SnowCron SnowCron genetiese algoritme in forex stelsels met behulp van genetiese algoritme om winsgewend forex strategie te skep. Genetiese algoritme in Cortex Neurale Netwerke sagteware waards Backpropagation Neurale netwerk Aansoek om genetiese berekeninge gebaseer forex. Hierdie voorbeeld gebruik konsepte en idees van die vorige artikel, so lees asseblief Neurale netwerk genetiese algoritme in forex stelsels eerste, maar dit is nie verpligtend nie. Oor hierdie teks In die eerste plek, lees asseblief die disclaimer. Dit is 'n voorbeeld van die gebruik van Cortex Neurale Netwerke sagteware genetiese algoritme funksionaliteit, nie 'n voorbeeld van hoe om winsgewend handel te doen. Ek is nie jou guru nie, moet ek verantwoordelik wees vir jou verliese. Cortex Neurale Netwerke sagteware het neurale netwerke in dit, en FFBP ons voor bespreek is net een manier om die keuse van 'n forex strategieë. Dit is 'n goeie tegniek, kragtige en wanneer dit behoorlik toegepas word, baie promicing. Maar dit het 'n probleem - om te leer aktief op neurale netwerk. ons nodig het om die verlangde uitset te leer ken. Dit is nogal maklik om te doen wanneer ons dit doen funksie benadering, ons neem net die werklike waarde van 'n funksie, want ons weet wat dit behoort te wees. Wanneer ons dit doen neurale netwerk vooruitskatting. Ons gebruik die tegniek (in vorige artikels beskryf) van die onderrig van die neurale netwerk op die geskiedenis, weer, as ons voorspel, sê, 'n wisselkoers, weet ons (tydens die opleiding) wat die korrekte voorspelling is. Maar wanneer ons bou 'n handel stelsel, ons het geen idee wat die korrekte handel besluit is, selfs al weet ons die wisselkoers As die saak van die feit, ons het baie forex strategieë wat ons kan gebruik op enige punt van die tyd, en ons nodig het om uit te vind 'n goeie een - hoe wat moet ons oppas as die verlangde uitset van ons Neurale Net as jy ons vorige artikel, jy weet, dat ons bedrieg om te gaan met hierdie probleem gevolg. Ons docent die neurale netwerk te wisselkoers (of wisselkoers gebaseer aanwyser) voorspelling te doen, en dan gebruik hierdie voorspelling te handel nie. Dan, buite die neurale netwerk deel van die program, het ons 'n besluit oor watter neurale netwerk is die beste een. Genetiese algoritmes kan gaan met hierdie probleem direk, hulle kan die probleem wat as die beste handel seine op te los. In hierdie artikel gaan ons Cortex Neurale Netwerke Sagteware gebruik om so 'n program te skep. Die gebruik van genetiese algoritme Genetiese algoritmes baie goed ontwikkel, en baie uiteenlopend. As jy wil om te leer alles oor hulle, ek stel voor jy Wikipedia gebruik, soos hierdie artikel is slegs oor wat Cortex Neurale Netwerke sagteware kan doen. Met Cortex Neurale Netwerke sagteware. Ons kan 'n neurale netwerk wat 'n paar insette, sê, waardes van 'n aanwyser neem, en produseer skep 'n uitset, sê, handel seine (koop, verkoop, te hou.) en stop verlies / neem winsvlakke vir posisies te oopgemaak word. Natuurlik, as ons hierdie neurale netwerk se gewigte saad na willekeur, handelsresultate sal verskriklik wees. Maar laat ons sê ons 'n dosyn van sodanige nns geskep. Dan kan ons toets prestasie van elkeen van hulle, en kies die beste een, die wenner. Dit was die eerste generasie van nns. Om voort te gaan om die tweede generasie, moet ons toelaat dat ons wenner om voort te plant, maar om te vermy om identiese kopieë, laat se voeg 'n paar random geraas te s descentants gewigte. In die tweede generasie, ons het ons eerste-generasie wenner en dit is onvolmaak (gemuteerde) afskrifte. Laat s toets weer doen. Ons sal 'n ander wenner, wat is beter as enige ander Neurale netwerk in die generasie het. En so aan. Ons laat net wenners te teel, en elimineer verloorders, net soos in die werklike lewe evolusie, en ons sal ons bes-handel Neurale netwerk te kry. sonder enige vooraf knowlege oor wat die handel stelsel (genetiese algoritme) moet wees nie. Neurale netwerk genetiese algoritme: Voorbeeld 0 Dit is die eerste genetiese algoritme voorbeeld. en 'n baie eenvoudige een. Ons gaan loop deur dit stap vir stap, om al truuks wat volgende voorbeelde sal gebruik leer. Die kode het inline kommentaar, so laat ons net fokus op die belangrikste oomblikke. In die eerste plek het ons 'n neurale netwerk geskep. Dit is die gebruik van ewekansige gewigte, en is nog nie docent. Dan, in siklus, ons maak 14 kopieë daarvan, met behulp van mutasie NN fumction. Hierdie funksie maak 'n afskrif van 'n bron Neurale netwerk. toevoeging van ewekansige waardes van 0 tot (in ons geval) 0.1 aan al gewigte. Ons hou handvatsels om gevolglike 15 nns in 'n skikking, kan ons dit doen, as handvatsel is net 'n heelgetal. Die rede waarom ons gebruik 15 nns het niks te doen met beurs: Cortex Neurale Netwerke sagteware kan plot tot 15 lyne op 'n grafiek gelyktydig. Ons kan verskillende benaderings tot die toetsing gebruik. In die eerste plek kan ons die leer stel te gebruik, al is dit in 'n keer. In die tweede plek kan ons toets op, sê, 12000 resords (uit 100000), en loop deur die leer stel, van die begin tot die einde. Dit sal learnigs verskillende maak, soos ons sal sien vir neurale netwerk is van wat nuttig is op enige gegewe deel van data, nie net op die hele stel. Die tweede benadering kan ons gee probleme, indien data verander, van die begin tot die einde. Dan sal die netwerk te ontwikkel, die verkryging van vermoë om handel te dryf op die einde van datastel, en die verlies van die vermoë om handel te dryf op die begin. Om die probleem op te los, gaan ons ewekansige 12000 rekords fragmente uit data, en voer dit na die neurale netwerk. is bloot 'n eindelose siklus, soos 100,000 siklusse nooit bereik sal word by ons spoed. Onder 'n kind by te voeg ons vir elke netwerk, met effens verskillende gewigte. Kennis dat 0,1 vir mutasie Tange is nie die enigste keuse, as die saak van die feit, selfs hierdie parameter kan geoptimaliseer word met behulp van genetiese algoritme. Nuutgeskepte nns bygevoeg na 15 bestaande. Op hierdie manier het ons 30 nns in 'n skikking, 15 oud en 15 nuwe. Dan gaan ons na die volgende siklus van die toets te doen, en om verloorders doodmaak, van beide geslagte. Om die toets te doen, pas ons neurale netwerk om ons data, om uitsette te produseer, en dan bel toets funksie, dat hierdie uitsette gebruik om handel te boots. Resultate van die saak word gebruik om deside, wat nns is die beste. Ons gebruik 'n tussenpose van nKom rekords van nbegin om nbegin nKom, waar nbegin is 'n arbitrêre punt binne leer stel. Die kode hieronder is 'n truuk. Die rede waarom ons dit gebruik is om die feit te illustreer, wat genetiese algoritme genetiese algoritme kan skep. maar dit sal nie noodwendig die beste een wees, en ook, voor te stel, dat ons gevolg kan verbeter, as ons 'n paar beperkings impliseer om die leerproses. Dit is moontlik dat ons handel stelsel werk baie goed op die lang ambagte, en baie swak op kort, of andersom. As, sê, 'n lang ambagte is baie goed, kan dit genetiese algoritme wen, selfs met 'n groot verliese op kort ambagte. Om dit te vermy, ons wys meer gewig aan lang ambagte in vreemde en kort ambagte in selfs siklusse. Dit is net 'n voorbeeld, daar is geen waarborg dat dit iets sal verbeter. Meer daaroor hieronder, in gesprek oor regstellings. Tegnies, jy don t het om dit te doen, of kan dit anders maak. wins Voeg 'n gesorteerde skikking. Dit gee 'n inplanting posisie, dan gebruik ons hierdie posisie te voeg Neurale netwerk hanteer, leer en toets winste na nie-gesorteer skikkings. Nou het ons data vir die huidige neurale netwerk op dieselfde verskeidenheid indeks as sy wins. Die idee is om verskeidenheid van nns, gesorteer volgens winsgewendheid te kom. Soos skikking is SORTES deur wins, te verwyder 1/2 van netwerke, wat minder winsgewend, ons moet net nns verwyder 0-14 Trading besluite is gebaseer op waarde van neurale netwerk sein, uit hierdie oogpunt die program is identies aan voorbeelde uit vorige artikel. Forex strategie: Bespreek voorbeeld 0 In die eerste plek, laat ons neem 'n blik op kaarte. Die eerste grafiek vir wins in die eerste iterasie is glad nie goed nie, want moet verwag word, verloor die neurale netwerk geld (beeld evolusie 00 gen 0.png kopieer na die eerste iterasie van gids beelde): Die beeld vir 'n wins op siklus 15 is beter, soms, genetiese algoritme kan leer baie vinnig: Maar let op die volop op 'n wins kurwe. Dit is interessant ook te kyk na die manier waarop individuele winste verandering, in gedagte hou dat kurwe getal, sê, 3 is nie altyd vir dieselfde neurale netwerk. soos hulle word gebore en beëindig die hele tyd: Let ook op dat uit klein forex outomatiese handel stelsel verrig armes op kort ambagte, en baie beter op verlang, wat mag of nie mag wees met betrekking tot die feit dat die dollar was val in vergelyking met euro gedurende daardie tydperk. Dit kan ook iets te doen met parameters van ons aanwyser het (miskien moet ons ander tydperk vir kortbroek) of die keuse van aanwysers. Hier is die geskiedenis na 92 en 248 siklusse: Tot ons verbasing, genetiese algoritme misluk heeltemal. Laat ons probeer om uit te vind waarom, en hoe om die situasie te help. In die eerste plek, isn t elke generasie veronderstel om beter as die Vorige een Die antwoord is nee wees, ten minste nie in die model wat ons gebruik. As ons het HELE leer stel in 'n keer, en gebruik dit herhaaldelik aan ons nns leer, dan ja, hulle sal verbeter elke generasie. Maar in plaas daarvan, het ons ewekansige fragmente (12000 rekords in die tyd), en gebruik hulle. Twee vrae: waarom die stelsel versuim het om op ewekansige fragmente van leer stel, en waarom hawe t ons gebruik hele leer gevlegte. Om die tweede vraag te beantwoord, het ek. Nns uitgevoer grootliks - op leer stel. En hulle versuim het om op die toets stel, vir dieselfde rede is dit ongehoorsaam wanneer ons gebruik FFPB leer. Om dit anders te stel, het ons nns overspecialized, het hulle geleer hoe om te oorleef in die omgewing waarin hulle gebruik word om 'n nie-daarbuite. Dit gebeur baie in die natuur. Die benadering wat ons het in plaas was bedoel om te vergoed vir wat, deur te dwing nns goeie op enige arbitrêre fragment van die datastel te voer, sodat hopelik, kan hulle ook uit te voer op 'n onbekende toets stel. In plaas daarvan, het hulle versuim het albei op die toets en op die leer stel. Stel jou diere, wat in 'n woestyn. Daar is baie van die son, geen sneeu nie. Dit is 'n metafoor vir rizing mark, soos vir ons nns data speel die rol van die omgewing. Diere geleer in 'n woestyn woon. Stel jou diere, wat in 'n koue klimaat leef. Sneeu en geen son nie. Wel, aangepas hulle. Maar in ons eksperiment, ons lukraak geplaas ons nns in 'n woestyn, in die sneeu, in die water, op die bome. deur dit met verskillende fragmente van data (lukraak styg, val plat.). Diere gesterf. Of, om dit anders te stel, ons gekies om die beste Neurale netwerk vir ewekansige datastel 1, wat, sê, was vir stygende mark. Dan aangebied ons, aan die wenners en hul kinders, 'n dalende mark se data. Nns swak presteer, ons het die beste van swak presteerders, miskien, een van die mutant kinders, wat die vermoë om handel te dryf op stygende mark verloor, maar het 'n paar vermoë om te gaan met die val een. Daarna het ons die tafel weer, en weer, ons het die beste presteerder - maar die beste onder swak presteerders. Ons didn eenvoudig t gee ons nns enige kanse om universele geword. Daar is tegnieke toe te laat genetiese algoritme om nuwe inligting te leer sonder om te verloor prestasie op ou inligting (na alles, diere kan lewe in die somer en in die winter, reg So evolusie in staat is om te herhaal veranderinge te hanteer). Ons kan hierdie tegnieke later bespreek, hoewel hierdie artikel is meer oor die gebruik van Cortex Neurale Netwerke sagteware. as oor die bou van 'n suksesvolle forex outomatiese handel stelsel. Neurale netwerk genetiese algoritme: Voorbeeld 1 Nou is dit tyd om te praat oor regstellings. 'N Eenvoudige genetiese algoritme ons geskep is tydens die vorige stap het twee groot foute. In die eerste plek is dit nie te handel met wins. Dit is ok, kan ons probeer om gedeeltelik opgeleide stelsel (dit was waardeloos aan die begin) gebruik. Die tweede fout is ernstiger: Ons het geen beheer oor dinge, dat hierdie stelsel nie. Byvoorbeeld, kan dit leer winsgewend, maar met 'n groot onttrekkings te wees. Dit is 'n bekende feit dat in die werklike lewe, evolusie kan meer as een parameter gelyktydig te optimaliseer. Byvoorbeeld, kan ons 'n dier, wat vinnig kan hardloop en word weerstand teen koue kry. Hoekom nie probeer om dieselfde te doen in ons forex outomatiese handel stelsel. Dit is wanneer ons gebruik regstellings, wat niks anders as die stel van addisionele straf is. Sê, ons stelsel ambagte met drawdown 0.5, terwyl ons dit wil bevestig 0-0,3 interval. Om die stelsel wat dit 'n fout gemaak vertel, verminder ons die wins (een wat gebruik word om vas te stel, wat genetiese algoritme gewen) die graad, wat is eweredig aan die grootte van DD. Dan, die evolusie algoritme sorg vir die res. Daar is 'n paar meer faktore, wat ons wil in ag neem: kan ons wil min of meer ewe veel koop en verkoop transaksies, ons wil meer van winsgewende bedrywighede het, dan van mislukkings, ons wil die wins grafiek om wees lineêre en so aan. In evolusie 01.tsc ons implementeer 'n eenvoudige stel verbeteringe. In die eerste plek, gebruik ons 'n paar groot aantal vir 'n aanvanklike regstelling waarde. Ons vermenigvuldig dit met 'n klein (gewoonlik tussen 0 en 1) waardes, afhangende van die straf wat ons wil aansoek doen. Dan vermenigvuldig ons wins op hierdie regstelling. As gevolg, is wins reggemaak, om te besin hoeveel die genetiese algoritme ooreenstem met ons ander kriteria. Dan gebruik ons die resultaat van 'n wenner Neurale netwerk te vind. Forex strategie: Bespreek voorbeeld 1 Voorbeeld 1 werk baie beter, as voorbeeld 0. In die eerste 100 siklusse, dit baie geleer, en wins kaarte kyk gerus te stel. Maar, soos in voorbeeld 0, lang ambagte is baie meer winsgewend, wat waarskynlik beteken dat daar 'n probleem in ons benadering. Tog het die stelsel het 'n balans te vind tussen paar teenstrydige aanvanklike voorwaardes: Daar is 'n paar positiewe dinamika beide in leer stel en, meer belangrik, in die toets stel. Soos vir verdere leer, by siklus 278 ons kan sien dat ons stelsel het overtrained. Dit beteken, het ons nog vordering op leer stel: Maar die toets stel toon swakheid: Dit is 'n algemene probleem met nns: wanneer ons dit leer oor leer stel, dit leer om dit te hanteer, en soms is dit leer te goed - om die graad, wanneer dit verloor prestasie op die toets stel. Om te gaan met die probleem, is 'n tradisionele oplossing gebruik: ons hou op soek na die neurale netwerk. wat die beste presteer op die toets stel, en stoor dit, te vervang vorige beste een, is elke keer nuwe hoogtepunt bereik. Dit is dieselfde benadering, wat ons gebruik in FFBP opleiding, behalwe hierdie keer moet ons dit self doen (die toevoeging kode, wat lyk vir 'n beste neurale netwerk op 'n toets stel, en 'n beroep SAVE NN, of die uitvoer van gewigte van neurale netwerk te 'n lêer). Op hierdie manier, wanneer jy jou opleiding te stop, sal jy die beste presteerder op die toets SET gered en wag vir jou. Let ook dat dit nie die maksimum. wins wat jy na, maar optimale prestasie, so oorweeg om regstellings, wanneer jy soek na 'n beste presteerder op 'n toets stel. Genetiese algoritme vir FOREX Tegniese Analise: Waar nou Nadat jy jou wenner neurale netwerk het. jy kan volg die stappe in die vorige artikel beskryf, te gewigte van daardie Neurale netwerk uit te voer. en dan om dit te gebruik in jou real time handel platform, soos Meta Trader, Handel Station en so aan. Alternatiewelik kan jy fokus op ander maniere die optimalisering van die neurale netwerk. In teenstelling met met FFBP algoritme, hier kan jy avay kry van die gebruik van leer en toets stelle, en beweeg opeenvolgende leer. Aflaai Cortex Bestel Cortex View Pryslys Sigbaarheid is baie belangrik vir hierdie webwerf. As jy dit wil hê kan u verwys na hierdie URL n forex stelsel wat gebaseer is op 'n genetiese algoritme Verwysings Alvarez-Diaz, M. Alvarez, A. vooruitskatting wisselkoerse met behulp van genetiese algoritmes. Appl. Econ. Lett. 10 (6), 319 322 (2003) CrossRef Brabazonweg, A. O Neill, M. Ontwikkelende tegniese reëls handel vir spot buitelandse-valuta-markte met behulp van grammatikale evolusie. Computerized. Manag. Sci. 1 (3), 311 327 (2004) MATH CrossRef Davis, L. Handboek van Genetiese algoritmes. Van die Kollege-Reinhold, New York (1991) Dempster, M. A.H. Jones, C. M. 'N real-time adaptive handel stelsel met behulp van genetiese programmering. Quant. Finansies 1 (4), 397 413 (2001) CrossRef Dunis, C. Harris, A. et al. Optimalisering intraday handel modelle met genetiese algoritmes. Neurale Netw. Wêreld 9 (3), 193 223 (1999) Eling, M. Schuhmacher, F. Is die keuse van prestasie maatstaf invloed die evaluering van verskansingsfondse J. Bank. Finansies 31 (9), 2632 2647 (2007) CrossRef Fama, E. F. doeltreffende kapitaalmarkte: 'n oorsig van die teorie en empiriese werk. J. Finansies 25 (2), 383 417 (1970) CrossRef Goldberg, D. Genetiese algoritmes in Search, Optimization en masjien leer. Addison-Wesley, Reading (1989) MATH Grefenstette, J. J. Genetiese algoritmes vir veranderende omgewings. In: Parallel Probleemoplossing van Nature 2, Brussel (1992) Harding, D. Nakou, G. et al. Die voor - en nadele van onttrekking as 'n statistiese maatstaf van risiko vir beleggings. AIMA Journal, 16 April 17 (2003) Hirabayashi, A. Aranha, C. et al. Optimalisering van die handel reël in buitelandse valuta met behulp van genetiese algoritme. In: Verrigtinge van die 11de Jaarlikse Konferensie oor genetiese en ewolusionêre Berekening GECCO 09 (2009) Hryshko, A. Downs, T. Stelsel vir buitelandse valuta handel met behulp van genetiese algoritmes en versterking leer. Int. J. SYST. Sci. 35 (13), 763 774 (2004) MATH CrossRef Kaboudan, M. A. genetiese programmering voorspelling van aandeelpryse. Computerized. Econ. 16 (3), 207 236 (2000) MATH CrossRef LeBaron, B. Tegniese handel reël winsgewendheid en buitelandse valuta ingryping. J. Int. Econ. 49 (1), 125 143 (1999) CrossRef LeBaron, B. Tegniese handel winsgewendheid in buitelandse valuta markte in die 1990's (2002) Levich, R. M. Thomas, L. R. Die belangrikheid van tegniese handel-reël winste in die valutamark: 'n bootstrap benadering. J. Int. Geld financ. 12 (5), 451 474 (1993) CrossRef Kyk, A. W. Die aangepaste markte hipotese. J. Portf. Manag. 30 (5), 15 29 (2004) CrossRef Menkhoff, L. Taylor, M. P. Die hardnekkige passie van buitelandse valuta professionele: tegniese ontleding. J. Econ. Aangesteek 45 (4), 936 972 (2007) CrossRef Meyers, T. A. Die Tegniese Analise Kursus. McGraw-Hill, New York (1989) Mitchell, M. An Introduction te Genetiese algoritmes. MIT Press, Cambridge (1996) Neely, C. Weller, P. Intraday tegniese beurs in die buitelandse valuta mark. J. Int. Geld financ. 22 (2), 223 237 (2003) CrossRef Neely, C. Weller, P. et al. Is tegniese ontleding in die buitelandse valuta mark winsgewend 'n genetiese programmering benadering. J. financ. Quant. Anal. 32 (4), 405 426 (1997) CrossRef Neely, C. J. Weller, P. A. et al. Die aangepaste markte Hipotese: bewyse uit die buitelandse valuta mark. J. financ. Quant. Anal. 44 (02), 467 488 (2009) CrossRef Olson, D. Het handel reël winste in die valuta-markte gedaal met verloop van tyd J. Bank. Finansies 28 (1), 85 105 (2004) CrossRef Osman, I. H. Kelly, J. P. Meta-heuristiek: Teorie Aansoeke. Kluwer Academic, Dordrecht (1996) MATH Park, C.-H. Irwin, S. H. Wat weet ons van die winsgewendheid van tegniese ontleding J. Econ. Surv. 21 (4), 786 826 (2007) CrossRef Pictet, O. V. Dacorogna, M. M. et al. Die gebruik van genetiese algoritmes vir robuuste optimalisering in finansiële toepassings. Neurale Netw. Wêreld 5 (4), 573 587 (1995) Reeves, C. R. met behulp van genetiese algoritmes met klein bevolkings. In: Verrigtinge van die Vyfde Internasionale Konferensie oor Genetiese algoritmes. Morgan Kaufmann, San Mateo (1993) Rothlauf, F. Goldberg, D. Redundante vertoë in evolusionêre berekening. Illinois Genetiese algoritmes Laboratorium (IlliGAL) Verslag (2002) Schulmeister, S. komponente van die winsgewendheid van tegniese valuta handel. Appl. Financ. Econ. 18 (11), 917 930 (2008) CrossRef Sweeney, R. J. Klop die buitelandse valuta mark. J. Finansies 41 (1), 163 182 (1986) Wilson, G. Banzhaf, W. Interday buitelandse valuta handel met behulp van lineêre genetiese programmering. In: Verrigtinge van die 12de Jaarlikse Konferensie oor genetiese en ewolusionêre Berekening GECCO 10 (2010) 'n forex stelsel wat gebaseer is op 'n genetiese algoritme Citations Citations 7 Verwysings 42 Wys abstrakte versteek abstrakte OPSOMMING: Tans FOREX (valutamark) is die grootste finansiële mark oor die hele wêreld. Gewoonlik is die Forex mark analise is gegrond op die Forex tydreekse voorspelling. Tog handel deskundige stelsels wat gebaseer is op sulke voorspellings nie gewoonlik voorsien bevredigende resultate. Aan die ander kant,-beurs deskundige stelsels genoem ook meganiese handel stelsels, wat gebaseer is op die tegniese ontleding, is baie gewild en kan goeie winste te voorsien. Daarom, in hierdie vraestel stel ons 'n forex deskundige stelsel wat gebaseer is op 'n paar nuwe tegniese ontleding aanwysers en 'n nuwe benadering tot die reël-basis bewysregtelike redenasie (RBER) (die sintese van wasige logika en die Dempster Shafer teorie van bewyse). Ons het gevind dat die tradisionele wasige logika reëls 'n belangrike inligting te verloor, wanneer hulle met die sny fuzzy klasse, bv soos lae en medium en ons het getoon dat hierdie eiendom kan lei tot die omstrede resultate in die praktyk. In die raamwerk van die voorgestelde in die huidige papier nuwe benadering, is 'n inligting van die waardes van alle ledetal funksies wat die sny (meeding) fuzzy klasse bewaar en gebruik in die wasige logika reëls. Die voordele van die voorgestelde benadering word gedemonstreer met behulp van die ontwikkelde deskundige stelsel new en getoets op die werklike data van die Forex mark vir die vier munt pare en die tydskale 15 m, 30 m, 1 h en 4 h. Artikel Junie 2016 Ludmila Dymova Pavel Sevastjanov Krzysztof Kaczmarek Wys abstrakte versteek abstrakte OPSOMMING: Ons stel 'n genetiese programmering argitektuur vir die opwekking van buitelandse valuta handel strategieë. Die stelsel se hoof kenmerke is die evolusie van free-form strategieë wat nie staatmaak op 'n vorige modelle en die benutting van die prys reeks van verskeie instrumente as invoer data. Laasgenoemde funksie maak 'n innovasie ten opsigte van vorige werke gedokumenteer in die literatuur. In hierdie artikel het ons gebruik Open, High, Low, Close bar data op 'n 5 minute frekwensie vir die AUD. USD, EUR. USD, GBP. USD en USD. JPY munt pare. Ons sal die implementering ontleding van die en out-of-monster prestasie van strategieë in-monster vir die handel die USD. JPY verkry oor verskeie algoritme lopies te toets. Ons sal ook die verskille tussen strategieë gekies volgens twee verskillende kriteria te evalueer: een is afhanklik van die fiksheid verkry op die net ingestel opleiding, die tweede een maak gebruik van 'n bykomende bekragtiging dataset. Strategie aktiwiteit en akkuraatheid handel is merkwaardig stabiel tussen binne en buite monster resultate. Uit 'n winsgewendheid aspek, die twee kriteria beide lei tot strategieë suksesvol op buite-steekproefdata maar uitstal verskillende eienskappe. Die algehele beste presteer buite-monster strategie bereik 'n jaarlikse opbrengs van 19. Artikel November 2014 wiskundige probleme in Ingenieurswese Simone Cirillo Stefan Lloyd Peter Nordin Wys abstrakte versteek abstrakte OPSOMMING: Die ru-olie termynmark speel 'n kritieke rol in finansies energie. Om groter beleggingsopbrengs kry, skoliere en handelaars gebruik tegniese aanwysers wanneer die keuse van handel strategieë in olie termynmark. In hierdie vraestel, die skrywers gebruik bewegende gemiddelde pryse van olie termynkontrakte met genetiese algoritmes om winsgewend handel reëls op te wek. Ons gedefinieer individue met verskillende kombinasies van tydperk lengtes en berekeningsmetodes soos bewegende gemiddelde handel reëls en gebruik genetiese algoritmes om te soek na die geskikte lengte van bewegende gemiddelde periodes en die toepaslike berekening metodes. Die skrywers gebruik daaglikse ru-olie pryse van Nymex termynmark 1983-2013 te evalueer en kies bewegende gemiddelde reëls. Ons vergelyk die gegenereerde reëls handel met die koop-en-hou (BH) strategie om te bepaal of gegenereer bewegende gemiddelde handel reëls kan oortollige opbrengste in die ru-olie termynmark te verkry. Deur 420 eksperimente, ons bepaal dat die gegenereerde handel reëls help handelaars wins maak wanneer daar duidelik prysskommelings. Gegenereer handel reëls kan oortollige opbrengste realiseer wanneer die prys daal en ervaar beduidende fluktuasies, terwyl BH strategie is beter as prysverhogings of glad met 'n paar skommelinge. Die resultate kan help handelaars kies beter strategieë in verskillende omstandighede. Full-text Artikel Mei 2014 Data verskaf is slegs vir inligting doeleindes. Hoewel versigtig afgehaal, kan die akkuraatheid nie gewaarborg word nie. Die impak faktor verteenwoordig 'n rowwe skatting van die tydskrif se werklike beleid of lisensie-ooreenkoms kan van toepassing wees. Skrywer kan 'n pre-gedrukte weergawe skrywer argief kan 'n post-gedrukte weergawe skrywer se pre-gedrukte op pre-gedrukte bedieners argief soos arXiv skrywer se persoonlike webwerf onmiddellik skrywer se post-druk op enige oop toegang bewaarplek ná 12 maande na publikasie Uitgewer s weergawe / PDF kan nie gebruik word gepubliseer bron moet erken moet gekoppel wees aan die uitgewer weergawe Stel frase te skakel vergesel om gepubliseerde weergawe (sien beleid) Artikels in sommige tydskrifte gemaak kan word Open Access teen betaling van bykomende koste Laas Opdateer 17 Julie 16
No comments:
Post a Comment