Trading System Matlab

Trading Systems Coding. Trading-system är helt enkelt uppsättningar regler som handlarna använder för att bestämma sina poster och utgångar från en position. Utveckling och användning av handelssystem kan hjälpa handlare att uppnå jämn avkastning samtidigt som riskbegränsning. I en idealisk situation bör handlare känna sig som robotar, verkställande affärer systematiskt och utan känslor Så kanske du frågade dig själv Vad är det för att stoppa en robot från att handla mitt system Svaret Inget Denna handledning kommer att introducera dig till de verktyg och tekniker som du kan använda för att skapa ditt eget automatiserade handelssystem. Hur är Automated Trading System skapade Automatiserade handelssystem skapas genom att konvertera ditt handelssystem s regler till kod som din dator kan förstå Dina datorer kör sedan dessa regler genom din handelsprogramvara, som söker efter affärer som följer dina regler Slutligen placeras handlarna automatiskt med din mäklare. Denna handledning kommer att fokusera på den andra och tredje delen av denna process, där dina regler är omvandlas till en kod som din handelsprogramvara kan förstå och använda. Vad handelsprogramvara stöder automatiserade handelssystem Det finns många handelsprogram som stöder automatiserade handelssystem. Vissa kommer automatiskt generera och placera affärer med din mäklare. Andra kommer automatiskt hitta affärer som passar dina kriterier, men kräver att du lägger orderna med din mäklare manuellt. Dessutom kräver helt automatiska handelsprogram ofta att du använder specifika mäklarfirmor som stöder sådana funktioner. Du kan också behöva fylla i en kompletterande auktoriseringsblankett. Tillägg och nackdelar Automatiserade handelssystem har flera fördelar, men de har också sina nackdelar Trots allt, om någon hade ett handelssystem som automatiskt tjänade pengar hela tiden, skulle han eller hon bokstavligen ha en penningmaskin. Ett automatiskt system tar emot känslan och upptaget arbete, vilket gör att du att fokusera på att förbättra din strategi och penninghanteringsregler. När ett lönsamt system är jag s utvecklas, kräver det inget arbete för din del tills det bryts eller marknadsförhållanden kräver en förändring. Om systemet inte är korrekt kodat och testat kan stora förluster ske mycket snabbt. Ibland är det omöjligt att sätta vissa regler i kod, vilket gör det svårt att utveckla ett automatiserat handelssystem. I denna handledning lär du dig att planera och designa ett automatiserat handelssystem, hur man översätter denna design till kod som din dator förstår, hur man testar din plan för att säkerställa optimal prestanda och, äntligen, hur du använder ditt system. Ta reda på om du tar vägen mindre reste kommer att fungera till din fördel - eller mot det. Ett handelssystem kan spara tid och ta emot känslan ur handel, men att anta en tar skicklighet och resurser - lära dig mer här. De flesta mäklare kommer att förse dig med handelsrekord, men det är också viktigt att hålla reda på dina egna. Dessa steg kommer att göra dig en mer disciplinerad, smartare och slutligen rikare näringsidkare. Frågor om frågan. När du gör ea hypotekslån, är det betalda beloppet en kombination av en ränteavgift och huvudavdrag över. Läs om att skilja mellan kapitalvaror och konsumtionsvaror och se varför kapitalvaror kräver besparingar och investeringar. Ett derivat är ett avtal mellan två eller flera parter vars värde är baserat på en överenskommen underliggande finansiell tillgång. Termen ekonomisk vallgrav, myntade och populariserad av Warren Buffett, hänvisar till en affärsförmåga att behålla konkurrensfördelar. Frågeställningar. När du gör en hypotekslån är det betalda beloppet en kombination av en ränteavgift och huvudbetalning över. Läs om att skilja mellan kapitalvaror och konsumtionsvaror och se varför kapitalvaror kräver besparingar och investeringar. Ett derivat är ett avtal mellan två eller flera parter vars värde baseras på en överenskommelse på den underliggande finansiella tillgången. Termen ekonomisk vallgrav, myntade och populariserad av Warren Buffett, avser en affärsförmåga att behålla konkurrensutsatt fördel ages. Automated Trading System Development med MATLAB. Stuart Kozola, MathWorks. Vill du lära dig att skapa ett automatiserat handelssystem som kan hantera flera handelskonton, flera tillgångsklasser och handla på flera handelsplatser samtidigt. I detta webbinar presenterar vi en Exempel på arbetsflöde för att undersöka, implementera, testa och distribuera en automatiserad handelsstrategi som ger maximal flexibilitet i vad och vem du handlar med. Du kommer att lära dig hur MATLAB-produkter kan användas för datainsamling, dataanalys och visualisering, modellutveckling och kalibrering, backtesting, walk framåtprovning, integration med befintliga system och slutligen implementering för realtidshandel Vi tittar på var och en av delarna i denna process och ser hur MATLAB tillhandahåller en enda plattform som möjliggör en effektiv lösning av alla delar av detta problem. Specifika ämnen inkluderar. Data samlingsalternativ, inklusive dagliga historiska, intradag och realtidsdata. Modellering och prototyper i MATLAB. Backtesting och kalibrering av en modell. Walk framåt testning och modell validering. Interacting med befintliga bibliotek och programvara för handel exekvering. Deployment av den slutliga applikationen i ett antal miljöer, inklusive JAVA och Excel. Tools för högfrekvent handel, inklusive parallell databehandling, GPUer och C-kodgenerering från MATLAB. Product Focus. Select ditt land. Proceedings av den internationella konferensen om beräkningsmetoder inom vetenskap och teknik 2004.Improving tekniska handelssystem genom att använda en ny MATLAB-baserad genetisk algoritm procedure. Stephanos Papadamou a. George Stephanides ba Institutionen för ekonomi, Thessaliens universitet, Argonauton och Filelinon, Volos, Greece. b Institutionen för tillämpad informatik, Makedoniens universitet Ekonomiska och sociala vetenskaper, Egnatias 156, Thessaloniki 54006, Greece. Received 18 maj 2006 Accepterad den 15 december 2006 Tillgänglig online den 24 januari 2007. Nyare studier på finansmarknaderna tyder på att teknisk analys kan vara en väldigt användbart verktyg för att förutsäga trenden Handelssystem används ofta för marknadsbedömning, men parametraroptimering av dessa system har lockat lite intresse. I det här dokumentet, för att undersöka den potentiella kraften i digital handel, presenterar vi ett nytt MATLAB-verktyg baserat på genetiska algoritmer verktyg specialiserat på parameteroptimering av tekniska regler Det använder kraften i genetiska algoritmer för att generera snabba och effektiva lösningar i reala handelsvillkor Vårt verktyg har testats utförligt på historiska data för en UBS-fond som investerar i tillväxtmarknader genom vårt specifika tekniska system Resultat visar att vår föreslagna GATradeTool överträffar vanliga, icke-adaptiva, mjukvaruverktyg med avseende på stabiliteten i retur och tidsbesparing över hela provperioden. Vi gav dock bevis på en eventuell befolkningsstorlekseffekt i lösningen av lösningar. Finansiella marknader. Genetiska algoritmer. Tekniska regler.1 Introduktion. Tidens handlare och investeringsanalytiker kräver fort och effektiva verktyg på en hänsynslös finansmarknad Kampar i handeln sker nu främst med datorhastighet Utvecklingen av ny mjukvara och utseende av nya mjukvaruteknologier, t. ex. MATLAB, utgör grunden för att lösa svåra ekonomiska problem i realtid MATLAB s stora inbyggda matematisk och finansiell funktionalitet, är det faktum att det både är ett tolkt och sammanställt programmeringsspråk och dess plattforms oberoende gör det väl lämpat för ekonomisk applikationsutveckling. Bevis på avkastning som uppnås genom tekniska regler, inklusive momentumstrategier, t. ex. 14 15 16 16 25 och 20 , glidande medelregler och andra handelssystem 6 2 9 och 24 kan stödja vikten av teknisk analys. Dock har majoriteten av dessa studier ignorerat frågan om parametraroptimering, vilket ger dem möjlighet att kritisera data snooping och möjligheten att överleva bias 7 17 och 8 Traditionellt använde forskare ad hoc-specifikation av handelsregler De använder en de fel populär konfiguration eller slumpmässigt prova några olika parametrar och välj det bästa med kriterier baserade på retur huvudsakligen. Papadamou och Stephanides 23 genomförde en ny MATLAB-baserad verktygslåda för datorstödd teknisk handel som har inkluderat ett förfarande för parameteroptimeringsproblem. svag punkt i deras optimeringsprocedur är tiden den objektiva funktionen, t. ex. vinst, är enkel kvadratfelfunktion men en komplicerad varje optimeringsreaktion går igenom data, genererar handelssignaler, beräknar vinster osv. När dataseten är stora och du skulle vilja reoptimera ditt system ofta och du behöver en lösning så snart som möjligt och sedan försöker alla möjliga lösningar för att få det bästa skulle vara en mycket tråkig uppgift. Genetic algoritmer GAs passar bättre eftersom de utför slumpmässiga sökningar på ett strukturerat sätt och konvergerar mycket snabbt på populationer av nära optimala lösningar GA kommer att ge dig en uppsättning populationer av goda lösningar Analys sts är intresserade av att få några bra lösningar så fort som möjligt snarare än den globalt bästa lösningen. Den globalt bästa lösningen existerar men det är högst osannolikt att det kommer att fortsätta att vara det bästa. Syftet med denna studie är att visa hur genetiska algoritmer, en klass av algoritmer i evolutionär beräkning, kan användas för att förbättra prestanda och effektivitet i datoriserade handelssystem. Det är inte meningen att ge teoretisk eller empirisk motivering för den tekniska analysen. Vi demonstrerar vår inställning i en viss prognosuppgift baserat på nya aktiemarknader. Detta dokument är organiserat enligt följande Tidigare arbete presenteras i avsnitt 2 Datasättningen och vår metodik beskrivs i avsnitt 3 De empiriska resultaten diskuteras i avsnitt 4 Slutsatser följer avsnitt 5.2 Tidigare arbete. Det finns en stor kropp av GA arbetar inom datavetenskap och teknik, men lite arbete har gjorts när det gäller affärsrelaterade områden Senare t här har det varit ett växande intresse för GA-användningen i ekonomisk ekonomi, men hittills har det varit lite forskning kring automatiserad handel. Enligt vår kunskap var den första publicerade papper som länkar genetiska algoritmer till investeringar från Bauer och Liepins 4 Bauer 5 i hans bok Genetic Algorithms och investeringsstrategier erbjöd praktisk vägledning om hur GA kan användas för att utveckla attraktiva handelsstrategier baserade på grundläggande information. Dessa tekniker kan enkelt utökas till att omfatta andra typer av information som teknisk och makroekonomisk data samt tidigare priser. Enligt Allen och Karjalainen 1 genetisk algoritm är en lämplig metod för att upptäcka tekniska handelsregler Fernndez-Rodrguez et al 11 genom att anta genetiska algoritmer optimering i en enkel handelsregel ge bevis för framgångsrik användning av GA från Madrid-börsen Några andra intresserade studier är de av Mahfoud och Mani 18 som presenterade ett nytt genetiskt algoritmbaserat system och ap åtagit sig att förutse framtida prestationer av enskilda lager av Neely et al 21 och av Oussaidene et al 22 som tillämpade genetisk programplanering för prognoser för utländsk valuta och rapporterade viss framgång. En av komplikationerna i GA-optimering är att användaren måste definiera en uppsättning parametrar som överkryssningsfrekvens, populationstorlek och mutationshastighet Enligt De Jong 10 som studerade genetiska algoritmer i funktionsoptimering kräver bra GA-prestanda hög crossover-sannolikhet omvänd proportionell mot befolkningsstorlek och en måttlig befolkningsstorlek Goldberg 12 och Markellos 19 föreslår att en uppsättning parametrar som fungerar bra över många problem är en crossover-parameter 0 6, befolkningsstorlek 30 och mutationsparameter 0 0333 Bauer 4 utförde en serie simuleringar på finansiella optimeringsproblem och bekräftade giltigheten av Goldbergs förslag i den föreliggande studien vi kommer att utföra en begränsad simuleringsstudie genom att testa olika parameterkonfigurationer för det valda handelssystemet Vi kommer också att ge bevis för GA som föreslås genom att jämföra vårt verktyg med andra mjukvaruverktyg.3 Metodik. Vår metodik genomförs i flera steg För det första måste vi genomföra vårt handelssystem baserat på teknisk analys Vid utveckling av ett handelssystem , måste du bestämma när du ska ange när och när du ska lämna marknaden Om näringsidkaren är på marknaden är den binära variabeln lika med en annan är noll. Som positionshandlare baserar vi majoriteten av våra beslut om inmatning och utträde på dagliga diagram genom att bygga en trend efter indikator Dimbeta Denna indikator beräknar avvikelsen av löpande priser från dess rörliga genomsnittliga längd. De indikatorer som används i vårt handelssystem kan formaliseras enligt nedan. Var är fondens slutkurs vid tidpunkten och funktionen MovAv beräknar det enkla glidande genomsnittet av variabeln Stäng med tidslängd. Vårt handelssystem består av två indikatorer, Dimbeta-indikatorn och Dimbetas rörliga medelvärde som ges av följa ekvation. Om du korsar uppåt går den sedan in på marknaden, dvs köp signal Om du korsar neråt stänger du den långa positionen på marknaden, dvs säljsignal. För det andra måste vi optimera vår handelsstrategi. Det är välkänt att maximera objektiva funktioner som vinst eller förmögenhet kan optimera handelssystem Den mest naturliga objektiva funktionen för en riskålsekänslig näringsidkare är vinst I vårt mjukvaruverktyg ser vi multiplicativa vinster Multiplikationsvinster är lämpliga när en fast del av ackumulerad rikedom investeras i varje lång handel I vår programvara är det inte kort försäljningen är tillåten och hävstångsfaktorn fastställs till, förmögenheten i tid ges med följande formel. Var är avkastningen realiserad för perioden som slutar i tid, är transaktionskostnaderna och är binärdummyvariabeln som indikerar en lång position eller inte dvs 1 eller 0 Vinsten ges genom att subtrahera från den slutliga förmögenheten den ursprungliga förmögenheten. Optimering av ett system innefattar att utföra flera test w Hele varierande en eller flera parametrar inom handelsreglerna Antalet test kan snabbt växa enorm Metastock har högst 32 000 test I FinTradeTool 23 finns det ingen gräns för tidsbehandlingen beroende på det datorsystem som används i detta papper undersöker vi möjligheten att lösa optimeringsproblemet genom att använda genetiska algoritmer. Genetiska algoritmer GA som utvecklats av Holland 13 utgör en klass av söknings-, anpassnings - och optimeringstekniker baserade på principerna om naturlig utveckling. Genetiska algoritmer lånar sig bra för optimeringsproblem eftersom de är kända för att uppvisa robusthet och kan erbjuda betydande fördelar i lösningsmetodik och optimeringsprestanda GAs skiljer sig från andra optimerings - och sökprocedurer på vissa sätt Först arbetar de med en kodning av parameteruppsättningen, inte parametrarna själva. Därför kan GAs enkelt hantera De binära variablerna För det andra söker GAs från en population av poäng, inte som ingle point Därför kan GAs tillhandahålla en uppsättning globalt optimala lösningar. Slutligen använder GAs endast objektiv funktionsinformation, inte derivat eller annan hjälpkunskap. Därför kan GAs hantera de icke-kontinuerliga och icke-differentierbara funktionerna som faktiskt existerade i ett praktiskt optimeringsproblem .4 Föreslagen GATradeTool. In GATradeTool fungerar en genetisk algoritm på en population av kodade kandidatlösningar. Varje beslutsvariabel i parametersatsen kodas som en binär sträng och alla är sammanfogade för att bilda en kromosom. Kromosomrepresentation är en tvåelementvektor som innehåller, parametrar i bunary genetisk kodning Precisionen av binär representation är åtta bitar per parameter dvs 1 0 0 1 0 1 1 1 1 0 0 1 0 1 1 1 Det börjar med en slumpmässigt konstruerad population av initiala gissningar Dessa lösningskandidater utvärderas i termer av vår objektiv funktion Eq 4 För att få optimalitet utbyter varje kromosom information med hjälp av operatörer, dvs beräknad ic crossover 1 lånas från naturgenetik för att skapa en bättre lösning. Den objektiva funktionen Eq 4 används för att mäta hur individer har utfört i problemdomänen. I vårt fall kommer de mest utrustade individerna att ha det högsta numeriska värdet av den associerade objektivfunktionen. fitnessfunktionen omvandlar de råa objektivfunktionsvärdena till icke-negativa värderingsvärden för varje individ. Verktyget stöder Goldberg 12-ersättnings - och skalningsmetoden och den linjära rankningsalgoritmen för Baker 3. Vår urvalsteknik använder en roulettehjulsmekanism för att välja probabilistiskt individer baserat på deras prestation Ett verkligt värdeintervall Sum bestäms som summen av radens fitnessvärden över alla individer i den nuvarande befolkningen. Individer kartläggs sedan en till en i sammanhängande intervall i intervallet 0, Summa Varje enskild persons storlek intervallet motsvarar det associerade individens fitnessvärde att välja en individ en slumpmässig numbe r genereras i intervallet 0, Sum och den individ vars segment sträcker sig slumpmässigt talet är valt. Denna process upprepas tills önskat antal individer har valts 26 Dessa kandidater fick delta i en aritmetisk crossover, proceduren som rekombinerar lovande kandidater för att skapa nästa generation Dessa steg upprepades tills ett väldefinierat kriterium är uppfyllt Eftersom GA är en stokastisk sökmetod är det svårt att formellt specificera konvergenskriterier. Eftersom befolkningens kondition kan förbli statisk under flera generationer innan en överlägsen individ hittas blir tillämpningen av konventionella termineringskriterier problematisk Som ett resultat föreslog vi uppnåendet av ett specifikt antal iterationer som terminationskriterium. Vår genetiska algoritm kan presenteras i följande ram.5 Empiriska resultat. I detta avsnitt , tillämpar vi vår metod i en UBS-fond som investerar i tillväxtmarknader 2 De analyserade uppgifterna består av 2800 observationer på den dagliga slutkursen för den fonden för perioden 1 5 98 25 6 04 Optimeringsperioden definieras mellan 1 5 98 och 25 6 03 Det optimerade systemet utvärderades genom den förlängda perioden 25 6 03 25 6 04. Optimeringsproblemet är inställt för att bestämma de optimala längderna för Dimbeta-indikatorn och dess rörliga medelvärde för den enkla Dimbeta-modellen som maximerar vinsten. För det första kommer effekten av olika GA-parametrar att studeras. Mer specifikt är vi intresserade av att mäta effekten av populationens storlek och crossover-parametern i utförandet av den genetiska algoritmbaserade optimeringsproceduren Baserat på Goldberg s 12 och Bauer s 4 rekommendationer bör befolkningsstorleken vara lika med 30 och korsningsgraden ska vara 0 6 standardvärden Numret av iterationer sattes till 300 för alla simuleringar För det andra jämförde vi lösningarna med optimeringsproblem som genomfördes av olika mjukvaruverktyg för att mäta giltigheten för GATradeTool som föreslås. Tabel 1 ger GA-optimeringsresultatet för olika storlekar av populationer. Den första raden i tabellen visar de bästa parametrarna för Dimbeta-indikatorn och det glidande medlet för Dimbeta För att mäta effekten av befolkningsstorlek i Den bästa lösningen vi undersöker en rad olika statistik Lösningen med maximal och minsta avkastning, genomsnittlig avkastning, standardavvikelsen för dessa lösningar, tiden som behövs för algoritmens konvergens och ett effektivitetsindex beräknat genom att dela maximal returlösning med standardavvikelsen för lösningar. Tabel 1 Befolkningsstorlekseffekt. Om vi ​​tittar i Tabell 1 kan vi säga att så länge du ökar befolkningsstorleken är det bästa och de genomsnittliga lösningarna är högre. Men efter en befolkningsstorlek på 30 minskade prestandan i ordning att ta hänsyn till de beräknade beräknade kostnaderna sedan ökad befolkningsstorlek beräknar vi den tid som behövs för att lösa problem Låg befolkningsstorlek leder till låg prestanda och låg slutförd tid Enligt effektivitetsindexet är den bästa lösningen den som ges av befolkningsstorleken 20. För att upprätta en basprestanda för algoritmen utfördes 30 försök av GA med en olika slumpmässiga startpopulationer för varje försök Fig 1a visar hur prestanda förbättrats över tid genom att plotta medelmåttlig maximal träning som procent av det optimala värdet i förhållande till generationsnumret. Vi först fångade maximalt träningsvärde för var och en av de 30 försöken som görs för varje generation och varje försök Vi uppskattade sedan de maximala fitnessvärdena och delade det antalet med det optimala träningsvärdet, vilket erhölls med enumerativ sökning FinTrade-verktyg, 23 vilket gav oss den genomsnittliga maximala träningen som en procentandel av det optimala värdet per generation. Fig 1a-basparametern inställningsprocent av optimal. Som kan ses i Fig 1a är den genomsnittliga maximala konditionen för den första generationen ungefär 74 av den optimala v alue Men med den femtionde generationen har algoritmen vanligen funnit minst en lösning som ligger inom 90 av det optimala värdet. Efter den femtionde generationen kan lösningen nå 98 av det optimala värdet. Med prestationsåtgärder från våra basinställningar som referens punkt vi undersökte de möjliga variationerna i grundproceduren Vi studerade effekten av förändringar i populationstorlek och crossover-hastighet För varje annan parameterinställning utförde vi 30 algoritmens försök och jämförde sedan graferna med genomsnittlig maximal kondition med de som erhölls för basinställning. Först försökte vi korsningsfrekvenser 0 4 och 0 8 Resultaten visas i Fig 1b och Fig 1c som liknar Fig 1a. Resultatet är att övergångsparametrar inte påverkar den optimala lösningen i kritisk grad. Resultaten är dock annorlunda när vi ändrar befolkningens storlek Enligt Fig 1d och Fig 1e med en liten befolkningsstorlek hade vi sämre resultat än med en stor population När vi valde 80 som p Opulationsstorlek vi uppnådde hög avkastning i tidiga generationer. Flik 1b Crossover 0 40 procent av optimal. Fig 1c Crossover 0 80 procent av optimal. Fig 1d Befolkning 80 procent av optimal. Fig 1e Befolkning 20 procent av optimal. Om du tittar på tabell 2 dig kan jämföra resultaten av optimering av vårt handelssystem genom att använda tre olika mjukvaruverktyg Den första raden ger resultatet för GATradeTool mot Metastock och FinTradeTool 23 Vårt förslag till mjukvaruverktyg GATradeToo l kan lösa optimeringsproblemet mycket snabbt utan några specifika begränsningar om Antalet totala test Det maximala antalet test som kan utföras i Metastock-programvaran är 32 000. FinTradeTool behöver mycket mer tid för att hitta den optimala lösningen. Den lösning som GATradeTool erbjuder ligger nära den optimala lösningen i FinTradeTool. Table 2 Jämförelse av tre olika programvaruverktyg. Optimerade parametrar Dimbeta MovAv DimBeta. Handelssystemen med de optimala parametrarna som har hittats under perioden 1 5 98 25 6 03 testades under utvärderingsperioden 25 6 03 25 6 04 Prestanda för vårt handelssystem har ökats i alla mjukvaruverktyg Men tidskostnaden måste betraktas som mycket allvarligt kolumn 4.Fig 2 visar utvecklingen av den maximala, minsta och genomsnittliga avkastningen under de 300 generationerna för Dimbeta-handelssystemet befolkningsstorlek 80, crossover rate 6. Det kan observeras att den maximala avkastningen har en positiv trend. Det verkar vara relativt stabilt efter 150 generationer och rör sig i intervallet mellan 1 2 och 1 dvs 120 100 återvändande För det minsta träningsfönstret verkar inget mönster för den genomsnittliga befolkningsräntan finns en klar uppåtgående trend under de första 180 generationerna, det här indikerar att den övergripande befolkningens skicklighet förbättras över tid När det gäller lösningarens volatilitet stabiliseras standardavvikelsen för lösningar efter en ökning av de första generationerna i intervallet mellan 0 3 och 0 6 Ence av en stabil och effektiv uppsättning lösningar. Steg 2 Evolution av flera statistik över 300 generationer. Fig 3 ger en tredimensionell del av de optimala lösningarna som ges av GATradeTool In axes och vi har parametrarna för dimbeta-indikatorn och dess rörelse genomsnittlig axel 2 visar återkopplingen av Dimbeta-handelssystemet för de valda optimala parametrarna. Det är lätt att förstå vårt verktyg ger ett område med optimala lösningar i motsats till FinTradeTool som endast ger den bästa lösningen. Fig 3 A 3-D-plot av optimalt område.6 Slutsatser. Även om teknisk analys används i stor utsträckning som en investeringsstrategi bland utövare eller akademiker, är de sällan inriktade på parametrar optimering. Det är inte vår roll att försvara teknisk analys här, även om våra resultat visar att det finns några förutsägbarhet i UBS-fonden som investerar i tillväxtmarknader baserade på historiska data ensam Vårt huvudmål i detta dokument är att illustrera att den nya teknik för MATLAB kan användas för att implementera ett genetiskt algoritmverktyg som kan förbättra optimeringen av tekniska handelssystem. Våra experimentella resultat visar att GATradeTool kan förbättra digital handel genom att snabbt tillhandahålla en uppsättning nära optimala lösningar. Vad gäller effekten av olika GA-parameterkonfigurationer , fann vi att en ökning av befolkningsstorlek kan förbättra systemets prestanda Parametern för överkorsning påverkar inte allvarligt lösningen av lösningen. Genom att jämföra lösningarna i optimeringsproblemet som utförts av olika mjukvaruverktyg fann vi att GATradeTool kan utföra bättre genom att tillhandahålla mycket snabbt en uppsättning optimala lösningar som uppvisar en konsistens under hela utvärderingsperioden. Det skulle vara intressant för ytterligare forskning att testa en serie olika system för att se korrelationen mellan en genetisk algoritm och systemprestanda Vid en tid av frekventa förändringar på finansmarknaderna, forskare och tr aders kan enkelt testa sina specifika system i GATradeTool genom att bara ändra den funktion som producerar handelssignaler. Detta forskningspapper var en del av postdoktoral forskning av Dr S Papadamou som har finansierats av IKY Greek State Scholarships Foundation. F Allen R Karjalainen. Using genetiska algoritmer för att hitta tekniska handelsregler. Journal of Financial Economic Volume 51 1999 pp 245 271.HL Allen MP Taylor. Användning av teknisk analys på valutamarknaden. Journal of International Money and Finance Volym 11 1992 sid 303 314.JE Baker Adaptiva urvalsmetoder för genetiska algoritmer i Proceedings av den första internationella konferensen om genetiska algoritmer 1985, s. 101 111. RJ Bauer GE Liepins. Genetiska algoritmer och datoriserade handelsstrategier. Expert Systems in Finance DEO Leary PR Watkins 1992 Elsevier Science Publishers, Amsterdam, Nederländerna. Genetiska algoritmer och investeringsstrategier.1994 John Wiley Sons, Inc, New York. W Brock J Lakonishok B LeB aron. Simple tekniska handelsregler och de stokastiska egenskaperna hos aktieavkastningen. Journal of Finance Volume 47 1992 s. 1731 1764. Brown W Goetzmann R Ibbotson S Ross. Övningsverksamhet i prestationsstudier. Granskning av Financial Studies Volume 5 1992 sid 553 580. S Brown W Goetzmann S Ross. Journal of Finance Volume 50 1995 s. 853 873.YW Cheung CYP Wong. Utförandet av handelsreglerna på fyra asiatiska valutakurser. Multinationell finansjournal Volym 1 1997 s. 1 22. K De Jong, En analys av uppförandet av en klass av genetiska adaptiva system, Ph D Diss University of Michigan, University Microfilms nr 76-9381, 1975.F Fernndez-Rodrguez, C Gonzlez-Martel, S Sosvilla-Rivero, Optimering av tekniska regler genom genetisk algoritmer från Madrid Stock Market, Working Paper 2001-14, FEDEA, 2001.DE Goldberg. Genetic Algorithms in Search, Optimization och Machine Learning.1989 Addison-Wesley. Adaptation in Natural and Artificial System.1975 University of Michigan Press. N Jegad eesh S Titman. Returns att köpa vinnare och sälja förlorare Konsekvenser för aktiemarknaden effektivitet. Journal of Finance Volym 48 Utgåva 1 1993 pp 65 91. The New Commodity Trading Systems och Metoder.1987 John Wiley Sons. Fad, martingales och marknadseffektivitet. Quarterly Journal of Economics Volym 105 1990 s. 1 28.AW Lo AC MacKinlay. When är kontrariella vinster på grund av aktiemarknadens överreaktion. Översikt över Financial Studies Volym 3 1990 s. 175 206.S Mahfoud G Mani. Finansiella prognoser med användning av genetiska algoritmer. Journal of Financial Studies Applied Artificial Intelligence Volym 10 Issue 6 1996 sid 543 565.RN Markellos. Backtesting trading systems. Journal of Computational Intelligence in Finance Volym 5 Issue 6 1997 sid 5 10.L Menkhoff M Schlumberger. Persistent lönsamhet av teknisk analys på valutamarknader. Quarterly Review Volume 193 1995 s. 189 216.C Neely, P Weller, R Ditmar, Är teknisk analys på valutamarknaden lönsam En genetisk programmeringsmetod, i C Dunis, B Ru stam, utgåvor, förhandlingar, prognoser för finansiella marknader Förskott för valutakurser, räntor och kapitalförvaltning, London, 1997.M Oussaidene B Chopard O Pictet M Tomassini. Praktiska aspekter och erfarenheter Parallell genetisk programmering och dess tillämpning på handelsmodellinduktion. Parallell Computing Volym 23 Utgåva 8 1997 sid 1183 1198.S Papadamou G Stephanides. En ny matlabbaserad verktygslåda för datorstödd dynamisk teknisk handel. Financial Engineering News Issue 31 2003.S Papadamou S Tsopoglou. Investering av lönsamheten hos tekniska analyssystem på utländska valutamarknaden. Managerial Finance Volym 27 Issue 8 2001 pp 63 78.FM Werner D Bondt R Thaler. Ytterligare bevis på investeringar överreaktion och aktiemarknaden seasonality. Journal of Finance Volym 42 Utgåva 3 1987 sid 557 581. Whitley, Genitalsalgoritmen och urvalstryck Varför rankbaserade tilldelningar av reproduktiva försök är bäst, i Proceedings of the Third International Conference on Genetic Algorithms , 1989, pp 116 121. Ritmetisk enkelpunktsövergång involverar slumpmässigt skärning av två strängar i samma slumpmässigt bestämda strängläge och därefter byte av svansdelarna. Crossover utökar sökandet efter nya lösningar i vidsträckta riktningar. Strukturen för denna fond och dess huvudposition den 25 6 2004 är avbildad i följande figur. Copyright 2007 Elsevier Ltd Alla rättigheter förbehållna.