir die beiden Regeln in unseren ursprünglichen Handelsregeln entworfen. Die detaillierten Berechnungsverfahren der sechs Bewegungsdurchschnitte sind in 2 dargestellt. Abbildung 2: Struktur der Handelsregeln. Ein 17-binärer String wird verwendet, um eine Handelsregel darzustellen, in der ein siebenbinärer Teilstring (MN) repräsentiert (x2009x2009is die lange Periodenlänge und die kurze Periodenlänge) ein sechsbinärer Teilstring ist (gehört zum Bereich von 1 bis 64) ein drei-binärer Teilstring die Berechnungsmethode der Durchschnittspreise darstellt. In diesem Papier liegt der Bereich von to bei 5 bis 132. Die letzte Binärdatei bestimmt, ob Handelsstrategien nur geändert werden sollen, wenn es mehr als eine Standardabweichung zwischen zwei gleitenden Durchschnittspreisen gibt. Die Struktur der Handelsregeln ist in Abbildung 2 dargestellt. Die Eignung einer Handelsregel wird nach dem Gewinn berechnet, den sie im Rohöl-Futures-Markt leisten kann. Um die generierten Handelsregeln mit dem BH (Buy-and-Hold, die Long-Position während des gesamten Zeitraums) zu vergleichen, ist der Gewinn einer generierten Regel die Überschussrendite, die die BH-Strategie übersteigt. Die Berechnungsmethode der Rücklaufquotenreferenzen AKx2019s-Methode. Der Unterschied ist, dass wir einem Trader erlauben, eine Position für eine lange Zeit zu halten, und wir berechnen nicht die Rückkehr jeden Tag. Betrachten wir die Überschussrendite einer Long-Position-Strategie, dh die Summe der Rendite der Long - und Short-Position. Rf ist die risikofreie Rendite, wenn sie außerhalb des Marktes ist, und Rbh ist die Rücklaufquote der BH-Strategie in der Stichprobenperiode. Rm ist die Margin Ratio des Futures-Marktes. Der Parameter bezeichnet die Einweg-Transaktionskostenquote. Und stellen den Eröffnungs - und Schlusskurs einer Position (lang oder kurz) dar. Ist der Preis für den ersten Tag in einem ganzen Zeitraum und ist der Preis für den letzten Tag. Da wir die Veränderung der täglichen Marge und die Vertragslaufzeit ignorieren, kann ein Trader seine Strategie beibehalten, indem er neue Positionen einnimmt, wenn ein Vertrag seinem Abschlussdatum nähert. Der Fitnesswert ist eine Zahl zwischen 0 und 2, berechnet durch nichtlineare Umwandlung nach Ra. Die Eignungsberechnung, Selektion, Crossover und Mutation von Individuen werden mit Hilfe der GA-Toolbox von Sheffield in der Matlab-Plattform implementiert. In jeder Generation, um die Überarbeitung von Trainingsdaten zu vermeiden, wird die beste Handelsregel in jeder Generation in einer Auswahlstichprobe (die 200-Tage-Preisreihe) getestet. Nur wenn der Fitnesswert höher ist als der beste Wert in der letzten Generation oder wenn die beiden Werte nahezu gleich sind (x3c 0,05), kann die Handelsregel als die beste bisher markiert werden. In jeder Generation werden 90 Prozent der Bevölkerung ausgewählt, um eine neue Generation zu bilden, während die anderen 10 Prozent zufällig erzeugt werden. Dementsprechend kann die Evolution von Individuen, die genetische Algorithmen in einem einzigen unabhängigen Experiment verwenden, wie folgt zusammengefasst werden. Schritt 1 (Initialisierung der Population). Zufällig erstellen eine anfängliche Population von 20 gleitenden durchschnittlichen Handelsregeln. Schritt 2 (Individuen bewerten). Die Fitness jedes Einzelnen wird im Auswertungsschritt berechnet. Das Programm berechnet die gleitenden Durchschnittspreise in zwei verschiedenen Skalen während des Ausbildungszeitraums unter Verwendung der Hilfsdaten und bestimmt die Positionen an jedem Handelstag. Dann wird die überschüssige Rücklaufquote jedes Einzelnen berechnet. Schließlich wird der Fitnesswert jeder Person nach dem überschüssigen Rücklauf berechnet. Schritt 3 (erinnere mich an die beste Handelsregel). Wählen Sie die Regel mit dem höchsten Fitnesswert aus und werten Sie sie für den Auswahlzeitraum aus, um ihre Rücklaufquote zu erhalten. Wenn es besser als oder nicht schlechter als die aktuelle beste Regel ist, wird es als die beste Handelsregel markiert werden. Wenn seine Rücklaufquote niedriger als oder kleiner als 0,05 ist höher als die aktuelle Rate, behalten wir die aktuelle Regel als die beste. Schritt 4 (neue Bevölkerung erzeugen). Wenn man 18 Individuen nach ihren Fitnesswerten auswählt, kann dieselbe Person mehrfach ausgewählt werden. Erstellen Sie daher zufällig 2 zusätzliche Handelsregeln. Mit einer Wahrscheinlichkeit von 0,7 einen Rekombinationsvorgang durchführen, um eine neue Population zu erzeugen. Dementsprechend werden alle Rekombinationsregeln mit einer Wahrscheinlichkeit von 0,05 mutiert. Schritt 5. Gehen Sie zu Schritt 2 zurück und wiederholen Sie das 50-fache. Schritt 6 (Test der besten Handelsregel). Testen Sie die beste Handelsregel, die durch das oben genannte Programm identifiziert wurde. Dies wird die Rücklaufquote und geben an, ob genetische Algorithmen können Händler helfen, überschüssige Renditen während dieser Probe Zeitraum zu helfen. 3. Ergebnisse Da wir in diesem Papier nicht die Höhe der Vermögenswerte berücksichtigt haben, gehen wir davon aus, dass die Margin Ratio 0,05 beträgt. In der Tat, da der Parameter keine signifikanten Auswirkungen auf unsere Experiment Ergebnisse hat, ist die Rücklaufquote 20-mal erhöht. Mit 20 Versuchen in jeder Periode werden 420 unabhängige Experimente durchgeführt, um nützliche bewegliche durchschnittliche Handelsregeln im Rohöl-Futuresmarkt zu bestimmen. Die Preise für die 21 Perioden sind in Abbildung 3 dargestellt. Abbildung 3: Beispieldaten. Basierend auf früheren Studien 39. 40. 51 und auf der Entscheidung, einen Zwischenwert für diese Studie auszuwählen, wird die Transaktionskostenrate für die 420 Experimente auf 0,1 × 25 gesetzt. Die risikofreie Rendite beträgt 2 x 25, was vor allem auf der kurzfristigen Schatzanleihe 41 basiert. Von den 420 Versuchen verdienen 226 Gewinne. Mit einer durchschnittlichen Rücklaufquote von 1.446 wird gefolgert, dass genetische Algorithmen die Händler in die Lage versetzen, Erträge im Rohöl-Futures-Markt zu erzielen. Allerdings führen die gleitenden durchschnittlichen Handelsregeln, die durch genetische Algorithmen identifiziert wurden, nicht zu Überschussrenditen, da es nur 8 Perioden gibt, in denen die generierten Handelsregeln dazu führten, dass Händler Übernahmen erhalten. Angesichts der Tatsache, dass der Preis für Rohöl-Futures während der Stichprobenperiode um ein Vielfaches gestiegen ist, behaupten wir weiter, dass genetische Algorithmen bei Investitionen hilfreich sind. Für ein besseres Verständnis, teilen wir die 21 Perioden in 4 Kategorien nach den Ergebnissen (siehe die letzte Spalte von Tabelle 2). Tabelle 2: Ergebnisse des Experiments. Kategorie 1 (Zeiträume 2, 3 und 9). In diesen Perioden helfen generierte Handelsregeln nicht nur Händler, Erträge zu erhalten, sondern helfen ihnen auch, überraschende Erträge zu realisieren. Generierte Handelsregeln generieren mehr Gewinn als die BH-Strategie in den Perioden 3 und 9. In Periode 2 verliert die BH-Strategie Geld, während die generierten Handelsregeln, wie durch die genetischen Algorithmen bestimmt, zu Gewinnen führen. Somit sind die generierten Handelsregeln der BH-Strategie in dieser Zeit weit überlegen. Ein gemeinsames Merkmal dieser drei Zeiträume in Kategorie 1 ist, dass der Rohölpreis während der Testperiode sank und erhebliche Schwankungen aufwies. Kategorie 2 (Zeiträume 5, 8, 12, 16 und 18). Generierte gleitende durchschnittliche Handelsregeln können während dieser fünf Perioden keine Gewinne erzielen. Trotzdem verbesserten sich die generierten Regeln besser als die BH-Strategie, da sie die Verluste deutlich reduzierten. In diesen Perioden gingen die Preise reibungslos, wobei einige kleine Schwankungen während des Prozesses. Kategorie 3 (Zeiträume 1, 6, 7, 10, 11, 14, 15 und 17). In diesen acht Proben-Daten-Perioden, helfen genetische Algorithmen Händler, geeignete gleitende durchschnittliche Handelsregeln zu identifizieren. Jedoch konnten die Händler keine Überschüsse erhalten. Während die Preise in diesen Zeiträumen stetig zunehmen, gibt es auch einige geringfügige Schwankungen, die dazu führen, dass die genetischen Algorithmen der BH-Strategie in diesen Zeiträumen unterlegen sind. Kategorie 4 (Zeiträume 4, 13, 19, 20 und 21). Genetische Algorithmen Handelsregeln zeigen schlechte Leistung in diesen fünf Perioden. In der Periode 21 ergibt die BH-Strategie negative Renditen. Unsere genetischen Handelsregeln führen zu schweren Verlusten. Die BH-Strategie wird als überlegen gegenüber den generierten Handelsregeln in den anderen vier Perioden als die BH-Strategie gibt einige Renditen. Während sich in diesen Perioden keine nennenswerten Veränderungen des Preisniveaus ergeben, befinden sich die Preise während der gesamten fünf Perioden in volatilen Staaten. Leichte Preisveränderungen ohne ersichtliche Trends machen die generierten Handelsregeln hilflos, Preisänderungen vorherzusagen und Renditen zu erzielen. Wir verwenden genetische Algorithmen für die Suche nach gut bewegten durchschnittlichen Handelsregeln für Händler auf dem Rohölmarkt. Tabelle 3, die die durchschnittliche Anzahl von und für jede Periode zeigt, zeigt, dass der Wert der langen Periode () eine enge Beziehung mit der Volatilität der Preise in der Stichprobenperiode hat. In Zeiträumen mit signifikanten Schwankungen wird ein großer Wert gesetzt, und für Perioden, in denen der Preis relativ stabil ist, wird ein kleiner ausgewählt. Tabelle 3: Der Mittelwert von und in jedem Zeitraum. Die Verteilung von ist in Fig. 4 gezeigt. Der Wert der Wahrscheinlichkeit ist sehr klein und folgt nicht der Normalverteilung. Die Figur zeigt eine typische Fettschwanzcharakteristik mit einer Kurtosis von 2,36. Verglichen mit der Normalverteilung liegen in unseren Ergebnissen mehr Werte in den Schwänzen der Verteilung. Nur in der Hälfte der 420 Experimente liegt zwischen 70 Tagen und 130 Tagen. Die Werte sind dezentralisiert, und wir glauben, dass es wissenschaftlicher ist, die besten Längen der beiden Perioden mit einem Trainingsprozess zu wählen, den wir in diesem Papier in tatsächlichen Investitionen verwendet haben. Abbildung 4: Verteilung von. Unter den sechs gleitenden Durchschnittsberechnungsmethoden werden AMA und TMA häufiger als die anderen vier (siehe Tabelle 4) verwendet, da mehr als die Hälfte der generierten gleitenden durchschnittlichen Handelsregeln AMA oder TMA verwenden. Eine kleine Anzahl von generierten Handelsregeln verwendet WMA und EMA, während TPMA und SMA, die leicht zu berechnen sind, häufig in einigen Perioden wie den Zeitabschnitten 1, 2, 3, 12, 19 und 21 verwendet werden. Tabelle 4: Berechnung Methoden des gleitenden Durchschnittspreises in jedem Zeitraum. Die Auswahl der Berechnungsmethode ist mit den Preisentwicklungen und der Volatilität verbunden. 5 zeigt, dass TPMA 31 Mal in den 60 unabhängigen Experimenten in den Perioden 2, 3 und 9 (Kategorie 1) verwendet wird. Anders als der Gesamtanteil ist TPMA die beliebteste Berechnungsmethode, wenn der Kurs während des Berichtszeitraums sinkt und erhebliche Schwankungen aufweist. AMA ist die beliebteste Methode in den anderen drei Kategorien. EMA wird nie in den Kategorien 1 und 4 verwendet. Allerdings benötigt es einen Anteil von 24x25 in der Kategorie 2, mehr als TMA, SMA, TPMA und WMA. Die Anteile von TMA und SMA haben keine signifikanten Unterschiede in verschiedenen Kategorien. In der Kategorie 4 ändern sich die Preise ohne erkennbare Trends. Keine Methode hat offensichtlichen Vorteil gegenüber den anderen. Abbildung 5: Anteil der Methoden in verschiedenen Kategorien. Die Ergebnisse von 20 Versuchen im gleichen Zeitraum zeigen eine hohe Konsistenz auf dem Wert sd (Tabelle 5). Wenn die Preise schwanken, wie z. B. in den Perioden 1, 2, 7, 8, 13, 19 und 20, dann sind die Positionen nicht zu öffnen, bis ein Durchschnittspreis um mindestens eine Standardabweichung um mindestens eine Standardabweichung größer ist. Wenn der Preis relativ stabil ist, sollte eine Investitionsentscheidung sofort erfolgen, solange die beiden gleitenden Durchschnitte kreuzen. Tabelle 5: Anzahl der Handelsregeln, in denen sd 1. 4. Diskussion Dieses Papier versucht, gleitende durchschnittliche Handelsregeln auf dem Öl-Futures-Markt mit Hilfe genetischer Algorithmen zu generieren. Anders als andere Studien, verwenden wir nur gleitende Durchschnitte als technische Indikatoren, um nützliche bewegliche durchschnittliche Handelsregeln zu identifizieren, ohne irgendwelche anderen komplexen technischen Analyse-Tools oder Indikatoren. Verschieben von durchschnittlichen Handelsregeln sind einfach für Händler zu bedienen, und sie sind unkompliziert, unabhängig von der Situation. Um die besten Handelsregeln im Rohöl-Futures-Markt zu identifizieren, verwenden wir genetische Algorithmen, um alle Parameter in den gleitenden durchschnittlichen Handelsregeln dynamisch auszuwählen, anstatt dies in einer festen Weise zu tun. Nach unseren genetischen Berechnungen wird die Verwendung von genetischen Algorithmen zur Ermittlung der besten Längen der beiden gleitenden Durchschnittsperioden befürwortet, da sich die erzeugten Längen in unterschiedlichen Preisentwicklungen voneinander unterscheiden. Statische gleitende durchschnittliche Handelsregeln mit festen Periodenlängen können sich nicht an komplexe Preisschwankungen in unterschiedlichen Perioden anpassen. Ein Trainingsprozess, der dynamische Merkmale von Preisschwankungen berücksichtigt, kann dem Händler helfen, die optimalen Längen der beiden bewegten Perioden einer Handelsregel herauszufinden. Unter den sechs gleitenden durchschnittlichen Methoden sind die AMA und TMA die beliebtesten unter den generierten Handelsregeln, da diese beiden Methoden die Fähigkeit haben, sich an die Preisentwicklung anzupassen. Die AMA kann die Gewichte des aktuellen Preises entsprechend der Volatilität in den letzten Tagen ändern. Da die TMA der Mittelwert der SMA ist, spiegelt sie genauer das Preisniveau wider. Die Auswahl der besten gleitenden Durchschnittsberechnungsmethode wird jedoch von den Preisentwicklungen beeinflusst. Trader können die Methoden wissenschaftlicher nach den Preisentwicklungen und Fluktuationen wählen. Basierend auf unseren experimentellen Ergebnissen ist TPMA eine optimale Wahl, wenn der Preis einen Rückgangsprozess mit signifikanten Schwankungen erfährt, und die Erzeugung von gleitenden durchschnittlichen Handelsregeln sind im Vergleich mit der BH-Strategie bei diesen Gelegenheiten hervorragend. Obwohl EMA einen sehr geringen Anteil an den insgesamt 420 Experimenten annimmt, ist es auch eine andere Methode als AMA, wenn der Preis sinkend fällt. Für die Zeiträume, in denen die Preisvolatilität offensichtlich ist, werden Entscheidungen erst getroffen, wenn die Differenz zwischen den beiden Durchschnittswerten die Standardabweichung der Kurzprobenpreise übersteigt, wodurch das Transaktionsrisiko verringert wird. Dieses Verfahren ist jedoch für einen Zeitraum, in dem der Preis relativ stabil ist, nicht geeignet. In diesen Situationen kann das Zögern manchmal dazu führen, dass Händler mögliche Gewinnchancen verpassen. Als Ganzes können generierte bewegliche durchschnittliche Handelsregeln Händler helfen, Gewinne langfristig zu bilden. Allerdings können genetische Algorithmen nicht garantieren den Zugang zu zusätzlichen Einnahmen in jeder Periode, da sie nur nützlich sind, um überraschende Erträge in besonderen Situationen zu erwerben. Die generierten gleitenden durchschnittlichen Handelsregeln zeigen hervorragende Performance, wenn der Rohöl-Futures-Preis mit erheblichen Schwankungen sinkt. Die BH-Strategie wird bei diesen Anlässen verlieren, während die generierte Handelsregel dazu beitragen kann, dass Händler einen Preisrückgang sehen und Verluste reduzieren. Unsere Handelsregeln liefern auch positive Renditen während der Schwankungen durch den rechtzeitigen Wechsel von Positionen. Wenn der Preis reibungslos mit wenigen Schwankungen in den Prozess fällt, können generierte Handelsregeln im Vergleich zur BH-Strategie übertriebene Renditen erzielen. Obwohl genetische Algorithmen nicht helfen können Händler erhalten positive Renditen während dieser Perioden, können die Algorithmen helfen Händler reduzieren Verlust durch Ändern von Positionen mit der Änderung der Preisentwicklung. Wenn der Preis stabil ist oder reibungslos ansteigt, können die generierten Regeln Renditen generieren. Allerdings können sie nicht mehr Renditen generieren als die BH-Strategie. Begrenzte Rückkehr kann die Transaktionskosten nicht leisten. Wenn der Preis sinkt, können die generierten Regeln der BH-Strategie überlegen sein. Genetische Algorithmen können auch helfen Händler Gewinne in den Prozess der Preiserhöhungen mit kleinen Schwankungen zu machen. In diesen Perioden ist die BH-Strategie besser als die generierten Handelsregeln, weil die Transaktionen im Prozess Transaktionskosten generieren und möglicherweise einige Gewinnchancen verpassen. Generierte gleitende durchschnittliche Handelsregeln haben schlechte Performance, wenn es keine nennenswerten Trends in der Preisänderung gibt. In diesen Perioden können gleitende Durchschnittsindikatoren keine Gewinnchancen finden, da die Volatilität zu gering ist. Die Tendenzen der Preisänderungen werden durch die gleitende Durchschnittsmethode verzögert. 12, Nr. Fig. Fig. Fig. Tel.
No comments:
Post a Comment