Ottimizzazione Di Trading Sistemi E Portafogli Pdf

Reinforcement Learning per sistemi e Portafogli di Trading: immediata vs futuri benefici Riferimenti Crites R. H. amp Barto A. G. (1996), migliorando le prestazioni ascensore utilizzando apprendimento per rinforzo, in D. S. Touretzky, M. C. Mozer amp M. E. Hasselmo, EDS, Advances in NIPS, vol. 8, pp. 10171023. Moody J. amp Wu L. (1997), l'ottimizzazione dei sistemi di trading e portafogli, in Y. Abu-Mostafa, AN Refenes amp AS Weigend, EDS, Reti Neurali nei mercati dei capitali, World Scientific, Londra . Moody J. Wu L. Liao Y. amp Saffell M. (1998), le funzioni di prestazioni e rinforzo di apprendimento per i sistemi di trading e portafogli, ufficiale di previsione 17. Apparire. Neuneier R. (1996), ottimale asset allocation utilizzando programmazione dinamica adattiva, in D. S. Touretzky, M. C. Mozer amp M. E. Hasselmo, EDS, Advances in NIPS, vol. 8, pp. 952958. Sharpe W. F. (1966), la performance dei fondi comuni, Journal of Business pp. 119138. Tesauro G. (1989), Neurogammon vince le Olimpiadi del computer, Neural Computation 1. 321323. CrossRef Watkins C. J. C. H. (1989), Imparare con Rewards ritardo, tesi di dottorato, Università di Cambridge, Dipartimento di Psicologia. Zhang W. amp Dietterich T. G. (1996), ad alte prestazioni job scheduling-shop con una rete di ritardo td (), in D. S. Touretzky, M. C. Mozer amp M. E. Hasselmo, EDS, Advances in NIPS, vol. . 8, pp 10241030.Particle Swarm Optimization di bande di Bollinger citare questa carta come: Butler M. Kazakov D. (2010) Particle Swarm Optimization di bande di Bollinger. In: Dorigo M. et al. (A cura di) Swarm Intelligence. ANTS 2010. Lecture Notes in Computer Science, vol 6234. Springer, Berlino, Heidelberg L'utilizzo di indicatori tecnici per derivare i segnali di commercio è un fondamento di analisi tecnica finanziaria. Molti di questi indicatori hanno diversi parametri che crea un difficile problema di ottimizzazione proposta altamente non lineare e la natura non stazionaria di una serie temporale finanziaria. Questo studio indaga un indicatore popolare finanziario, le bande di Bollinger, e la messa a punto dei suoi parametri tramite l'ottimizzazione sciame di particelle inferiore a 4 diverse funzioni di fitness: redditività, Sharpe ratio, rapporto di Sortino e precisione. I risultati dell'esperimento dimostrano che i parametri ottimizzati attraverso PSO si utilizza la funzione di fitness redditività prodotto risultati commerciali out-of-sample superiori che include i costi di transazione rispetto ai parametri di default. Particle Swarm Optimization Bollinger Bands Sharpe Ratio rapporto di Sortino e ottimizzazione dei parametri Riferimenti Lee, J. S. Lee, S. Chang, S. Ahn, B. H. Un confronto tra GA e PSO per la valutazione rendimento in eccesso nei mercati azionari. In: Mira, J. lvarez, J. R. (eds.) IWINAC 2005, parte II. LNCS, vol. . 3562, pp 221230. Springer, Heidelberg (2005) Lento, C. Gradojevic, N. La redditività delle regole di negoziazione tecniche: un approccio segnale combinato. Journal of Applied Business Research 23 (1), 1327 (2007) Google Scholar Lento, C. Gradojevic, N. Wright, C. Investimento contenuto informativo in Bollinger Bands Applied Financial Economics Letters 3 (4), 263.267 (2007) CrossRef Google Scholar Leung, J. Chong, T. Un paragone empirico della media mobile buste e le bande di Bollinger. Applied Economics Letters 10 (6), 339.341 (2003) CrossRef Google Scholar Moody, J. Wu, L. Liao, Y. Saffell, funzioni di prestazioni M. e rinforzo di apprendimento per i sistemi di trading e portafogli. Applied Financial Economics Letters 17, 441.470 (1998) Shi Google Scholar, Y. Eberhart, R. Uno sciame di particelle ottimizzatore modificato. In:. Atti del IEEE International Conference on Evolutionary Computation, IEEE Congresso Mondiale sulla Computional Intelligenza, pp 1998 6973 (1998) Williams, O. empirica Ottimizzazione delle bande di Bollinger per la redditività. Masters tesi, Simon Fraser University (2006) informazioni Copyright Springer-Verlag Berlin Heidelberg 2010 Autori e Affiliazioni Matthew Butler 1 Dimitar Kazakov 1 1. Facoltà di Informatica, Università di gruppo Intelligenza Artificiale di York nel Regno Unito su questo paperFlexAdvantage Blog Portafoglio di Trading Tracciare l'ottimizzazione Big fondi indicizzati e fondi comuni di investimento che il commercio passivamente sono popolari in questi giorni, ma lo spostamento di grandi posizioni senza incorrere impatto sul mercato può essere difficile. I fondi pensione e fondi indicizzati che riequilibrano periodicamente i loro portafogli una volta al mese o una volta un quarto grado di affrontare simili rischi portafoglio di negoziazione. FlexPTS (portafoglio commerciale Scheduler) Per risolvere questo problema, Flextrade costruito FlexPTS. un sofisticato strumento di ottimizzazione che determina il miglior programma di scambio per i portafogli. Dopo la sua data una lista di trading portafoglio con obiettivi per comprare e vendere, FlexPTS genera un programma di acquisto e di vendita ordini suddivisi in finestre di 15 minuti, in modo che le dimensioni di destinazione sono soddisfatte al termine del commercio. Che rappresenta la terza tappa del companys FlexEdge analisi avanzate offerta, FlexPTS è stato progettato per finestre temporali più giorni e la gestione di portafogli globali. IBMs famoso matematico ottimizzazione Biblioteca ILOG CPLEX viene utilizzato sotto il cofano. Il prodotto è rivolto alle aziende buy o sell-side che il commercio in un periodo di mezza giornata, giorno o più giorni di tempo perché le parti della lista del commercio sono illiquidi. Illiquido significa che l'importo che deve essere negoziate in nomi del portafoglio è elevato rispetto ai volumi medi giornalieri, spiega Ran Hilai, vice presidente di ottimizzazione del portafoglio al FLEXTRADE. Come funziona FlexPTS Per evitare i costi impatto sul mercato, comprare e vendere-side aziende possono gestire le loro idee attraverso FlexPTSs ottimizzatore, che poi genera un programma di scambio di quanto in ogni nome per comprare e vendere. Portfolio-based di pianificazione commerciale è fornita attraverso state-of-the-art algoritmi di ottimizzazione, l'analisi del rischio di portafoglio e di modellazione impatto sul mercato. Utilizzato da desk programma di trading, FlexPTS impiega un algoritmo portafoglio di negoziazione implementazione deficit per aiutare gli operatori a raggiungere il punto di riferimento del prezzo Arrivo. Implementazione deficit è una misura della differenza tra il prezzo medio di esecuzione e il prezzo quando arriva l'ordine sulla scrivania negoziazione. Inoltre, gli operatori hanno bisogno di ridurre al minimo il rischio di prezzo, ma questi possono essere obiettivi contrastanti, spiega Hilai. Se qualcuno vuole ridurre al minimo il costo relativo al prezzo di arrivo, hanno bisogno di prendere un lungo periodo di tempo da trading passivamente. Ma se qualcuno vuole scambiare vicino al prezzo di arrivo al fine di ridurre il loro rischio, hanno bisogno di commerciare in modo aggressivo prima che i cambiamenti di prezzo, aggiunge. Trading si traduce lentamente in un basso impatto mercato, ma comporta un alto rischio di prezzo. Tuttavia, il commercio riduce rapidamente il rischio di prezzo, ma si traduce in un alto impatto, spiega. L'obiettivo di FlexPTS è quello di trovare il programma che rappresenta il miglior compromesso tra questi due obiettivi contrastanti, pur mantenendo i clienti vincoli. Ad esempio, i clienti possono impostare i propri vincoli, come ad esempio, la costrizione in contanti: un set limitazione lo squilibrio tra l'acquisto e di vendita dei valori della parte ancora non eseguita del portafoglio. vincolo di partecipazione: un limite di commercio in termini di percentuale della finestra del volume medio giornaliero (ADV) applicato a ogni intervallo di commercio di 15 minuti. Portfolio Risk Control Mentre deficit implementazione può essere applicato a single-name commerciale, la pianificazione di un intero portafoglio è un modo più efficace per ridurre il rischio, soprattutto se la sua un portafoglio longshort. Questo è vero perché lo scheduler utilizza osservato correlazioni di prezzo per ridurre il rischio di un commercio. Se questo è un riequilibrio del fondo, in genere si ha un comprare e vendere portafoglio lato, illustra Hilai. Da attaccare ad un programma di scambio, è possibile entrare nel portafoglio e fare un po 'primi scambi che possono migliorare il tracking error per la relativa acquisti alla vende, dice Hilai. Poi, una volta che il tracking error è ridotto, si può prendere più tempo e un commercio più passivamente da quando è stato coperto nel portafoglio e non avete bisogno di passare più tempo su copertura, spiega Hilai. Il controllo dei rischi è il punto. FlexPTS permette al trader di controllo del rischio tutto il portafoglio. Un programmatore commercio stima la volatilità dei qualsiasi portafoglio utilizzando un modello di rischio di portafoglio, che, a sua volta, fornisce stime della volatilità di ogni stock e la correlazione tra i fattori di rischio, come ad esempio i settori e industrie, fondamentali e fattori statistici. Modelli di rischio FlexPTS incorpora il modello di rischio tutti i giorni dalle Northfield Information Services, Inc .. o questo modello può essere sostituito con qualsiasi clienti o terze feste modello di rischio. Il modello di rischio sta guardando l'intero portafoglio e di ogni nome ha correlazioni con altri nomi in portafoglio. Alcuni nomi sono stati rimossi immediatamente, perché facendo che rimuoverà il rischio. Pianificazione Your Trades In termini di pianificazione del portafoglio, se un commerciante si libera dei nomi che sono l'aggiunta di rischio, poi ritorna miglioreranno. Tuttavia, i rendimenti, soprattutto nel lungo periodo, dipendono dalla selezione gestori di portafoglio di partecipazioni. FlexPTS si occupa solo con il costo di trading rispetto al prezzo d'arrivo. Rischio ha molto a che fare con la correlazione tra i nomi in portafoglio, spiega Hilai. Come risultato di esecuzione FlexPTS, il commerciante ottenere un programma di scambio per il completamento del commercio. Mentre PTS non seleziona i nomi per il commercio, si limita a suggerire un mestiere. Se il commerciante va linea per linea, i nomi che saranno finiti presto saranno i nomi di liquidi, mentre i nomi illiquidi saranno finiti scorso, spiega Hilai. Se i commercianti si discostano dal programma suggerito a causa di motivi come un dark match-piscina in un nome illiquido, l'ottimizzatore FlexPTS può essere invocato più volte per ri-ottimizzare la pianificazione del commercio rimanente. A differenza maggior parte degli algoritmi disponibili, FlexPTS, che gestisce parte-day, singolo giorno o più giorni i programmi, in grado di determinare automaticamente la lunghezza ottimale della finestra di commercio. Sotto il cofano Poiché FlexPTS è un ottimizzatore, ha una funzione di utilità con i vincoli. La funzione di utilità è definita come la minimizzazione del costo previsto impatto sul mercato, più il rischio di mercato previsto. L'utilità è costruito con due funzioni: L'impatto sul mercato atteso sulla base del modello che FlexPTS sta usando su tutto il portafoglio e la durata del commercio. FlexPTS mette il rischio, che è la radice quadrata della varianza nella funzione di utilità e vende fuori contro il costo previsto. Altri sistemi possono utilizzare la varianza perché i suoi risultati inferiori matematicamente più facile, ma dà, secondo Hilai. Il processo in azione quando la misurazione del rischio tutto il portafoglio, un dato programma di un giorno potrebbe istruire il commerciante per eseguire 26 diversi mestieri ad intervalli di 15 minuti. Il modello di rischio fornirà la varianza. Poi FlexPTS aggiungerebbe le varianze di tutti i 26 mestieri, e poi prendere la radice quadrata della somma. Ciò comporta la varianza relativa dovrebbe prezzo arrivo, secondo Hilai. Alla fine del programma, se il suo buy-side o sell-side, il commerciante ha per completare la quantità totale di esecuzione richiesto dal gestore di portafoglio, dice Hilai. Quelli sono i vincoli e la funzione di utilità è lì per ridurre al minimo il Value at Risk, dice. Riservatezza a mantenere la riservatezza della loro strategia, acquistare i commercianti laterali in grado di ottimizzare i loro traffici senza esporre l'intero elenco per lato delle vendite. Invece di inviare tutta la loro lista, i commerci possono essere inoltrate a sell-side scrivanie o server algoritmici in ordini minori seguito il calendario ottimale fornito da FlexPTS. Conclusione Gli utenti possono accedere azioni FlexPTS dalla barra degli strumenti in FlexTRADER SME. Dopo un portafoglio è ottimizzato, il programma risultante può diventare parte integrante di qualsiasi strategia di esecuzione in FlexTRADER, compreso l'uso di algoritmi di trading personalizzate e tutti i dark pool disponibili. Durante la negoziazione, diverse analisi FlexPTS costantemente aggiornano sul front-end FlexPTS. Per ulteriori informazioni su FlexPTS e la sua integrazione con il sistema, contattaci all'indirizzo. Proceedings salesflextrade della Conferenza internazionale sui metodi computazionali in Scienze e Ingegneria 2004 Migliorare i sistemi commerciali tecnici utilizzando una nuova procedura di algoritmo genetico MATLAB a base di Stephanos Papadamou un ,. George Stephanides b. un Dipartimento di Economia, Università della Tessaglia, Argonauton e Filelinon, Volos, Grecia b Dipartimento di Informatica Applicata, Università di Scienze Economiche e Sociali Macedonia, Egnatias 156, Salonicco 54006, Grecia ha ricevuto 18 maggio 2006. Accepted 15 dicembre 2006. Disponibile on-line 24 gennaio 2007. recenti studi sui mercati finanziari suggeriscono che l'analisi tecnica può essere uno strumento molto utile nel predire la tendenza. Sistemi di negoziazione sono ampiamente utilizzati per la valutazione del mercato tuttavia, ottimizzazione dei parametri di questi sistemi ha suscitato poco interesse. In questo lavoro, per esplorare le potenzialità del commercio digitale, vi presentiamo un nuovo strumento MATLAB basato su algoritmi genetici lo strumento è specializzata in ottimizzazione dei parametri delle norme tecniche. Esso utilizza la potenza degli algoritmi genetici per generare soluzioni rapide ed efficienti in termini commerciali reali. Il nostro strumento è stato testato ampiamente su dati storici di un fondo che investe UBS nei mercati azionari emergenti attraverso il nostro sistema tecnica specifica. I risultati mostrano che la nostra proposta GATradeTool sorpassa comunemente usato, non adattativi, strumenti software rispetto alla stabilità di ritorno e salvare l'intero periodo di campionamento di tempo. Tuttavia, abbiamo fornito la prova di un possibile effetto dimensioni della popolazione in termini di qualità delle soluzioni. governa i mercati finanziari di previsione Gli algoritmi genetici investimenti tecnici 1 Introduzione di oggi i commercianti e gli analisti di investimento richiedono strumenti veloci ed efficienti in un mercato finanziario senza scrupoli. Le battaglie in commercio sono ora condotta principalmente alla velocità del computer. Lo sviluppo di nuove tecnologie software e la comparsa di nuovi ambienti software (ad esempio MATLAB) forniscono la base per risolvere i problemi finanziari difficili in tempo reale. MATLABs vasta funzionalità built-in matematica e finanziaria, il fatto che è sia un linguaggio di programmazione interpretato e compilato e la sua indipendenza dalla piattaforma rendono adatto per lo sviluppo di applicazioni finanziarie. Le prove sui rendimenti guadagnati da norme tecniche, comprese le strategie di momentum (ad esempio, 14. 15. 16. 16. 25 e 20), spostando le regole medi e altri sistemi di negoziazione 6. 2. 9 e 24 in grado di supportare l'importanza dell'analisi tecnica. Tuttavia, la maggior parte di questi studi hanno ignorato il problema di ottimizzazione dei parametri, lasciando loro aperta alle critiche di snooping dei dati e la possibilità di bias sopravvivenza 7. 17 e 8. Tradizionalmente ricercatori hanno usato le specifiche ad hoc delle regole di negoziazione. Essi utilizzano una configurazione popolare di default o in modo casuale provare un paio di diversi parametri e selezionare il meglio con criteri basati sul ritorno principalmente. Papadamou e Stephanides 23. implementato un nuovo toolbox MATLAB a base per la negoziazione tecnica computerizzata che ha incluso una procedura per problemi di ottimizzazione dei parametri. Tuttavia, il punto debole della procedura di ottimizzazione è il tempo: la funzione obiettivo (ad es profitto) è neanche una semplice funzione errore quadratico ma complicata (ogni ottimizzazione iterazione passa attraverso i dati, genera segnali di trading, calcola profitti, ecc). Quando i set di dati sono grandi e si vorrebbero riottimizzare il sistema spesso e hanno bisogno di una soluzione al più presto possibile, poi provare tutte le soluzioni possibili per ottenere il migliore sarebbe un compito molto noioso. Gli algoritmi genetici (gas) sono più adatti in quanto essi svolgono ricerche casuali in modo strutturato e convergono molto veloce su popolazioni di soluzioni vicino ottimali. La GA vi darà un set (popolazione) di buone soluzioni. Gli analisti sono interessati ad ottenere un paio di buone soluzioni il più velocemente possibile, piuttosto che la soluzione a livello globale migliore. La soluzione a livello globale migliore esiste, ma è altamente improbabile che esso continuerà ad essere il migliore. Lo scopo di questo studio è mostrare come algoritmi genetici, una classe di algoritmi di calcolo evolutivo, può essere impiegata per migliorare le prestazioni e l'efficienza dei sistemi di negoziazione computerizzati. Non è lo scopo qui di fornire una giustificazione teorica o empirica per l'analisi tecnica. Dimostriamo il nostro approccio in un particolare compito di previsione sulla base di mercati azionari emergenti. Questo documento è organizzato come segue. impieghi precedenti è presentato nella sezione 2. I set di dati e la nostra metodologia sono descritti nella sezione 3. I risultati empirici sono discussi nella sezione 4. Conclusioni segue Sezione 5. 2 impieghi precedenti Vi è un grande corpo di lavoro GA in informatica e ingegneria campi, ma poco lavoro è stato fatto per quanto riguarda le aree di business correlati. Ultimamente, c'è stato un crescente interesse per l'uso GA in economia finanziaria, ma finora non vi è stata poca ricerca in materia di trading automatico. A nostra conoscenza il primo documento pubblicato collega gli algoritmi genetici per gli investimenti è stato da Bauer e Liepins 4. Bauer 5 nel suo libro algoritmi genetici e strategie di investimento offerto indicazioni pratiche riguardo a come gas, potrebbero essere utilizzati per sviluppare strategie di trading interessanti sulla base di informazioni fondamentali. Queste tecniche possono essere facilmente estesi ad altri tipi di informazioni, come i dati tecnici e macroeconomici così come i prezzi del passato. Secondo Allen e Karjalainen 1. algoritmo genetico è un metodo appropriato per scoprire le regole commerciali tecnici. Fernndez-Rodrguez et al. 11 con l'adozione di algoritmi genetici di ottimizzazione in una semplice regola di trading fornire la prova per l'utilizzo corretto di gas dalla Borsa di Madrid. Alcuni altri studi interessati sono quelli di Mahfoud e Mani 18 che ha presentato un nuovo sistema basato su genetica algoritmo e lo ha applicato al compito di prevedere le future prestazioni dei singoli titoli da Neely et al. 21 e Oussaidene et al. 22 che applicata programmazione genetica alla previsione dei cambi e ha riportato un certo successo. Una delle complicanze nell'ottimizzazione GA è che l'utente deve definire una serie di parametri quali il tasso di crossover, dimensioni della popolazione e tasso di mutazione. Secondo De Jong 10 che ha studiato gli algoritmi genetici per l'ottimizzazione funzione buone prestazioni GA richiede un'alta probabilità di crossover (inversamente proporzionale alla dimensione della popolazione) e una dimensione della popolazione moderata. Goldberg 12 e 19 Markellos suggeriscono che un insieme di parametri che funziona bene in molti problemi è un parametro di crossover 0,6, la dimensione della popolazione 30 e parametro di mutazione 0,0333. Bauer 4 ha eseguito una serie di simulazioni su problemi di ottimizzazione finanziari e ha confermato la validità di Goldbergs suggerimenti. Nel presente studio eseguiremo uno studio di simulazione limitata testando varie configurazioni dei parametri per il sistema commerciale prescelto. Ci sarà anche fornire la prova per GA proposto confrontando il nostro strumento con altri strumenti software. 3 Metodologia La nostra metodologia si svolge in più fasi. In primo luogo, dobbiamo implementare il nostro sistema di trading sulla base di analisi tecnica. Nello sviluppo di un sistema di negoziazione, è necessario determinare quando entrare e quando uscire dal mercato. Se il commerciante è sul mercato la variabile binaria è uguale a uno altrimenti è zero. Come i commercianti di posizione basiamo la maggior parte delle nostre decisioni di entrata e uscita su grafici giornalieri con la costruzione di un indicatore di trend following (Dimbeta). Questo indicatore calcola la deviazione dei prezzi correnti dalla sua media mobile di lunghezza. Gli indicatori utilizzati nel nostro sistema di trading possono essere formalizzati come segue: dove è il prezzo di chiusura del fondo al momento e la funzione MovAv calcola la media mobile semplice della variabile Chiudere con lunghezza di tempo. Il nostro sistema commerciale costituito da due indicatori, l'indicatore Dimbeta e la media mobile di Dimbeta dato dalla seguente equazione: Se croce in alto il quindi inserire lungo nel mercato (ossia acquistare segnale). Se croce verso il basso quindi chiudere la posizione lunga sul mercato (cioè segnale di vendita). In secondo luogo, dobbiamo ottimizzare la nostra strategia di trading. E 'ben noto che massimizzare le funzioni oggettive, quali il profitto o la ricchezza in grado di ottimizzare i sistemi di negoziazione. La funzione obiettivo naturale più per un commerciante di rischio-insensitive è il profitto. Nel nostro strumento software che consideriamo profitti moltiplicativi. profitti moltiplicativi sono appropriati quando una frazione fissa di ricchezza accumulata è investito in ogni commercio lungo. Nel nostro software vendite allo scoperto sono ammessi e il fattore di leva è insieme fisso a, la ricchezza al momento è dato dalla seguente formula: dove è il ritorno realizzato per il periodo che termina al momento, sono i costi di transazione ed è la variabile dummy binaria indicando una posizione lunga oppure no (1 o 0). Il profitto è dato sottraendo dal patrimonio finale la ricchezza iniziale,. L'ottimizzazione di un sistema comprende l'esecuzione di prove multiple pur variando uno o più parametri (,) all'interno delle regole di negoziazione. Il numero di test può crescere rapidamente enorme (Metastock ha un massimo di 32 000 test). Nella FinTradeTool 23. vi è alcun limite, tuttavia, il tempo di elaborazione a seconda del sistema informatico utilizzato. In questo lavoro studiamo la possibilità di risolvere il problema di ottimizzazione utilizzando algoritmi genetici. Gli algoritmi genetici (gas) che sono stati sviluppati da Holland 13 costituiscono una classe di ricerca, di adattamento e ottimizzazione tecniche basate sui principi di evoluzione naturale. Gli algoritmi genetici si prestano bene a problemi di ottimizzazione dato che sono noti per esibire robustezza e può offrire vantaggi significativi nella metodologia soluzioni e le prestazioni di ottimizzazione. GA differiscono da altre procedure di ottimizzazione e di ricerca in qualche modo. Innanzitutto, lavorano con una codifica del set di parametri, non parametri stessi. Pertanto gas possono facilmente gestire le variabili binarie. In secondo luogo, la ricerca di gas da una popolazione di punti, non un singolo punto. Pertanto gas possono fornire una serie di soluzioni a livello globale ottimali. Infine, il gas utilizzare le informazioni funzione di unico obiettivo, non derivati ​​o di altre conoscenze ausiliario. Pertanto gas possono affrontare le funzioni non continui e non differenziabili che sono realmente esistenti in modo pratico problema di ottimizzazione. 4 Proposto GATradeTool In GATradeTool. un algoritmo genetico opera su una popolazione di soluzioni candidate codificato (,). Ogni variabile decisionale nel set di parametri è codificato come una stringa binaria e tutti sono concatenati per formare un cromosoma. Rappresentazione dei cromosomi è un vettore a due elementi che contiene, i parametri in bunary codice genetico. La precisione della rappresentazione binaria è otto bit al parametro (cioè 1 0 0 1 0 1 1 1 1 0 0 1 0 1 1 1). Si inizia con una popolazione costruito in modo casuale di ipotesi iniziali. Queste soluzioni candidate sono valutati in termini di nostra funzione obiettivo (Eq. (4)). Al fine di ottenere ottimalità ogni scambia informazioni cromosomiche utilizzando operatori (cioè incrocio aritmetica 1) preso in prestito dalla genetica naturali per produrre una soluzione migliore. La funzione obiettivo (Eq. (4)) è utilizzato per misurare quanto individui hanno eseguito nel dominio del problema. Nel nostro caso, gli individui più dotati avranno il più alto valore numerico della funzione obiettivo associata. La funzione di fitness trasforma i valori della funzione obiettivo grezzi in figure non negativi di merito per ogni individuo. Lo strumento supporta il metodo di compensazione e il ridimensionamento di Goldberg 12 e l'algoritmo lineare rango di Baker 3. La nostra tecnica di selezione si avvale di un meccanismo di ruota della roulette per selezionare probabilisticamente individui in base alla loro prestazione. A valori reali intervallo Sum è determinato come somma dei valori fitness riga su tutti gli individui della popolazione attuale. Gli individui sono poi mappati 12:59 in intervalli contigui nell'intervallo 0, sum. La dimensione di ogni singolo intervallo corrispondente al valore di fitness dell'individuo associato. Per selezionare un singolo un numero casuale viene generato nell'intervallo 0, Somma e la persona di cui segmento estende viene selezionato il numero casuale. Questo processo viene ripetuto fino a quando è stato selezionato il numero desiderato di individui 26. Questi candidati sono stati autorizzati a partecipare a un crossover aritmetica, la procedura che ricombina i candidati promettenti al fine di creare la prossima generazione. Queste fasi sono state ripetute fino criterio ben definita è soddisfatta. Poiché il GA è un metodo di ricerca stocastico, è difficile specificare formalmente criteri di convergenza. Come l'idoneità della popolazione può rimanere statica per un numero di generazioni prima che un individuo superiore viene trovato, l'applicazione dei criteri di terminazione convenzionali diventa problematico. Come risultato abbiamo proposto il raggiungimento di un determinato numero di iterazioni come criterio di terminazione. Il nostro algoritmo genetico può essere presentato nel seguente quadro: 5 risultati empirici In questa sezione, si applica la nostra metodologia in un fondo che investe comune UBS nei mercati azionari emergenti. 2 I dati analizzati si compone di 2800 osservazioni sui prezzi di chiusura giornalieri di tale fondo per il periodo 159825604. Il periodo di ottimizzazione è definita tra il 1598 a 25603. Il sistema ottimizzato è stata valutata attraverso il lungo periodo 2560325604. Il problema di ottimizzazione è impostato come per determinare la lunghezze ottimali di indicatore Dimbeta e la sua media mobile per il semplice modello Dimbeta in grado di massimizzare i profitti. In primo luogo, l'effetto di diverse configurazioni dei parametri GA sarà studiata. Più specificamente ci interessa per misurare l'effetto della dimensione della popolazione e il parametro di crossover nello svolgimento della procedura di ottimizzazione basata algoritmo genetico. Sulla base di Goldbergs 12 e Bauer 4 raccomandazioni, la dimensione della popolazione dovrebbe essere pari al 30 e il tasso di crossover dovrebbe essere 0,6 (valori di default). Il numero di iterazioni è stato impostato a 300 per tutte le simulazioni. In secondo luogo, abbiamo confrontato le soluzioni del problema di ottimizzazione condotto da diversi strumenti software per misurare la validità del GATradeTool proposto. La tabella 1 fornisce i risultati di ottimizzazione GA per le diverse dimensioni delle popolazioni. La prima riga della tabella propone i migliori parametri per l'indicatore Dimbeta e la media mobile di Dimbeta. Per misurare l'effetto della dimensione della popolazione nella soluzione migliore esaminiamo una serie di diverse statistiche. La soluzione con il massimo rendimento e minimo, il rendimento medio, la deviazione standard di queste soluzioni, il tempo necessario per la convergenza dell'algoritmo, e un indice di efficienza calcolato dividendo soluzione massimo ritorno dalla deviazione standard delle soluzioni. Tabella effetto dimensioni 1. Popolazione per guardare nella tabella 1 si può dire che fino a quando si aumenta la dimensione della popolazione le soluzioni migliori e medi sono più alti. Tuttavia, dopo una dimensione della popolazione di 30 prestazioni diminuito. Per tenere in considerazione i costi computazionali coinvolti poiché l'aumento della dimensione della popolazione, si calcola il tempo necessario per risolvere il problema. bassa dimensione della popolazione porta a basso rendimento e basso tempo di completamento. Secondo l'indice di efficienza la soluzione migliore è quella data dalla dimensione della popolazione 20. Al fine di stabilire una prestazione di base dell'algoritmo, 30 prove di GA sono state eseguite, con una diversa popolazione iniziale casuale per ogni prova. Figura. 1a. mostra come prestazione migliorata nel tempo riportando medio idoneità massima come percentuale del valore ottimale rispetto al numero di generazione. In primo luogo abbiamo catturato il valore massimo di idoneità per ciascuna delle 30 prove questo viene fatto per ogni generazione e di ogni prova. Abbiamo poi una media dei valori massimi fitness e diviso il numero per il valore di fitness ottimale, che è stata ottenuta tramite ricerca enumerative (strumento Fintrade, 23) questo ci ha dato l'idoneità media massima come percentuale del valore ottimale per generazione. Figura. 1a. impostazioni dei parametri di base: percentuale di ottimale. Come visibile in fig. 1a. l'idoneità media massima della prima generazione è di circa 74 rispetto al valore ottimale. Tuttavia, dalla generazione cinquantesima, l'algoritmo è di solito si trova almeno una soluzione che era dentro 90 del valore ottimale. Dopo la generazione cinquantesima, la soluzione potrebbe raggiungere 98 del valore ottimale. Con misure di performance dei nostri impostazioni di base come punto di riferimento, abbiamo esaminato le possibili variazioni nella procedura di base. Abbiamo studiato l'effetto delle variazioni di dimensioni della popolazione e tasso di crossover. Per ogni impostazione parametro diverso, abbiamo effettuato 30 prove dell'algoritmo e quindi confrontato i grafici di idoneità media massima con quelli ottenuti per l'impostazione di base. In primo luogo, abbiamo cercato i tassi di crossover 0,4 e 0,8. I risultati sono mostrati in figura. 1b e Fig. 1c. che sono simili a fig. 1a. Come risultato parametri di crossover non influenzano la soluzione ottimale per un grado critico. Tuttavia, i risultati sono diversi quando alteriamo la dimensione della popolazione. Secondo Fig. 1D e Fig. 1 sexies. con una piccola dimensione della popolazione abbiamo avuto risultati più poveri che con una grande popolazione. Quando abbiamo selezionato 80 come numero di abitanti abbiamo raggiunto rendimenti elevati in prime generazioni. Figura. 1b. Crossover 0.40: cento di ottimale. Figura. 1c. Crossover 0,80: cento di ottimale. Figura. 1d. Popolazione 80: cento di ottimale. Figura. 1 sexies. Popolazione 20: cento di ottimale. Osservando la tabella 2 si possono confrontare i risultati di ottimizzazione del nostro sistema di trading utilizzando tre diversi strumenti software. La prima riga dà il risultato per la GATradeTool contro il Metastock e FinTradeTool 23. La nostra proposta di strumento software (GATradeToo l) può risolvere il problema di ottimizzazione molto veloce, senza alcuna restrizione specifica circa il numero di prove totali. Il numero massimo di test che può essere eseguita in software Metastock è 32 000. La FinTradeTool richiede molto più tempo per trovare la soluzione ottimale. La soluzione fornita dalla GATradeTool. è vicino alla soluzione ottimale del FinTradeTool. Tabella 2. Confronto di tre diversi strumenti software ottimizzato i parametri (Dimbeta. MovAv (DimBeta)) I sistemi di trading con i parametri ottimali che sono stati trovati nel periodo 159.825.603 sono stati testati nel periodo di valutazione 2560325604. Le prestazioni del nostro sistema di trading è stata aumentata in tutti gli strumenti software. Tuttavia, il costo di tempo deve essere considerata molto seriamente (colonna 4). Figura. 2 illustra l'evoluzione del massimo, minimo e rendimento medio tra i 300 generazioni per il sistema Dimbeta negoziazione (dimensione della popolazione 80, il tasso di crossover 0,6). Si può osservare che il rendimento massimo ha un andamento positivo. Sembra essere relativamente stabile dopo 150 generazioni e si muove nel range tra 1,2 e 1 (cioè 120100 ritorno). Per l'idoneità minima nessun modello sembra esistere. Per il rendimento medio della popolazione una chiara tendenza al rialzo può essere trovato nelle prime 180 generazioni, questa è un'indicazione che la forma fisica generale della popolazione migliora nel tempo. Per quanto riguarda la volatilità delle soluzioni, deviazione standard di soluzioni dopo un aumento nelle prime generazioni stabilizza in un intervallo tra 0,3 e 0,6 fornire la prova di un insieme stabile ed efficiente di soluzioni. Figura. 2. L'evoluzione di numerose statistiche oltre 300 generazioni. Figura. 3 fornisce un grafico tridimensionale delle soluzioni ottimali fornite dal GATradeTool. In assi e abbiamo i parametri, per l'indicatore dimbeta e la sua media mobile. Asse 2 illustra il rendimento del sistema di scambio Dimbeta per i parametri ottimali selezionati. As can be easily understood our tool provides an area of optimum solutions in contrast with the FinTradeTool that provides only the best solution. Figura. 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.