برنامه نویسی ژنتیکی برای ترکیب شاخص های تغییرات جهت دار در بازارهای بین المللی

این هشدار با موفقیت اضافه شده است و به شما ارسال می شود: هر زمان که رکوردی که انتخاب کرده اید استناد شده است ، به شما اطلاع داده می شود.

برای مدیریت تنظیمات برگزیده هشدار خود ، روی دکمه زیر کلیک کنید. هشدارهای من را مدیریت کنید

هشدار استناد جدید!

لطفا وارد حساب کاربری خود شوید

صرفه جویی در اتصال

نام

حل مسئله موازی از طبیعت - PPSN XVII: هفدهمین کنفرانس بین المللی ، PPSN 2022 ، دورتموند ، آلمان ، 10 تا 14 سپتامبر ، 2022 ، مجموعه مقالات ، قسمت دوم

برنامه نویسی ژنتیکی برای ترکیب شاخص های تغییرات جهت دار در بازارهای بین المللی صفحات 33-47

خلاصه

اکثر مطالعات تجارت الگوریتمی از داده های تحت فواصل زمانی فیزیکی ثابت مانند قیمت های بسته شدن روزانه استفاده می کنند ، که باعث می شود جریان زمان ناپیوسته باشد. یک رویکرد جایگزین ، یعنی تغییرات جهت دار (DC) ، قادر به تبدیل سری بازه های زمانی فیزیکی به سری مبتنی بر رویداد است و به معامله گران این امکان را می دهد تا حرکت قیمت را به روشی جدید تجزیه و تحلیل کنند. کار قبلی در مورد DC بر پیشنهاد شاخص های جدید مبتنی بر DC ، مشابه شاخص های حاصل از تجزیه و تحلیل فنی متمرکز شده است. با این حال ، کار بسیار کمی در ترکیب این شاخص ها تحت یک استراتژی معاملاتی انجام شده است. در همین حال ، برنامه نویسی ژنتیکی (GP) همچنین رقابت در تجارت الگوریتمی را نشان داده است ، اما عملکرد GP تحت چارچوب DC تا حد زیادی ناشناخته است.

در این مقاله ، ما یک پزشک عمومی جدید ارائه می دهیم که از شاخص های مبتنی بر DC برای تشکیل استراتژی های معاملاتی ، یعنی GP-DC استفاده می کند. ما بازده تجمعی ، نرخ بازده ، ریسک و نسبت شارپ استراتژی های معاملاتی GP-DC را در زیر 33 مجموعه داده از 3 بازار سهام بین المللی ارزیابی می کنیم و عملکرد GP را با استراتژی های به دست آمده در زمان فیزیکی ، یعنی GP-PT و و ما مقایسه می کنیم. همچنین به یک استراتژی تجارت و خرید. نتایج ما نشان می دهد که GP-DC قادر است از GP-PT و استراتژی خرید و نگه داشتن بهتر عمل کند و استراتژی های تجاری مبتنی بر DC را به یک رویکرد مکمل قدرتمند برای تجارت الگوریتمی تبدیل کند.

منابع

1. 1. adegboye A kampouridis m طبقه بندی یادگیری ماشین و مدل های رگرسیون برای پیش بینی تغییرات جهت دار تغییر روند در بازارهای FX Exp. systکاربرد2021 173 114645 10. 1016/j. eswa. 2021. 114645 کتابخانه Google Scholardigital
2. 2. Adegboye ، A. ، Kampouridis ، M. ، Johnson ، C. G: برنامه نویسی ژنتیکی رگرسیون برای تخمین روند پایان در بازار ارز. در: سری سمپوزیوم IEEE 2017 در مورد هوش محاسباتی (SSCI) ، صص 1-8. IEEE (2017) Google Scholar
3. 3. شاخص های تجزیه و تحلیل سری زمانی با صدای بلند من تحت تغییرات جهت دار: مورد سهام سهام سعودی Int. J. Econ. مالی. شماره های 2016 6 1 55 64 Google Scholar
4. 4- با صدای بلند من alkhamees n استراتژی تجارت الگوریتمی هوشمند با استفاده از یادگیری تقویت کننده و تغییر جهت IEEE دسترسی 2021 9 114659 114671 10. 1109/دسترسی . 2021. 3105259 Google Scholarcross Ref
5. 5- با صدای بلند M Fasli M در مورد استراتژی های معاملاتی و تأثیرات آنها در بازار ارز: کاوش در محاسبات استراتژی های معاملاتی. هوش2016 33 2 280 307 10. 1111/coin. 12085 کتابخانه Google Scholardigital
6. 6. AO ، H. ، Tsang ، E: الگوریتم های تجارت ساخته شده با تغییرات جهت دار. در: کنفرانس IEEE 2019 در مورد اطلاعات محاسباتی برای مهندسی مالی و اقتصاد (CIFER) ، صص 1-7. IEEE (2019) Google Scholar
7. 7. Bakhach ، A. ، Tsang ، E. ، Ng ، W. L. ، Chinthalapati ، V. R: عامل واکنش: یک استراتژی معاملاتی مبتنی بر تغییر جهت. در: سری سمپوزیوم IEEE 2016 در مورد هوش محاسباتی (SSCI) ، صص 1-9. IEEE (2016) Google Scholar
8. 8. Brabazon a kampouridis m o'neill m کاربردهای برنامه نویسی ژنتیکی برای تأمین مالی و اقتصاد: گذشته ، حال ، ژنتیک آینده. برنامه قابل تحول برنامه. 2020 21 1 33 53 10. 1007/S10710-019-09359-Z Google Scholardigital کتابخانه
9. 9. Christodoulaki ، E. ، Kampouridis ، M. ، Kanellopoulos ، P: تجزیه و تحلیل فنی و احساسات در پیش بینی مالی با برنامه نویسی ژنتیکی. در: سمپوزیوم IEEE در زمینه اطلاعات محاسباتی برای مهندسی مالی و اقتصاد (CIFER) (2022) Google Scholar
10. 10. محاسبه تکاملی Claveria o Monte e Torra برای محاسبات پیش بینی کلان اقتصادی. ECON2019 53 2 833 849 10. 1007/S10614-017-9767-4 کتابخانه Google Scholardigital
11. 11. Glattfelder JB Dupuis A السن RB الگوهای RB در داده های FX با فرکانس بالا: کشف 12 قانون مقیاس بندی تجربی کمیت. مالی. 2011 11 4 599 614 2784478 10. 1080/14697688. 2010. 481632 Google Scholar
12. 12. Guillaume dm dacorogna mm davé rr müller ua olsen rb pictet ov از چشم پرنده تا میکروسکوپ: بررسی حقایق جدید و سبک از مالی بازارهای ارزی درون روزانه. STOCHAST1997 1 2 95 129 10. 1007/S007800050018 Google Scholarcross Ref
13. 13. Hamida ، S. B. ، Abdelmalek ، W. ، Abid ، F: استفاده از روش های انتخابی آموزش پویا با استفاده از برنامه نویسی ژنتیکی برای پیش بینی نوسانات حاکی از آن. Arxiv preprint arxiv: 2007. 07207 (2020) Google Scholar
14. 14. حسین ، S. M: تجزیه و تحلیل میکروسکوپی مبتنی بر رویداد از بازار FX. دکتریپایان نامه ، دانشگاه اسکس (2013) Google Scholar
15. 15. Kampouridis M adegboye A Johnson C et al. shi y et al. در حال تحول استراتژی های معاملات تغییرات جهت دار با یک شاخص جدید مبتنی بر رویداد ، تکامل و یادگیری 2017 Cham Springer 727 738 10. 1007/978-3-319-68759-9_59 Google Scholar
16. 16. Kampouridis M Tsang E فرصت های سرمایه گذاری پیش بینی: گسترش دستور زبان یک ابزار مبتنی بر GP Int. J. Comput. هوشsyst2012 5 3 530 541 10. 1080/18756891. 2012. 696918 Google Scholarcross Ref
17. 17. Kelotra پیش بینی بازار سهام Pandey P با استفاده از مدل بهینه-CONVLSTM بهینه شده Big Data 2020 8 1 5 24 10. 1089/Big. 2018. 0143 Google Scholar
18. 18. Poli ، R. ، Langdon ، W. B. ، McPhee ، N. F: راهنمای میدانی برای برنامه نویسی ژنتیکی (2008). منتشر شده از طریق http://lulu. com و به طور آزاد در http://www. gp-field-guide. org. uk در دسترس است.(با کمک های Jr Koza) Google Scholar
19. 19. Tsang ، E: تغییرات جهت دار ، تعاریف. مقاله کار WP050-10 مرکز مالی محاسباتی و عوامل اقتصادی (CCFEA) ، دانشگاه Essex اصلاح شده 1 ، گزارش فنی (2010) Google Scholar
20. 20. Tsang ، E. P. K. ، Tao ، R. ، Ma ، S: پروفایل دینامیک بازار مالی تحت تغییرات جهت دار. کمیتفینان(2016). doi: https://doi. org/10. 1080/14697688. 2016. 1164887Google Scholar
21. 21. Tsang EP Tao R Serguieva A MA پروفایل حرکات قیمت سهام با فرکانس بالا در کمیت تغییرات جهت. مالی. 2017 17 2 217 225 3592948 10. 1080/14697688. 2016. 1164887 Google Scholar