الأمثل من بين أنظمة المتاجرة و المحافظ ، قوات الدفاع الشعبي

تحسين نظم التداول التقنية باستخدام طريقة خوارزمية جينية قائمة على ماتلاب تشير الدراسات الحديثة في الأسواق المالية إلى أن التحليل الفني يمكن أن يكون أداة مفيدة جدا في التنبؤ بالاتجاه. وتستخدم نظم التداول على نطاق واسع لتقييم السوق ومع ذلك، فإن الاستفادة من المعلمة الأمثل لهذه النظم قد جذبت القليل من الاهتمام. في هذه الورقة، لاستكشاف القوة المحتملة للتجارة الرقمية، نقدم أداة ماتلاب جديدة على أساس الخوارزميات الجينية أداة متخصصة في تحسين المعلمة من القواعد الفنية. ويستخدم قوة الخوارزميات الجينية لتوليد حلول سريعة وفعالة في شروط التداول الحقيقية. تم اختبار أداة لدينا على نطاق واسع على البيانات التاريخية لصندوق أوبس الاستثمار في أسواق الأوراق المالية الناشئة من خلال نظامنا الفني محددة. وتظهر النتائج أن غاتراديتول المقترحة لدينا يتفوق استخداما، غير التكيف، وأدوات البرمجيات فيما يتعلق استقرار العودة وتوفير الوقت على مدى فترة العينة بأكملها. ومع ذلك، قدمنا ​​أدلة على احتمال تأثير حجم السكان في نوعية الحلول. الأسواق المالية التنبؤ الخوارزميات الوراثية الاستثمار القواعد الفنية 1. مقدمة التجار اليوم والمحللين الاستثمار تتطلب أدوات سريعة وفعالة في سوق مالية لا يرحم. وتجري المعارك في التجارة الآن بشكل رئيسي في سرعة الحاسوب. ويتيح تطوير تكنولوجيا برمجيات جديدة وظهور بيئات برامجية جديدة (مثل ماتلاب) الأساس لحل المشاكل المالية الصعبة في الوقت الحقيقي. ماتلابرسكوس واسعة المدمج في وظائف رياضية والمالية، وحقيقة أنه على حد سواء لغة البرمجة المترجمة والمترجمة واستقلاليتها منصة جعلها مناسبة تماما لتطوير التطبيقات المالية. أدلة على العائدات التي تجنيها القواعد التقنية، بما في ذلك استراتيجيات الزخم (على سبيل المثال 14. 15 16. 16. 25 xA0andxA020)، المتوسط ​​المتحرك للقواعد والأنظمة التجارية الأخرى 6. 2- 9 xA0andxA024 يمكن أن تدعم أهمية التحليل الفني. ومع ذلك، فإن غالبية هذه الدراسات تجاهل مسألة الأمثل المعلمة، وتركها مفتوحة لانتقادات من التطفل البيانات وإمكانية التحيز البقاء 7. 17 xA0andxA08. تقليديا استخدم الباحثون مواصفات مخصصة لقواعد التداول. أنها تستخدم التكوين الشعبي الافتراضي أو محاولة عشوائيا من عدد قليل من المعلمات المختلفة واختيار أفضل مع المعايير القائمة على العودة أساسا. بابادامو وستيفانيدس 23. نفذت ماتلاب الأدوات الجديدة القائمة على الحاسوب بمساعدة التقنية التي تضمنت إجراءات لمشاكل الأمثل المعلمة. ومع ذلك، فإن النقطة الضعيفة من الإجراء الأمثل هو الوقت: وظيفة الهدف (على سبيل المثال الربح) إسرسكوت بسيطة وظيفة الخطأ التربيعي ولكن معقدة (كل تكرار الأمثل يمر من خلال البيانات، ويولد إشارات التداول، ويحسب الأرباح، وما إلى ذلك). عندما تكون مجموعات البيانات كبيرة وكنت ترغب في إعادة تشغيل النظام الخاص بك في كثير من الأحيان وتحتاج إلى حل في أقرب وقت ممكن، ثم محاولة الخروج من جميع الحلول الممكنة للحصول على أفضل واحد سيكون مهمة شاقة جدا. الخوارزميات الجينية (غاس) هي أكثر ملاءمة لأنها تؤدي عمليات البحث العشوائي بطريقة منظمة وتتلاقى بسرعة كبيرة على السكان من الحلول الأمثل القريب. سوف غا تعطيك مجموعة (السكان) من حلول لدكوغودردكو. المحللون مهتمون بالحصول على عدد قليل من الحلول الجيدة بأسرع وقت ممكن بدلا من الحل الأفضل عالميا. الحل الأفضل عالميا موجود، ولكن من المستبعد جدا أن تستمر في أن تكون أفضل واحد. والهدف من هذه الدراسة هو إظهار كيف يمكن استخدام الخوارزميات الجينية، وهي فئة من الخوارزميات في الحساب التطوري، لتحسين أداء وكفاءة أنظمة التداول المحوسبة. وليس الغرض هنا تقديم مبرر نظري أو تجريبي للتحليل الفني. نحن نبرهن على نهجنا في مهمة تنبؤية معينة على أساس أسواق الأسهم الناشئة. ويتم تنظيم هذه الورقة على النحو التالي. ويرد العمل السابق في القسم 2. ويرد وصف مجموعة البيانات ومنهجيتنا في القسم 3. وتناقش النتائج التجريبية في القسم 4. الاستنتاجات يلي القسم 5. 2. العمل السابق هناك مجموعة كبيرة من غا العمل في مجال علوم الكمبيوتر والهندسة المجالات ولكن تم القيام بعمل قليل بشأن المجالات التجارية ذات الصلة. لاتيلي، كان هناك اهتمام متزايد في استخدام غا في الاقتصاد المالي، ولكن حتى الآن لم يكن هناك سوى القليل من البحوث بشأن التداول الآلي. على حد علمنا أول ورقة نشرت ربط الخوارزميات الجينية للاستثمارات كانت من بور و ليبينز 4. باور 5 في كتابه خوارزميات لدكوجينيتيك واستراتيجيات الاستثمار عرضت إرشادات عملية بشأن كيفية غاس يمكن استخدامها لوضع استراتيجيات تجارية جذابة على أساس المعلومات الأساسية. ويمكن توسيع هذه التقنيات بسهولة لتشمل أنواعا أخرى من المعلومات مثل البيانات التقنية وبيانات الاقتصاد الكلي وكذلك الأسعار السابقة. وفقا ألين وكارجالينن 1. الخوارزمية الجينية هي الطريقة المناسبة لاكتشاف قواعد التداول الفنية. فيرناكوتنديز-رودرياكوتيغيز إت آل. 11 من خلال اعتماد الخوارزميات الجينية الأمثل في قاعدة تداول بسيطة توفر أدلة على الاستخدام الناجح لل غاس من بورصة مدريد. بعض الدراسات الأخرى المهتمة هي تلك التي قام بها محفوظ و ماني 18 التي قدمت نظاما جديدا يستند إلى الخوارزمية الجينية وطبقته على مهمة التنبؤ بالأداء المستقبلي للأسهم الفردية بواسطة نيلي إت آل. (21) وسوسيدين وآخرون. 22 الذي طبق البرمجة الجينية على التنبؤ بالنقد الأجنبي وأبلغ عن بعض النجاح. واحدة من مضاعفات في غا الأمثل هو أنه يجب على المستخدم تحديد مجموعة من المعلمات مثل معدل كروس، وحجم السكان ومعدل الطفرة. وفقا ل دي جونغ 10 الذين درسوا الخوارزميات الجينية في وظيفة الأمثل أداء جيد غا يتطلب ارتفاع احتمال كروس (يتناسب عكسيا مع حجم السكان) وحجم السكان المعتدل. غولدبيرغ 12 و ماركيلوس 19 تشير إلى أن مجموعة من المعلمات التي تعمل بشكل جيد عبر العديد من المشاكل هو كروس المعلمة 0.6، وحجم السكان 30 ومعلمة طفرة 0.0333. أجرى باور 4 سلسلة من المحاكاة حول مشاكل التحسين المالي وأكد صحة اقتراحات غولدبرغرسكوس. في هذه الدراسة سوف نقوم بإجراء دراسة محاكاة محدودة من خلال اختبار تكوينات المعلمة المختلفة لنظام التداول المختار. وسوف نقدم أيضا أدلة للجمعية العامة المقترحة من خلال مقارنة أداة لدينا مع غيرها من أدوات البرمجيات. تحميل الكتب الإلكترونية: 1 محرك بحث الوسائط المتعددة فيلدوك يطابق طلبات البحث من مواقع الطرف الثالث، ل أفيليات الشبكات التي توفر الوصول غير المحدود إلى محتوى الترفيه المرخصة. يوفر فيسدوك الزوار الذين كانوا خلاف ذلك تبحث عن المحتوى المجاني للاستمتاع أكثر لأقل. فر إس إس نو إيت نل دا جب أر رو سف ز الأسباب المحتملة: بطاقة الائتمان التي تم إدخالها قد يكون لديها أموال غير كافية. لم يتم إدخال رقم بطاقة الائتمان أو رقم كفف بشكل صحيح. لم يتمكن المصرف الذي أصدره من مطابقة تاريخ كفف أو تاريخ انتهاء الصلاحية إلى بطاقة الائتمان المقدمة. عنوان إرسال الفواتير الذي أدخلته لا يطابق عنوان إرسال الفواتير في بطاقتك الائتمانية. بطاقة الائتمان المقدمة قيد الاستخدام بالفعل. حاول استخدام بطاقة أخرى. تحسين أنظمة التداول التقنية باستخدام طريقة خوارزمية جينية قائمة على ماتلاب. تشير الدراسات الحديثة في الأسواق المالية إلى أن التحليل الفني يمكن أن يكون أداة مفيدة جدا في التنبؤ بالاتجاه. وتستخدم نظم التداول على نطاق واسع لتقييم السوق ومع ذلك، فإن الاستفادة من المعلمة الأمثل لهذه النظم قد جذبت القليل من الاهتمام. في هذه الورقة، لاستكشاف القوة المحتملة للتجارة الرقمية، نقدم أداة ماتلاب جديدة على أساس الخوارزميات الجينية أداة متخصصة في تحسين المعلمة من القواعد الفنية. ويستخدم قوة الخوارزميات الجينية لتوليد حلول سريعة وفعالة في شروط التداول الحقيقية. تم اختبار أداة لدينا على نطاق واسع على البيانات التاريخية لصندوق أوبس الاستثمار في أسواق الأوراق المالية الناشئة من خلال نظامنا الفني محددة. وتظهر النتائج أن غاتراديتول المقترحة لدينا يتفوق استخداما، غير التكيف، وأدوات البرمجيات فيما يتعلق استقرار العودة وتوفير الوقت على مدى فترة العينة بأكملها. ومع ذلك، قدمنا ​​أدلة على احتمال تأثير حجم السكان في نوعية الحلول. الأسواق المالية التنبؤ الخوارزميات الوراثية الاستثمار القواعد الفنية 1. مقدمة التجار اليوم والمحللين الاستثمار تتطلب أدوات سريعة وفعالة في سوق مالية لا يرحم. وتجري المعارك في التجارة الآن بشكل رئيسي في سرعة الحاسوب. ويتيح تطوير تكنولوجيا برمجيات جديدة وظهور بيئات برامجية جديدة (مثل ماتلاب) الأساس لحل المشاكل المالية الصعبة في الوقت الحقيقي. ماتلابرسكوس واسعة المدمج في وظائف رياضية والمالية، وحقيقة أنه على حد سواء لغة البرمجة المترجمة والمترجمة واستقلاليتها منصة جعلها مناسبة تماما لتطوير التطبيقات المالية. أدلة على العائدات التي تجنيها القواعد التقنية، بما في ذلك استراتيجيات الزخم (على سبيل المثال 14. 15 16. 16. 25 xA0andxA020)، المتوسط ​​المتحرك للقواعد والأنظمة التجارية الأخرى 6. 2- 9 xA0andxA024 يمكن أن تدعم أهمية التحليل الفني. ومع ذلك، فإن غالبية هذه الدراسات تجاهل مسألة الأمثل المعلمة، وتركها مفتوحة لانتقادات من التطفل البيانات وإمكانية التحيز البقاء 7. 17 xA0andxA08. تقليديا استخدم الباحثون مواصفات مخصصة لقواعد التداول. أنها تستخدم التكوين الشعبي الافتراضي أو محاولة عشوائيا من عدد قليل من المعلمات المختلفة واختيار أفضل مع المعايير القائمة على العودة أساسا. بابادامو وستيفانيدس 23. نفذت ماتلاب الأدوات الجديدة القائمة على الحاسوب بمساعدة التقنية التي تضمنت إجراءات لمشاكل الأمثل المعلمة. ومع ذلك، فإن النقطة الضعيفة من الإجراء الأمثل هو الوقت: وظيفة الهدف (على سبيل المثال الربح) إسرسكوت بسيطة وظيفة الخطأ التربيعي ولكن معقدة (كل تكرار الأمثل يمر من خلال البيانات، ويولد إشارات التداول، ويحسب الأرباح، وما إلى ذلك). عندما تكون مجموعات البيانات كبيرة وكنت ترغب في إعادة تشغيل النظام الخاص بك في كثير من الأحيان وتحتاج إلى حل في أقرب وقت ممكن، ثم محاولة الخروج من جميع الحلول الممكنة للحصول على أفضل واحد سيكون مهمة شاقة جدا. الخوارزميات الجينية (غاس) هي أكثر ملاءمة لأنها تؤدي عمليات البحث العشوائي بطريقة منظمة وتتلاقى بسرعة كبيرة على السكان من الحلول الأمثل القريب. سوف غا تعطيك مجموعة (السكان) من حلول لدكوغودردكو. المحللون مهتمون بالحصول على عدد قليل من الحلول الجيدة بأسرع وقت ممكن بدلا من الحل الأفضل عالميا. الحل الأفضل عالميا موجود، ولكن من المستبعد جدا أن تستمر في أن تكون أفضل واحد. والهدف من هذه الدراسة هو إظهار كيف يمكن استخدام الخوارزميات الجينية، وهي فئة من الخوارزميات في الحساب التطوري، لتحسين أداء وكفاءة أنظمة التداول المحوسبة. وليس الغرض هنا تقديم مبرر نظري أو تجريبي للتحليل الفني. نحن نبرهن على نهجنا في مهمة تنبؤية معينة على أساس أسواق الأسهم الناشئة. ويتم تنظيم هذه الورقة على النحو التالي. ويرد العمل السابق في القسم 2. ويرد وصف مجموعة البيانات ومنهجيتنا في القسم 3. وتناقش النتائج التجريبية في القسم 4. الاستنتاجات يلي القسم 5. 2. العمل السابق هناك مجموعة كبيرة من غا العمل في مجال علوم الكمبيوتر والهندسة المجالات ولكن تم القيام بعمل قليل بشأن المجالات التجارية ذات الصلة. لاتيلي، كان هناك اهتمام متزايد في استخدام غا في الاقتصاد المالي، ولكن حتى الآن لم يكن هناك سوى القليل من البحوث بشأن التداول الآلي. على حد علمنا أول ورقة نشرت ربط الخوارزميات الجينية للاستثمارات كانت من بور و ليبينز 4. باور 5 في كتابه خوارزميات لدكوجينيتيك واستراتيجيات الاستثمار عرضت إرشادات عملية بشأن كيفية غاس يمكن استخدامها لوضع استراتيجيات تجارية جذابة على أساس المعلومات الأساسية. ويمكن توسيع هذه التقنيات بسهولة لتشمل أنواعا أخرى من المعلومات مثل البيانات التقنية وبيانات الاقتصاد الكلي وكذلك الأسعار السابقة. وفقا ألين وكارجالينن 1. الخوارزمية الجينية هي الطريقة المناسبة لاكتشاف قواعد التداول الفنية. فيرناكوتنديز-رودرياكوتيغيز إت آل. 11 من خلال اعتماد الخوارزميات الجينية الأمثل في قاعدة تداول بسيطة توفر أدلة على الاستخدام الناجح لل غاس من بورصة مدريد. بعض الدراسات الأخرى المهتمة هي تلك التي قام بها محفوظ و ماني 18 التي قدمت نظاما جديدا يستند إلى الخوارزمية الجينية وطبقته على مهمة التنبؤ بالأداء المستقبلي للأسهم الفردية بواسطة نيلي إت آل. (21) وسوسيدين وآخرون. 22 الذي طبق البرمجة الجينية على التنبؤ بالنقد الأجنبي وأبلغ عن بعض النجاح. واحدة من مضاعفات في غا الأمثل هو أنه يجب على المستخدم تحديد مجموعة من المعلمات مثل معدل كروس، وحجم السكان ومعدل الطفرة. وفقا ل دي جونغ 10 الذين درسوا الخوارزميات الجينية في وظيفة الأمثل أداء جيد غا يتطلب ارتفاع احتمال كروس (يتناسب عكسيا مع حجم السكان) وحجم السكان المعتدل. غولدبيرغ 12 و ماركيلوس 19 تشير إلى أن مجموعة من المعلمات التي تعمل بشكل جيد عبر العديد من المشاكل هو كروس المعلمة 0.6، وحجم السكان 30 ومعلمة طفرة 0.0333. أجرى باور 4 سلسلة من المحاكاة حول مشاكل التحسين المالي وأكد صحة اقتراحات غولدبرغرسكوس. في هذه الدراسة سوف نقوم بإجراء دراسة محاكاة محدودة من خلال اختبار تكوينات المعلمة المختلفة لنظام التداول المختار. وسوف نقدم أيضا أدلة للجمعية العامة المقترحة من خلال مقارنة أداة لدينا مع أدوات البرمجيات الأخرى.