نظام التداول كون ماتلاب

وقائع المؤتمر الدولي للطرق الحسابية في العلوم والهندسة 2004 تحسين النظم التجارية التقنية باستخدام إجراء خوارزمية جينية ماتلاب جديدة ستيفانوس بابادامو a ،. جورج ستيفانيدس ب. قسم الاقتصاد، جامعة ثيسالي، أرغونوتون وفيلينون، فولوس، اليونان b قسم المعلوماتية التطبيقية، جامعة مقدونيا العلوم الاقتصادية والاجتماعية، إغناتياس 156، تيسالونيكي 54006، اليونان تلقى 18 مايو 2006. قبل 15 ديسمبر 2006. متاح على الإنترنت 24 يناير 2007. وتشير الدراسات الحديثة في الأسواق المالية إلى أن التحليل التقني يمكن أن يكون أداة مفيدة جدا في التنبؤ بالاتجاه. وتستخدم نظم التداول على نطاق واسع لتقييم السوق ومع ذلك، فإن الاستفادة من المعلمة الأمثل لهذه النظم قد جذبت القليل من الاهتمام. في هذه الورقة، لاستكشاف القوة المحتملة للتجارة الرقمية، نقدم أداة ماتلاب جديدة على أساس الخوارزميات الجينية أداة متخصصة في تحسين المعلمة من القواعد الفنية. ويستخدم قوة الخوارزميات الجينية لتوليد حلول سريعة وفعالة في شروط التداول الحقيقية. وقد تم اختبار أداة لدينا على نطاق واسع على البيانات التاريخية لصندوق أوبس الاستثمار في أسواق الأسهم الناشئة من خلال نظامنا الفني محددة. وتظهر النتائج أن غاتراديتول المقترحة لدينا يتفوق استخداما، غير التكيف، وأدوات البرمجيات فيما يتعلق استقرار العودة وتوفير الوقت على مدى فترة العينة بأكملها. ومع ذلك، قدمنا ​​أدلة على احتمال تأثير حجم السكان في نوعية الحلول. الأسواق المالية التنبؤ الخوارزميات الجينية الاستثمار القواعد الفنية 1 المقدمة يحتاج التجار ومحللو الاستثمار اليوم أدوات سريعة وفعالة في سوق مالية لا يرحم. وتجري المعارك في التجارة الآن بشكل رئيسي في سرعة الحاسوب. ويتيح تطوير تكنولوجيا برمجيات جديدة وظهور بيئات برامجية جديدة (مثل ماتلاب) الأساس لحل المشاكل المالية الصعبة في الوقت الحقيقي. ماتلابس شاسعة المدمج في وظائف رياضية والمالية، وحقيقة أنه على حد سواء لغة البرمجة المترجمة والمجمعة واستقلال منصة جعلها مناسبة تماما لتطوير التطبيقات المالية. أدلة على العائدات التي تجنيها القواعد التقنية، بما في ذلك استراتيجيات الزخم (مثلا 14 - 15 16 - 16 - 25 و 20) - متوسط ​​القواعد المتحركة والنظم التجارية الأخرى 6 - يمكن أن يدعم 9 و 24 أهمية التحليل التقني. ومع ذلك، فإن غالبية هذه الدراسات قد تجاهل مسألة الأمثل المعلمة، وتركهم مفتوحة لانتقادات من التطفل البيانات وإمكانية التحيز البقاء 7. 17 و 8. تقليديا استخدم الباحثون مواصفات مخصصة لقواعد التداول. أنها تستخدم التكوين الشعبي الافتراضي أو محاولة عشوائيا من عدد قليل من المعلمات المختلفة واختيار أفضل مع المعايير القائمة على العودة أساسا. بابادامو وستيفانيدس 23. نفذت ماتلاب الأدوات الجديدة القائمة على الحاسوب بمساعدة التقنية التي تضمنت إجراءات لمشاكل الأمثل المعلمة. ومع ذلك، فإن النقطة الضعيفة من الإجراء الأمثل هو الوقت: وظيفة الهدف (على سبيل المثال الربح) ليست بسيطة وظيفة الخطأ التربيعية ولكن معقدة (كل تكرار الأمثل يمر من خلال البيانات، ويولد إشارات التداول، ويحسب الأرباح، وما إلى ذلك). عندما تكون مجموعات البيانات كبيرة وكنت ترغب في إعادة تشغيل النظام الخاص بك في كثير من الأحيان وتحتاج إلى حل في أقرب وقت ممكن، ثم محاولة الخروج من جميع الحلول الممكنة للحصول على أفضل واحد سيكون مهمة شاقة جدا. الخوارزميات الجينية (غاس) هي أكثر ملاءمة لأنها تؤدي عمليات البحث العشوائي بطريقة منظمة وتتلاقى بسرعة كبيرة على السكان من الحلول الأمثل القريب. سوف غا تعطيك مجموعة (السكان) من حلول جيدة. المحللون مهتمون بالحصول على عدد قليل من الحلول الجيدة بأسرع وقت ممكن بدلا من الحل الأفضل عالميا. الحل الأفضل عالميا موجود، ولكن من المستبعد جدا أن تستمر في أن تكون أفضل واحد. والهدف من هذه الدراسة هو إظهار كيف يمكن استخدام الخوارزميات الجينية، وهي فئة من الخوارزميات في الحساب التطوري، لتحسين أداء وكفاءة أنظمة التداول المحوسبة. وليس الغرض هنا تقديم مبرر نظري أو تجريبي للتحليل الفني. نحن نبرهن على نهجنا في مهمة تنبؤية معينة على أساس أسواق الأسهم الناشئة. ويتم تنظيم هذه الورقة على النحو التالي. ويرد العمل السابق في القسم 2. ويرد وصف مجموعة البيانات ومنهجيتنا في القسم 3. وتناقش النتائج التجريبية في القسم 4. الاستنتاجات يتبع القسم 5. 2 العمل السابق هناك مجموعة كبيرة من العمل غا في علوم الكمبيوتر والهندسة المجالات ولكن تم القيام بعمل قليل بشأن المجالات التجارية ذات الصلة. لاتيلي، كان هناك اهتمام متزايد في استخدام غا في الاقتصاد المالي، ولكن حتى الآن لم يكن هناك سوى القليل من البحوث بشأن التداول الآلي. على حد علمنا أول ورقة نشرت ربط الخوارزميات الجينية للاستثمارات كانت من بور و ليبينز 4. باور 5 في كتابه الخوارزميات الوراثية واستراتيجيات الاستثمار قدمت إرشادات عملية حول كيفية غاس يمكن استخدامها لوضع استراتيجيات تجارية جذابة على أساس المعلومات الأساسية. ويمكن توسيع هذه التقنيات بسهولة لتشمل أنواعا أخرى من المعلومات مثل البيانات التقنية وبيانات الاقتصاد الكلي وكذلك الأسعار السابقة. وفقا ألين وكارجالينن 1. الخوارزمية الجينية هي الطريقة المناسبة لاكتشاف قواعد التداول الفنية. فرنانديز-رودريغيز إت آل. 11 من خلال اعتماد الخوارزميات الجينية الأمثل في قاعدة تداول بسيطة توفر أدلة على الاستخدام الناجح لل غاس من بورصة مدريد. بعض الدراسات الأخرى المهتمة هي تلك التي قام بها محفوظ و ماني 18 التي قدمت نظاما جديدا يستند إلى الخوارزمية الجينية وطبقته على مهمة التنبؤ بالأداء المستقبلي للأسهم الفردية بواسطة نيلي إت آل. (21) وسوسيدين وآخرون. 22 الذي طبق البرمجة الجينية على التنبؤ بالنقد الأجنبي وأبلغ عن بعض النجاح. واحدة من مضاعفات في غا الأمثل هو أنه يجب على المستخدم تحديد مجموعة من المعلمات مثل معدل كروس، وحجم السكان ومعدل الطفرة. وفقا ل دي جونغ 10 الذين درسوا الخوارزميات الجينية في وظيفة الأمثل أداء جيد غا يتطلب ارتفاع احتمال كروس (يتناسب عكسيا مع حجم السكان) وحجم السكان المعتدل. غولدبيرغ 12 و ماركيلوس 19 تشير إلى أن مجموعة من المعلمات التي تعمل بشكل جيد عبر العديد من المشاكل هو كروس المعلمة 0.6، وحجم السكان 30 ومعلمة طفرة 0.0333. أجرى باور 4 سلسلة من المحاكاة حول مشاكل التحسين المالي وأكد صحة اقتراحات غولدبرغس. في هذه الدراسة سوف نقوم بإجراء دراسة محاكاة محدودة من خلال اختبار تكوينات المعلمة المختلفة لنظام التداول المختار. وسوف نقدم أيضا أدلة للجمعية العامة المقترحة من خلال مقارنة أداة لدينا مع أدوات البرمجيات الأخرى. 3 المنهجية يتم تنفيذ منهجيتنا في عدة خطوات. أولا، علينا أن ننفذ نظام التداول لدينا على أساس التحليل الفني. في تطوير نظام التداول، تحتاج إلى تحديد متى للدخول ومتى للخروج من السوق. إذا كان التاجر في السوق المتغير الثنائي يساوي واحد خلاف ذلك هو صفر. كما التجار موقف نحن أساس غالبية قراراتنا الدخول والخروج على الرسوم البيانية اليومية من خلال بناء مؤشر الاتجاه التالي (ديمبيتا). يحسب هذا المؤشر انحراف الأسعار الحالية عن متوسطه المتحرك. المؤشرات التي تستخدم في نظام التداول لدينا يمكن أن تكون رسمية على النحو التالي: أين هو سعر إغلاق الصندوق في الوقت والوظيفة موفاف بحساب المتوسط ​​المتحرك البسيط للمتغير إغلاق مع طول الوقت. ويتكون نظام التداول لدينا من مؤشرين، مؤشر ديمبيتا والمتوسط ​​المتحرك من ديمبيتا المعطاة بالمعادلة التالية: إذا تعبر صعودا ثم أدخل طويلا في السوق (أي إشارة شراء). إذا تعبر لأسفل ثم أغلق الموقف الطويل في السوق (أي إشارة البيع). ثانيا، علينا أن نحسن استراتيجية التداول لدينا. ومن المعروف أن تعظيم المهام الموضوعية مثل الربح أو الثروة يمكن أن تحسن نظم التداول. وظيفة الهدف الأكثر طبيعية للتاجر غير حساس للخطر هو الربح. في أداة البرمجيات لدينا نعتبر الأرباح المضاعفة. وتكون الأرباح المضاعفة مناسبة عندما يستثمر جزء ثابت من الثروة المتراكمة في كل صفقة تجارية طويلة. في برنامجنا لا يسمح بالمبيعات قصيرة ويتم تعيين عامل الرافعة المالية ثابتة في، وتعطى الثروة في الوقت المحدد من خلال الصيغة التالية: أين هو العائد تتحقق للفترة المنتهية في الوقت المحدد، هي تكاليف المعاملات ومتغير دمية وهمية مما يدل على موقف طويل أو لا (أي 1 أو 0). وتعطى الأرباح عن طريق طرح من الثروة النهائية الثروة الأولية،. تحسين نظام ينطوي على إجراء اختبارات متعددة في حين متغير واحد أو أكثر من المعلمات (،) ضمن قواعد التداول. عدد الاختبارات يمكن أن تنمو بسرعة هائلة (ميتاستوك لديه بحد أقصى 32 000 الاختبارات). في فينتراديتول 23. لا يوجد حد، ومع ذلك، على معالجة الوقت اعتمادا على نظام الكمبيوتر المستخدمة. في هذا البحث نحن ندرس إمكانية حل مشكلة التحسين باستخدام الخوارزميات الجينية. الخوارزميات الجينية (غاس) التي تم تطويرها من قبل هولندا 13 تشكل فئة من تقنيات البحث والتكيف والتحسين استنادا إلى مبادئ التطور الطبيعي. الخوارزميات الجينية نفسها جيدة لمشاكل التحسين لأنها معروفة أن تظهر متانة ويمكن أن تقدم مزايا كبيرة في منهجية الحل والأداء الأمثل. تختلف غاس عن إجراءات التحسين والبحث الأخرى في بعض النواحي. أولا، أنها تعمل مع ترميز مجموعة المعلمة، وليس المعلمات أنفسهم. لذلك غاس يمكن التعامل بسهولة مع المتغيرات الثنائية. ثانيا، البحث غاس من عدد السكان من النقاط، وليس نقطة واحدة. لذلك يمكن أن توفر غاس مجموعة من الحلول المثلى عالميا. وأخيرا، غاس استخدام فقط وظيفة وظيفة موضوعية، وليس المشتقات أو غيرها من المعرفة المساعدة. لذلك يمكن أن غاس التعامل مع الوظائف غير المستمرة وغير التفاضلية التي توجد في الواقع في مشكلة الأمثل العملي. 4 غاتراديتول المقترحة في غاتراديتول. خوارزمية وراثية تعمل على عدد من الحلول المرشحة ترميز (،). يتم ترميز كل متغير قرار في مجموعة المعلمات كسلسلة ثنائية وكلها متسلسلة لتشكيل كروموسوم. تمثيل الكروموسوم هو متجه مكون من عنصرين يحتوي على معلمات في التشفير الجيني. دقة التمثيل الثنائي هي ثمانية بت لكل معلمة (أي 1 0 0 1 0 1 1 1 1 0 0 1 0 1 1 1). ويبدأ مع السكان شيدت عشوائيا من التخمينات الأولية. يتم تقييم هؤلاء المرشحين الحل من حيث وظيفة هدفنا (مكافئ (4)). من أجل الحصول على المثلى كل كروموسوم تبادل المعلومات باستخدام المشغلين (أي الحسابية كروس 1) اقترضت من الوراثة الطبيعية لإنتاج حل أفضل. يتم استخدام الدالة الهدف (المقياس (4)) لقياس كيفية أداء الأفراد في مجال المشكلة. في حالتنا، فإن معظم الأفراد المجهزة لديها أعلى قيمة عددية من وظيفة الهدف المرتبطة بها. وظيفة اللياقة البدنية يحول القيم وظيفة الهدف الخام إلى أرقام غير سلبية من الجدارة لكل فرد. الأداة تدعم طريقة المقاصة والتحجيم من غولدبيرغ 12 وخوارزمية الترتيب الخطي من بيكر 3. لدينا تقنية اختيار توظف آلية عجلة الروليت لتحديد الاحتمالية الأفراد على أساس أدائها. يتم تحديد قيمة الفاصل الزمني الحقيقي كمجموع قيم اللياقة البدنية الصف على جميع الأفراد في السكان الحاليين. ثم يتم تعيين الأفراد واحد إلى واحد في فترات متجاورة في النطاق 0، مجموع. حجم كل فاصل زمني الفردية يتوافق مع قيمة اللياقة البدنية للفرد المرتبطة بها. لتحديد شخص يتم إنشاء رقم عشوائي في الفاصل الزمني 0، يتم تحديد سوم والفرد الذي تمتد شريحة رقم عشوائي. وتكرر هذه العملية إلى أن يتم اختيار العدد المطلوب من الأفراد 26 - وقد سمح لهؤلاء المرشحين بالمشاركة في عملية حسابية، وهو الإجراء الذي يجمع بين المرشحين الواعدين من أجل خلق الجيل القادم. وكررت هذه الخطوات إلى أن يتم استيفاء معيار محدد جيدا. لأن غا هو أسلوب البحث العشوائي، فإنه من الصعب تحديد معايير التقارب رسميا. وبما أن اللياقة البدنية للسكان قد تظل ثابتة لعدد من الأجيال قبل العثور على فرد متفوق، وتطبيق معايير إنهاء التقليدية يصبح إشكالية. ونتيجة لذلك، اقترحنا تحقيق عدد محدد من التكرارات كمعيار الإنهاء. ويمكن عرض خوارزمية الجينات لدينا في الإطار التالي: 5 النتائج التجريبية في هذا القسم، نطبق منهجيتنا في صندوق استثمار أوبس الاستثمار في أسواق الأسهم الناشئة. 2 البيانات التي تم تحليلها تتكون من 2800 ملاحظة حول أسعار الإغلاق اليومية لهذا الصندوق للفترة 159825604. تم تحديد فترة التحسين بين 1598 إلى 25603. تم تقييم النظام الأمثل خلال الفترة الممتدة 2560325604. تم تحديد مشكلة التحسين لتحديد أطوال الأمثل من مؤشر ديمبيتا ومتوسطه المتحرك لنموذج ديمبيتا بسيط من شأنها تحقيق أقصى قدر من الأرباح. أولا، سيتم دراسة تأثير تكوينات معلمات غا المختلفة. وبشكل أكثر تحديدا نحن مهتمون لقياس تأثير حجم السكان ومعلمة كروس في أداء إجراء التحسين القائم على الخوارزمية الجينية. بناء على توصيات غولدبرغس 12 و باورز 4، يجب أن يكون حجم السكان مساويا ل 30، ويجب أن يكون معدل كروس 0.6 (القيم الافتراضية). تم تعيين عدد التكرارات إلى 300 لجميع المحاكاة. ثانيا، قارنا الحلول من مشكلة التحسين التي أجرتها أدوات البرمجيات المختلفة من أجل قياس صحة غاتراديتول المقترحة. الجدول 1 يوفر نتائج التحسين غا لأحجام مختلفة من السكان. يظهر الصف الأول من الجدول أفضل المعلمات لمؤشر ديمبيتا والمتوسط ​​المتحرك ل ديمبيتا. من أجل قياس تأثير حجم السكان في أفضل حل ندرس سلسلة من الإحصاءات المختلفة. الحل مع الحد الأقصى والحد الأدنى للعائد، ومتوسط ​​العائد، والانحراف المعياري لهذه الحلول، والوقت اللازم لتقارب الخوارزمية، ومؤشر كفاءة محسوبة عن طريق تقسيم الحد الأقصى حل العودة عن طريق الانحراف المعياري للحلول. الجدول 1. تأثير حجم السكان من خلال النظر في الجدول 1 يمكننا القول أنه طالما كنت زيادة حجم السكان أفضل ومتوسط ​​الحلول أعلى. ومع ذلك، بعد أن انخفض عدد السكان من 30 انخفض الأداء. ولكي نأخذ في الاعتبار التكاليف الحسابية التي تنطوي عليها الزيادة في حجم السكان، نحسب الوقت اللازم لحل المشكلة. انخفاض حجم السكان يؤدي إلى انخفاض الأداء وانخفاض وقت الانتهاء. ووفقا لمؤشر الكفاءة فإن أفضل حل هو الذي يعطى من قبل حجم السكان 20. من أجل إنشاء قاعدة أداء الخوارزمية، أجريت 30 تجربة للجمعية العامة، مع مختلف السكان بدءا عشوائي لكل تجربة. الشكل 1 أ. يبين كيف تحسنت الأداء بمرور الوقت عن طريق التآمر متوسط ​​الحد الأقصى للياقة البدنية كنسبة مئوية من القيمة المثلى مقابل رقم الجيل. نحن أول القبض على قيمة اللياقة البدنية القصوى لكل من التجارب 30 يتم ذلك لكل جيل وكل محاكمة. ثم قمنا بحساب متوسط ​​قيم اللياقة البدنية القصوى وقسمنا هذا العدد من خلال القيمة المثلى لللياقة البدنية، والتي تم الحصول عليها من خلال البحث التعدادي (أداة فينتراد، 23)، وهذا أعطانا متوسط ​​اللياقة القصوى كنسبة مئوية من القيمة المثلى لكل جيل. الشكل 1 أ. إعدادات المعلمة الأساسية: النسبة المئوية الأمثل. وكما يتبين من الشكل 1 أ. فإن متوسط ​​اللياقة القصوى للجيل الأول هو حوالي 74 من القيمة المثلى. ومع ذلك، من خلال الجيل الخمسين، وعادة ما وجدت الخوارزمية على الأقل حل واحد كان في حدود 90 من القيمة المثلى. وبعد جيل الخمسين، يمكن أن يصل الحل إلى 98 من القيمة المثلى. مع مقاييس الأداء من إعدادات قاعدة لدينا كنقطة مرجعية، فحصنا الاختلافات المحتملة في الإجراء الأساسي. قمنا بدراسة تأثير التغيرات في حجم السكان ومعدل التقاطع. لكل إعداد معلمة مختلفة، أجرينا 30 تجربة للخوارزمية ومن ثم قارنت الرسوم البيانية لمتوسط ​​اللياقة البدنية القصوى مع تلك التي تم الحصول عليها لإعداد قاعدة. أولا، حاولنا معدلات كروس 0.4 و 0.8. وتظهر النتائج في الشكل 1 ب والشكل 1 ج. والتي تشبه الشكل 1 أ. ونتيجة لذلك المعلمات كروس لا تؤثر على الحل الأمثل لدرجة حرجة. ومع ذلك، فإن النتائج تختلف عندما نقوم بتغيير حجم السكان. وفقا للشكل 1d والشكل 1e. مع حجم سكاني صغير كان لدينا نتائج أكثر فقرا من مع عدد كبير من السكان. عندما اخترنا 80 حجم السكان حققنا عوائد عالية في الأجيال الأولى. الشكل 1 ب. كروس 0.40: في المئة من الأمثل. الشكل 1 ج. كروسوفر 0.80: في المئة من الأمثل. الشكل 1 د. السكان 80: في المئة من الأمثل. الشكل 1e. السكان 20: في المئة من الأمثل. من خلال النظر في الجدول 2 يمكنك مقارنة نتائج التحسين من نظام التداول لدينا باستخدام ثلاثة أدوات البرمجيات المختلفة. الصف الأول يعطي نتيجة ل غاتراديتول ضد ميتاستوك و فينتراديتول 23. لدينا أداة البرمجيات المقترحة (غاتراديتو ل) يمكن أن تحل مشكلة التحسين بسرعة كبيرة دون أي قيود محددة حول عدد من الاختبارات الإجمالية. الحد الأقصى لعدد الاختبارات التي يمكن القيام بها في برنامج ميتاستوك هو 32 000. و فينتراديتول يحتاج الى مزيد من الوقت من أجل العثور على الحل الأمثل. الحل الذي توفره غاتراديتول. على مقربة من الحل الأمثل من فينتراديتول. الجدول 2: مقارنة ثلاث أدوات مختلفة للبرمجيات (ديمبيتا. MovAv (ديمبيتا) تم اختبار أنظمة التداول ذات المعايير المثلى التي تم العثور عليها في الفترة 159825603 في فترة التقييم 2560325604. تم زيادة أداء نظام التداول لدينا في جميع أدوات البرمجيات. ومع ذلك، يجب النظر إلى تكلفة الوقت على محمل الجد (العمود 4). الشكل 2 يصور تطور الحد الأقصى، والحد الأدنى ومتوسط ​​العائد عبر 300 أجيال لنظام التداول ديمبيتا (حجم السكان 80، معدل كروس 0.6). ويمكن ملاحظة أن العائد الأقصى له اتجاه إيجابي. ويبدو أنه مستقر نسبيا بعد 150 أجيال ويتحرك في المدى ما بين 1.2 و 1 (أي 120100 العودة). للحد الأدنى اللياقة البدنية لا يوجد نمط يبدو أن الوجود. وبالنسبة لمتوسط ​​عدد السكان، يمكن العثور على اتجاه تصاعدي واضح في الأجيال ال 180 الأولى، وهذا مؤشر على أن اللياقة العامة للسكان تتحسن بمرور الوقت. وفيما يتعلق بتقلب الحلول، فإن الانحراف المعياري للحلول بعد الزيادة في الأجيال الأولى يستقر في نطاق يتراوح بين 0،3 و 0،6 يوفر دليلا على وجود مجموعة مستقرة وفعالة من الحلول. الشكل 2. تطور عدة إحصاءات أكثر من 300 أجيال. يوفر الشكل 3 مؤامرة ثلاثية الأبعاد من الحلول المثلى التي تقدمها غاتراديتول. في المحاور ولدينا المعلمات، لمؤشر ديمبيتا ومتوسطه المتحرك. المحور 2 يظهر عودة نظام التداول ديمبيتا للمعلمات المثلى المختارة. كما يمكن فهمها بسهولة أداة لدينا يوفر مجالا من الحلول المثلى على النقيض من فينتراديتول التي توفر فقط أفضل حل. الشكل 3. مؤامرة 3-D من المنطقة المثلى. 6 الاستنتاجات في حين أن التحليل التقني يستخدم على نطاق واسع كنهج استثماري بين الممارسين أو الأكاديميين، إلا أنه نادرا ما يركز على مسألة تحسين البارامترات. ليس دورنا هو الدفاع عن التحليل الفني هنا، على الرغم من أن نتائجنا تظهر أن هناك بعض القدرة على التنبؤ في صندوق أوبس المشترك للاستثمار في أسواق الأسهم الناشئة استنادا إلى البيانات التاريخية وحدها. هدفنا الرئيسي في هذه الورقة هو توضيح أن التكنولوجيا الجديدة من ماتلاب يمكن استخدامها من أجل تنفيذ أداة الخوارزمية الجينية التي يمكن أن تحسن الاستفادة المثلى من أنظمة التداول التقنية. تظهر نتائجنا التجريبية أن غاتراديتول يمكن أن يحسن التداول الرقمي من خلال توفير بسرعة مجموعة من الحلول المثلى القريبة. وفيما يتعلق بتأثير تكوينات معلمات غا المختلفة، وجدنا أن زيادة حجم السكان يمكن أن تحسن أداء النظام. المعلمة من معدل كروس لا يؤثر بجدية على نوعية الحل. من خلال مقارنة الحلول لمشكلة التحسين التي أجرتها أدوات البرمجيات المختلفة، وجدنا أن غاتراديتول يمكن أن تؤدي بشكل أفضل، من خلال توفير سريع جدا مجموعة من الحلول المثلى التي تقدم الاتساق طوال فترة التقييم. وأخيرا، سيكون من المثير للاهتمام إجراء مزيد من البحوث لاختبار سلسلة من النظم المختلفة من أجل رؤية الارتباط بين الخوارزمية الجينية وأداء النظام. في وقت من التغيرات المتكررة في الأسواق المالية، يمكن للباحثين والتجار بسهولة اختبار نظم محددة في غاتراديتول من خلال تغيير فقط وظيفة التي تنتج إشارات التداول. Acknowledgements وكانت هذه الورقة البحثية جزءا من البحوث ما بعد الدكتوراه من الدكتور S. بابادامو التي تم تمويلها من قبل مؤسسة المنح الدراسية الحكومية إيكي اليونانية. المراجع 1 واو. R. كارجالينن باستخدام الخوارزميات الجينية للعثور على قواعد التداول الفنية مجلة الاقتصادية الاقتصادية. فولوم 51. 1999. ب. 245271 2 H. L. ألين. M. P. تايلور استخدام التحليل الفني في سوق الصرف الأجنبي مجلة المالية الدولية والمالية. المجلد 11، 1992. ص 303314 3 ج. بيكر، أساليب اختيار التكيف للخوارزميات الجينية، في: وقائع المؤتمر الدولي الأول بشأن الخوارزميات الجينية، 1985، ص 101111 4 R. J. باور. G. E. ليبينز الخوارزميات الجينية واستراتيجيات التداول المحوسبة نظم الخبراء في المالية. D. E. أوليري. P. R. واتكينز. 1992. إلزيفير سسينس بوبليشرز، أمستردام، هولندا 5 R. J. باور الابن الخوارزميات الوراثية واستراتيجيات الاستثمار 1994. جون وايلي أمب أبناء، المؤتمر الوطني العراقي، نيويورك 6 W. بروك. J. لاكونيشوك. B. ليبارون قواعد التداول الفنية البسيطة وخصائص ستوكاستيك من عوائد الأسهم مجلة المالية. فولوم 47. 1992. ب. 17311764 7 S. براون. W. غوتزمان. ر. إبوتسون. S. روس البقاء على قيد الحياة التحيز في دراسات الأداء استعراض الدراسات المالية. فولوم 5. 1992. ب. 553580 8 S. براون. W. غوتزمان. S. روس مجلة البقاء على قيد الحياة المالية. فولوم 50. 1995. ب. 853873 9 Y. W. تشيونغ. C. Y.P. وونغ أداء قواعد التداول على أربعة أسعار صرف العملات الآسيوية مجلة المالية متعددة الجنسيات. فولوم 1. 1997. ب. 122 10 K. دي جونغ، تحليل لسلوك فئة من النظم التكيفية الوراثية، دكتوراه. ديس. 76-9381، 1975 11 F. فرنانديز-رودريغيز، C. غونزليز-مارتل، S. Sosvilla-ريفيرو، أوبتيميزاتيون أوف تيشنيكال رولز بي جينيتيك ألغوريثمز: إيفيدنس فروم ذي مادريد ستوك ماركيت، وركينغ بابس 2001 -14، فيديا، 2001. فتب: ftp. fedea. espubPapers2001dt2001-14.pdf 12 دي خوارزميات جولدبيرج الجينية في البحث والتحسين وتعلم الآلة 1989. أديسون-ويسلي 13 J. H. هولندا التكيف في النظام الطبيعي والاصطناعي 1975. جامعة ميشيغان الصحافة 14 N. جيغاديش. S. تيتمان يعود إلى شراء الفائزين وبيع الخاسرين: الآثار المترتبة على كفاءة سوق الأسهم مجلة المالية. فولوم 48. إيسو 1. 1993. ب. 6591 15 P. J. كوفمان ذي نيو كوموديتي ترادينغ سيستمز أند ميثودس 1987. جون ويلي أمب سونس 16 B. N. ليمان فاد، مارتينغالس، وكفاءة السوق الفصلية مجلة الاقتصاد. فولوم 105. 1990. ب. 128 17 A. W. لو. ماكنلاي عندما تكون الأرباح مناقضة بسبب سوق الأوراق المالية المبالغ فيه مراجعة الدراسات المالية. المجلد 3. 1990. ص. 175206 18 S. محفوظ. G. ماني التنبؤ المالي باستخدام الخوارزميات الجينية مجلة الذكاء الاصطناعي التطبيقي. فولوم 10. إيسو 6. 1996. ب. 543565 19 R. N. ماركيلوس نظم التداول باكتستينغ مجلة الذكاء الحسابي في المالية. فولوم 5. إيسو 6. 1997. ب. 510 20 L. مينخوف. M. سكلومبرجر الربحية المستمرة للتحليل الفني لأسواق الصرف الأجنبي بنل مراجعة ربع سنوية. فولوم 193. 1995. ب. 189216 21 C. نيلي، P. ويلر، R. ديتمار، هل التحليل الفني في سوق الصرف الأجنبي مربح نهج البرمجة الوراثية، في: C. دنيس، B. روستم، (إدس.)، الإجراءات والتنبؤ بالأسواق المالية: التقدم في أسعار الصرف، وأسعار الفائدة وإدارة الأصول، لندن، 1997 22 M. أوسيدين. B. شوبارد. O. بيكتيت. M. توماسيني الجوانب العملية والخبرات البرمجة الوراثية المتوازية وتطبيقها على نموذج التداول التعريفي مجلة الحوسبة المتوازية. فولوم 23. إيسو 8. 1997. ب. 11831198 23 S. بابادامو. G. ستيفانيدس جديد الأدوات القائمة على ماتلاب للكمبيوتر بمساعدة التداول الفني الديناميكي أخبار الهندسة المالية. العدد 31. 2003 24 S. بابادامو. S. تسوبوغلو التحقيق في ربحية نظم التحليل الفني في أسواق الصرف الأجنبي الإدارة المالية. المجلد 27. العدد 8. 2001. ب. 6378 25 واو. ويرنر. D. بوندت. R. ثالر أدلة إضافية على رد الفعل المفرط للمستثمرين وموسمية سوق الأسهم مجلة المالية. المجلد 42. العدد 3. 1987. ص 557581 26 د. وايتلي، خوارزمية جينيتور وضغط الاختيار: لماذا تكون المخصصات المرتكزة على رتبة التجارب الإنجابية أفضل، في: وقائع المؤتمر الدولي الثالث حول الخوارزميات الجينية، 1989، ص. 116121 الحسابية نقطة واحدة كروس، ينطوي بشكل عشوائي قطع اثنين من سلاسل في نفس الموقف عشوائيا تحديد سلسلة ثم مبادلة أجزاء الذيل. كروسوفر يمتد البحث عن حلول جديدة في اتجاهات بعيدة المدى. هيكل هذا الصندوق وموقعه الرئيسي في 2562004 مبين في الشكل التالي. حقوق التأليف والنشر 2007 إلزيفير المحدودة جميع الحقوق محفوظة. ميليونس من المهندسين والعلماء في جميع أنحاء العالم استخدام ماتلاب لتحليل وتصميم النظم والمنتجات التي تحول عالمنا. ماتلاب في أنظمة السلامة النشطة للسيارات، المركبة الفضائية بين الكواكب، وأجهزة الرصد الصحية، وشبكات الطاقة الذكية، وشبكات لت الخلوية. يتم استخدامه لتعلم الآلة، ومعالجة الإشارات، ومعالجة الصور، رؤية الكمبيوتر والاتصالات والتمويل الحاسوبي، تصميم التحكم، والروبوتات، وأكثر من ذلك بكثير. الرياضيات. الرسومات. برمجة. هو الأمثل منصة ماتلاب لحل المشاكل الهندسية والعلمية. لغة ماتلاب القائمة على المصفوفة هي العالمين الطريقة الأكثر طبيعية للتعبير عن الرياضيات الحسابية. الرسومات المدمجة تجعل من السهل تصور والحصول على رؤى من البيانات. وهناك مكتبة واسعة من صناديق الأدوات التي تم بناؤها مسبقا يتيح لك البدء على الفور مع خوارزميات ضرورية لنطاقك. بيئة سطح المكتب تدعو التجريب، والاستكشاف، والاكتشاف. هذه الأدوات والقدرات ماتلاب كلها اختبار صارم ومصممة للعمل معا. مقياس. دمج. نشر. ماتلاب يساعدك على اتخاذ أفكارك خارج سطح المكتب. يمكنك تشغيل التحليلات الخاصة بك على مجموعات البيانات الكبيرة وتوسيع نطاقها إلى مجموعات والغيوم. يمكن دمج كود ماتلاب مع لغات أخرى، مما يتيح لك نشر الخوارزميات والتطبيقات داخل الويب، المؤسسة، وأنظمة الإنتاج. اكتشاف ما يمكنك القيام به مع ماتلاب. حدد بلدك ريال مدريد في الوقت الحقيقي نظام التداول التجريبي مرحبا هناك إذا كنت جديدا هنا، قد ترغب في الاشتراك في تغذية رسس أو البريد الإلكتروني تغذية للحصول على التحديثات حول الموضوعات ماتلاب غير موثقة. في 23 مايو 2013 قدمت عرضا في مؤتمر ماتلاب المالية الحسابية في نيويورك. كانت الغرفة معبأة بالكامل مع ما يقرب من 200 المهنيين في صناعة التمويل. كانت الطاقة وردود الفعل هائلة، كانت تجربة رائعة. إذا جئت إلى المؤتمر، شكرا لك لكونه جمهور كبير. في 19 سبتمبر 2013 أعطيت تباينا في هذا العرض في المؤتمر المالي ماتلاب الحسابية. يتم تقديم العرض (شكل بدف) هنا. تسجيل الفيديو متاح هنا. في كلتا الحالتين عرضت تطبيق التجريبي الذي أظهر كيف ماتلاب يمكن استخدامها لإنشاء كامل نهاية إلى نهاية نظام التداول، وتسليط الضوء على إمكانات Matlab8217s كمنصة للاختيار. لقد استخدمت الوسطاء التفاعليين لإثبات تغذية بيانات السوق الحية ومدخلات أكونتبورتفوليو، فضلا عن إرسال أوامر التداول إلى السوق عبر موصل يب-ماتلاب: خوارزمية التداول المستخدمة في العرض هي تبسيط بسيط (عشوائي). في نظام الحياة الحقيقية كنت بطبيعة الحال يحل محله مع خوارزمية الملكية الخاصة بك. ولكن لا تتردد في استخدام هذا العرض كنقطة انطلاق للتطبيق الخاص بك. يتم توفير التعليمات البرمجية المصدر التجريبي هنا (tradingDemo. m ودعم الملفات). لاحظ أن يتم توفير هذا كما هو، مجانا ولكن من دون أي ضمان أو الدعم. سوف تحتاج بطبيعة الحال يب-ماتلاب وحساب وسطاء التفاعلية لتشغيله. آمل أن يكون لدينا فرصة للعمل معا على المشاريع الخاصة بك. أرسل لي رسالة بالبريد الالكتروني إذا كنت ترغب في مساعدتي في أي الاستشارات أو التدريب أو العمل التنموي. 4 الردود على نظام التداول في الوقت الحقيقي التجريبي لقد حاولت الطريق أكتيفكس قبل شراء المنتج. هناك عيب أساسي رئيسي واحد عندما يتعلق الأمر باستخدام أكتيفكس مع ماتلاب. قل، كنت تقوم بتشغيل خوارزمية وكنت تقوم بمعالجة وظيفة، وفي الوقت نفسه توز حريق حدث. إذا كنت تستخدم أكتيفكس، سوف ماتلاب لا تحديث السعر حتى الانتهاء من تجهيز الدالة الخاصة بك. لذلك سيتم تفويت العديد من الأحداث والسعر الذي سوف تبحث سيكون مختلفا. بينما في جافا. لا توجد مثل هذه المشكلة. كما سيتم إطلاق النار على أي حال إطلاق النار على الفور من قبل جافا التي تعمل في الخلفية. حتى عند استدعاء جيتلاستبريس، سوف تحصل على السعر الصحيح. عيب آخر هو الواضح أنه يمكنك استخدام أكتيفكس فقط مع ويندوز. في حين مع جافا يمكنك استخدامه مع ويندوز، ماك، لينكس الخ انها ليست فكرة جيدة لتيار في البيانات الصفقات الحية لأنه يأتي في ماتلاب. تخيل، لديك 100 الرموز، الذي يقوم بتحديث كل نقول 200 ميللي ثانية، لذلك لديك التجارة يحدث ذلك بسرعة ويجري القبض وتخزينها في ماتلاب. نظرا ل MATLAB8217s قضية مترابطة واحد، سيتم تفويت بعض القراد الصفقات وأيضا سوف يأكل الذاكرة الخاصة بك. لذلك كل ما سوف تكون قادرة على القيام به هو مجرد تيار في البيانات وعدم القيام بأي شيء آخر. كنان 8211 في الواقع، أبي جافا (والذي يستخدم من قبل يب-ماتلاب) لديها العديد من المزايا على أكتيفكس أبي (والذي يستخدم من قبل MathWorks8217 أدوات التداول). واحدة من النتائج المحظوظة لاستخدام جافا هو أن يب-ماتلاب يمكن تشغيلها على جميع المنصات التي تعمل ماتلاب (ويندوز، ماك، لينكس)، لأن كل هذه المنصات على حد سواء جافا و يب توز العميل. أبي جافا هو أيضا أسرع بكثير وأكثر موثوقية (يتم الإبلاغ عن موصل أكتيفكس إلى إسقاط أحداث يب كل الآن). وفيما يتعلق بتدفق وقت البث، فإن ذلك يعتمد على تقلب الأمن، وعدد الأوراق المالية التي يتم رصدها، وعرض النطاق الترددي للشبكة، وأجهزة الحاسوب، وعمليات التشغيل الأخرى على الحاسوب، ومجموعة واسعة من الجوانب الأخرى التي يمكن أن تؤثر على الأداء. على الكمبيوتر المحمول لينوفو ثينك باد E530 القياسية تشغيل ماتلاب R2013a على Win7، وصلت إلى تدفق الكمون الاقتباس منخفضة تصل إلى 1-2 مسيك (أي مئات الأحداث يب في الثانية). بطبيعة الحال، يمف. يقول ماركو رويكن: