अनुकूलन के- व्यापार - प्रणालियों और विभागों - पीडीएफ

ट्रेडिंग सिस्टम्स और पोर्टफोलियो के लिए सुदृढीकरण सीखना: तत्काल बनाम फ्यूचर पुरस्कार के सन्दर्भ में क्रिट्स आर एच एचएपी बार्टो ए जी (1 99 6), डी। एस। तुऊत्स्की, एम। सी। मूजर एपीएम ई। हसलमो, एडीएस, एनजेस में अग्रिम, वॉल्यूम में सुदृढीकरण सीखने का उपयोग करके लिफ्ट प्रदर्शन में सुधार। 8, पीपी। 10171023. मूडी जे एंड एपी वू एल (1 99 7), वाई। अबू-मोस्ताफा में एडीएफ रिफाइन ऐज वेजेंड, एडीएस, न्यूरल नेटवर्क्स, कैपिटल मार्केट्स, वर्ल्ड साइंटिफिक, लंदन में ट्रेडिंग सिस्टम और पोर्टफोलियो का अनुकूलन । मूडी जे। वू एल लिया लियाओ वाई। एप सैफ़ेल एम। (1 99 8), प्रदर्शन प्रणालियों और विभागों के लिए प्रदर्शन कार्य और सुदृढीकरण शिक्षा, जर्नल ऑफ़ फोरकास्टिंग 17 प्रकट होना। Neuneier आर (1 99 6), अनुकूलतम गतिशील प्रोग्रामिंग का उपयोग करके इष्टतम परिसंपत्ति आवंटन, डी। एस। तुऊत्स्की, एम। सी। Mozer amp एम। ई। हस्सेलमो, एडीएस, अग्रिम्स एनआईपीएस, वॉल्यूम में। 8, पीपी। 952958. शार्प डब्ल्यू एफ (1 9 66), म्युचुअल फंड प्रदर्शन, जर्नल ऑफ़ बिज़नेस पीपी। 11 9 381. टेसौरो जी। (1 9 8 9), न्यूरोगैमन ने कंप्यूटर ओलंपियाड, न्यूरल कंपेशन 1 जीता। 321323. क्रॉसफ्रीफ वकटिनस सी जे सी एच। (1 9 8 9), लर्निंग विद डेलैएड रिवार्ड्स, पीएचडी थीसिस, कैम्ब्रिज यूनिवर्सिटी, साइकोलॉजी डिपार्टमेंट। झांग डब्ल्यू। डायटेटरिच टी। जी (1 99 6), डी.एस. तुऊत्स्की, एम। सी। मूजर एपीएम ई। हस्सेलमो, एडीएस, एडिप्स इन एनआईपीएस, वॉल्यूम में एक समय-विलंब टीडी () नेटवर्क के साथ उच्च प्रदर्शन नौकरी की दुकान शेड्यूलिंग। 8, पीपी। 10241030. बोलिंगर बैंड के भाग झुंड अनुकूलन इस पत्र को इस रूप में बताएं: बटलर एम। कजाकॉव डी। (2010) बोलिन्जर बैंड के कण झुंड अनुकूलन। में: डॉरोगो एम। एट अल (एडीएस) झुंड इंटेलिजेंस एएनटीएस 2010. कंप्यूटर विज्ञान, वॉल्यूम 6234 में लेक्चर नोट्स। स्प्रिंगर, बर्लिन, हीडलबर्ग स्टॉक ट्रेडिंग सिग्नल को प्राप्त करने के लिए तकनीकी संकेतकों का उपयोग वित्तीय तकनीकी विश्लेषण का आधार है। इनमें से कई संकेतक के पास कई पैरामीटर हैं जो वित्तीय समय-श्रृंखला के अत्यधिक गैर-रैखिक और गैर-स्थिर प्रकृति को देखते हुए एक मुश्किल अनुकूलन समस्या पैदा करता है। यह अध्ययन एक लोकप्रिय वित्तीय सूचक, बोलिंगर बैंड की जांच करता है, और 4 अलग-अलग फिटनेस कार्यों के तहत कण झुंड अनुकूलन के जरिये इसके मापदंडों का ठीक ट्यूनिंग: लाभप्रदता, शार्प अनुपात, सीरिनोनो अनुपात और सटीकता। प्रयोग के नतीजे बताते हैं कि लाभप्रदता फिटनेस फ़ंक्शन का इस्तेमाल करते हुए पीएसओ के माध्यम से अनुकूलित पैरामीटर बेहतर आउट-ऑफ-नमूना व्यापारिक परिणाम पेश करते हैं, जिसमें डिफ़ॉल्ट मापदंडों की तुलना में लेनदेन लागत शामिल है। कण झुंड ऑप्टिमाइज़ेशन बॉलिंजर बैंड शार्प अनुपात सॉर्किनिनो अनुपात और पैरामीटर अनुकूलन संदर्भ ली, जेएस। ली, एस चांग, ​​एस। अहं, बीएच। स्टॉक मार्केट में अतिरिक्त रिटर्न मूल्यांकन के लिए जीए और पीएसए की तुलना। में: मीरा, जे। लवरेज, जे.आर. (एडीएस।) आईडब्ल्यूआईएनएसी 2005, भाग II एलएनसीएस, वॉल्यूम 3562, पीपी। 221230. स्प्रिंगर, हीडलबर्ग (2005) लेंटो, सी। ग्रेडोजेविक, एन। तकनीकी व्यापार नियमों की लाभप्रदता: एक संयुक्त संकेत दृष्टिकोण एप्लाइड बिजनेस रिसर्च जर्नल ऑफ 23 (1), 1327 (2007) Google विद्वान लेंटो, सी। ग्रेडोजेविक, एन। राइट, सी। बोलिन्जर बैंड में निवेश की जानकारी सामग्री एप्लाइड वित्तीय अर्थशास्त्र पत्र 3 (4), 263267 (2007) क्रॉसफर्फ गूगल विद्वान लेउंग, जे चोंग, टी। चलती औसत लिफाफे और बोलिन्जर बैंड की एक अनुभवजन्य तुलना। एप्लाइड इकोनॉमिक्स लेटर्स 10 (6), 33 9 341 (2003) क्रॉसफ्रफ गूगल विद्वान मूडी, जे। वू, एल। लियाओ, वाई। सैफ़ेल, एम। ट्रेडिंग सिस्टम और पोर्टफोलियो के लिए प्रदर्शन कार्य और सुदृढ़ीकरण। एप्लाइड वित्तीय अर्थशास्त्र पत्र 17, 441470 (1 99 8) Google विद्वान शि, वाई। एबरहार्ट, आर। में: 1998 आईईईई इंटरनेशनल कॉन्फ़्रेंस ऑफ़ इवोल्यूशनरी कंप्यूटेशन, आईईईई वर्ल्ड कॉग्रेस ऑन कॉमुअनल इंटेलिजेंस, पीपी। 6973 (1 99 8) विलियम्स, ओ। प्रॉफिबिलिटी के लिए बोलिन्जर बैंड के आनुपातिक अनुकूलन। मास्टर्स थीसिस, साइमन फ्रेजर यूनिवर्सिटी (2006) कॉपीराइट सूचना स्प्रिंगर-वर्लग बर्लिन हीडलबर्ग 2010 लेखक और संबद्धता मैथ्यू बटलर 1 डीमैट कजाकॉव 1 1. कंप्यूटर विज्ञान के संकाय, कृत्रिम इंटेलिजेंस ग्रुप यूनिवर्सिटी ऑफ़ यॉर्क यूके इस बारे मेंफैक्सएडवांटेज ब्लॉग पोर्टफोलियो ट्रेडिंग आपका ऑप्टिमाइज़ेशन बिग इंडेक्स फंड और म्यूचुअल फंड जो निष्क्रिय रूप से व्यापार करते हैं, इन दिनों लोकप्रिय हैं, लेकिन बाज़ार के प्रभाव के बिना बड़े पदों पर चलना चुनौतीपूर्ण हो सकता है। पेंशन फंड और इंडेक्स फंड जो समय-समय पर एक महीने में एक बार या एक तिमाही में अपने पोर्टफोलियो को पुन: विकसित कर देते हैं, समान पोर्टफोलियो ट्रेडिंग जोखिम का सामना कर सकते हैं। फ्लेक्स पीटीएस (पोर्टफोलियो ट्रेड शेड्यूलर) इस समस्या को हल करने के लिए, फ्लेक्सट्रैड निर्मित फ्लेक्स पीटीएस एक परिष्कृत अनुकूलन उपकरण जो पोर्टफोलियो के लिए सबसे अच्छा व्यापार समय निर्धारित करता है। खरीदने और बेचने के लक्ष्य के साथ एक पोर्टफोलियो ट्रेडिंग लिस्ट के बाद, फ्लेक्स पीटीएस 15 मिनट की खिड़कियों में विभाजित आदेशों को खरीदने और बेचने का एक कार्यक्रम तैयार करता है, जैसे कि व्यापार के अंत में लक्ष्य आकार मिलते हैं। फ्लेक्सएडेज उन्नत एनालिटिक्स ऑफरिंग के तीसरे चरण का प्रतिनिधित्व करते हुए फ्लेक्सपीटीएस बहु-दिन की खिड़कियों के लिए डिज़ाइन किया गया है और वैश्विक पोर्टफोलियो को प्रबंधित किया गया है। आईबीएम प्रसिद्ध गणितीय अनुकूलन लाइब्रेरी ILOG CPLEX का प्रयोग हुड के तहत किया जाता है। उत्पाद को खरीदने या बेचने वाली फर्मों पर लक्षित किया जाता है जो आधे दिन, एक दिन या बहु-दिन की अवधि में व्यापार करते हैं, क्योंकि व्यापार सूची के कुछ हिस्सों में अतरल है। इलिक्विड का मतलब है कि पोर्टफोलियो के नामों में कारोबार की जाने वाली राशि औसत दैनिक मात्रा के बराबर है, फ्लेक्सट्रैड में पोर्टफोलियो ऑप्टिमाइजेशन के उपाध्यक्ष रानी हिलाइ बताते हैं। फ्लेक्स पीटीएस वर्क्स कैसे फ्लेक्स पीटीएस अनुकूलक के माध्यम से बाजार प्रभाव लागत, खरीद और बेचने वाली फर्मों से अपने विचारों को चलाने के लिए, जो कि प्रत्येक नाम खरीदने और बेचने में कितना व्यापार कार्यक्रम तैयार करता है। पोर्टफोलियो-आधारित व्यापार समयबद्धन राज्य के अत्याधुनिक अनुकूलन एल्गोरिदम, पोर्टफोलियो जोखिम विश्लेषण और बाजार प्रभाव मॉडलिंग के माध्यम से प्रदान किया जाता है। प्रोग्राम ट्रेडिंग डेस्क द्वारा उपयोग किया जाता है, फ्लेक्स पीटीएस एक कार्यान्वयन की कमी पोर्टफोलियो ट्रेडिंग एल्गोरिथम को रोजगार देते हैं ताकि व्यापारियों को आगमन मूल्य बेंचमार्क प्राप्त हो सके। कार्यान्वयन की कमी औसत निष्पादन मूल्य और ट्रेडिंग डेस्क पर ऑर्डर आने पर मूल्य के बीच के अंतर का एक उपाय है। इसके अलावा, व्यापारियों को कीमत जोखिम को कम करने की जरूरत है, लेकिन ये परस्पर विरोधी लक्ष्य हो सकते हैं, हिल्इ बताते हैं यदि कोई आगमन मूल्य के मुकाबले लागत को कम करना चाहता है, तो उन्हें निष्क्रिय रूप से व्यापार करने के लिए एक लंबा समय लेना होगा। लेकिन अगर कोई अपने जोखिम को कम करने के लिए आगमन मूल्य के करीब व्यापार करना चाहता है, तो उन्हें मूल्य परिवर्तन से पहले आक्रामक तरीके से व्यापार करना होगा, उन्होंने कहा। ट्रेडिंग धीरे-धीरे कम बाजार में प्रभाव में पड़ती है लेकिन उच्च कीमत जोखिम में पड़ जाता है। हालांकि, व्यापार तेजी से कम जोखिम को कम करता है, लेकिन परिणाम उच्च प्रभाव में होता है, वह बताते हैं। फ्लेक्स पीटीएस का लक्ष्य ग्राहकों के बाधाओं को ध्यान में रखते हुए, इन दोनों परस्पर विरोधी लक्ष्यों के बीच सर्वश्रेष्ठ व्यापार का प्रतिनिधित्व करने वाला शेड्यूल ढूंढना है। उदाहरण के लिए, ग्राहक अपनी बाध्यताओं को सेट कर सकते हैं, जैसे कि नकद बाधा: पोर्टफोलियो के अभी तक अप्रत्याशित हिस्से के खरीद और बेचने के मूल्यों के बीच असंतुलन पर एक सीमा निर्धारित की गई है। भागीदारी की कमी: प्रत्येक 15 मिनट के व्यापार अंतराल पर लागू विंडो औसत दैनिक मात्रा (एडीवी) के एक प्रतिशत के मामले में व्यापार सीमा। पोर्टफोलियो जोखिम नियंत्रण जबकि कार्यान्वयन की कमी एकल-नाम व्यापार के लिए लागू की जा सकती है, एक संपूर्ण पोर्टफोलियो का निर्धारण जोखिम को कम करने का एक अधिक प्रभावी तरीका है, खासकर अगर इसके दीर्घकालिक पोर्टफोलियो यह सच है क्योंकि शेड्यूलर एक व्यापार के जोखिम को कम करने के लिए मनाया गया मूल्य सहसंबंधों का उपयोग करता है। यदि यह एक निधि रिजल्टेंस है, तो आपके पास आमतौर पर एक साइड पोर्टफोलियो खरीदने और बेचने की संभावना है, जिसमें हिलाइ को दिखाया गया है। एक ट्रेडिंग शेड्यूल पर चिपके हुए, आप पोर्टफोलियो में शामिल हो सकते हैं और जल्दी से कुछ व्यापार कर सकते हैं जो बिक्री के सापेक्ष खरीददारी के लिए ट्रैकिंग त्रुटि को सुधार सकता है, हिल्य कहते हैं इसके बाद, एक बार ट्रैकिंग त्रुटि कम हो जाती है, तो आप अधिक समय ले सकते हैं और अधिक निष्क्रियता से व्यापार कर सकते हैं क्योंकि आप पोर्टफोलियो में हेजिंग कर चुके हैं और हेजिंग के लिए अधिक समय बिताने की आवश्यकता नहीं है। जोखिम नियंत्रण पूरे बिंदु है फ्लेक्सपीटीएस पूरे पोर्टफोलियो में जोखिम को नियंत्रित करने के लिए व्यापारी को सक्षम बनाता है। एक व्यापार शेड्यूलर पोर्टफोलियो जोखिम मॉडल का उपयोग करके किसी भी पोर्टफोलियो की अस्थिरता का अनुमान लगाता है, जो बदले में, प्रत्येक शेयर की अस्थिरता और जोखिम कारक, जैसे कि क्षेत्रों और उद्योगों, मूल सिद्धांतों और सांख्यिकीय कारकों के बीच के संबंध का अनुमान प्रदान करता है। जोखिम मॉडल फ्लेक्सपीटीएस नॉर्थफिल्ड सूचना सेवा, इंक। से दैनिक जोखिम मॉडल को शामिल करता है .. या इस मॉडल को किसी भी क्लाइंट या तीसरे- partys जोखिम मॉडल से बदला जा सकता है जोखिम मॉडल पूरे पोर्टफोलियो को देख रहा है और प्रत्येक नाम का पोर्टफोलियो में अन्य नामों के साथ सहसंबंध है। कुछ नाम तुरंत हटा दिए जाते हैं, क्योंकि ऐसा करने से जोखिम दूर हो जाएगा अपने व्यापार का निर्धारण पोर्टफोलियो शेड्यूलिंग के संदर्भ में, यदि कोई व्यापारी नामों से छुटकारा पाता है जो जोखिम जोड़ रहा है, तो रिटर्न में सुधार होगा। हालांकि, विशेष रूप से दीर्घ अवधि में रिटर्न, पोर्टफोलियो प्रबंधकों को होल्डिंग्स के चयन पर निर्भर करता है। फ्लेक्स पीटीएस केवल आगमन मूल्य के मुकाबले व्यापारिक लागत के साथ सौदे करता है। पोर्टफोलियो में नामों के बीच के रिश्ते को लेकर जोखिम काफी है, हिलाई बताते हैं। फ्लेक्स पीटीएस चलाने के परिणामस्वरूप, व्यापारी को व्यापार पूरा करने के लिए एक ट्रेडिंग शेड्यूल मिलेगा। जबकि पीटीएस व्यापार के नामों का चयन नहीं करते हैं, यह केवल एक व्यापार का सुझाव देता है। अगर व्यापारी लाइन-बाय-लाइन चलाते हैं, तो नामों को पूरा करने के लिए तरल नाम होंगे, जबकि अलिलिक नाम अंतिम रूप में समाप्त हो जाएंगे, हिले बताते हैं। यदि व्यापारियों को अनुसूची के समय से विचलित होने की वजह से कारणों के कारण विचलित हो जाता है, तो फ्लेक्स पीटीएस अनुकूलक शेष व्यापार शेड्यूल को पुन: अनुकूलित करने के लिए कई बार लागू किया जा सकता है। अधिकांश उपलब्ध एल्गोरिदम के विपरीत, फ्लेक्स पीटीएस, जो दिन-दिन, एकल-दिन या बहु-दिन के कार्यक्रमों को नियंत्रित करता है, स्वचालित रूप से व्यापार खिड़की की अधिकतम लंबाई तय कर सकता है। हूड के तहत चूंकि फ्लेक्स पीटीएस एक अनुकूलक है, इसमें बाधाओं के साथ एक उपयोगिता फ़ंक्शन है। उपयोगिता फ़ंक्शन को परिभाषित किया जाता है कि वह उम्मीद की गई बाजार प्रभाव लागत के साथ-साथ अपेक्षित बाजार जोखिम को भी कम करता है। उपयोगिता दो कार्यों के साथ बनाई गई है: मॉडल पर आधारित मॉडल की प्रभावशीलता, जो कि फ्लेक्स पीटीएस पूरे पोर्टफोलियो और व्यापार की अवधि के दौरान उपयोग कर रहा है। फ्लेक्स पीटीएस जोखिम को रखता है, जो उपयोगिता फ़ंक्शन में भिन्नता का वर्गमूल है और उम्मीद की लागत के खिलाफ इसे ट्रेड करता है। हिल्लाई के अनुसार, अन्य सिस्टम भिन्नता का उपयोग कर सकते हैं क्योंकि इसकी गणितीय रूप से आसान है लेकिन कमतर परिणाम देता है। कार्यवाही में प्रक्रिया पूरे पोर्टफोलियो में जोखिम को मापने के बाद, दी गई एक दिवसीय अनुसूची व्यापारी को 15-मिनट के अंतराल पर 26 विभिन्न ट्रेडों को निष्पादित करने का निर्देश दे सकता था। जोखिम मॉडल विचरण प्रदान करेगा फिर फ्लेक्स पीटीएस सभी 26 ट्रेडों के भिन्नता जोड़ देगा, और फिर राशि का वर्गमूल लेगा। हिलाई के मुताबिक, आगमन की कीमत के मुकाबले यह अपेक्षित भिन्नता का परिणाम है। अनुसूची के अंत में, चाहे वह खरीददारी या बेचने वाला पक्ष है, व्यापारी को पोर्टफोलियो प्रबंधक द्वारा आवश्यक कुल निष्पादन मात्रा पूरी करनी होगी, हिल्लै कहते हैं वे बाधाएं हैं और उपयोगिता फ़ंक्शन वैल्यू इन जोखिम को कम करने के लिए है, वे कहते हैं। गोपनीयता उनकी रणनीति की गोपनीयता को सुरक्षित रखने के लिए, साइड ट्रेडर्स खरीदते हैं, उनकी पूरी सूची को बेचने वाले पक्ष को बिना उजागर करते हुए अपने व्यापार का अनुकूलन कर सकते हैं। फ्लेक्स पीटीएस द्वारा प्रदान किए गए इष्टतम कार्यक्रम के बाद, अपनी पूरी सूची भेजने के बजाय, ट्रेडों को छोटे ऑर्डर में-साइड डेस्क या एल्गोरिथम सर्वर को बेचने के लिए अग्रेषित किया जा सकता है निष्कर्ष उपयोगकर्ता फ्लेक्सट्रैडर ईएमएस में उपकरण पट्टी से फ्लेक्स पीटीएस क्रियाओं तक पहुंच सकते हैं। पोर्टफोलियो अनुकूलित किए जाने के बाद, परिणामी अनुसूची फ्लेक्सट्रैडर में किसी भी निष्पादन रणनीति का एक एकीकृत हिस्सा बन सकता है, जिसमें कस्टम ट्रेडिंग एल्गोरिदम और सभी उपलब्ध अंधेरे पूल शामिल हैं। व्यापार के दौरान, विभिन्न फ्लेक्स पीटीएस विश्लेषण फ्लेक्स पीटीएस फ्रंट-एंड पर लगातार अपडेट होते हैं। फ्लेक्स पीटीएस और अपने सिस्टम के साथ एकीकरण के बारे में अधिक जानकारी के लिए, कृपया हमसे संपर्क करें। बिक्री विज्ञान के बारे में कम्प्यूटेशनल मैनेजमेंट पर अंतर्राष्ट्रीय सम्मेलन की कार्यवाही 2004। एक नई MATLAB - आधारित आनुवंशिक एल्गोरिथ्म प्रक्रिया स्टेफानोस पापदामू का उपयोग करके तकनीकी व्यापार प्रणाली में सुधार। जॉर्ज स्टीफैनेस बी। अर्थशास्त्र विभाग, थर्साली विश्वविद्यालय, आर्गनॉटन और फाईललिनन, वॉलोस, ग्रीस बी एप्लाइड सूचना विज्ञान विभाग, मैसेडोनिया इकोनोमिक एंड सोशल साइंसेज विश्वविद्यालय, ईग्नाटियस 156, थेसालोनिकी 54006, ग्रीस 18 मई 2006 को प्राप्त हुआ। 15 दिसंबर 2006 को स्वीकार किया गया। उपलब्ध ऑनलाइन 24 जनवरी 2007. वित्तीय बाजारों में हाल के अध्ययन से पता चलता है कि तकनीकी विश्लेषण प्रवृत्ति की भविष्यवाणी में एक बहुत ही उपयोगी उपकरण हो सकता है। ट्रेडिंग सिस्टम का बाजार मूल्यांकन के लिए व्यापक रूप से उपयोग किया जाता है, हालांकि, इन प्रणालियों के पैरामीटर अनुकूलन ने बहुत कम रुचि को आकर्षित किया है। इस पत्र में, डिजिटल व्यापार की संभावित शक्ति का पता लगाने के लिए, हम आनुवंशिक एल्गोरिदम के आधार पर एक नया MATLAB टूल पेश करते हैं जो टूल तकनीकी नियमों के पैरामीटर अनुकूलन के लिए माहिर है। यह वास्तविक व्यापारिक शर्तों में तीव्र और कुशल समाधान उत्पन्न करने के लिए आनुवंशिक एल्गोरिदम की शक्ति का उपयोग करता है। हमारे विशिष्ट तकनीकी प्रणाली के माध्यम से उभरते शेयर बाजारों में यूबीएस कोष के निवेश के ऐतिहासिक आंकड़ों पर बड़े पैमाने पर हमारे उपकरण का परीक्षण किया गया। परिणाम दिखाते हैं कि हमारे प्रस्तावित गेटरेड टूल सामान्यतः उपयोग किए जाने वाले, गैर-अनुकूली, सॉफ़्टवेयर उपकरण को पूरे नमूना अवधि के बदले रिटर्न और समय की स्थिरता के संबंध में दिखाते हैं। हालांकि, हमने समाधानों की गुणवत्ता में संभावित आबादी का आकार प्रभाव के प्रमाण प्रदान किए हैं। वित्तीय बाजारों की भविष्यवाणी आनुवंशिक एल्गोरिदम निवेश तकनीकी नियम 1 परिचय आज व्यापारियों और निवेश विश्लेषकों को एक क्रूर वित्तीय बाजार में तेजी से और कुशल उपकरण की आवश्यकता होती है। व्यापार में लड़ाइयों को अब मुख्य रूप से कंप्यूटर की गति से छेड़ा जाता है नए सॉफ्टवेयर प्रौद्योगिकी के विकास और नए सॉफ्टवेयर वातावरण (जैसे MATLAB) की उपस्थिति वास्तविक समय में मुश्किल वित्तीय समस्याओं को हल करने के लिए आधार प्रदान करते हैं। गणितीय और वित्तीय कार्यक्षमता में निर्मित विशाल मैटबैग, तथ्य यह है कि यह एक व्याख्याकृत और संकलित प्रोग्रामिंग भाषा है और इसके मंच स्वतंत्रता यह वित्तीय अनुप्रयोग विकास के लिए अच्छी तरह अनुकूल है। तकनीकी नियमों द्वारा अर्जित रिटर्न पर साक्ष्य, गति रणनीतियों (उदा। 14. 15. 16. 16. 16. 25 और 20), औसत नियमों और अन्य व्यापारिक प्रणालियों को स्थानांतरित करना 6. 2. 9 और 24 तकनीकी विश्लेषण के महत्व का समर्थन कर सकते हैं। हालांकि, इन अध्ययनों में से अधिकांश ने पैरामीटर ऑप्टिमाइज़ेशन के मुद्दे को नजरअंदाज कर दिया है, जिससे उन्हें डेटा स्नूपिंग की आलोचना और जीवित रहने की पूर्वाग्रह की संभावना को खोलकर छोड़ दिया गया है। 7. 17 और 8. पारंपरिक रूप से शोधकर्ताओं ने व्यापार नियमों के तदर्थ विनिर्देश का इस्तेमाल किया। वे एक डिफ़ॉल्ट लोकप्रिय कॉन्फ़िगरेशन का उपयोग करते हैं या बेतरतीब ढंग से कुछ अलग मानदंडों को बाहर की कोशिश करते हैं और मुख्य रूप से वापसी के आधार पर मानदंड के साथ सर्वश्रेष्ठ का चयन करते हैं। Papadamou और Stephanides 23. कंप्यूटर एडेड तकनीकी व्यापार के लिए एक नया MATLAB आधारित टूलबॉक्स लागू है जिसमें पैरामीटर अनुकूलन समस्याओं के लिए एक प्रक्रिया शामिल है। हालांकि, उनके अनुकूलन प्रक्रिया का कमजोर बिंदु समय है: उद्देश्य फ़ंक्शन (उदा। लाभ) एक साधारण चुकता त्रुटि फ़ंक्शन नहीं है, लेकिन एक जटिल (प्रत्येक अनुकूलन चलना डेटा के माध्यम से जाता है, व्यापारिक संकेत उत्पन्न करता है, लाभ की गणना करता है, आदि)। जब डेटा सेट बड़े होता है और आप अक्सर अपने सिस्टम को दोबारा शुरू करना चाहते हैं और आपको जितनी जल्दी हो सके समाधान की आवश्यकता होती है, फिर सबसे अच्छा एक पाने के लिए सभी संभावित समाधानों की कोशिश करना बहुत ही कठिन कार्य होगा। आनुवंशिक एल्गोरिदम (जीए) बेहतर ढंग से अनुकूल हैं क्योंकि वे एक संरचित तरीके से यादृच्छिक खोज करते हैं और निकटतम समाधानों की आबादी पर बहुत तेजी से एकजुट होते हैं। जीए आपको अच्छे समाधानों का एक सेट (जनसंख्या) देगा विश्लेषकों का विश्व स्तर पर सबसे अच्छा समाधान के बजाय जितना तेज़ हो सके कुछ अच्छे समाधान प्राप्त करने में रुचि है। विश्व स्तर पर सबसे अच्छा समाधान मौजूद है, लेकिन यह बेहद संभावना नहीं है कि यह सबसे अच्छा होगा इस अध्ययन का मकसद यह दिखाना है कि विकासवादी गणना में एल्गोरिदम के एक कक्षा, आनुवंशिक एल्गोरिदम को कम्प्यूटरीकृत ट्रेडिंग सिस्टम की कार्यक्षमता और दक्षता में सुधार के लिए नियोजित किया जा सकता है। तकनीकी विश्लेषण के लिए सैद्धांतिक या अनुभवजन्य औचित्य प्रदान करने का उद्देश्य यहां नहीं है। हम उभरते शेयर बाजारों के आधार पर किसी विशेष पूर्वानुमान कार्य में हमारे दृष्टिकोण का प्रदर्शन करते हैं। यह पेपर निम्नानुसार व्यवस्थित है। पिछला काम अनुभाग 2 में प्रस्तुत किया गया है। डेटा सेट और हमारी पद्धति 3 खंड में वर्णित है। अनुभवजन्य परिणाम अनुभाग 4 में चर्चा की जाती है। निष्कर्ष अनुभाग 5 का पालन करता है 2 पिछला काम कंप्यूटर साइंस और इंजीनियरिंग क्षेत्रों में जीए का एक बड़ा निकाय है, लेकिन व्यापार से संबंधित क्षेत्रों के बारे में थोड़ा काम किया गया है। अंत में, वित्तीय अर्थशास्त्र में जीए के उपयोग में बढ़ती दिलचस्पी रही है, लेकिन अब तक स्वचालित व्यापार से संबंधित बहुत कम शोध किया गया है। हमारे ज्ञान के लिए पहले प्रकाशित पेपर जो आनुवंशिक एल्गोरिदम को निवेश के लिए जोड़ता था, वह बऊर और लिपिन से था 4. अपनी पुस्तक जेनेटिक एल्गोरिदम और निवेश रणनीतियों में बऊर 5 ने व्यावहारिक मार्गदर्शन की पेशकश की है कि कैसे GAs का उपयोग मौलिक सूचनाओं के आधार पर आकर्षक व्यापारिक रणनीति विकसित करने के लिए किया जा सकता है। इन तकनीकों को आसानी से अन्य प्रकार की जानकारी जैसे तकनीकी और मैक्रोइकॉनॉमिक डेटा के साथ ही पिछले कीमतों को शामिल करने के लिए बढ़ाया जा सकता है। एलेन और करजैलैनैन के अनुसार 1। आनुवंशिक एल्गोरिथ्म तकनीकी व्यापार नियमों को खोजने के लिए एक उपयुक्त तरीका है। फ़र्नडेज़-रॉड्रगेज़ एट अल 11 एक सरल व्यापार नियम में आनुवंशिक एल्गोरिदम अनुकूलन अपनाने से मैड्रिड स्टॉक एक्सचेंज से जीए के सफल उपयोग के लिए सबूत प्रदान करते हैं। कुछ अन्य रुचि अध्ययन उन महफॉड और 18 मनी हैं जिन्होंने एक नया आनुवंशिक-एल्गोरिथ्म-आधारित सिस्टम प्रस्तुत किया और इसे नीले एट द्वारा व्यक्तिगत स्टॉक के भविष्य के प्रदर्शन की भविष्यवाणी करने के कार्य पर लागू किया। 21 और Oussaidene एट अल द्वारा 22 जो आनुवंशिक प्रोग्रामिंग को विदेशी मुद्रा पूर्वानुमान के लिए लागू किया और कुछ सफलता की सूचना दी। जीए ऑप्टिमाइजेशन में जटिलताओं में से एक यह है कि उपयोगकर्ता को पारस्परिक दर, जनसंख्या आकार और उत्परिवर्तन दर जैसे पैरामीटरों का एक सेट परिभाषित करना चाहिए। डी जोंग 10 के मुताबिक समारोह अनुकूलन में आनुवंशिक एल्गोरिदम का अध्ययन करने वाले अच्छे जीए प्रदर्शन के लिए उच्च क्रॉसओवर संभाव्यता (जनसंख्या आकार के विपरीत आनुपातिक) और एक मध्यम आबादी आकार की आवश्यकता होती है। गोल्डबर्ग 12 और मार्केलोस 1 9 का सुझाव है कि कई समस्याओं में अच्छी तरह से काम करने वाले मानकों का एक सेट क्रॉसओवर पैरामीटर 0.6 है, आबादी का आकार 30 और उत्परिवर्तन पैरामीटर 0.0333 है। बॉयर 4 ने वित्तीय अनुकूलन समस्याओं पर सिमुलेशन की एक श्रृंखला की, और गोल्डबर्ग सुझावों की वैधता की पुष्टि की। वर्तमान अध्ययन में हम चयनित ट्रेडिंग सिस्टम के लिए विभिन्न पैरामीटर कॉन्फ़िगरेशन का परीक्षण करके एक सीमित अनुकार अध्ययन करेंगे। हम अन्य सॉफ्टवेयर टूल्स के साथ हमारे टूल की तुलना करके प्रस्तावित GA के प्रमाण भी प्रदान करेंगे। 3 क्रियाविधि हमारी पद्धति कई चरणों में आयोजित की जाती है। सबसे पहले, हमें तकनीकी विश्लेषण के आधार पर हमारे व्यापार प्रणाली को लागू करना होगा। एक व्यापार प्रणाली विकसित करने में, आपको यह निर्धारित करने की आवश्यकता होती है कि बाज़ार में प्रवेश कब और कब निकल जाए। यदि व्यापारी बाजार में है तो द्विआधारी चर एक के बराबर है अन्यथा शून्य है। जैसा कि स्थिति व्यापारियों का मानना ​​है कि हम निम्नलिखित संकेतक (दीम्बेटा) का निर्माण करते हुए दैनिक चार्ट पर हमारी प्रविष्टि और बाहर निकलने के फैसलों का आधार रखते हैं। यह सूचक वर्तमान मूल्यों के चलते औसत लंबाई से विचलन की गणना करता है। हमारे व्यापार प्रणाली में प्रयुक्त संकेतकों को औपचारिक रूप से नीचे दिया जा सकता है: समय पर फंड का समापन मूल्य कहां और फ़ंक्शन MovAv समय की लंबाई के साथ परिवर्तनीय के साधारण चलती औसत की गणना करता है हमारे व्यापार प्रणाली में दो संकेतक होते हैं, दीम्बाटा इंडिकेटर और निम्मिंग समीकरण द्वारा दिंबता की चलती औसत: यदि ऊपर की ओर बढ़ें तो बाजार में लंबे समय तक प्रवेश करें (यानी संकेत खरीद)। यदि नीचे की तरफ क्रॉस हो तो बाजार में लंबी स्थिति बंद करें (यानी बिकने वाला संकेत)। दूसरा, हमें अपनी ट्रेडिंग रणनीति को अनुकूलित करना है यह अच्छी तरह से ज्ञात है कि लाभ या धन जैसे उद्देश्य कार्यों को अधिकतम करने के लिए व्यापार प्रणाली का अनुकूलन कर सकते हैं। जोखिम-असंवेदनशील व्यापारी के लिए सबसे प्राकृतिक उद्देश्य फ़ंक्शन लाभ होता है। हमारे सॉफ्टवेयर उपकरण में हम गुणात्मक मुनाफा मानते हैं। गुणकारी मुनाफे उपयुक्त हैं जब संचित धन का एक निश्चित अंश प्रत्येक लंबे व्यापार में निवेश किया जाता है। हमारे सॉफ़्टवेयर में कम बिक्री की अनुमति नहीं है और लीवरेज फ़ैक्टर को तय किया गया है, समय पर धन निम्न सूत्र द्वारा दिया जाता है: जहां समय पर समाप्त होने वाली अवधि के लिए एहसास होता है, लेन-देन लागत होती है और बाइनरी डमी वैरिएबल एक लंबी स्थिति दर्शाता है या नहीं (यानी 1 या 0) लाभ को अंतिम धन से प्रारंभिक धन से घटाकर दिया जाता है। एक प्रणाली का अनुकूलन करने के लिए कई नियमों का प्रदर्शन करना पड़ता है, जबकि व्यापार नियमों के भीतर एक या अधिक पैरामीटर (,) भिन्न होते हैं परीक्षणों की संख्या में भारी वृद्धि हो सकती है (मेटास्टॉक में अधिकतम 32 000 परीक्षाएं हैं) फिनट्रेडटूल 23 में। कोई सीमा नहीं है, तथापि, कंप्यूटर प्रसंस्करण प्रणाली के आधार पर प्रसंस्करण समय पर। इस पत्र में हम आनुवंशिक एल्गोरिदम का उपयोग करके अनुकूलन समस्या को हल करने की संभावना की जांच करते हैं। जेनेटिक एल्गोरिदम (जीए) जो हॉलैंड 13 द्वारा विकसित किए गए थे, प्राकृतिक विकास के सिद्धांतों के आधार पर खोज, अनुकूलन और अनुकूलन तकनीकों के एक वर्ग का गठन करते हैं। आनुवंशिक एल्गोरिदम अनुकूलन समस्याओं के लिए खुद को अच्छी तरह से उधार देते हैं क्योंकि वे मजबूतता दिखाने के लिए जाने जाते हैं और समाधान पद्धति और अनुकूलन प्रदर्शन में महत्वपूर्ण लाभ प्रदान कर सकते हैं। जीएएस कुछ तरीकों से अन्य अनुकूलन और खोज प्रक्रियाओं से अलग है सबसे पहले, वे पैरामीटर सेट की एक कोडिंग के साथ काम करते हैं, स्वयं पैरामीटर नहीं इसलिए GAs आसानी से बाइनरी चर को संभाल सकते हैं दूसरा, जीएएस अंक की आबादी से खोजता है, एक भी बिंदु नहीं। इसलिए जीएएस विश्व स्तर पर इष्टतम समाधान का एक सेट प्रदान कर सकता है। अंत में, GA केवल उद्देश्य फ़ंक्शन की जानकारी का उपयोग करते हैं, डेरिवेटिव या अन्य सहायक ज्ञान नहीं। इसलिए GAs गैर-निरंतर और गैर-भिन्न-भिन्न कार्यों से निपट सकते हैं जो वास्तव में एक व्यावहारिक अनुकूलन समस्या में मौजूद हैं। गेट्राडे टूल में प्रस्तावित गेट्राडटोल 4। एक आनुवंशिक एल्गोरिथम उम्मीदवार समाधान की जनसंख्या पर संचालित होता है (,)। पैरामीटर सेट में प्रत्येक निर्णय चर एक बाइनरी स्ट्रिंग के रूप में एन्कोड किया गया है और सभी को एक गुणसूत्र बनाने के लिए जोड़ दिया गया है। क्रोमोसोम प्रतिनिधित्व एक दो-तत्व वेक्टर है जिसमें बुनरी आनुवंशिक कोडिंग में मापदंड हैं। द्विआधारी प्रतिनिधित्व की परिशुद्धता प्रति पैरामीटर आठ बिट है (यानी 1 0 0 1 0 1 1 1 1 0 0 1 0 1 1 1) यह प्रारंभिक अनुमानों की यादृच्छिक रूप से निर्मित आबादी से शुरू होता है। ये समाधान उम्मीदवारों का मूल्यांकन हमारे उद्देश्य फ़ंक्शन के संदर्भ में किया जाता है (ईक्वि। (4))। ऑपरेटरों (यानी अंकगणितीय क्रॉसओवर 1) का उपयोग करके प्रत्येक गुणसूत्र एक्सचेंजों की जानकारी को प्राप्त करने के लिए ऑप्टिमालिटी को प्राप्त करने के लिए प्राकृतिक आनुवंशिकी से बेहतर उपाय तैयार किया गया। उद्देश्य फ़ंक्शन (ईक्वि (4)) को मापने के लिए उपयोग किया जाता है कि व्यक्ति ने समस्या डोमेन में कैसे प्रदर्शन किया है। हमारे मामले में, सबसे अधिक फिट व्यक्तियों को संबद्ध उद्देश्य फ़ंक्शन का सर्वोच्च संख्यात्मक मान होगा। फिटनेस फ़ंक्शन कच्चे उद्देश्य फ़ंक्शन वैल्यू को प्रत्येक व्यक्ति के लिए योग्यता के गैर-नकारात्मक आंकड़ों में परिवर्तित करता है। उपकरण गोल्डबर्ग 12 की ऑफसेटिंग और स्केलिंग विधि और बेकर 3 के रैखिक रैंकिंग एल्गोरिदम का समर्थन करता है। हमारी चयन तकनीक संभावित रूप से अपने प्रदर्शन के आधार पर व्यक्तियों का चयन करने के लिए एक रूले पहिया तंत्र का प्रयोग करती है। एक वास्तविक-मूल्य अंतराल योग वर्तमान जनसंख्या में सभी व्यक्तियों के बीच फिटनेस मूल्यों के योग के रूप में निर्धारित किया जाता है। इसके बाद व्यक्तियों को सीमा 0, योग में एक से एक के एक दूसरे के बीच अंतरित किया जाता है। प्रत्येक व्यक्तिगत अंतराल का आकार संबंधित व्यक्ति के फिटनेस मूल्य से मेल खाती है। एक व्यक्ति को चुनने के लिए अंतराल 0 में एक यादृच्छिक संख्या उत्पन्न होती है, योग और वह व्यक्ति जिसका खंड यादृच्छिक संख्या का चयन करता है। इस प्रक्रिया को दोहराया जाता है जब तक वांछित व्यक्तियों का चयन नहीं किया जाता है। 26. इन उम्मीदवारों को अंकगणित क्रॉसओवर में शामिल होने की अनुमति दी गई थी, जो प्रक्रिया अगली पीढ़ी बनाने के लिए आशाजनक उम्मीदवारों को दोबारा जोड़ती है। एक अच्छी तरह से परिभाषित मानदंड संतुष्ट होने तक इन चरणों का दोहराया गया। क्योंकि GA एक स्थैतिक खोज पद्धति है, इसलिए औपचारिक रूप से अभिसरण मानदंड निर्दिष्ट करना मुश्किल है। जैसा कि एक श्रेष्ठ व्यक्ति से पहले आबादी की फिटनेस कई पीढ़ियों तक स्थाई रह सकती है, पारंपरिक समाप्ति मानदंड का आवेदन समस्याग्रस्त हो जाता है परिणामस्वरूप हमने समाप्ति की मानदंड के रूप में एक विशिष्ट संख्या में पुनरावृत्तियों की उपलब्धि का प्रस्ताव किया। हमारे आनुवंशिक एल्गोरिथ्म को निम्नलिखित फ्रेम में प्रस्तुत किया जा सकता है: 5 अनुभवजन्य परिणाम इस खंड में, हम उभरते शेयर बाजारों में निवेश करने वाले यूबीएस म्यूचुअल फंड में हमारी पद्धति को लागू करते हैं। 2 विश्लेषण किए गए डेटा में 15 9 8,25604 की अवधि के लिए उस फंड की दैनिक समाप्ति कीमतों पर 2800 टिप्पणियां शामिल हैं। ऑप्टिमाइज़ेशन की अवधि 15 9 8 से 25603 के बीच परिभाषित की गई है। अनुकूलित सिस्टम 2560325604 की अवधि के दौरान मूल्यांकन किया गया था। ऑप्टिमाइज़ेशन समस्या निर्धारित करने के लिए निर्धारित है डिंबेटा सूचक की इष्टतम लंबाई और साधारण डींबेटा मॉडल के लिए चलती औसत जो कि लाभ को अधिकतम करेंगे। सबसे पहले, विभिन्न GA पैरामीटर विन्यास का प्रभाव का अध्ययन किया जाएगा। विशेष रूप से हम आनुवंशिक एल्गोरिथ्म आधारित अनुकूलन प्रक्रिया के प्रदर्शन में आबादी के आकार और क्रॉसओवर पैरामीटर के प्रभाव को मापने में रुचि रखते हैं। गोल्डबर्ड्स 12 और बॉवर 4 सिफारिशों के आधार पर, जनसंख्या का आकार 30 के बराबर होना चाहिए और क्रॉसओवर रेट 0.6 (डिफ़ॉल्ट मान) होना चाहिए। सभी सिमुलेशन के लिए पुनरावृत्तियों की संख्या 300 पर सेट की गई थी। दूसरा, हमने गैटेटेड टूल की वैधता को मापने के लिए विभिन्न सॉफ़्टवेयर उपकरणों द्वारा किए गए अनुकूलन समस्या के समाधान की तुलना की। तालिका 1 जनसंख्या के विभिन्न आकारों के लिए GA अनुकूलन परिणाम प्रदान करता है। टेबल की पहली पंक्ति डिंबेटा सूचक के लिए सबसे अच्छा मापदंडों और डिंबेटा की चलती औसत दर्शाती है। सर्वोत्तम समाधान में आबादी के आकार के प्रभाव को मापने के लिए हम विभिन्न आंकड़ों की एक श्रृंखला की जांच करते हैं। अधिकतम और न्यूनतम रिटर्न के साथ समाधान, औसत रिटर्न, इन समाधानों का मानक विचलन, एल्गोरिथ्म के अभिसरण के लिए आवश्यक समय और समाधानों के मानक विचलन द्वारा अधिकतम वापसी समाधान को विभाजित करके दक्षता सूचकांक की गणना की जाती है। तालिका 1. जनसंख्या का आकार प्रभाव तालिका 1 में देखकर हम यह कह सकते हैं कि जब तक आप जनसंख्या का आकार बढ़ाना चाहते हैं और औसत समाधान अधिक हैं हालांकि, 30 की आबादी के आकार के बाद प्रदर्शन में कमी आई है। जनसंख्या आकार में वृद्धि के बाद से शामिल कम्प्यूटेशनल लागत को ध्यान में लेने के लिए, हम समस्या को हल करने के लिए आवश्यक समय की गणना करते हैं। कम जनसंख्या का आकार कम प्रदर्शन और कम समापन का समय ले जाता है। दक्षता सूचकांक के अनुसार सबसे अच्छा समाधान यह है कि जनसंख्या आकार 20 द्वारा दिए गए। एल्गोरिथम का आधार प्रदर्शन स्थापित करने के लिए, GA के 30 परीक्षण किए गए, प्रत्येक परीक्षण के लिए एक अलग यादृच्छिक प्रारंभिक आबादी के साथ। चित्र 1 ए दिखाती है कि पीढ़ी संख्या की तुलना में इष्टतम मूल्य के प्रतिशत के रूप में औसत अधिकतम फिटनेस को साजिश करके प्रदर्शन में समय के साथ सुधार कैसे हुआ। हमने पहले 30 परीक्षणों में से प्रत्येक के लिए अधिकतम फिटनेस मूल्य पर कब्जा कर लिया है जो हर पीढ़ी और हर परीक्षण के लिए किया जाता है। हमने तब अधिकतम फिटनेस मूल्यों का औसत किया और वह संख्या इष्टतम फिटनेस मूल्य से विभाजित की, जो गणनात्मक खोज (फिनट्रेड टूल, 23) द्वारा प्राप्त की गई थी, इसने प्रति पीढ़ी के इष्टतम मूल्य का प्रतिशत के रूप में हमें औसत अधिकतम फिटनेस दे दी है। चित्र 1 ए आधार पैरामीटर सेटिंग्स: इष्टतम का प्रतिशत जैसा कि चित्र 1 ए में देखा जा सकता है। पहली पीढ़ी की औसत अधिकतम फिटनेस इष्टतम मूल्य का 74 है हालांकि, पचासवीं पीढ़ी तक, एल्गोरिथ्म में आमतौर पर कम से कम एक समाधान पाया जाता है जो इष्टतम मूल्य के 90 के भीतर था पचासवीं पीढ़ी के बाद, समाधान इष्टतम मूल्य के 98 तक पहुंच सकता है। एक संदर्भ बिंदु के रूप में हमारे आधार सेटिंग्स से प्रदर्शन के उपायों के साथ, हमने मूल प्रक्रिया में संभावित भिन्नताओं की जांच की। हमने जनसंख्या आकार और क्रॉसओवर दर में परिवर्तन के प्रभाव का अध्ययन किया प्रत्येक अलग पैरामीटर सेटिंग के लिए, हमने एल्गोरिथम के 30 परीक्षण किए और फिर आधार सेटिंग के लिए प्राप्त किए गए लोगों के साथ औसत अधिकतम फिटनेस के ग्राफ की तुलना की। सबसे पहले, हमने क्रॉसओवर दर 0.4 और 0.8 की कोशिश की। परिणाम चित्र 1 बी और छवि 1 सी में दिखाए जाते हैं। जो आंकड़े 1 ए के समान हैं। एक परिणाम के रूप में विदेशी पैरामीटर एक महत्वपूर्ण डिग्री के लिए इष्टतम समाधान को प्रभावित नहीं करते हैं। हालांकि, जब हम आबादी का आकार बदलते हैं तो परिणाम अलग होते हैं। चित्र 1 डी और अंजीर 1 ए के अनुसार एक छोटी आबादी के आकार के साथ हमारे पास बड़ी आबादी के मुकाबले गरीब परिणाम थे जब हमने आबादी के आकार के रूप में 80 का चयन किया तो हमने शुरुआती पीढ़ियों में उच्च लाभ प्राप्त किया। अंजीर 1 बी क्रॉसओवर 0.40: इष्टतम का प्रतिशत चित्र 1 सी। क्रॉसओवर 0.80: इष्टतम का प्रतिशत चित्र 1 डी जनसंख्या 80: इष्टतम का प्रतिशत चित्र 1e जनसंख्या 20: इष्टतम का प्रतिशत टेबल 2 को देखकर आप तीन अलग-अलग सॉफ्टवेयर टूल्स का उपयोग करके हमारे ट्रेडिंग सिस्टम के अनुकूलन के परिणामों की तुलना कर सकते हैं। पहली पंक्ति मेटास्टॉक और फाइनट्रेडटूल 23 के खिलाफ गैटरेड टूल का नतीजा देती है। हमारे प्रस्तावित सॉफ्टवेयर टूल (गैट्रेडेटू एल) कुल परीक्षणों की संख्या के बारे में किसी विशिष्ट प्रतिबंध के बिना अनुकूलन समस्या को बहुत तेज कर सकता है। मेटास्टॉक सॉफ्टवेयर में किया जा सकता है अधिकतम परीक्षण 32 000 है। इष्टतम समाधान खोजने के लिए FinTradeTool को अधिक समय की आवश्यकता है। गैटरेड टूल द्वारा प्रदान किए गए समाधान FinTradeTool के इष्टतम समाधान के करीब है तालिका 2. तीन अलग-अलग सॉफ़्टवेयर उपकरणों की तुलना ऑप्टिमाइज्ड मापदंडों (दीम्बेटा। मूवएव (डिमबेटा)) 159825603 की अवधि में मिले सर्वोत्तम पैरामीटरों के साथ ट्रेडिंग सिस्टम का परीक्षण 2560325604 के मूल्यांकन अवधि में किया गया था। हमारे ट्रेडिंग सिस्टम के प्रदर्शन को बढ़ा दिया गया है सभी सॉफ्टवेयर टूल्स में हालांकि, समय की लागत को बहुत गंभीरता से माना जाता है (स्तंभ 4)। अंजीर 2 में डेम्बाटा ट्रेडिंग सिस्टम (आबादी का आकार 80, क्रॉसओवर रेट 0.6) के लिए 300 पीढ़ियों में अधिकतम, न्यूनतम और औसत रिटर्न का विकास दर्शाया गया है। यह देखा जा सकता है कि अधिकतम रिटर्न में सकारात्मक रुझान है यह 150 पीढ़ियों के बाद अपेक्षाकृत स्थिर प्रतीत होता है और 1.2 और 1 (यानी 120100 रिटर्न) के बीच की सीमा में चलता है। न्यूनतम फिटनेस के लिए कोई पैटर्न मौजूद नहीं है। औसत आबादी के लिए एक स्पष्ट ऊपरी प्रवृत्ति वापस आती है पहली 180 पीढ़ियों में पाया जा सकता है, यह एक संकेत है कि जनसंख्या का समग्र स्वास्थ्य समय के साथ बेहतर होता है समाधान की अस्थिरता के संबंध में, पहली पीढ़ियों में वृद्धि के बाद समाधान के मानक विचलन 0.3 और 0.6 के बीच की सीमा में स्थिर होकर समाधानों के एक स्थिर और कुशल सेट का प्रमाण प्रदान करता है। अंजीर। 300 से अधिक पीढ़ियों तक कई आंकड़ों का विकास। चित्र 3 गैट्रेड टूल द्वारा दिए गए इष्टतम समाधान की एक तीन आयामी भूखंड प्रदान करता है। कुल्हाड़ियों में और हमारे पास पैरामीटर हैं, डिंबेटा सूचक और इसकी चलती औसत। 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.